搜索[Rust编程]结果-低调大师优秀个人博客

精选列表

搜索[Rust编程]，共10000篇文章

Python Word 编程：插入、更新和管理域

![使用 Python 在 Word 中插入和管理域](https://developer.qcloudimg.com/http-save/yehe-2596118/4cd5e48e5dde437edc635da24f2e98ab.png) 域（Field）是 Word 中的一种特殊元素，它的显示内容由域代码和域结果组成，可以根据环境或文档状态动态更新。例如页脚里的"第 X 页"、目录页码、章节引用，以及"如果数量大于 100 则显示某段文字"这种条件判断，都是通过域实现的。手动在 Word 中插入域需要熟悉域代码的写法，而且当一个文档里散落着几十个域时，逐个更新很麻烦。用 Python 可以自动完成这些工作：批量插入不同类型的域、更新所有域的显示结果、读取域中的文本、删除不需要的域，甚至把域直接转换为普通文本。本文以 Spire.Doc for Python 为例演示这些操作。 ## 环境准备安装 Spire.Doc 库： ```bash pip install Spire.Doc ``` 在脚本中引入模块： ```python from spire.doc import * from spire.doc.common import * ``` ## 在段落中插入一个简单的域 `Paragraph.AppendField()` 可以从现有文档中取出一个段落，在段落末尾插入指定类型的域。下面以页码引用（PageRef）域为例，域代码指定了要引用的书签名和显示格式： ```python document = Document() document.LoadFromFile("文档.docx") # 获取最后一个节并新建一个段落 section = document.LastSection par = section.AddParagraph() # 插入 PageRef 域并设置域代码 field = par.AppendField("pageRef", FieldType.FieldPageRef) field.Code = "PAGEREF bookmark1 \\# \"0\" \\* Arabic \\* MERGEFORMAT" # 更新域以获得正确的结果 document.IsUpdateFields = True document.SaveToFile("插入域.docx", FileFormat.Docx) document.Close() ``` `AppendField()` 的第一个参数是域的显示文本，第二个参数是 `FieldType` 枚举，用来声明域的类别。`FieldType.FieldNone` 表示空域，`FieldType.FieldPageRef`、`FieldType.FieldMergeField` 等则对应具体的域类型。插入后专门设置 `Code` 属性，相当于手动输入域代码。 ## 创建带条件的 IF 域 IF 域可以用来做条件判断，是动态文档生成中最常用的域之一。它比普通域复杂一些，需要先把 `IfField` 对象加入段落，再拼装条件、真值和假值三部分文本，最后补一个域结束标记： ```python def create_if_field(document, paragraph): if_field = IfField(document) if_field.Type = FieldType.FieldIf if_field.Code = "IF " paragraph.Items.Add(if_field) # 条件：合并字段 Count 的值大于 100 paragraph.AppendField("Count", FieldType.FieldMergeField) paragraph.AppendText(" > ") paragraph.AppendText("\"100\" ") # 真值和假值 paragraph.AppendText("\"Thanks\" ") paragraph.AppendText("\"The minimum order is 100 units\"") # 添加域结束标记 end = document.CreateParagraphItem(ParagraphItemType.FieldMark) end.Type = FieldMarkType.FieldEnd paragraph.Items.Add(end) if_field.End = end document = Document() section = document.AddSection() paragraph = section.AddParagraph() create_if_field(document, paragraph) # 用邮件合并数据填充 Count 字段 document.MailMerge.Execute(["Count"], ["2"]) # 更新所有域 document.IsUpdateFields = True document.SaveToFile("IF域.docx", FileFormat.Docx2013) document.Close() ``` `IfField` 是 `Field` 的子类，通过 `Items.Add()` 加入段落后再拼装内容。整个域以开始标记开始、以 `FieldMarkType.FieldEnd` 结束，`End` 属性用来把结束标记和域对象关联起来。配合 `MailMerge.Execute()` 把合并数据填进文档，IF 域就能根据实际数值显示不同的结果。 ## 结果演示以下是上述两段代码生成的域： ![Python插入域到Word文档](https://developer.qcloudimg.com/http-save/yehe-2596118/33060456ac6741677b6f2b56fa3f19b3.png) ## 更新文档中的所有域域显示的是"最后一次计算的结果"。如果文档是在程序里动态生成的，或者数据发生了变化，需要在保存前重新计算： ```python document = Document() document.LoadFromFile("文档.docx") # 保存前更新所有域 document.IsUpdateFields = True document.SaveToFile("更新域.docx", FileFormat.Docx) ``` `IsUpdateFields` 设置在 `SaveToFile()` 之前即可，保存时文档会重新计算所有域的结果。这是动态生成 Word 文档时经常要做的最后一步。 ## 读取域中的文本 `Document.Fields` 属性返回文档中全部域的集合，每个域通过 `FieldText` 属性暴露当前计算出的文本结果： ```python document = Document() document.LoadFromFile("文档.docx") fields = document.Fields for i in range(fields.Count): field = fields.get_Item(i) print(field.FieldText) document.Close() ``` 遍历集合可以在不了解文档结构的情况下，快速排查某个域是否生效、结果是否符合预期。`fields[0]` 可以直接按索引访问第一个域。 ## 将域转换为普通文本有时文档定稿后不再需要动态更新，比如把生成的订单或合同导出给客户查看。这时可以把域转换为普通文本，避免接收方打开文件时域结果因环境差异而发生变化： ```python document = Document() document.LoadFromFile("文档.docx") fields = document.Fields count = fields.Count for i in range(0, count): field = fields[0] s = field.FieldText index = field.OwnerParagraph.ChildObjects.IndexOf(field) text_range = TextRange(document) text_range.Text = s text_range.CharacterFormat.FontSize = 24 # 用文本替换域的位置，再移除域 field.OwnerParagraph.ChildObjects.Insert(index, text_range) field.OwnerParagraph.ChildObjects.Remove(field) document.SaveToFile("域转文本.docx", FileFormat.Docx) document.Close() ``` 核心思路是：先读取域的当前文本，在域所在段落的位置插入一个 `TextRange`，再把原本的域对象移出段落。由于每次处理后 `fields.Count` 会相应变化，使用 `fields[0]` 循环处理即可把剩余域逐一清理干净。 ## 删除不需要的域删除域比转换更简单——找到域所在的段落，按索引直接移除： ```python document = Document() document.LoadFromFile("文档.docx") # 获取第一个域及其所在段落 field = document.Fields[0] par = field.OwnerParagraph # 定位域在段落中的位置并删除 index = par.ChildObjects.IndexOf(field) par.ChildObjects.RemoveAt(index) document.SaveToFile("删除域.docx", FileFormat.Docx) document.Close() ``` `OwnerParagraph` 返回域所属的段落，`ChildObjects` 是段落内的对象集合，`IndexOf()` 找到域的下标后，`RemoveAt()` 即可把它删除。需要批量删除时，把这段逻辑放进循环即可。 ## 实用提示 - 域代码在 Word 中按 `Alt+F9` 可以切换显示，建议在生成后手动确认关键域的代码格式是否正确。 - `IsUpdateFields` 要在 `SaveToFile()` 之前设置，否则保存结果里域不会被重新计算。 - IF 域的条件部分要严格按"表达式 + 比较符 + 值"的顺序拼装，文本值必须用英文双引号包住。 - 域转文本会丢失域的动态特性，适合文档定稿或对外分发前的处理；文档内部流转时建议保留域。 - 处理完文档后调用 `document.Close()` 释放资源。 ## 总结本文介绍了用 Python 在 Word 文档中操作域的常用方法：用 `AppendField()` 插入简单域、用 `IfField` 构造条件域、用 `IsUpdateFields` 统一更新所有域、借助 `Document.Fields` 读取域文本、把域转为普通文本，以及通过 `OwnerParagraph` 定位并删除域。掌握这些操作后，动态文档中的页码、条件和合并数据都可以交给脚本统一处理。

