# Software 2.0
> Curated AI & engineering insights.
Public Ghost content for AI and LLM tooling. Use `/llms-full.txt` for consolidated page and post context.
Append `.md` to any post or page URL to get the content in Markdown (for example, `/example-post.md`).

## Pages
- [关于我们](https://www.hubwiz.com/blog/about-2.md) - Software 2.0 是汇智网（hubwiz.com）旗下的 AI 技术博客。 名字取自 Andrej Karpathy 提出的 “Software 2.0”——软件正在从“人写代码”转向“用数据和模型来定义行为”。我们关注的就是这件事在工程上怎么落地。 写给谁看 * 正在把 AI 用进日常工作的一线工程师 * 负责技术选型与落地的技术负责人 * 对 AI 工程化感兴趣的技术人 不写给：只想看概念科普和营销话术的读者。 我们写什么 内容按六个支柱组织： 1. AI 编程 / Vibe Coding — Claude Code、Cursor、Codex、OpenCode 等工具的实测与工程…
- [About this site](https://www.hubwiz.com/blog/about.md) - admin is an independent publication launched in October 2026 by admin. If you subscribe today, you'll get full access to the website as well as email newsletters about new content when it's available. Your subscription makes this site possible, and allows admin to continue to exist. Thank you! Acce…
- [Agent / MCP / 自动化完全指南](https://www.hubwiz.com/blog/agent-stack.md) - “Agent”被说得太玄，落到实处其实是几件事：给模型一个循环、给它上下文和记忆、给它工具（MCP）、让它在失控前停下。这页是这条线的总入口。 适合：想自己搭 agent、或想把 agent 接进现有系统的工程师。 一、先建立概念 * 15 个值得关注的 Agent 开源项目 * 用 AI 代理构建可靠应用的 6 条规则 * AI 智能体自己“发明”的奇怪规则 二、上下文与记忆（最容易被低估） * Context Fabric：智能体缺失的那一层 * AI 智能体上下文层：架构 + 代码 * Codex CLI 的记忆工作机制 三、让 agent 稳定：Loop 与自我纠正 * 循环工程简明…
- [AI × 工业 / PLC 完全指南](https://www.hubwiz.com/blog/ai-industrial-stack.md) - AI 正在进入工业控制：从辅助写梯形图/SCL，到自动操作博途工程、解析现场文档、构建“信号→决策”的上下文层。这页汇总我们在 AI × 工业 / OT 方向的技术内容。 适合：PLC / 自动化工程师、工业软件开发者、想把 AI 落到生产控制场景的技术人。 说明：工业控制属高风控场景。AI 生成的内容必须经人工复核与仿真验证，不能直接下发到生产设备。 一、用 AI 写 PLC 代码（实测） * LLM 写 PLC 程序有多靠谱？PLCWorld 闭环基准实测 * 用 Claude 进行 PLC 编程 * 用 AI 将梯形图转换为 SCL * 智能体驱动的 PLC 编程 * 实测 AI 生成…
- [AI 基建 / 评测 / 安全完全指南](https://www.hubwiz.com/blog/ai-infra-stack.md) - 模型之外，真正决定 AI 系统能不能上生产的是推理、成本、可观测、评测、安全这五件事。这页汇总这条线的技术内容。 适合：AI 平台 / 基础架构工程师、负责 AI 系统稳定与成本的团队。 一、推理引擎与部署 * DeepInfer 开源拆解：DeepSeek 生产推理引擎里有什么、缺什么 * Ollama / vLLM / llama.cpp 实测对比 * Colibri 推理引擎：权重流式传输 二、成本工程 * AI 编程的隐藏成本 * 优化 Token 成本的 7 个工程技巧 * 用 OmniRoute 节省 95% Token 成本 * AI 成本优化：分层架构怎么做 * LLM 成本…
- [AI工具导航](https://www.hubwiz.com/blog/ai-tools.md) - 3D建模：Tripo 3D | Meshy AI 虚拟试穿：Picjam | Phot.AI | Photo AI Studio | TryItOn | Uwear 视频制作：Revid | InVideo | Viddo | Short AI | Faceless | Live3D | Vidalgo 电商内容： Fliki | Simplified 营销：VidIQ 语音生成： Lovo | ElevenLabs | VoiceGenie | VoiSpark | Millis | Narration Box | VoiceWave 音视频转录：Clipto | Typeless | V…
- [Contact](https://www.hubwiz.com/blog/contact.md) - If you want to set up a contact page for people to be able to reach out to you, the simplest way is to set up a simple page like this and list the different ways people can reach out to you. For example, here's how to reach us! * @Ghost on Twitter * @Ghost on Facebook * @Ghost on Instagram If you p…
- [投稿与合作](https://www.hubwiz.com/blog/contribute.md) - Software 2.0 长期接受技术投稿与内容合作。 征稿方向 与我们六个支柱一致即可： * AI 编程 / Vibe Coding 的实操、踩坑、横评 * Agent / MCP / 自动化 * 本地 & 自托管 LLM * RAG / 数据 / 文档智能 * 多模态生成（图 / 视频 / 语音） * AI 基建 / 评测 / 安全 稿件要求 1. 原创，未在其他平台首发，或注明已发布渠道。 2. 有干货：能跑通的代码、真实数据、可复现的实验。 3. 观点清晰：不只罗列，要有判断和取舍。 4. 篇幅建议 1500–4000 字，配图清晰、有出处。 合作方式 * 投稿：署你指定的作者名 +…
- [多模态生成完全指南（图 / 视频 / 语音）](https://www.hubwiz.com/blog/generative-media-stack.md) - 从图像、视频到语音，生成模型的迭代速度最快。这页把这条线的内容按“可上手”整理，重点是工作流与成本，不是概念吹水。 适合：做内容生成、设计辅助、语音/视频应用的工程师。 一、图像生成 * 2026 年最好的 AI 图像生成器 * Ideogram 4.0 开源图像生成 * Krea 2 开源图像生成模型 * GPT Image 2 提示词指南 * AI 图像看起来很完美，直到…… 二、视频生成 * ViMax 视频制作智能体系统 * 用 Remotion 构建 AI 生成视频 三、语音 / 音频 * 实时语音智能体技术栈 * 构建可插话的实时语音代理 * Voicebox：开源语音工作室 *…
