Ordiy's Blog

摘要Google 发布的论文 Gemini Embedding: Generalizable Embeddings from Gemini 揭示了 Gemini Embedding 2 为何能在 MMTEB 榜单上傲视群雄。其核心不在于模型规模，而在于“原生初始化”与“模型汤”技术的完美结合。 核心洞察：不仅仅是多模态论文显示，Gemini Embedding 2 在 Classificat...

在构建生产级 AI Agent 或 RAG（检索增强生成）系统时，许多从传统数据开发转型的工程师会面临两个核心疑问：既然 Elasticsearch（BM25）已经足够快，为什么还需要向量数据库？ 以及，为什么我们不再像以前在 PyTorch 中处理 NLP 任务那样，进行繁琐的“去停用词”和“词干还原”？

本文将深度拆解这两大争议点，揭示 RAG 架构背后的底层逻辑变革，并分享一套完整的评估闭环。

在 AI 代理（Agent）与模型上下文协议（MCP）飞速发展的今天，如何选择合适的实现架构已成为决定项目上限的关键。本文基于 Watadot Studio 的最新项目 enso-climate-agent-mcp-comparison，深度拆解三种主流架构的实战经验与决策逻辑。

根据最新的 CursorBench 数据图表，模型选型的逻辑发生了剧变。曾经的王者 Claude (Sonnet/Opus) 在效能边界线上已经全面落后于 GPT-5.4 家族。本文将深度解析这份图表背后的“残酷真相”。

GitHub CLI (gh) 不仅仅是一个命令行工具，它是现代 Harness Engineering 的核心挂载点。通过 gh，我们可以将代码托管、协作评审和 CI/CD 监控完全集成进我们的自动化脚本和 AI Agent 流水线中。

本文总结了 gh 从基础到端到端复杂场景的核心技能。

OpenAI 团队在 5 个月内实现了一个百万行代码的产品，且保持了 “0 行人工代码” 的约束。这种极端实验催生了 Harness Engineering（挂载工程/马具工程）。

本文深度解析 Harness Engineering 的核心理念及我们在 Watadot Studio 中的实战应用。

随着 AI 助手（如 Cursor, Claude, ChatGPT）在开发流程中的普及，一个核心矛盾浮出水面：AI 极大地提升了生产力，但同时也可能正在“偷走”人类的学习能力。

本文总结了来自 Anthropic 研究员的最新论文 "How AI Impacts Skill Formation" (arXiv:2601.20245)，并探讨我们作为开发者该如何对抗这种“技能退化”。

OpenClaw + Google Vertex AI 配置与排查指南 适用版本：OpenClaw 2026.3.2+日期：2026-03-11作者：根据实际排查过程整理 背景本文记录了为 OpenClaw 启用 Google Vertex AI 的完整配置过程，以及排查过程中遇到的若干坑点，包括： 如何用**服务账号（Service Account）**做认证（无需安装 gcloud...

深度解析：OpenClaw 开发者选型指南 —— Grok 4.1 时代的工程实践在构建 OpenClaw Agent 时，我们不仅是在寻找一个能说话的 AI，而是在寻找一个可靠的系统控制器。理想的 Agent 模型需要具备三要素：廉价的“长短期记忆”（上下文）、严密的“逻辑链条”（推理）、以及稳健的“执行接口”（工具调用）。 随着 grok-4-1-fast-reasoning 的发布，选...

用了一段时间 GitHub Copilot 的两种形态——VS Code Plugin 和 Copilot CLI——发现它们并不是同一个工具的两个入口，而是面向完全不同使用场景的两个产品。本文记录实际使用中的核心差异、各自优势，以及如何在 SDLC 各阶段合理搭配使用。