2026-09-15

AI编程，最先革命是程序员

**AI编程确实是当下最火的一场生产力革命，但它“革命”的不是程序员这个职业，而是程序员的工作方式——重复、机械的编码活儿正在被AI接管，人的价值转向了架构设计、业务理解和判断决策**‌。

2026-09-09

Zed 推出多人协作 AI 编程环境 “Delta”

Zed编辑器团队正式发布了Delta，一个面向AI Agent编程的多人协作环境。

2026-08-13

CUDA 编程：Tensor Core 与混合精度 GEMM

### 文章目录 - 1. 背景 - 2. Tensor Core 的核心思想 - 3. 实验环境 - 4. 实现方式 - FP32 SGEMM - Mixed Precision GEMM - 5. 实验结果 - 5.1 不同矩阵规模性能 - 5.2 GFLOPS 对比 - 6. Tensor Core 为什么越大矩阵越快？ - 7. 矩阵尺寸对 Tensor Core 的影响 - 8. Tensor Core不是简单降低精度 - 9. 实验结论 > 从 cuBLAS SGEMM 到 Tensor Core GEMM，探索现代 GPU 矩阵计算的核心优化路径。 ![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-6980195/e7fca35ec564b812fd341d6272573e90.png) # **1. 背景** 前一节，我们比较了： - CPU MatMul - CUDA Naive Kernel - Shared Memory Kernel - cuBLAS SGEMM 发现 cuBLAS 已经远超手写 CUDA Kernel。但现代深度学习模型中的矩阵计算，还会进一步使用： > Tensor Core + Mixed Precision 例如： - Transformer Linear 层 - Attention Projection - MLP - CNN 卷积大量采用 FP16/BF16 混合精度计算。本节在 Tesla T4 上测试： ``` FP32 SGEMM vs FP16 Tensor Core GEMM ``` # **2. Tensor Core 的核心思想** 普通 CUDA Core： ``` 一个线程 | | 标量乘加 | ↓ a*b+c ``` Tensor Core： ``` Matrix A | | Tensor Core | | Matrix B ---------> Matrix C 一次完成矩阵块乘加 D = A × B + C ``` Tensor Core 针对矩阵计算进行了硬件优化： - 矩阵块运算 - 高吞吐 FP16 运算 - FP32 累加保证稳定性 # **3. 实验环境** GPU： ``` Tesla T4 Compute Capability: 7.5 ``` 测试： |项目|配置| | --- | --- | |输入类型|FP16| |累加类型|FP32| |输出类型|FP32| |计算库|cuBLAS| |GPU|Tesla T4| |矩阵规模|512~4096| # **4. 实现方式** ## **FP32 SGEMM** 计算流程： ``` FP32 Matrix A + FP32 Matrix B ↓ cuBLAS SGEMM ↓ FP32 Matrix C ``` ## **Mixed Precision GEMM** 流程： ``` FP32 数据 ↓ 转换 FP16 ↓ Tensor Core FP16 × FP16 ↓ FP32 accumulate ↓ FP32 Output ``` 关键代码： ``` cublasGemmEx( handle, ..., CUDA_R_16F, ..., CUDA_R_16F, ..., CUDA_R_32F, ..., CUBLAS_COMPUTE_32F, CUBLAS_GEMM_DEFAULT_TENSOR_OP ); ``` 含义： |配置|作用| | --- | --- | |CUDA_R_16F|输入 FP16| |CUDA_R_32F|输出 FP32| |CUBLAS_COMPUTE_32F|FP32累加| |Tensor_OP|启用Tensor Core| # **5. 