咻咻咻小陈的空间

咻咻咻小陈的空间

小米运动健康数据接入实战:逆向 API 与六个大坑
发表于2026-07-17|技术分享
小米运动健康数据接入实战:逆向 API 与六个大坑背景做 LifeOS 的时候,想把小米手环的健康数据(步数、睡眠、心率)同步进来。小米官方没有开放健康数据的公开 API,只能走运动健康 App 的私有接口。这篇文章记录整个接入过程:认证流程怎么逆向出来的、签名怎么算的、以及一路上踩的六个坑。 一、认证体系:一场加密的接力赛小米健康数据的接口保护层,比想象中厚。核心是四个东西的组合: passToken:登录后拿到的长期令牌,是后续一切认证的起点 ssecurity:一个加密密钥,QR 扫码响应里会返回 location:跳转地址,跟随它才能换到 serviceToken clientSign:nonce + ssecurity 的 SHA1 签名,是数据请求的”身份证” 整条链路走下来是这样: 12passToken → 拼接 nonce → RC4 加密 nonce → 追加 clientSign→ 携带 cookie 请求数据接口 → 返回加密数据 → RC4 解密 RC4 是对称加密,nonce 是随机数,clientSign 保证请求不被篡改。这套组合拳说明小米在...
从后端到 AI Agent 开发:我在技术转型中学到的 5 件事
发表于2026-07-09|生活感悟
从后端到 AI Agent 开发:我在技术转型中学到的 5 件事背景写这篇博客之前,我是一个干了三年后端的开发。Spring Boot、MySQL、Redis、Kafka——我的技术栈是标准的”后端全家桶”。写接口、调存储、做监控,稳得很。 转型的契机是 2024 年底参与的内部 LLM 落地项目。一开始我只是负责给 AI 组搭 API 网关,后来被拉进 Agent 系统的开发——再后来就彻底转了方向。 到现在做 Agent 开发一年半,回头看这个转型,有些经验值得记录下来。不是为了证明”转型多厉害”,而是给同样在路上的后端工程师一份实际的参考。 5 件让我最受冲击的事1. “确定性编程”到”概率性编程”的思维切换后端开发的核心假设是确定性的:输入相同的参数,同一个接口返回相同的结果(幂等)。即便有 bug,也是可复现、可调试的。 Agent 开发完全是另一回事。同样的 prompt、同样的输入、同样的参数——LLM 的输出每次都不一样。而且不是你写错了,是模型本来就是这样的。 我花时间最长的一件事:接受”有些问题不能靠修代码解决”。 后端的故障定位路径是:查日志 → 找到异常堆...
Agent 评测体系从 0 到 1:离线评测、Bad Case 回流与在线归因
发表于2026-07-07|AI工程化
Agent 评测体系从 0 到 1:离线评测、Bad Case 回流与在线归因为什么 Agent 评测比 RAG 评测更难做过 RAG 评测的人都知道,核心指标就是命中率 + 生成准确率——输入是 query,输出是 answer,对比 ground truth 就行。 但 Agent 不一样。一个任务可能涉及: 3 轮对话交互 5 次工具调用 2 次知识库检索 条件分支选择 中间状态的正确性 **评测 Agent 不是在评测”回答对不对”,而是在评测”决策过程对不对”**。 举个例子:用户问”帮我查一下上个季度的销售数据,画出趋势图发给团队”。一个正确的 Agent 执行路径可能是: 1231. 调用 BI 工具查询销售数据(正确参数:2026 Q1-Q2)2. 调用图表生成工具(选择折线图)3. 调用飞书 API 发送消息(选择正确的群组) 如果第 1 步查成了今年的数据而不是上个季度,后面再花哨也没用。所以 Agent 评测必须逐环节、分层级地进行。 三层评测体系我们的评测体系分为三层,每层覆盖不同阶段的验证需求: 12345678910111213141516171...