- [本地 & 自托管 LLM 完全指南](https://www.hubwiz.com/blog/local-llm-stack.md) - “本地跑大模型”到 2026 年已经从玩具变成了可用的生产方案，但陷阱不少：硬件怎么配、引擎选哪个、量化损失多少、以及“本地”到底等不等于“隐私”。这页是这条线的总入口。 适合：在意数据不出内网、想省 API 费、或要做离线部署的工程师。 一、先算硬件账 * $1600 打造双 GPU 本地推理 * 每位 AI 工程师都应了解的 9 个 GPU 概念 二、跑起来：最省事的路径 * Ollama + Pi 搭建本地开发环境 * 本地编码代理：Pi + Gemma 4 * 停止 API 付费，我构建了本地 AI 栈 三、引擎选型与性能 * Muse Spark Open：816B 开源权重，两台…
- [隐私政策](https://www.hubwiz.com/blog/privacy.md) - 本页说明 Software 2.0（汇智网 AI 技术博客，下称“本站”） 如何收集和使用你的信息。 本文为通用模板，正式生效前请经法务/合规确认。 1. 我们收集什么 * 访问数据：页面访问量、来源、设备与浏览器信息（通过第三方统计服务，如百度统计）。 * 订阅信息：你主动填写并提交的邮箱地址。 * 互动信息：你在评论、投稿、邮件中主动提供的内容。 我们不收集与上述无关的个人敏感信息。 2. 如何使用 * 统计与分析内容表现，改进选题与体验。 * 向你发送订阅内容（仅在你可随时退订的前提下）。 * 处理投稿与合作沟通。 3. Cookie 与同类技术 本站基于 Ghost 构建，Ghost…
- [RAG / 数据 / 文档智能完全指南](https://www.hubwiz.com/blog/rag-data-stack.md) - RAG 不是“把文档塞进向量库”就完事。真正难的是解析、切分、检索、证据、评测这一整条数据链。这页汇总我们在这条线上的内容。 适合：做 RAG / 文档处理 / 数据管线的工程师。 一、RAG 该怎么进化 * RAG 没有死 * 图 RAG 实战 * 上下文图：智能体的“RAG 杀手” * 6 个步骤把 RAG 幻觉率降到 1% * 我从真实 RAG 学到的 6 个评估指标 二、文档解析与处理 * 为什么 PDF 解析仍然困难 * Docling vs Marker vs MinerU（横评） * Granite Docling 文档解析小模型 * 用 Docling 构建 AI 原生文档平…
- [AI 编程 / Vibe Coding 完全指南](https://www.hubwiz.com/blog/vibe-coding-stack.md) - 用 AI 写代码已经不新鲜，难的是把它稳定地用在真实项目上：选对工具、喂对上下文、守住质量、算清成本。这页是这条线的总入口，按“入门 → 进阶 → 工程化”整理了我们写过的实测与教程。 适合：正在用或准备用 AI 编程工具的开发、技术负责人。 一、先搞清楚：Vibe Coding 不是“甩手掌柜” * 如何正确开始氛围编程 * Vibe Coding 的前提：你得能描述清自己要什么 * AI 时代的学习 5 条规则 二、工具怎么选 工具 一句话定位 相关实测 Claude Code 终端里的 agentic 编程，适合大仓库、多文件改造 用 Zen 免费模型跑 Claude Code、Cla…

## Posts
- [西门子梯形图指令手册：113 条指令一条一页](https://www.hubwiz.com/blog/lad-instruction-handbook-siemens.md) - 113 条西门子梯形图指令，一条一页：引脚表、最小示例、时序表、常见坑。本文拆页面结构，并拿三组最容易混的指令验证它够不够用。
- [用 AI 给 PLC 程序做投运前审查：Learn-LAD 第 5 课](https://www.hubwiz.com/blog/ai-plc-program-review-lesson.md) - 免费的 35 分钟图文课：让 AI 按固定清单只读审查 PLC 程序，产出带证据、分级、可复现的审查报告，投运前把"会停机"的缺陷先找出来。
- [90% 工时没有基准覆盖：Mercor 的 AI 评测地图](https://www.hubwiz.com/blog/mercor-benchmark-map-coverage.md) - 29 个基准映射到 18,797 个任务，只覆盖 924 个任务、208 个职业。90% 的美国工时没有基准可测——这张地图也指出了工业控制评测的空白。
- [AI 读到的不是你看的那页：WhatsApp 隐藏指令事件](https://www.hubwiz.com/blog/whatsapp-hidden-ai-notes-ai-search.md) - 545 个帮助页里，80 个藏着只给 AI 读的文本，共 102 段。拆 WhatsApp 事件的原文对照、对我们的自查清单与红线。
- [Muse Spark Open：816B 开源权重，两台 Mac Studio 跑起来](https://www.hubwiz.com/blog/muse-spark-open-816b-desktop.md) - 816B 总参、42B 激活、1M 上下文，两台 Mac Studio 就能在本机跑。拆参数、基准得分、许可证，也拆它哪里没赢。
- [DeepInfer 开源拆解：DeepSeek 生产推理引擎里有什么、缺什么](https://www.hubwiz.com/blog/deepinfer-deepseek-open-source-inference.md) - DeepSeek 把自家生产推理引擎开源了。vLLM 血统、SM100 + 昇腾 950 双支持、可复现基准——但没有 KV cache 和负载均衡，它是个引擎，不是开箱即用服务器。
- [LLM 写 PLC 程序有多靠谱？PLCWorld 闭环基准实测](https://www.hubwiz.com/blog/plcworld-llm-plc-benchmark.md) - GPT-5.5 写 PLC：简单任务 82.7%、难任务 25.1%，且完成率高≠安全违规少。"编译通过"和"产线真能跑"之间隔着 Execution Gap。
- [AI PLC 是什么：60 TOPS 算力进控制器本体意味着什么](https://www.hubwiz.com/blog/ai-plc-de03m-60tops.md) - 60 TOPS 进 PLC 本体，"感知—推理—控制"闭环不上云。AI PLC 能干什么、不能干什么，选型前先看这篇。
- [AI 复现 PLC 漏洞：28 分钟、6 美元、拿到控制器 root](https://www.hubwiz.com/blog/ai-reproduce-plc-vulnerability-danfoss.md) - 28 分钟、约 6 美元、公开固件：AI 复现 PLC 漏洞并链成 root。人仍然不可少——但披露到可利用的窗口在缩短。
- [Anthropic 就业报告：AI 正在怎样改写招聘与产出](https://www.hubwiz.com/blog/anthropic-employment-hiring-output.md) - Anthropic 公开内部数据：初级技术岗占比 21%→14%，Agent 工时 6 倍于员工，工程师产出 5.1 倍。AI 改写的不只是招聘。
- [AI 爬虫流量：11 个问答分清爬取、引荐与转化](https://www.hubwiz.com/blog/ai-bot-traffic-questions-answered.md) - AI 爬虫不是噪音，往往意味着刚有人向 AI 问起你。11 个问答讲清爬取流量与引荐流量怎么识别、分段和衡量。
- [AI PLC 编程：7 个免费实战课，每课都能验收](https://www.hubwiz.com/blog/ai-plc-programming-7-lessons-verification.md) - 7 个免费实战课：让 AI 在真实博途工程里写 SCL、读老工程、做变更分析、跑仿真验收，每课都以编译 0/0 或 PASS/FAIL 收尾。
- [AI 爬虫冒充读者：近 5 倍流量暴涨的取证与 AWS WAF 拦截](https://www.hubwiz.com/blog/ai-bot-traffic-forensics-aws-waf.md) - 一次近 5 倍的流量暴涨，91% 会话无来源。作者用 WAF 面板揪出 69% 匿名 AI 爬虫，再用 CloudFront 分类拦截。
