让 AI 代码助手不再拥有仓库记忆

AI 代码工具如 Claude Code、Codex、Gemini CLI 等已能理解大规模代码库，但它们在每次会话结束后都会丢失上下文。DoozCTL 通过把仓库本身变成持久记忆层，解决了“上下文丢失”与“所有权”问题。

- 仓库记忆：DoozCTL 在仓库中生成 .ai/current-context.md、repository-analysis.json、sessions/ 等文件，记录架构、约定、决策等信息。任何 AI 助手（Claude、Codex、Gemini、Cursor、OpenCode 等）都能直接读取这些文件。
- 标准包：通过 @dooziesoft/standards 等标准包，DoozCTL 只渲染包声明的文件，保持生成过程可预测、可复现。
- 可合并策略：支持 overwrite、append、replace-generated 等合并方式，避免覆盖开发者已有内容。
- 离线 & CI 验证：所有记忆存储在仓库中，无云依赖，可通过 CI 进行验证。

DoozCTL 2.0 已发布，提供 init、sync、analyze、summarize、doctor、status、plan、verify 等命令，构建轻量级工程控制平面。

GitHub: GitHub

#开发者 #工具 #DoozCTL #AI助手 #仓库记忆 #标准包
@DevToolboxHub

Cognous Agent Governance Evidence Pack：让技术证明变成可审计文件

Cognous 的 Open Control Stack 通过 Manifest 声明代理权限，控制平面实时执行，运行后生成签名的 Replay Bundle。Evidence Pack（证据包）将这些技术记录转化为非工程师可阅读的报告。

- 用途：支持 Agent 在生产环境下减少工单响应时间，代理可调用 3 个工具并提出 3 个动作，其中 2 个需授权或人工复核。
- 验证：报告基于 1 个已签名的 Replay Bundle，验证通过后仍有 1 个开放风险（如 draft_ticket_reply 需手工复核）。
- 流程：agep 渲染生成 Markdown 报告；agep validate 检查 schema 规则，缺失授权信息会被捕获并需手工补充。
- 审计：完成验证后，CISO 或风险经理在 Review Records 中签字，才可将状态改为 approved，随后可用于审计、董事会评审或更广泛部署。

证据包由 JSON 文件驱动，需手工或脚本+LLM 生成 reason_summary 等字段，当前工具已提供 replay-bundle 导入助手，未来将支持更丰富的叙事生成。

GitHub: GitHub

#开发者 #工具 #Cognous #OpenControlStack #AgentGovernance #EvidencePack #AuditReady #Python
@DevToolboxHub

ERPNext 助力肯尼亚农企实现全链路数字化

Meru Greens Horticulture（成立1996）与小农户合作，生产并出口蔬菜。其业务涵盖种植、投入、收获、加工、包装、库存、销售、HR 等多环节。传统系统分散，导致农户信息、投入管理、产量跟踪、库存盘点等多项流程缺乏统一视图。

通过与 ERPNext 合作，Meru Greens 将所有业务模块集成到单一平台。关键做法包括：

- 农户双重角色建模：在 ERP 中将农户同时设为供应商和客户，自动生成对应记录，形成完整的商业关系链。
- 流程映射与配置：利用现有销售、采购、库存、制造等模块，结合自定义字段和脚本，覆盖种植计划、投入发放、收获检验、加工工序、质量控制等业务。
- 制造与质量一体化：使用 BOM、工序、工作站等功能，将加工流程串联为连贯的生产链，质量检查嵌入每个工序。
- 统一库存与报表：标准库存报表与自定义报表相结合，实时掌握仓储状态，支持部门 KPI。
- HR 与薪酬本地化：配置薪酬结构、班次管理，并开发符合肯尼亚税务要求的报表。

实施采用敏捷方法，先映射业务流程，再进行配置、数据迁移、培训与验收。项目强调内部项目负责人角色，确保变更管理与用户采纳。

通过 ERPNext，Meru Greens 打破了部门孤岛，实现了从农户到终端客户的全链路可视化与协同，提升了运营效率与数据一致性。

GitHub: GitHub

#开发者 #工具 #ERPNext #肯尼亚 #农企 #供应链 #制造 #质量控制 #HR #报表 #敏捷实施 @频道号
@DevToolboxHub

HTTP探针返回200，工作进程未绑定端口

在部署后，健康检查显示服务正常，但后台工作进程根本没有绑定任何端口。通过重现一个简易的本地示例，验证了探针只能返回200时无法发现工作进程问题。解决方案是让探针读取工作进程写入的心跳文件，并在文件缺失、过期或时间戳无效时返回503，从而真正能检测到工作进程状态。

```bash
# 运行工作进程
python worker.py &

# 运行探针
python honest_probe.py &

# 检查健康状态
curl -sS
```