实验结果** ## **5.1 不同矩阵规模性能** |矩阵规模|FP32(ms)|Tensor Core(ms)|加速| | --- | --- | --- | --- | |512×512|0.0492|0.0299|1.64×| |1024×1024|0.2475|0.0946|2.62×| |2048×2048|1.4601|0.5835|2.50×| |4096×4096|16.2076|4.7007|3.45×| 可以看到：随着矩阵规模增加： ``` Tensor Core 优势逐渐扩大 ``` ## **5.2 GFLOPS 对比** |矩阵规模|FP32 SGEMM|Mixed GEMM| | --- | --- | --- | |512|5457 GFLOPS|8969 GFLOPS| |1024|8675 GFLOPS|22694 GFLOPS| |2048|11766 GFLOPS|29442 GFLOPS| |4096|8479 GFLOPS|29237 GFLOPS| 性能变化： 4096矩阵： ``` FP32: 8.5 TFLOPS Tensor Core: 29.2 TFLOPS ``` 接近： ``` 3.5倍提升 ``` # **6. Tensor Core 为什么越大矩阵越快？** 小矩阵： ``` 计算量较少 Kernel启动调度缓存占比较高 ``` 大矩阵： ``` 更多矩阵Tile ↓ Tensor Core持续工作 ↓ 硬件利用率提高 ``` 因此： ``` N ↑ Tensor Core利用率 ↑ 加速比 ↑ ``` # **7. 矩阵尺寸对 Tensor Core 的影响** |Matrix Size|FP32 SGEMM(ms)|Tensor Core GEMM(ms)|Speedup| | --- | --- | --- | --- | |1024×1024|0.2636|0.1037|2.54×| |1023×1023|0.4504|0.1683|2.68×| |2048×2048|1.2328|0.4890|2.52×| |2047×2047|2.9654|1.1937|2.48×| |Matrix Size|FP32 SGEMM|Tensor Core GEMM| | --- | --- | --- | |1024|8147 GFLOPS|20711 GFLOPS| |1023|4754 GFLOPS|12723 GFLOPS| |2048|13935 GFLOPS|35132 GFLOPS| |2047|5784 GFLOPS|14371 GFLOPS| 非规则尺寸需要： ``` padding 边界处理 ``` GPU 高性能计算非常依赖规则的数据布局 # **8. Tensor Core不是简单降低精度** 很多人认为： ``` FP16 = 精度差 ``` 实际上： Tensor Core 混合精度： ``` 输入: FP16 计算: FP32 accumulate 输出: FP32 ``` 结构： ``` FP16 | | Tensor Core | | FP32 Accumulate | | FP32 ``` 兼顾： ``` 速度 + 精度 ``` # **9. 实验结论** 本次 Tesla T4 实验得到： 1. **Tensor Core 显著提高 GEMM 性能** 1. **矩阵越大，Tensor Core优势越明显** 1. **混合精度是AI推理的重要优化** > CUDA Kernel 可以让我们理解 GPU 工作方式，而 Tensor Core 代表现代 GPU 矩阵计算的极致性能。对于深度学习推理和训练，合理使用 FP16/BF16 混合精度，是获得高吞吐的重要手段。