- [Bash 拒绝规则为什么拦不住：4 次 shell 变量绕过](https://www.hubwiz.com/blog/claude-code-bash-deny-rule-bypass.md) - 你的规则写的是"这条命令不能跑"，检查器看到的却是"这段文字不像那条命令"。四次修复、四种 shell 行为，以及三层加固清单。
- [默认模型是没锁的依赖：15 天三变，评测怎么记](https://www.hubwiz.com/blog/agent-model-pinning-eval-drift.md) - 9 月 29 日到 10 月 14 日，Codex 的默认模型变了三次，你的仓库 diff 一行没变。评测要能回答：这次结果到底是哪个模型跑出来的。
- [大模型微调入门：Qwen3-8B 做难度打分，50 条样本 86%](https://www.hubwiz.com/blog/qwen3-8b-finetune-prompt-complexity-router.md) - 50 条训练样本把准确率从 50% 拉到 86%，加到 2,500 条反而只有 76%。一次微调实验暴露的不是算法问题，而是数据标注与评测集的问题。
- [Claude Code 团队怎么做代码评审：7 层防线，把人工时间压到最低](https://www.hubwiz.com/blog/claude-code-team-code-review.md) - Claude 写了约 90% 的自家代码。Claude Code 团队把阅读交给机器、把判断留给人：7 层评审、按风险定人、快速回滚。
- [多 Agent 编排：Triglav 的 Staff/Senior/Reviewer 与 41 个任务复盘](https://www.hubwiz.com/blog/triglav-multi-agent-orchestration.md) - 10 天 41 个任务、34 个完成。Triglav 用三层评审编排 Claude Code 与 Codex，也暴露了长跑 Agent 的账单。
- [MCP 检索的引用存活率：127 个问题、3 条流水线实测](https://www.hubwiz.com/blog/rag-citation-survival-mcp-boundary.md) - 检索服务交出了来源，Agent 写答案时还引用吗？127 个问题实测：CSR 0.618/0.614/0.323，但六成“丢引用”只是格式不对。
- [MCP 供应链体检：15,341 个服务器扫描与上线前 8 项检查](https://www.hubwiz.com/blog/mcp-registry-supply-chain-audit.md) - 15,341 个 MCP 服务器里 64.8% 能联网、21.1% 能开 shell、7.4% 装的时候就跑代码。附 npx 之前必须做的 8 项检查。
- [西门子 PLC 梯形图示例库：60 个可导入博途的练习题](https://www.hubwiz.com/blog/siemens-plc-ladder-example-library.md) - 60 个西门子 PLC 梯形图示例：从按钮翻转、起保停到交通灯和 Factory IO 分拣线，每个都配逐网络讲解与变量表，还能一键导入博途。
- [AI 降低了 PLC 攻击门槛：AA26-231A 之后的防御清单](https://www.hubwiz.com/blog/ai-generated-plc-attacks-aa26-231a-ot-defense.md) - 不是新漏洞，是曝光面 + 脚本成本变了。AA26-231A 与水务 MicroLogix 事件：AI 把"会说工业协议"的稀缺技能打平了，防御要做结构性控制。
- [没有硬件也能练 PLC：Factory I/O + OpenPLC 虚拟实验台](https://www.hubwiz.com/blog/virtual-plc-lab-factory-io-openplc-modbus-tcp.md) - PLC 不在乎水箱是钢还是像素，只在乎 I/O 映像。用 Factory I/O + OpenPLC + Modbus 搭实验台：14 级梯形图、互锁与倒计时。
- [如何读懂别人的 PLC 程序：动手前的 4 步取证](https://www.hubwiz.com/blog/taking-over-legacy-plc-program-4-steps.md) - 一台还在跑、却没人能解释的机器，最贵的选择是打开博途直接改。动手前先做 4 步：取证、建基线、静态分析、验证根因再改——90% 的工作在读懂它。
- [敏感单据不上传：本地 3B 模型转写 + 代码校验](https://www.hubwiz.com/blog/local-ai-sensitive-document-reading-verify.md) - 敏感票据交给云端？三份本地实测给出另一条路：3B/7B 模型只负责"抄"，Python 负责校验与计算——95% 字段正确，错误全部进人工队列。
- [AI 测试与 bug 同谋：变异测试与 LLM 评委校准](https://www.hubwiz.com/blog/ai-tests-agree-with-bug-mutation-judge-calibration.md) - 测试与实现出自同一个 prompt，会一起错：88.00 的巧合、覆盖率证明不了 oracle、变异测试与 κ 0.80 评委校准。一份 12 条清单。
- [Agent 成本体检：92,413 个 token 的启动账](https://www.hubwiz.com/blog/agent-cost-audit-context-budget-prompt-cache.md) - 15 个 MCP、901 个技能：发消息前烧 92,413 token；30 token 让缓存归零，压缩只值 2%。一份 Agent 成本体检清单。
- [Agent 审计日志：证人即嫌疑人，怎么让谎言留下痕迹](https://www.hubwiz.com/blog/agent-audit-logs-witness-suspect.md) - 行动者和记录者是同一个进程，干净的日志比缺失的更危险。六个机制、11 条 git 命令、端到端评测：让篡改留下形状。
- [AI Agent 安全：九起事故、六项控制与 MCP 供应链](https://www.hubwiz.com/blog/agent-security-nine-incidents-six-controls.md) - 九起真实事故讲清 Agent 的三个攻击面，六项控制把爆炸半径压住；12,915 个 MCP 服务器的启动实测，揭示工具供应链的真实成色。
- [Agent 说"做完了"，证据呢：三道交付验证门](https://www.hubwiz.com/blog/agent-delivery-verification-gates.md) - "fixed and tested"不是证据。三道门——声明核对、三树差分、证据包——把 Agent 的自述变成可复核的事实。
- [AGENTS.md 该写什么：1,866 个项目的说明书实测](https://www.hubwiz.com/blog/agents-md-instruction-quality-1866-projects.md) - 1,866 个热门项目里 34% 给 Agent 写了说明书：AGENTS.md 占 78%；61% 的规则可脚本检查，仅 3.7% 写了检查命令。
- [AI Agent 支付安全：六种"付款成功"的错误交易与护栏设计](https://www.hubwiz.com/blog/agent-payment-security-x402-guardrails.md) - 付款成功 ≠ 应该付款。x402 实测的六种错误交易、25 微秒确定性护栏，以及 Agent 身份与四级权限的可落地设计。
- [MCP 工具该给几个？1,932 次实测：准确率不降，成本看客户端](https://www.hubwiz.com/blog/mcp-tool-count-1932-runs-measured.md) - MCP 工具该给几个？1,932 次实测：5→100 个准确率一次没掉，唯一 89% 出在 Gemini 的分组工具；成本上，装载方式比数量更关键。