MCP 协议:为什么 2026 年所有 Agent 工程师都应该懂它
发表于2026-06-30|AI工程化
MCP 协议:为什么 2026 年所有 Agent 工程师都应该懂它一个每天都在上演的低效场景你在做一个 Agent 系统,需要对接: 企业内部 Wiki(Confluence API) 代码仓库(GitHub API) Jira 工单系统 飞书/钉钉的消息推送 内部运维平台的工单系统 每个工具都要写一套独立的 tool definition:认证方式不同、参数格式不同、错误信息不同、限频策略不同。 过了一个月,你的 teammate 在做另一个 Agent 系统,他又重复写了一遍 Confluence tool。再过两个月,第三个 team 又写了一遍。 这就是 M×N 问题:M 个 Agent 系统 × N 个工具,每个对接都是 N² 级别的复杂度。 MCP(Model Context Protocol)要解决的就是这件事——它为 AI 应用(Host)和工具/数据源(Server)定义了一个标准协议,让工具可以”一次接入,到处使用”。 MCP 协议的核心设计MCP 采用了类似 client-server 的架构,但角色定义略有不同: 12345678...
从 LangChain 到 LangGraph:一个多 Agent 协作系统的重构实录
发表于2026-06-23|AI工程化
从 LangChain 到 LangGraph:一个多 Agent 协作系统的重构实录为什么要迁移我们的 CollabAgent 系统最初基于 LangChain 的 AgentExecutor + 链式调用搭建。核心流程是: 1用户输入 → 规划器(Planner) → 执行器(Executor) → 总结器(Summarizer) → 输出 每个环节都是一个独立的 Chain,用 SequentialChain 串联。初期跑得很顺,但随着需求变复杂,问题开始暴露: 问题 1:状态传递失控 当 Agent 数量超过 3 个时,Chain 之间的状态依赖变成了意大利面。A 的输出需要传给 C 和 D,但 B 也要用 A 的一部分输出——你不得不在每个 Chain 的 output 里塞满所有下游可能需要的字段。 问题 2:条件分支难以表达 “如果工具调用结果包含错误,重试最多 3 次”这个逻辑,在 Chain 里只能用 LLMRouterChain + 一个硬编码的循环计数器来模拟,既不直观也不可靠。 问题 3:超限保护都是黑盒 hack 超时控制、重试次数限制、并行工具调用数...
LLM 输出 JSON 不稳定怎么办?我自研的三级降级机制实战
发表于2026-06-16|AI工程化
LLM 输出 JSON 不稳定怎么办?我自研的三级降级机制实战背景:70% 的通过率不够用在我们的多 Agent 协作系统中,Agent 之间的通信依赖结构化 JSON。规划器输出任务清单、执行器输出工具调用参数、总结器输出最终答案——全部通过 JSON 传递。 上线初期,我们遇到了一个让整个系统不可靠的根源问题:LLM 输出的 JSON 平均只有 70% 能一次解析成功。 剩下的 30% 包括:多余的 markdown 包裹、尾随逗号、单引号代替双引号、字段缺失、截断的 JSON、以及嵌套了大段文本导致转义错误的各种奇葩情况。 如果解析失败就直接重试,不仅浪费 token,而且重试后的格式依然不稳定——这形成了一个”生成→解析失败→重试→可能还失败”的死循环。 三级降级架构最终方案是把 JSON 解析拆成三个逐级递进的关卡: 123456789101112用户请求 → LLM 生成文本 │ ├── Level 1: JSON.parse(快速路径) │ ├── 成功 → 校验 schema → 通过 ...
系统架构演进之路:从单机到云原生
发表于2026-06-09|技术分享
单机架构从零搭建,所有的东西都在一台服务器上,例如应用和数据库在一起,就像一个小餐馆,夫妻店,老板娘是前台,老板负责后厨。 适用场景:初创项目、访问量小、团队规模小(1-3人) 优点:简单、成本低、快速上线 瓶颈:单点故障、资源争抢、无法扩展 应用与数据分离能解决资源争抢的问题,例如同时大量请求涌入同一台服务器,带宽资源不足以支持应用和数据库同时处理请求,那就把应用和数据库分开,每个单独一个服务器,这样就有足够的资源去供给应用和数据库了。 核心思想:专业的事交给专业的机器做 典型架构:应用服务器 + 数据库服务器(物理分离) 应用集群 + 负载均衡请求再次激增,如果应用服务器挂了就直接瘫痪的话,那就很影响可用性,这时候就增加服务器进行处理。但是增加服务器的同时,如果只让一台服务器处理等爆掉再转下一台也不行,所以引入负载均衡服务器,将请求进行分发,减轻单台服务器压力。 负载均衡策略: 轮询:按顺序分配请求 加权轮询:根据服务器性能分配不同权重 IP Hash:同一IP的请求固定分配到某台服务器 最少连接:分配到当前连接数最少的服务器 常用组件:Nginx、HAProxy、L...
