登录社区云,与社区用户共同成长
邀请您加入社区
针对“你的Cursor能直接拉实时行情吗?还是只会写代码不会拿数据?”这个问题——答案是:能,而且只需要3行Python代码。通过 QuantDash Python SDK(pip install quantdash),Cursor 可以直接调用 qd.quotes.get() 获取A股、美股、港股的实时行情快照,返回标准 Pandas DataFrame。无需爬虫、无需积分签到、无需维护代理池,
本文针对 AI coding agent 获得文件写权限后的越权风险,介绍 Python 文件写入沙箱守卫的实现方法。通过 `realpath()` 规范化路径、绝对路径 allowlist 和审计日志,防范 `../` 遍历及符号链接逃逸,并结合真实测试说明其局限与 Seatbelt、bubblewrap 等纵深防御方案。
针对“Cursor写策略2分钟,你花15分钟给它搬运数据”的性能瓶颈——当策略逻辑的编写被AI加速后,数据I/O反而成为整个量化流水线中最拖后腿的环节。本文从高性能数据工程角度提出解决方案:通过 QuantDash 的批量并发接口(klines.batch)、服务器端原生复权与列式数据传输,将多标的历史K线获取从“分钟级等待”优化至“毫秒级返回”,代码从几十行缩减至3行。核心策略包括:批量聚合请求
针对“Cursor写策略2分钟,你花15分钟给它搬运数据”这个量化开发者的真实困境——当AI编程工具让策略逻辑的编写效率提升10倍时,数据接入反而成为新的瓶颈。本文核心结论是:使用 QuantDash Python SDK 将数据获取从“爬虫维保+手动复权+多源拼接”的15分钟泥潭,压缩为3行代码、秒级完成。通过服务器端原生复权(adjust='forward')、统一多市场代码后缀(.SH、.S
API测试 = 接口事实收集(文档+录制+验证→实测文档) → 用例设计(单接口+多接口业务场景) → 评审 → 执行 → 自动化就绪评估(填平md→py鸿沟,全量分类产出直接交接表) → pytest忠实落地 + 框架模板固化。核心是"先验证再依赖,先桥接再编码",杜绝仅凭HTTP200断言业务成功。
本文介绍了Qt中常用控件的核心属性和使用方法,重点讲解了QWidget的基础功能和样式设置。主要内容包括:1. 控件的基本概念:Widget作为Qt中的核心部件,构成图形化界面的基本元素,Qt内置大量常用控件并支持自定义控件扩展。2. QWidget核心属性详解: enabled:设置控件可用状态 geometry:控制控件位置和尺寸 windowTitle/windowIcon:设置窗口标题和图
最近的开发者社区,空气里总是弥漫着一股焦虑的味道。左边是“史上首个AI软件工程师”大杀四方,右边是Cursor一键生成整个项目脚手架。群里总有人在发截图:“兄弟们,AI连分布式锁都给我写好了,我离失业还有几天?作为一个写了多年Java、习惯了在Spring Boot里疯狂CURD的开发者,你的危机感是完全真实的。但如果你的结论是“Java已死,赶紧转行”,那就大错特错了。
Agent 能读企业文件、能加载你制定的工作规范、能操作没有 API 的老软件"——听起来很完整。但真正跑过一遍你会知道:能力从"正式可用"到"用得上",中间还差一块:Agent 交付的"物"能不能是随时能编辑的格式。
这些事看起来是流程,但对企业来说,没这些流程上的支持,再好的模型也进不了正式采购。Guan 系列对 Anthropic 格式的支持更完整,Claude Code 场景的 cc 版本就是为这个准备的。glm-5.3-guan 和 glm-5.3-guan-cc 都已经在 DMXAPI 上线。GLM-5.3 Guan 上线的时候,我在 DMXAPI 上切过去就用了,没折腾接口。单独对接每个厂商,配置、
摘要: 本期报告追踪了Qt在2026年7-8月的技术动态,包含17项重要更新。主要亮点包括:Qt 6.11.2稳定版发布,修复400余项问题;PySide6新增iOS原生部署支持,实现跨Android/iOS/桌面的Python统一开发;Qt Bridges for Rust进入公测,为安全关键场景提供Rust-QML集成方案。此外,Qt 6.12 Beta 1预览了下一代LTS特性,Coco M