- [28 个 Agent 六天重构：569 个单元与 250 次人工决策复盘](https://www.hubwiz.com/blog/agent-loop-964-hours-goodbarber.md) - 把重构交给 Agent 跑六天，代码确实是 Agent 写的；但人的时间并没有消失——它变成了两周设计、88 个必须回答的问题和 185 次"先例裁决"，周一还有 63 个决策挤在同一小时里做完。本文完整编译 GoodBarber CTO 的自主循环复盘：569 个工作单元、五道互相印证的检查、从 1 到 20 的爬坡条件、单集成者的瓶颈曲线，以及五个真实翻车点（测试台说谎、Agent 绕过阻力、没人检查的规则被破坏）。
- [子代理、fork 与上下文折叠：Agent 交接的三种做法](https://www.hubwiz.com/blog/subagent-fork-fold-context-handoff.md) - 给 coding agent 派活时，最难的从来不是派出去，而是"派什么过去"。子代理拿到任务却没有背景，得重新发现 Node 版本、被 pin 的依赖和你说过的约束；而留在主上下文里的构建日志，又让窗口被 43K 的报错挤满。本文编译 Arthur 的 fork/fold 设计：已完成的工作折成一条 ~160 token 的 note，归档可回查；需要委派时让子代理继承父代理的当前视图。附三张成本账、缓存断点位置，以及作者自己承认"还没验证"的部分。
- [自建开源 coding agent 平台：OpenHands vs Munder Difflin](https://www.hubwiz.com/blog/self-host-open-source-coding-agent-platforms.md) - 买席位省事，但代码、模型和预算都不在自己手里。OpenHands 的自托管把模型生成的每一步关进 Docker 沙箱，代价是 Docker socket、动态端口、镜像固定与清理都得自己扛；Munder Difflin 走另一条路——复用已付费的 CLI 与小时额度，用 git 文件当消息总线，用审批队列和熔断器控制自治。两条路线的架构、成本与决策清单，外加自己实现时的五个最小层。
- [一台终端、多台机器、多个 Agent：并行 coding agent 的实战栈，以及它背后的分布式系统问题](https://www.hubwiz.com/blog/parallel-coding-agents-multi-machine.md) - 一个开发者同时养 3–5 个 coding agent，难点从来不是模型，而是隔离、状态和协调。本文编译一套终端原生并行栈（worktree 隔离 + 状态感知的 tmux + 远程/手机审批），并给出三个硬数据：任务形状决定多 Agent 成败、编排可以把错误放大从 17.2 倍降到 4.4 倍、以及为什么"状态要比 Agent 活得久"。
- [多 Agent 团队到底值不值？50 个全栈应用实测：成本涨 1.8–5.1 倍，只有一种组合显著涨分](https://www.hubwiz.com/blog/do-agent-teams-pay-off.md) - "多 Agent 更强"这句话，在这项 50 个全栈应用的基准上只对一种组合成立。Vals AI 把 8 种设置各跑 50 个应用：团队成本 1.8–5.1 倍，唯一统计显著的涨分是 Sol 中等强度团队的 +7.3 分；Opus 得分最高的组合 $122/应用，领先不显著。两个 lead 的编排风格也完全不同。
- [AutoSynthData：把 Agent 的失败变成训练数据，企业级合成数据流水线](https://www.hubwiz.com/blog/autosynthdata-enterprise-agent-training-data.md) - 合成数据的难点不是"生成得像"，而是"可执行、够真实、能被可靠判定、还刚好卡在模型能力边界上"。AutoSynthData 先用诊断任务找出目标模型的失败模式，用更强教师刻画解法，蒸馏出不含原始提示的能力规格卡，再并行生成核心任务（target）并扩增变体（multiply），逐个过正向/负向验证与批评修复，最后做批级覆盖度审查。EnterpriseOps Gym 实测：Hybrid 的 Pass@1 相对提升 35%，ITSM 从 18.77% 升到 27.18%。
- [不是"有没有依据"，而是"依据来自哪个源"：MCP Agent 的来源感知验证](https://www.hubwiz.com/blog/source-aware-verification-for-mcp-agents.md) - 传统的忠实度检查（RAGAS / MiniCheck / AlignScore / SummaC）只问"证据池里有没有支撑"；但 MCP Agent 会把搜索、病历、数据库、元数据的输出混在一起，于是"事实没错、来源错配"的 cross-source conflation 能轻松过关。ProvenanceGuard 保留来源身份贯穿整条流水线：专家判定应拦截的 139 条断言它拦下 138 条，来源选择准确率约 86%，在一项"来源调包"测试里 50 次全部检出。
- [给你的编程 Agent 一份"自己的记忆"：本地、可移植、可溯源的 funes](https://www.hubwiz.com/blog/give-your-coding-agents-a-memory-you-own.md) - 每个编程 Agent 见到你的项目都像陌生人：会话结束，推理就没了。funes 把 Agent 本机已有的会话轨迹建成记忆——单二进制、本地嵌入与重排、写入 Lance 数据集，一条 funes add 命令即可让 Claude Code / Codex / pi / Hermes 互相"记得"彼此的决策，并能发布成你私有的 Hugging Face 数据集跨机器跟随。实测中，recall 比手写交接便宜 4~8 倍，且是三种长会话出口里唯一两个任务都成功的。
- [梯形图转 SCL 迁移实战指南：能自动转什么、哪些必须重构、怎么验证](https://www.hubwiz.com/blog/lad-to-scl-migration-guide-tia-portal.md) - LAD 迁 SCL 的难点不是"翻译语法"，而是扫描式的图形语义与顺序式的文本语义之间的差异：边沿检测、置位/复位、跳转、MCR、多重线圈直接照搬都会留下隐患。本文给出可执行路径：哪些结构能直接映射、8 类必须重构的语义坑、六步迁移流程与上线前验证清单。
- [Anthropic 把 monorepo 从 git 迁到自研 Scion：agent 时代，源代码控制成了新瓶颈](https://www.hubwiz.com/blog/anthropic-scion-agent-scale-source-control.md) - 当 Claude 把写代码变成"不稀缺"，稀缺的就成了源代码控制、CI 这些为人规模设计的基础设施。Anthropic 日均合并量 4 个月涨了 12 倍，git 镜像上百个也顶不住，于是自研 Scion 并在 5 个月完成迁移：CPU/内存占用降到 1/200，checkout 从分钟级变秒级。本文完整编译其架构与经验，包括"工程师最常做的是对 Claude 说不"。
- [基准分数为什么不可复现？UK AISI 与 EvalEval 用共享规范补评测报告的缺口](https://www.hubwiz.com/blog/uk-aisi-evaleval-reproducible-benchmarks.md) - 同一个模型、同一个基准，换一套评测协议或推理预算，分数就可能不一样——这就是评测报告的"不可复现"问题。UK AISI 加入了 EvalEval 的共享基建：用 Every Eval Ever 规范和 Evaluation Cards 公开 5 个基准、6 个前沿模型的验证结果与方法细节。本文完整编译：HLE 随 token 预算变化的曲线、Terminal-Bench 2.0 的跨设置对比，以及参与方式。
- [Google Deep Review 公开发布：AI 试点审阅 16,000 篇论文后，转向通用文档验证](https://www.hubwiz.com/blog/google-deep-review-document-verification.md) - AI 让写文档越来越快，人的验证能力却没有变快。Google 把论文审阅工具 PAT 升级为 Deep Review 并公开发布：四个会议、16,000+ 篇投稿试点，四阶段 Agent 流水线（分段、自适应预算、并行验证、全局综合 + 溯源），现在可用于设计文档、演示稿、法律与财务文档。每周免费 2 次，上传文档不用于训练。