2026-07-28

AI 编程提效后，什么值得做

讨论 AI 编程时，最常见的问题是：它能让开发效率提升多少？是 20%、30%，还是翻倍？这个问题当然重要，但如果只盯着单个任务能快多少，就会错过 `Agentic Coding` 更深一层的影响。

2026-07-28

CUDA编程：Histogram 直方图统计与 Atomic 优化

### 文章目录 - 1. 本课目标 - 2. 什么是 Histogram？ - 3. 为什么 Histogram 在 GPU 上有难点？ - 4. 两种实现方式 - Global Atomic Histogram - Shared Memory 局部 Histogram - 5. 实验设计 - 6. CUDA C++ 代码 - 7. 编译与运行 - 8. 推荐实验组合 - 8.1 均匀分布 - 8.2 热点分布 - 8.3 数据规模变化 CUDA 第 12 课：Histogram 直方图统计与 Atomic 优化第 10 课讲了 **Reduction：很多数归约成一个数**。第 11 课讲了 **Prefix Scan：很多数生成前缀位置**。第 12 课进入另一个非常常见的并行模式： > **❝Histogram：把大量数据按照类别/bin 统计频次。** 它在图像处理、推荐系统、日志统计、token 分布统计、排序预处理、采样分析中都非常常见。 # **1. 本课目标** 本节课重点掌握： ``` 1. 什么是 histogram 直方图 2. 为什么 histogram 容易产生 atomic 冲突 3. 掌握 global atomic histogram 的基础写法 4. 掌握 shared memory 局部 histogram 优化 5. 理解“先局部统计，再全局合并”的优化思想 6. 对比不同 bin 数量、数据分布下的性能差异 ``` # **2. 什么是 Histogram？** 假设输入数组是： ``` input = [1, 2, 1, 3, 2, 1, 0, 3] ``` 我们希望统计每个数字出现了多少次。如果 bin 数量是 4，也就是统计 `0,1,2,3` 四类： ``` hist[0] = 1 hist[1] = 3 hist[2] = 2 hist[3] = 2 ``` 最终结果： ``` hist = [1, 3, 2, 2] ``` ![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-6980195/d1c45930b905dcc56246ebfe84d5bcbe.png) 在这里插入图片描述 # **3. 为什么 Histogram 在 GPU 上有难点？** 如果每个线程处理一个元素： ``` int bin = input[idx]; atomicAdd(&hist[bin], 1); ``` 问题是：很多线程可能同时更新同一个 bin。例如输入里大量元素都是 `1`： ``` input = [1, 1, 1, 1, 1, 1, ...] ``` 那么所有线程都执行： ``` atomicAdd(&hist[1], 1); ``` 这会造成严重竞争。所以 histogram 的核心难点是： ``` 多个线程可能同时写同一个地址必须用 atomic 保证正确性但 atomic 冲突会影响性能 ``` # **4. 两种实现方式** ## **Global Atomic Histogram** 最简单写法： ``` atomicAdd(&global_hist[bin], 1); ``` 优点： ``` 代码简单结果正确适合 bin 多、冲突不严重的情况 ``` 缺点： ``` 所有 block 都直接竞争 global memory 当数据集中在少数 bin 时会很慢 ``` ## **Shared Memory 局部 Histogram** 优化思路： ``` 每个 block 先在 shared memory 中统计一个局部 hist 然后每个 block 再把局部 hist 合并到 global hist ``` 流程： ``` Global input ↓ 每个 block 建立 shared_hist ↓ block 内线程 atomicAdd(shared_hist[bin], 1) ↓ block 内统计完成 ↓ 把 shared_hist 合并到 global_hist ``` 这样可以把大量 global atomic 竞争变成： ``` block 内 shared atomic + 少量 global atomic ``` 通常会更快，尤其是 bin 数量不大时。 # **5. 实验设计** 我们实现并比较： ``` 1. CPU histogram 2. GPU global atomic histogram 3. GPU shared memory histogram ``` 测试维度： ``` 1. bin 数量：16、64、256 2. 数据规模：1M、16M、64M 3. 数据分布： - 均匀分布：冲突较平均 - 热点分布：大量数据集中在少数 bin ``` # **6. CUDA C++ 代码** 保存为： ``` lesson12_histogram.cu ``` 代码如下： ``` #include #include #include #include #include #include #include #include #define CUDA_CHECK(call) \ do { \ cudaError_t err = call; \ if (err != cudaSuccess) { \ std::cerr (blockIdx.x) * blockDim.x + threadIdx.x; if (idx (blockIdx.x) * blockDim.x + threadIdx.x; size_t stride = static_cast(blockDim.x) * gridDim.x; for (size_t i = global_tid; i 0) { atomicAdd(&global_hist[i], shared_hist[i]); } } } /* * 用 cudaEvent 计时一个 kernel。 */ template float time_kernel(LaunchFunc launch, int repeat) { /* * warmup */ launch(); CUDA_CHECK(cudaDeviceSynchronize()); cudaEvent_t start, stop; CUDA_CHECK(cudaEventCreate(&start)); CUDA_CHECK(cudaEventCreate(&stop)); float total_ms = 0.0f; for (int r = 0; r & a, const std::vector& b, int bins) { for (int i = 0; i & input, int bins, const std::string& mode) { std::mt19937 rng(12345); std::uniform_int_distribution uniform_dist(0, bins - 1); std::uniform_real_distribution prob(0.0f, 1.0f); for (size_t i = 0; i = 2) { n = static_cast(std::atoll(argv[1])); } if (argc >= 3) { bins = std::atoi(argv[2]); } if (argc >= 4) { block_size = std::atoi(argv[3]); } if (argc >= 5) { repeat = std::atoi(argv[4]); } if (argc >= 6) { mode = argv[5]; } if (bins 4096) { std::cerr 1024) { std::cerr (bins) * sizeof(int); std::cout h_input(n); std::vector h_cpu_hist(bins, 0); std::vector h_global_hist(bins, 0); std::vector h_shared_hist(bins, 0); generate_input(h_input, bins, mode); /* * CPU timing. */ auto cpu_start = std::chrono::high_resolution_clock::now(); histogram_cpu(h_input.data(), h_cpu_hist.data(), n, bins); auto cpu_end = std::chrono::high_resolution_clock::now(); double cpu_ms = std::chrono::duration( cpu_end - cpu_start ).count(); int* d_input = nullptr; int* d_global_hist = nullptr; int* d_shared_hist = nullptr; CUDA_CHECK(cudaMalloc(&d_input, input_bytes)); CUDA_CHECK(cudaMalloc(&d_global_hist, hist_bytes)); CUDA_CHECK(cudaMalloc(&d_shared_hist, hist_bytes)); CUDA_CHECK(cudaMemcpy(d_input, h_input.data(), input_bytes, cudaMemcpyHostToDevice)); /* * Global atomic kernel 配置。 */ int grid_global = static_cast((n + block_size - 1) / block_size); auto launch_global = [&]() { CUDA_CHECK(cudaMemset(d_global_hist, 0, hist_bytes)); histogram_global_atomic_kernel>>( d_input, d_global_hist, n ); CUDA_CHECK(cudaGetLastError()); }; /* * Shared histogram kernel 配置。 * * 使用固定 block 数量，配合 grid-stride loop。 * 不要让 block 数过大，否则每个 block 都要合并一次 hist，global atomic 次数也会上升。 */ int sm_count = 0; CUDA_CHECK(cudaDeviceGetAttribute(&sm_count, cudaDevAttrMultiProcessorCount, 0)); int grid_shared = sm_count * 4; size_t shared_bytes = hist_bytes; auto launch_shared = [&]() { CUDA_CHECK(cudaMemset(d_shared_hist, 0, hist_bytes)); histogram_shared_kernel>>( d_input, d_shared_hist, n, bins ); CUDA_CHECK(cudaGetLastError()); }; float global_ms = time_kernel(launch_global, repeat); float shared_ms = time_kernel(launch_shared, repeat); CUDA_CHECK(cudaMemcpy(h_global_hist.data(), d_global_hist, hist_bytes, cudaMemcpyDeviceToHost)); CUDA_CHECK(cudaMemcpy(h_shared_hist.data(), d_shared_hist, hist_bytes, cudaMemcpyDeviceToHost)); bool global_ok = check_hist(h_cpu_hist, h_global_hist, bins); bool shared_ok = check_hist(h_cpu_hist, h_shared_hist, bins); std::cout **❝Histogram 优化的本质，是把全局范围的大量写冲突，拆成 block 内局部冲突和少量全局合并。**

