数据恢复和数字取证往往需要用到复杂且分散的工具，操作起来既费时又容易出错。

Digler 是一款开源的取证级磁盘分析和文件恢复工具，集深度磁盘扫描、文件碎片重组与灵活插件扩展于一体，支持多种磁盘镜像和物理设备，能够恢复各种文件系统中的丢失数据。| #工具

它不仅提供了命令行界面满足专业脚本化需求，还有现代化的桌面应用适合日常操作，兼顾易用性和强大功能。

主要特点：

- 支持多种磁盘镜像格式及原始设备读取；
- 文件系统无关的深度扫描，支持NTFS、FAT32、ext4等；
- 插件架构支持自定义文件扫描器，方便扩展新格式；
- 生成符合数字取证XML标准的详细报告；
- 通过扫描报告精准恢复指定文件；
- 提供命令行和桌面双接口，灵活适配不同用户习惯。

适合数字取证专家、数据恢复工程师及技术爱好者使用。

多代理协作新思路 | Pontus Abrahamsson 分享了一个高效的 AI 代理管理架构：

- 管理层 → 子代理 → 工具集
一个总规划者负责分配任务到专注型子代理（发票、报表、预测等），每个子代理管理6-12个专用工具。

- 智能调度与动态切换
自研基于 Vercel AI SDK 的“编排者”智能判断何时交接对话，支持多轮、多代理无缝协作，传递上下文和切换原因，保持完整会话历史。

- 多代理协同的挑战与思考
当多个子代理需要同时提供上下文时，如何避免信息割裂导致的幻觉（hallucinations）？建议针对高频用例设计代理子集直接协作，提升准确性。

- 开源与落地
相关代码已部分开源，适配多场景，正在不断打磨中，期待更完善的多代理产品形态。

- 行业反馈
该架构已获得社区广泛认可，适合构建复杂多任务AI系统，但大规模用户时成本需考量。

这套多代理架构为复杂AI应用提供了系统化的解决方案，兼顾灵活性和可维护性，是推动AI产品实用化的重要一步。

@milan_milanovic 读《Google软件工程》心得分享

这本书不是教你写代码，而是揭秘Google如何通过工程实践维护健康、可持续的代码库。干货满满，值得每位工程师细读。

核心启示：

1 软件工程 ≠ 只是编程
编程解决当下任务，软件工程关注代码的未来演变、可维护性、扩展性和规模化。
𝟮 Hyrum定律 & Beyoncé规则
- Hyrum定律：API用户多了，系统所有可观察行为都会被依赖，合同承诺不管用。
- Beyoncé规则：用户喜欢的bug就得写测试，修bug时测试会报错，你也得改他的代码。
𝟯 早发现，早修复（Shift Left）
- 静态分析、快速单元测试、集成测试、代码审查和QA都是降低成本的关键。
𝟰 自动化是团队扩展的核心
代码格式化、lint工具、CI流水线……自动化减轻重复劳动，保持效率。
𝟱 小心“虚假测试”
过度依赖stubs/mocks掩盖真实行为，Google推荐用fakes，更接近真实。
𝟲 小步快跑发布更稳健
小版本更易管理、回滚和理解。
𝟳 依赖升级要早、快、频繁
小幅更新风险低，方便及时调整。

Andrew Ng 推出全新课程《Agentic AI》！

AI智能体开发正成为职场最抢手技能。这门课程系统教授4大关键设计模式：

1. 反思（Reflection）——智能体自我审视输出，持续改进；
2. 工具调用（Tool use）——结合大语言模型（LLM）调用搜索、日历、邮件、编程等功能；
3. 规划（Planning）——用LLM拆解任务，合理分配子任务执行；
4. 多智能体协作（Multi-agent collaboration）——构建多个专职智能体协同完成复杂任务。

课程还教你如何将复杂应用拆解成任务序列，系统应用这些模式。

最重要的是，Andrew Ng强调严谨的评估和错误分析流程是成功执行的关键。课程传授如何基于数据精准定位改进点，避免盲目试错，极大提升开发效率和质量。

课程采用纯Python实现，框架中立，帮助你深入理解底层原理，适合熟悉Python且了解LLM基础的学员，无论未来用哪个框架都能轻松上手。

未来，掌握Agentic AI设计模式，将让你在AI浪潮中抢占先机，打造真正能自主解决复杂问题的智能系统。

Large Language Model Optimization: Memory, Compute, and Inference Techniques

大型语言模型（LLM）训练与推理的优化技术总结：

随着模型参数规模达到数十亿，传统训练和部署方法面临巨大挑战。本文凝练了业内主流且高效的优化思路，涵盖内存、计算和推理三大核心方向，适合对大模型优化感兴趣的技术人员和面试准备者参考。