- [Falcon-ASR 发布：1.6B 阿拉伯语语音识别模型，六项基准平均 WER 20.92%](https://www.hubwiz.com/blog/falcon-asr-arabic-speech-recognition.md) - 阿拉伯语方言数据稀缺、口音差异大，长期是 ASR 的"硬骨头"。阿布扎比 TII 发布 Falcon-ASR：1.6B 参数，五种语言共用一套权重且无需语言标志，六项阿拉伯语基准平均 WER 20.92%，阿联酋方言 22.73%，英语 5.74%，还支持词级时间戳。本文完整编译官方数据与训练细节。
- [Transformers 现在能直接跑 llama.cpp 的 GGUF 量化模型了](https://www.hubwiz.com/blog/transformers-runs-llama-cpp-gguf-quants.md) - 本地推理最常用的 GGUF 量化格式，现在可以在 transformers 里直接加载了。Hugging Face 复用 llama.cpp 的 ggml Metal 内核并优化生成循环，在 MacBook Pro M2 Max 上把性能做到接近 llama.cpp——本文完整编译：三行加载代码、OpenAI 兼容服务、实测数字与当前限制。
- [智能体说"搞定了"，数据库不同意：ThinkingBox 用终态给 Agent 打分](https://www.hubwiz.com/blog/agent-said-done-database-disagreed.md) - 一个退款工单，9 次工具调用全部合规，数据库终态却是错的。微软 ThinkingBox 用"终态 + 重复 20 次"重新定义智能体评测：121,680 次有效试验中，近八成失败的模型其实"看起来像成功"。本文完整编译：pass@1 / pass@20 / 20/20 的区别、一致性成本，以及失败特征。
- [LFM2.5-24B-A2B：24B 参数只激活 2B，把推理智能体跑在本地设备上](https://www.hubwiz.com/blog/lfm25-24b-a2b-on-device-agents.md) - 一个 24B 的 MoE 模型，每个 token 只激活 2B 参数，却能在工具调用上超过参数多约 50% 的对手——Liquid AI 的 LFM2.5-24B-A2B 专为"在自己硬件上持续运行智能体"设计。本文完整编译官方发布：架构、五阶段后训练（含 Agentic RL）、16 项基准、端侧与 GPU 速度、以及 transformers / 智能体框架接入。
- [用 AI 智能体给自己造模型：两天、103 美元、6 个小模型](https://www.hubwiz.com/blog/build-your-own-models-with-ai-agent.md) - 想要的小模型不存在，就自己造一个。用 Hugging Face 的 ML Intern 智能体，作者在两天里造了 6 个模型：柑橘病害 VLM、角色 LoRA、相机角度 LoRA、0.8B 口袋改写器、4 步出图模型……总算力约 103 美元。附提示写法与成本表。
- [上下文工程：AI 智能体时代的核心技能](https://www.hubwiz.com/blog/context-engineering-for-ai-agents.md) - 上下文是一种有限资源，存在"注意力预算"。本文完整编译 Anthropic 工程博客：有效上下文的解剖（系统提示/工具/示例/历史）、运行时 just-in-time 检索、以及长程任务的压缩、结构化笔记与子智能体架构。
- [MCP 是什么、怎么用：一次讲清 Model Context Protocol](https://www.hubwiz.com/blog/what-is-mcp-model-context-protocol.md) - AI 模型很强，却被数据孤岛困住。MCP 用一个开放标准，把 AI 与数据源、工具的连接从"碎片化集成"变成"一次接入、多端复用"。本文完整编译 Anthropic 发布公告与官方文档：架构、能力、生态与落地。
- [AI 写 PLC 程序：哪些真能用、哪些还是噱头](https://www.hubwiz.com/blog/ai-transforming-plc-programming-what-works.md) - 通用 AI 为什么写不好 PLC 代码？厂商 Copilot、"工厂级"平台分别适合什么场景？本文完整编译施耐德与 PLCs.ai 的行业分析：规模化危机、8 个结构性差异、横评对比表，以及博途场景的落地路径。
- [一个 GitHub 智能体工作流](https://www.hubwiz.com/blog/a-github-agentic-workflow.md) - 我终于让文档工作流跑通了！现在每一次相关变更都会创建一个新的 PR，把改动同步到 README、wiki、Copilot 的 instructions.md 以及 changelog 中。
- [AI驱动的 PLC 程序开发 (WorkBuddy+TiaLink)](https://www.hubwiz.com/blog/ai-powered-plc-programming-with-workbuddy-and-tialink.md) - 我们让 WorkBuddy 通过 TiaLink 操作本机的博途 V19，实现一条 S7-1500 输送线分拣控制程序。
- [递归自我改进 (RSI) 解决了吗？](https://www.hubwiz.com/blog/is-recursive-self-improvement-solved.md) - 在现代 AI 时代，递归自我改进有两条研究路线：弱 RSI 与强 RSI。
- [智能体强化学习：框架与最佳实践](https://www.hubwiz.com/blog/agentic-rl-frameworks-and-best-practices.md) - 在这篇综述中，我们将研究近期关于 LLM 代理 RL 训练的工作，并为构建功能完善、性能优越的智能体强化学习系统总结实用的设计原则。
- [2026 是 AI 员工之年吗？](https://www.hubwiz.com/blog/is-2026-the-year-of-ai-employees.md) - 构建 AI 智能体的经历让我明白：为什么仅有更好的模型，并不能带来 AI 员工。
- [递归自我改进：挑战与机遇](https://www.hubwiz.com/blog/rsi-challenges-and-opportunities.md) - 长久以来，自我改进的 AI 只是科幻作品里反复出现的主题，然而它已经在现实世界中悄然发生。让我们深入看看为什么以及如何发生。
- [REA：AI 驱动的逆向工程](https://www.hubwiz.com/blog/rea-ai-powered-reverse-engineering.md) - REA 如何把 Claude Code、Codex、Cursor 等智能体连接到真实的分析工具与证据驱动的调查流程
- [AI驱动的 PLC 网络组态(WorkBuddy+TiaLink)](https://www.hubwiz.com/blog/ai-powered-plc-network-configuration-with-workbuddy-and-tialink.md) - 给智能体一张网络组态表，把博途里的子网、IP、PN 设备名和 IO 系统一次建到位。
- [AI驱动的 PLC 硬件组态(WorkBuddy+TiaLink)](https://www.hubwiz.com/blog/ai-powered-plc-hardware-configuration-with-workbuddy-and-tialink.md) - 给智能体一张机架表，把博途里的硬件组态从 CPU 选型一路建到读回核对。
- [SCL 与 PLC 编程](https://www.hubwiz.com/blog/scl-and-plc-programming.md) - 要构建更高级的应用，你需要掌握一门高级文本语言，对西门子控制器而言，这门语言就是 SCL（结构化控制语言）。