百炼平台图像超分实战:老照片修复与低清图放大技术解析
发表于2026-05-28|AI实践
前言在实际项目中,我们经常遇到客户需要处理低清图片的需求,特别是老照片修复和图像放大场景。本文分享在阿里云百炼平台上集成图像超分能力的实战经验。 图像超分技术原理什么是超分辨率?超分辨率(Super Resolution)是指从低分辨率图像恢复出高分辨率图像的技术。 12345678910111213┌─────────────────────────────────────────────────────────┐│ 图像超分流程 │├─────────────────────────────────────────────────────────┤│ ││ ┌─────────────┐ ┌─────────────┐ ┌────────┐ ││ │ 低清图片 │ ───▶ │ 超分模型 │ ───▶ │ 高清图 │ ││ │ (LR)...
构建RAG评测体系:让问答准确率稳定在85%+
发表于2026-05-25|AI工程化
引言在RAG系统的开发和迭代过程中,如何科学地评测系统效果是一个关键问题。本文分享我们在阿里云百炼平台上构建离线+在线评测体系的经验,以及如何通过Prompt优化让问答准确率稳定在85%+。 评测体系架构整体架构123456789101112131415161718192021┌─────────────────────────────────────────────────────────┐│ RAG评测体系 │├─────────────────────────────────────────────────────────┤│ ││ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ││ │ 离线评测 │ │ 在线评测 │ │ A/B测试 │ ││ └─────────────┘ ...
RAG知识库命中率优化:从82%到97%+的实战经验
发表于2026-05-20|AI优化
问题背景在多个RAG项目落地过程中,我们发现一个普遍问题:客户知识库的检索命中率偏低,直接影响了问答系统的准确性和用户体验。 通过系统性的分析和优化,我们成功将平均命中率从82%提升至97%+,以下是完整的优化实战经验。 命中率低的常见原因在开始优化之前,我们需要先诊断问题的根源: 12345678910111213141516171819202122232425┌─────────────────────────────────────────────────────────┐│ 命中率低的常见原因 │├─────────────────────────────────────────────────────────┤│ ││ 1. 文档切块问题 ││ ├── 切块过大:上下文过多,噪声干扰 ...
123…6
avatar
咻咻咻小陈
个人技术博客 - 记录学习与成长
文章
55
标签
130
分类
11
Follow Me
公告
商务联系 V:K284914351
电话:18670570487
邮箱:284914351@qq.com
最新文章
DeepSleep:用 Ollama 本地大模型做睡眠建议应用2026-10-16
做了一个 99 概念的 AI 知识图鉴:纯静态站的架构与间隔重复设计2026-09-28
CollabAgent:用 LangGraph 搭建多 Agent 协作研究报告系统2026-09-08
FitFlow 开发复盘:离线优先的健身 PWA 与 RAG AI 教练2026-08-26
MuscleMap:用 Three.js 打造 3D 肌肉激活图谱2026-08-12
分类
  • AI优化1
  • AI实践2
  • AI工程化5
  • AI技术7
  • 开发技术7
  • 开发运维4
  • 技术分享13
  • 技术攻坚1
标签
Compose 静态站点 Next.js MCP 服务器 测试架构 提示词 多Agent OpenTelemetry PWA Docker 数据库 云原生 依赖 结构化输出 项目复盘 A/B 异步竞态 Prompt工程 工具 工程实践 API Turso LifeOS FDE Multi-Agent 供应链安全 E2E 3D 本地部署 Dexie.js 可观测性 地图 小米 大模型 音频处理 异步编程 人工智能 图像处理 技术转型
归档
  • 十月 2026 1
  • 九月 2026 2
  • 八月 2026 4
  • 七月 2026 6
  • 六月 2026 4
  • 五月 2026 5
  • 三月 2026 1
  • 二月 2026 1
网站信息
文章数目 :
55
本站访客数 :
本站总浏览量 :
最后更新时间 :
© 2025 - 2026 By 咻咻咻小陈框架 Hexo 6.3.0|主题 Butterfly 5.5.4
📱 电话:18670570487,📧 邮箱:284914351@qq.com