HTTP/1.1 503 Service Unavailable
missing heartbeat

当工作进程正常写入心跳后，curl 将返回 200。

#开发者 #工具 #HealthCheck #Python #DevOps #CI_CD #Heartbeat
@DevToolboxHub

SFINAE 迭代验证：零成本 AI 生成 C++ 检测器

在实验中，使用 MonkeyCode 免费模型生成十个 SFINAE 检测器。通过将编译器错误直接回馈给模型，九个检测器在不到 20 分钟内完成修正，成本仅为零美元。该方法利用编译器的即时诊断，消除了运行时错误的风险。

- 工作流程
1. 生成：模型根据一句描述生成检测器代码。
2. 编译：使用 g++ -std=c++17 -fsyntax-only 编译并执行 static_assert。
3. 反馈：将首个编译错误或断言失败信息作为下一个提示输入。
4. 迭代：重复步骤 1–3，直至通过。

- 实验结果
- 8/10 检测器首轮即通过编译。
- 7/10 语义正确。
- 仅 1 个检测器（is_forward_iterator_like）需要人工提示“原始指针是迭代器”，其余通过编译器反馈完成。

- 适用场景
- 小型、明确的模板元编程任务。
- 需要快速验证而非完整库发布。
- 适合在 CI 中快速迭代，避免运行时错误。

- 局限性
- 对公共库的边缘情况（如 volatile、引用限定成员函数）仍需人工校验。
- 需要编译器支持，且每轮迭代必须快速完成。

试试这个循环，最坏只会出现几条编译错误，最好能得到一个你不必亲手写的检测器。

#开发者 #工具 #C++ #SFINAE #MonkeyCode #LLM #编译器验证
@DevToolboxHub

HuddleCluster：仿企鹅自组织的服务器负载均衡

HuddleCluster（v4.15.0）用生物启发的“热量衰减”机制替代传统二元阈值。服务器按“核心‑冷却‑外层”环路自组织：核心环处理高吞吐请求，节点出现延迟或错误时会平滑漂移到外层，减轻负载；恢复后自动回归核心。
其分布式控制平面基于 FastAPI + CLI，支持 Raft 选举、Kubernetes 原生发现、Helm 部署、mTLS 身份验证和 Prometheus 监控。
Python 核心零依赖，几行代码即可启动自组织集群，示例代码已在 GitHub 提供。

详细功能与使用可在交互式模拟网站查看，或直接访问仓库获取源码与安装包。

GitHub
pip install huddle-cluster

#开发者 #工具 #HuddleCluster #Python #FastAPI #Kubernetes #Prometheus
@DevToolboxHub

HydraFusion：多模型路由实现成本与性能平衡

GitHub 在 Copilot 中推出 HydraFusion，利用多模型路由将编码子任务按复杂度分配给不同 LLM。
- 痛点：单一前沿模型对所有任务收费高昂，导致无论是简单改动还是大规模重构都付费相同。
- 核心能力：
• 任务分类器根据 diff 大小、AST 深度、依赖图和用户意图判定任务复杂度。
• 模型注册表将低、中、高三档模型与成本、延迟关联。
• 路由器挑选满足质量阈值的最低成本模型；失败时自动回退到更强模型。
- 效果：在离线评估中，HydraFusion 与单一 Opus 5 模型保持 85% 的任务成功率，平均工作流成本下降 36%（$0.50 → $0.32），但重试率略升至 15%。

资源链接
GitHub

hashtag
#开发者 #工具 #HydraFusion #GitHub #Copilot #LLM #多模型路由 #成本优化 #性能平衡
@DevToolboxHub

如何在 JavaScript 中跨主流 LLM 计数 Token

在使用 LLM API 时，Token 计数往往被忽视，导致成本失控。本文提供统一的计数方法，支持 OpenAI、Anthropic、Google、DeepSeek、Llama 等模型，并给出成本计算示例。