- [PLC 基础设施中的人工智能](https://www.hubwiz.com/blog/ai-in-plc-infrastructure.md) - PLC 基础设施的演进不再仅仅关乎自动化。它关乎创建智能工业生态系统——在那里，机器不只是执行指令。它们从数据中学习、预判变化、支撑人类专业知识，并持续改进工业运营的方式。
- [Cloudflare 如何构建软件工厂?](https://www.hubwiz.com/blog/how-cloudflare-built-a-software-factory.md) - 过去几个月，我们在 Astro 仓库上运行了一条自动化分诊流水线。它读取收到的 bug 报告，在沙箱中复现，诊断根因，并为报告者发布预览版本供其验证。
- [AI 让新一代工程师更像工头](https://www.hubwiz.com/blog/ai-makes-the-new-engineers-act-like-foreman.md) - AI 正在让工程师变得不可或缺，而非过时——他们正在转变为"工头"角色：设定意图、把守质量，并对从想法到上线的全链路代码负责。
- [智能体软件工厂的需求层次](https://www.hubwiz.com/blog/the-agentic-software-factory-hierarchy-of-needs.md) - Stripe 的 Minions 把工程需求变成候选 PR。Ramp 的 Inspect 让编码智能体在后台工作，并用工具检查它们的改动。Warp Factories 把工单和聊天里的工作交给智能体、检查和人工评审。智能体软件工厂已经来了。
- [AI 时代，软件企业的价值在哪里？](https://www.hubwiz.com/blog/in-the-age-of-ai-what-makes-a-software-company-valuable.md) - 如果软件变得越来越容易构建、成本越来越低，那企业价值究竟从何而来？
- [TIA Portal 功能块图简明教程](https://www.hubwiz.com/blog/a-concise-tutorial-on-function-block-diagram-in-tia-portal.md) - 功能块图（FBD）语言是西门子 TIA Portal 生态的一部分，通过图形化编程助力创建精密的控制算法。借助 FBD 语言，工程师可以通过选择并连接功能块来搭建控制逻辑，构成连贯而高效的控制序列。
- [Pi Durable 快速指南](https://www.hubwiz.com/blog/a-quick-guide-to-pi-durable.md) - Earendil 于 2026 年 10 月 1 日随 Pi 1.0 一同发布了 Pi Durable——一个实验性的 MIT 许可 TypeScript 包。
- [我不再评审智能体写的代码了](https://www.hubwiz.com/blog/i-stopped-reviewing-my-agents-code.md) - 注意：这篇文章面向重度用户。 它假设你已经每天用 Claude Code 这类编码智能体开发，并且熟悉 CI、合并队列和 feature flag。如果你的 AI 之旅还处在早期，先收藏起来以后再看。
- [未来的软件工厂](https://www.hubwiz.com/blog/the-software-factory-of-the-near-future.md) - 当智能体负责构建、测试和维护软件时，会发生什么？ 对当下编码智能体、云运行时、验证系统与企业管控所催生的软件交付模式的一份务实观察
- [为AI编程智能体构建护栏](https://www.hubwiz.com/blog/building-guardrails-for-ai-coding-agents-in-go.md) - 如何把反复出现的代码评审意见变成自动化检查、验证它们确实能抓出缺陷，并判断哪些环节仍然需要人工评审。
- [易用性：工业自动化的下一次突破](https://www.hubwiz.com/blog/ease-of-use-the-next-breakthrough-in-industrial-automation.md) - 如果每台机器都需要一支小型专家队伍，制造商就无法实现自动化规模化。
- [Agent Loop不是 while (true)](https://www.hubwiz.com/blog/agent-loops-are-not-while-true.md) - 差别不在语法。这是一个喋喋不休的 demo 与一个知道发生了什么的系统之间的差别。
- [我的AI应用每月赚$1600](https://www.hubwiz.com/blog/my-ai-apps-make-1600-a-month.md) - 从每月 50 美元到每月 1,600 美元，一个独立开发者的真实路径
- [12款开发者必备开源工具](https://www.hubwiz.com/blog/top12-open-source-tools-for-developers.md) - 你每天使用的工具，会对开发工作流产生巨大的影响。能自定义这些工具、对自己的环境有更多掌控，可以让日常任务变得更轻松，也给你更多灵活性。
- [谱聚类算法详解](https://www.hubwiz.com/blog/spectral-clustering-explained.md) - 在这篇文章里，我们将探索特征值与特征向量如何让谱聚类成为可能，以及这种方法为何能超越传统的 K-Means。
- [用 NotebookLM 打造 AI 导师](https://www.hubwiz.com/blog/build-your-ai-mentor-with-notebooklm.md) - 我就是用接下来要介绍的方法，免费获得了 AI、房地产、营销等多个领域专家的指导！
- [PLC 编程 8 项最佳实践](https://www.hubwiz.com/blog/plc-programming-best-practices.md) - 在西门子 TIA Portal 中编写干净、可维护的 PLC 代码：经过验证的命名约定、FB/FC 结构、NAMUR 告警处理、Git 与仿真测试。
- [CODESYS 实战箱子分拣系统](https://www.hubwiz.com/blog/codesys-hands-on-buidling-a-box-sorting-system.md) - 我想要一个能逼我像控制工程师那样思考、而不只是写梯形图阶梯的项目。于是我搭建了一个按高度分拣的箱子分拣站。
- [智能体时代还需要代码评审吗？](https://www.hubwiz.com/blog/do-we-still-need-code-reviews-in-the-age-of-coding-agents.md) - 这让我不禁思考：我们传统的代码评审流程是否还有意义。
- [数据科学没死](https://www.hubwiz.com/blog/data-science-isnt-dead.md) - AI 几秒钟就能生成代码。这改变了"会写代码"意味着什么，但并没有让这门知识过时。那么，还剩下什么……
- [Vibe Coding 陷阱](https://www.hubwiz.com/blog/the-vibe-coding-trap.md) - 如果底层架构撑不住真实世界的规模，上市速度毫无意义
- [打造自己的 PR 审查智能体](https://www.hubwiz.com/blog/building-your-own-pr-reviewing-agent.md) - 我已经做过几版自动化的 PR 审查器，最让我一直印象深刻的是：AI 那部分出奇地小。
- [面向数据工程师的变更数据捕获](https://www.hubwiz.com/blog/change-data-capture-cdc-for-data-engineers.md) - 本文我们讨论了变更数据捕获的动机、如何实现，以及它的挑战。
- [BEV视频交通要素检测与跟踪](https://www.hubwiz.com/blog/bev-video-based-traffic-elements-detection-and-tracking.md) - 重新审视并详解我此前的开源应用型项目 OfflineMOT
- [AI 智能体的验证器](https://www.hubwiz.com/blog/ai-agent-s-verifier.md) - 挑战不仅在于智能体是否成功，还在于我们能否可靠地验证它。