一、显存优化
- Flash Attention：通过“切块计算+重算”降低注意力机制的内存复杂度，从全矩阵处理变为分块处理，仅保存归一化因子，显著减小内存占用。
- 多查询注意力（MQA/GQA）：共享键值减少内存，分组查询权衡效率与质量。
- 激活检查点：保存部分激活，训练时重算其余，降低显存压力。

二、计算优化
- 序列打包：将多条训练序列拼接，消除padding，提升GPU利用率。
- 高效Transformer：借助BigBird、Longformer等局部+全局注意力，实现长序列线性复杂度。
- 低秩近似与层级扩张注意力：进一步降低计算量，支持更大规模输入。

三、推理优化
- KV缓存：缓存历史键值，避免重复计算，提升生成速度和内存效率。
- 状态缓存：用滚动哈希和LRU算法管理对话历史，支持缓存复用。
- 推测解码：先用小模型快速生成候选，再用大模型验证，推理速度提升2-3倍。
- 量化技术：8位、混合精度和量化感知训练，在保证精度前提下极大压缩模型大小。

四、训练优化
- 混合精度训练：bfloat16结合动态loss scaling，兼顾速度和数值稳定。
- 数据并行与ZeRO优化：通过分割参数、梯度和优化器状态，实现显存极限压缩。
- 流水线并行：GPipe、PipeDream等减少GPU空闲，支持多阶段并行执行。
- 张量并行：列切分和行切分矩阵乘法，实现大模型跨设备高效计算。
- 上下文并行：序列长度分割多GPU，结合先进通信协议保证效率。
- 专家并行（MoE）：引入专家子网，路由不同token至不同专家，显著扩展模型容量，同时需解决负载均衡。

优化大模型是一项系统工程，需多维度平衡内存、计算和通信开销。本文汇总的核心技术涵盖了当前业界最前沿的思路，有助于理解和掌握大模型训练与推理的关键瓶颈及解决方案。未来，随着模型规模持续增长，这些优化策略将愈发重要。

Jason Zhou 分享了如何通过“上下文工程”（Context Engineering）和完善的文档系统，让 Claude Code 在复杂代码库中的表现提升10倍，干货满满，值得深度学习：

1. 上下文工程是关键
Claude Code 默认接收系统提示（System prompt）、系统工具、MCP工具、CLAUDE.md文档和消息。使用 /context 指令可以查看上下文结构，合理设计上下文能极大提升代码智能生成质量。

2. 子代理（Sub-agent）管理上下文
子代理适合只读任务（如调研），能将大量信息浓缩成关键摘要，帮助主代理聚焦核心内容，避免上下文爆炸。

3. 高效的文档系统至关重要
Jason推荐建立 .agent 文件夹，包含：
- System：项目结构、技术栈、数据库模式、关键模块
- SOP：常见错误及最佳实践流程
- Tasks：产品需求文档（PRD）
- README：文档总目录，支持管理大型代码库

这个结构借鉴了 Manus 的本地缓存上下文卸载思路，能处理复杂项目。

4. 自动更新文档
设计 /update-doc 命令，代理每完成关键功能或修正错误后自动更新文档，保持知识库与代码同步，防止“上下文漂移”。

5. 实践案例：管理遗留代码库
@ODMtweets 分享了用类似方法管理基于 WordPress 的大规模遗留代码库。为每个类生成文档，并配合定制代理模式，显著提升了代理对旧代码的理解和操作效率。

上下文工程改变游戏规则：合理设计上下文不仅提升效率，还能让初级开发者产出接近资深水平。
- 文档驱动开发（DDD）落地：结合PRD和细化任务计划，让AI协助代码实现与评审，形成闭环。
- 防止提示漂移：保持文档即时更新和子代理分工，避免上下文信息丢失或偏离目标。
- 成本与收益权衡：更智能的上下文管理虽增加计算成本，但带来的开发效率提升远超投入。