OpenAI
OpenAI 已开源 BPE tokenizer，可直接在客户端获取精确 Token 数。
```bash
npm install gpt-tokenizer
```
```js
import { encode } from 'gpt-tokenizer/encoding/cl100k_base';
const tokens = encode('Your system prompt goes here.').length;
console.log(tokens); // 6
```
- gpt-3.5-turbo、gpt-4、gpt-4-turbo、gpt-4.1 使用 cl100k_base。
- gpt-4o、gpt-4o-mini、o1、o3 使用 o200k_base。
请根据调用的模型选择对应编码，否则计数会偏差。

Anthropic / Google / DeepSeek
这些供应商未公开 JavaScript tokenizer。可选两种方案：
1. 调用计数端点（如 Anthropic 的 /messages/count_tokens），返回精确值，但会产生网络延迟。
2. 字符估算，使用已知字符/Token 比例。
```js
const CHARS_PER_TOKEN = { anthropic: 3.8, google: 4.0, deepseek: 3.5, llama: 3.8 };
function estimateTokens(text, provider) {
const cpt = CHARS_PER_TOKEN[provider] || 3.8;
return Math.max(1, Math.round(text.length / cpt));
}
```
估算值应标记为“估算”，避免误导。

统一计数函数
```js
import { encode as encodeCl100k } from 'gpt-tokenizer/encoding/cl100k_base';
import { encode as encodeO200k } from 'gpt-tokenizer/encoding/o200k_base';

function providerOf(model) { /* 根据模型名返回 provider */ }
function openaiEncoding(model) { /* 返回 'o200k' 或 'cl100k' */ }

export function countTokens(text, model) {
const provider = providerOf(model);
if (provider === 'openai') {
const enc = openaiEncoding(model) === 'o200k' ? encodeO200k : encodeCl100k;
return { count: enc(text).length, mode: 'exact' };
}
const cpt = { anthropic: 3.8, google: 4.0, deepseek: 3.5, llama: 3.8 }[provider] || 3.8;
return { count: Math.max(1, Math.round(text.length / cpt)), mode: 'estimate' };
}
```

Token → 费用
```js
const PRICE = {
'gpt-4o': { in: 2.50, out: 10.00 },
'gpt-4o-mini': { in: 0.15, out: 0.60 },
'claude-3-5-sonnet-latest': { in: 3.00, out: 15.00 },
'gemini-1.5-pro': { in: 1.25, out: 5.00 },
'deepseek-chat': { in: 0.14, out: 0.28 },
};
function costOf(inTokens, outTokens, model) {
const p = PRICE[model];
if (!p) return null;
return (inTokens / 1_000_000) * p.in + (outTokens / 1_000_000) * p.out;
}
```
示例：costOf(1000, 500, 'claude-3-5-sonnet-latest') 约 0.0089 美元。

工具推荐
- 在线计数器：tokensbill.com/tools/token-counter，支持多模型一次性查看月度成本，浏览器内完成，无数据外泄。
- 但建议将计数逻辑集成到自己的代码中，实时监控每次调用成本，避免隐藏高昂费用。

通过在代码中实现精确或估算计数，并结合公开价格表，即可在开发阶段及时发现成本异常，避免类似 $847/日的账单误差。

github.com/your-repo/token-counter

#开发者 #工具 #OpenAI #Anthropic #Google #DeepSeek #Llama #Token计数 #成本管理
@DevToolboxHub

AWS 资源隐藏成本：七大常见浪费点

AWS 资源管理便利，却易让账单悄悄攀升。
- 低利用率 EC2：实例曾经需要高 CPU/内存，如今持续低负载。
- 未挂载 EBS：实例终止后，磁盘仍占费。
- 旧 EBS 快照：无保留策略，快照堆积。
- S3 无生命周期：长期存放不常访问的数据，未迁移至低价存储。
- 闲置弹性 IP：实例销毁后，IP 仍占用。
- NAT 网关 & 数据传输：跨 AZ/跨区流量导致额外费用。
- 无限保留 CloudWatch 日志：日志长期存储无意义。

在做任何删改前，先确认资源依赖、用途与所有者。AWS 的 Cost Explorer、Compute Optimizer 等工具可帮助快速定位。

需要完整的 AWS 成本优化清单？
47 条可执行检查，覆盖 EC2、S3、RDS、Lambda 等。
仅 $9，获取链接：

#开发者 #工具 #AWS #成本优化 #云计算 #DevOps #S3 #EC2 #CloudWatch
@DevToolboxHub