- [David Hockney的科技驾驭之道](https://www.hubwiz.com/blog/david-hockney-s-art-of-mastering-technology.md) - 大卫·霍克尼使用过的技术清单很长：宝丽来、施乐复印机、传真机、iPad、数字沉浸式技术，等等。他看上去像个"技术发烧友"，但他的探索是有意识且有选择的。
- [3D 高斯泼溅转纹理网格](https://www.hubwiz.com/blog/turn-3d-gaussian-splatting-into-a-textured-mesh.md) - Python 教程：把训练好的森林小屋 3D 高斯泼溅转成坚固、带纹理的 .glb，可以在 Blender 中打开、测量、编辑和 3D 打印。每一步都在 CPU 上运行，约 93 秒完成——包括过滤成点云、网格化和烘焙真实纹理。无需云服务，无需专有导出，无需 GPU。
- [西门子 TIA Portal 软件单元简介](https://www.hubwiz.com/blog/an-introduction-to-siemens-tia-portal-s-software-units.md) - 在本教程中，我们将学习如何在 TIA Portal 中高效地使用软件单元来应对复杂的自动化项目。
- [Orca 简明教程](https://www.hubwiz.com/blog/a-concise-tutorial-on-orca.md) - 智能体开发环境是什么、git worktree 为何能让它成立，以及首次让三个 AI 智能体在同一个任务上竞速的会话
- [智能体工具与软件开发实践的变迁](https://www.hubwiz.com/blog/agentic-tools-and-the-changing-practice-of-software-development.md) - 这些工具通过把开发者的精力从编写代码转向规格声明、上下文策展、并行监管、评审和风险管理来改变软件开发。
- [为什么我构建了 Relay](https://www.hubwiz.com/blog/why-i-built-relay.md) - 如果你正在构建智能体、内部开发者平台、MCP 基础设施、沙箱运行时，或者试图将 LLM 连接到大量现有服务，我希望你试试它。
- [后训练革命：RL 是新的护城河](https://www.hubwiz.com/blog/post-training-revolution-rl-is-the-new-moat.md) - 反转是真实的——前沿实验室的后训练计算量已超过预训练
- [我们将需要更多的数学家](https://www.hubwiz.com/blog/we-will-need-a-lot-more-mathematicians.md) - 如果 AI 实现了它的承诺，我们将遇到比以往任何时候都更多美丽而重要的想法。我们必须通过建立繁荣的人类社区来回应，这些社区能够共同理解它们。
- [Simon Willison：LLM 2026 回顾](https://www.hubwiz.com/blog/simon-willison-2026-in-llms.md) - Simon Willison将快速回顾 2026 年迄今为止发生的一切。这一年还没有结束！
- [大模型后训练权威指南](https://www.hubwiz.com/blog/the-definitive-guide-to-llm-post-training.md) - 本指南提供了全面的、面向实践者的后训练流程深度解析。无论你是希望专业化的 ML 工程师、评估对齐技术的研究人员，还是为前沿 AI 实验室面试做准备的转行者，本文都涵盖了掌握后训练的技术基础、战略格局和职业影响。
- [Google AX：Agent 控制面](https://www.hubwiz.com/blog/google-ax-agent-control-plane.md) - 大多数基础设施团队已经知道如何运行服务和批处理作业。自主 agent 则不同。
- [Paseo 是我一直期待的控制面](https://www.hubwiz.com/blog/paseo-the-control-plane-i-have-been-waiting-for.md) - Paseo是一个开源的桌面和移动应用，充当市面上每一个编码 agent 的控制平面。你可以在一个界面里同时运行所有 agent。
- [AI Agent 沙箱全景（2026）](https://www.hubwiz.com/blog/ai-agent-sandbox-landscape-2026.md) - 随着 AI agent 从回答问题转向采取行动——运行代码、调用工具、访问数据库、部署到生产环境——一个问题不再是学术性的：这些代码究竟在哪里运行，出错了会发生什么？
- [Monty：1 毫秒就能拉起的沙箱](https://www.hubwiz.com/blog/monty-a-sandbox-that-starts-in-1-ms.md) - 模型往往更擅长编写一个小程序，而不是进行二十次精心编排的工具调用。
- [AI Agent 沙箱指南（2026）](https://www.hubwiz.com/blog/a-guide-to-ai-agent-sandbox.md) - 最小权限曲线、容器 vs microVM vs Wasm，以及一种隔离每一步的方法。
- [TIA Context 让AI真正理解PLC程序](https://www.hubwiz.com/blog/tia-context-let-ai-truly-understand-your-plc-code.md) - 从 PLC 程序文件，到 AI 可以理解的工程上下文
- [Lean 简明教程](https://www.hubwiz.com/blog/a-concise-tutorial-on-lean.md) - 一门能证明数学的语言
- [AI 行，但经济帐算不过来](https://www.hubwiz.com/blog/ai-works-but-the-economics-do-not.md) - 关于 AI，人们最该理解的一件事，其实和技术关系不大。
- [AI驱动的多仓库开发简单模式](https://www.hubwiz.com/blog/a-simple-pattern-for-ai-powered-multi-repository-development.md) - 这里没有聪明的依赖图。没有锁文件，没有需要安装的特殊CLI。
- [Pi：编程代理的终局](https://www.hubwiz.com/blog/pi-the-endgame-of-coding-agents.md) - 我的观点："Claude Code是入门包。Pi是终局。" —— 入门包是你学习规则的地方。终局是你书写规则的地方。
- [与DHH的对话：手写代码的终结](https://www.hubwiz.com/blog/a-conversation-with-dhh-the-end-of-hand-written-code.md) - 在这次访谈中，我与Ruby on Rails的创建者、37signals的联合所有者David Heinemeier Hansson进行了交谈，他谈到了为什么停止手写代码、为什么AI正在终结程序员对机器的垄断、哪些软件业务是在借来的时间上生存，以及这门手艺还剩下什么。
- [博途 AI 编程工具：让 AI 智能体直接操作 TIA Portal](https://www.hubwiz.com/blog/tialink-give-your-ai-agent-hands-to-operate-tia-portal.md) - 在工业自动化领域，一个非常现实的问题始终存在：AI Agent 会写代码，但它不会真正“操作博途”。
- [IEC 61131-3：单元测试](https://www.hubwiz.com/blog/iec-61131-3-unit-tests.md) - 本文旨在提供快速介绍，并让您了解单元测试的好处。
- [TIA Portal伺服电机编程入门](https://www.hubwiz.com/blog/an-introduction-to-servo-motor-programming-in-tia-portal.md) - 伺服电机是一种受控电机，能够执行高精度定位，并由驱动器控制。在本教程中，我们将了解如何在西门子TIA Portal环境中执行简单的定位应用。