2026-07-22

Redis 之父：编程已实现自动化

原文：https://antirez.com/news/159 在我的 YouTube 频道里，我已开始用“自动编程”一词指代借助 AI 辅助编写软件的过程

2026-02-03

TIOBE 公布 2025 年度编程语言：C#

TIOBE 是专注于跟踪编程语言流行趋势的网站，近日其宣布 C# 成为 2025 年度编程语言。

2026-01-06

MiniMax 正式开源 M2.1 编程模型

MiniMax近期正式开源了M2.1编程模型，该模型已在Hugging Face、ModelScope和GitHub同步上架。

2025-12-31

AI 编程工具 Cursor 2.2 新增 Debug 模式

AI编程工具Cursor近日正式发布了2.2版本，引入Debug Mode、Plan Mode改进、Multi-agent judging和Pinned chats功能。

2025-12-12

阿里 AI 编程工具 Qoder 发布 Linux 版本

阿里旗下 AI 编程工具 Qoder宣布推出面向 Linux x64 系统的公开测试版本。

2025-10-31

Flyde - 可视化后端逻辑编程工具

Flyde是一个用于原型设计、集成、评估和迭代 AI 密集型后端逻辑的整体解决方案。它是 TypeScript 的可视化扩展，可在代码库中运行，为从事后端 AI 工作流的开发人员和非开发人员之间提供缺失的链接。 Flyde 允许你为 AI 代理、提示链、API 编排和代理工作流等后端服务创建可视化流程，并直接与你现有的代码库集成。它包含一个VSCode 扩展，可与现有的 TypeScript/JavaScript 代码无缝集成。优点：代码库集成直接在你的代码库中运行，并可访问运行时代码和现有的后端框架。与独立工具不同，Flyde 以库的形式集成到你现有的工具和 CI/CD 流水线中。可视化后端 AI 工作流程以可视化的方式对 AI 密集型后端逻辑进行原型设计、集成、评估和迭代。使用可视化界面构建后端 AI 代理、提示链和代理工作流，同时保持对代码的完全控制。降低合作障碍TypeScript 的可视化扩展，弥合了开发人员和非开发人员之间的差距。使你的整个团队都能为后端 AI 工作流开发做出贡献。

2025-10-22

蚂蚁集团开源智能编程助手 Neovate Code

蚂蚁集团支付宝体验技术部正式对外开源智能编程助手 Neovate Code，能够深度理解你的代码库，遵循既有编码习惯，并在上下文感知的基础上，精准地完成功能实现、Bug 修复和代码重构。

2025-09-24

英伟达收购 AI 编程初创公司 Solver

据The Information报道，英伟达最近完成了对AI编程公司Solver的收购，进一步强化其在AI全栈生态的布局。

2025-09-08

AI 编程工具 Augment 推出“Quick Ask Mode”

AI 编程工具 Augment推出了 Quick Ask Mode。该模式将 AI 助手置于只读状态，仅用于探索和回答问题，不会修改任何文件，从而确保代码安全。

2025-08-19

谷歌 AI 编程 Agent “Jules” 支持创建 PR

谷歌 AI 编程 Agent “Jules”新增创建拉取请求（PR）的功能，实现了从编码到提交的完整开发闭环。

2025-08-05

编程语言 nature 0.5 发布，首个可用版本

随着 0.5 版本的发布，nature 编程语言最初的设计目标已经完成，语法 API 基本稳定，在 1.0 版本之前不会有大幅的变化。

2025-05-22

谷歌发布“异步执行” AI 编程代理「Jules 」

谷歌推出了名为 Jules 的 AI 编程代理 (Coding Agent)，目前处于公开 Beta 测试阶段，需要申请，用户可以免费使用。

2025-05-20

AI编程工具的 4 代演进历史

AI编程工具的演进引子： “豪掷30亿美元，OpenAI史上最大收购案！”

2025-05-08

使用 Cursor 编程的 15 条经验建议

X 上 1 万+点赞、近百万阅读的爆款帖子—— 《使用 Cursor 编程的 15 条经验建议》 1. 从模板开始：通过从 GitHub 或其他来源克隆模板来开始项目，以提供坚实的基础。

2025-02-28

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。