- [西门子PLC编程常量简明指南](https://www.hubwiz.com/blog/a-concise-guide-to-constants-for-siemens-plc-programming.md) - 理解常量及其在PLC编程中的使用对于使用S7控制器的工程师至关重要。本综合教程将为您提供在PLC程序中根据需要使用常量的知识和技能。
- [白板周围的智能体：在AI原生环境中解决运营问题](https://www.hubwiz.com/blog/agents-around-the-whiteboard.md) - 四个智能体、两个人类、一个Jira看板和审计跟踪。
- [Claude Code 智能体团队的思考](https://www.hubwiz.com/blog/reflections-on-claude-code-agent-teams.md) - 4种模式、8种失败模式，以及来自真实多智能体使用的决策框架
- [我如何使用智能体编程](https://www.hubwiz.com/blog/how-i-program-with-agents.md) - 这是我持续自我教育的第二部分，关于如何将我的编程经验适应到一个会说话的计算机世界。
- [Superset：并行编码智能体工作区](https://www.hubwiz.com/blog/superset-a-workspace-for-parallet-coding-agents.md) - 并行编码智能体是什么，为什么单个智能体会话不够用，以及如何在一个仓库上运行多个智能体而不丢失任何一个。
- [一句话生成3D游戏，只是表象](https://www.hubwiz.com/blog/one-shot-3d-game-generation-is-just-the-surface.md) - 一次提示、一次会话、零人工编辑，直接部署到 Cloudflare Pages。深入解析 riba2534 的病毒式传播项目 claude-opus-5–5-demo，以及它揭示的智能体软件工程前沿。
- [BLOCK-SIM: 博途程序块仿真工具](https://www.hubwiz.com/blog/block-sim-tia-portal-program-block-simulator.md) - BLOCK-SIM 是面向 TIA Portal PLC 程序块的块级仿真与单元测试工具。
- [TIA Portal 功能块实例简明教程](https://www.hubwiz.com/blog/a-concise-tutorial-on-function-block-instances-in-tia-portal.md) - 在本教程中，我们将介绍在使用西门子 TIA Portal 进行 PLC 编程时可以使用的不同类型的功能块实例。
- [Reverse-docs: PLC文档逆向生成器](https://www.hubwiz.com/blog/reverse-docs-plc-document-reverse-generator.md) - REVERSE-DOCS 可以读取 TIA Portal 中的 PLC 程序块，对程序逻辑进行分析，并自动生成结构化的技术文档，帮助工程师快速了解一个程序块“做了什么、用了什么、依赖什么”。
- [如何扩展 Pi Agent](https://www.hubwiz.com/blog/how-to-extend-pi-agent.md) - 你可以自定义几乎所有东西：工具、钩子、模型提供商、会话管理、命令，以及终端 UI 本身。
- [基于 Pi 的多智能体编程工作流](https://www.hubwiz.com/blog/a-multi-agent-coding-workflow-powered-by-pi.md) - 我使用 Pi 作为宿主来承载一种不同形态的工作流：一个主智能体协调十名专家、分派隔离任务、审查证据，并对最终结果负责。
- [构建以数据为中心的软件工厂](https://www.hubwiz.com/blog/building-a-data-focused-software-factory.md) - 我们构建了一个概念验证，其中一个AI智能体自主检测上游源中的模式漂移，跨现代数据工程栈生成代码更改，使用充当"基本事实预言机"的确定性测试工具验证每个工件，并监控生成的管道直到它成功或失败——智能地重试并在无法恢复时升级。
- [没有人真正构建过软件工厂](https://www.hubwiz.com/blog/nobody-has-actually-built-a-software-factory.md) - 下次有人谈论他们的软件工厂时，跳过吞吐量幻灯片。询问智能体允许失败的数字，以及谁拥有它。
- [我的AI软件工厂：两周运营体验](https://www.hubwiz.com/blog/2-weeks-runing-my-ai-software-factory.md) - 我给了智能体两周时间来构建一个音乐制作应用。我们构建了什么、如何构建的，以及评审工作如何成为最大的问题
- [工业控制与AI智能体](https://www.hubwiz.com/blog/ai-agents-and-industrial-control.md) - 一旦AI模型能够调用工具、浏览系统、写入文件和触发操作，它就不再只是一个聊天机器人。它是一个软件操作员。在工业工厂中，这种区别很重要。
- [AI智能体正在涌入PLC世界](https://www.hubwiz.com/blog/ai-agents-are-entering-the-world-of-plcs.md) - 在2026年，生成式AI的下一阶段——AI代理——终于开始进入PLC和FA（工厂自动化）的世界。
- [博途 PID 编程简明教程](https://www.hubwiz.com/blog/a-concise-tutorial-on-pid-programming-in-tia-portal.md) - 在本教程中，我们将学习如何使用TIA Portal设置和编程PID控制。
- [AI代码审查正在杀死开发者](https://www.hubwiz.com/blog/ai-code-review-is-killing-developers.md) - 编码代理正在给每个人带来决策疲劳。
- [AI垃圾正在改变代码审查的方式](https://www.hubwiz.com/blog/ai-slop-is-changing-how-engineers-review-code.md) - 代码审查的新时代将决定AI是否能够提供既更快又更可靠的代码。
- [如何高效审查AI生成的代码](https://www.hubwiz.com/blog/how-to-review-ai-generated-code-efficiently.md) - AI编码代理编写代码的速度比任何人阅读代码的速度都快，这使你成为瓶颈。你的工作和职责保持不变，但工作量和速度增加了。
- [Jev 能做的8件酷事](https://www.hubwiz.com/blog/8-cool-things-jev-can-do.md) - 在这篇文章中，我想看看人们实际在构建什么。以下是八个引起我注意的例子，附带了创建者报告的成本和耗时。开始吧！
- [也许我们不应该审查所有代码](https://www.hubwiz.com/blog/maybe-we-should-not-review-all-these-codes.md) - 或者，也许问题不在于AI破坏了代码审查，也许是我们一直在用代码审查来解决错误的问题
- [JEV：软件工厂缺失的控制平面](https://www.hubwiz.com/blog/jev-the-missing-control-plane-of-software-factories.md) - 软件工厂正在擅长显而易见

## Optional
- [RSS Feed](https://www.hubwiz.com/blog/rss/)
- [Sitemap](https://www.hubwiz.com/blog/sitemap.xml)
- [Full content of pages and posts](https://www.hubwiz.com/blog/llms-full.txt)