2026年AI编程助手选型指南:Qwen系列四款模型各有侧重。旗舰版Qwen3.8-Max适合复杂项目自主开发;Qwen3.7-Max是Java后端开发的推理王者;Qwen3.7-Plus凭借视觉编程能力成为Vue开发首选;轻量级Qwen3.7-Flash则适合日常简单任务。选型需结合项目复杂度、前后端需求及预算,其中Vue开发推荐3.7-Plus,Java重度开发选择3.7-Max,长周期项目可
工具链开发问题总结(40+实战案例) 本文总结了Claude Code、DeepSeek/MIMO模型、SSH/SCP、Git、VSCode等工具链在开发过程中的常见问题及解决方案: Claude Code连接问题:端口15721代理服务未启动导致桌面端连接失败;DeepSeek模型不支持图片输入;prompt缓存失效问题等。 配置与插件问题:settings.json字段错误导致整个配置文件失效
摘要 本文总结了AI编程中常见的四种翻车场景(幻觉、改坏代码、死循环、误删误改),并提出了对应的兜底方案。核心防护措施包括:使用Git提交点确保可回滚、小步改动及时验证、明确限制AI修改范围、分阶段人工验收。针对幻觉问题应要求AI提供官方文档佐证,死循环时需缩小任务范围重新开始。作者建议给予AI类似实习生的有限权限,通过"小步-可回滚-验收"机制控制风险。文末预告了下期将进行AI编程工具横评,并布
在当今的Web开发架构中,几乎没有任何中大型网站会一次性将全部数据呈现给客户端。无论是电商平台的商品列表、社交媒体的信息流、还是API接口的返回结果,都是数据交付的基本范式。然而,对于爬虫开发者而言,分页既是老朋友,也是最容易翻车的暗礁。传统的静态分页(如)尚可通过循环构造URL解决;但近年来,随着无限滚动(Infinite Scroll)、游标分页(Cursor-based Pagination
上个月团队用Claude Code重构了一个内部服务,代码跑通了,测试也过了,结果交接给维护同学第一天就炸了——日志找不到、权限对不上、文档全是AI生成的空话。这件事让我重新审视AI编程工具的使用边界。个人开发时,你只需要对代码负责;但一旦进入团队协作,Claude Code生成的东西能不能被团队承接,才是真正的问题。---Claude Code是一个强大的工具,但它放大了"工程规范"的重要性。个
MiniMax H3、V4-Flash-0731、Seedance 2.5 轮番登场,你跟上了吗?
GLM-5.3的发布代表国产大模型竞争进入新的阶段。此次升级没有依赖更大参数规模,而是通过后训练Scaling提升模型实际任务能力。从公开数据来看,GLM-5.3在代码Agent、终端任务以及安全测试方向都有明显提升,高难度编程任务表现超过Claude Opus 4.8,同时保持开源路线。本地部署;官方API调用;第三方API聚合接入。对于希望快速构建AI应用的团队而言,模型能力、调用成本和工程便
真实案例:一个小团队的订单查询重构Codex 的定位:它是个高级实习生,不是架构师项目上下文理解:喂给 Codex 什么才能少走弯路排查过程:缓存崩了之后我做了什么代码修改流程:从"让它改"到"让它改对"测试与验证:不能跳过这步失败原因:三类错误怎么区分适用边界:什么时候不该用 Codex团队使用建议:避免过度设计总结Codex 接入真实项目后,最大的问题不是模型不够强,而是我们没建立合适的协作流
对于NFT交易平台这类需要大量查询NFT元数据的项目,最佳实践是利用OORTsh的关联索引能力,将链上NFT的权属信息与存储在OortIPFS上的元数据做绑定索引,用户查询NFT信息的时候可以一次性返回完整的权属数据与元数据内容,不需要同时调用区块链节点与IPFS网关,不仅提升了页面加载速度,也避免了单个网关宕机导致的数据无法访问问题。如果对查询响应速度有极高要求,可以开启OORTsh的本地缓存功
本文系统解析了Agent记忆机制的完整技术框架。从最基础的上下文窗口记忆,到短期记忆、长期记忆、向量检索、结构化profile、知识图谱等高级应用,层层深入剖析了记忆系统的核心设计原理。文章特别指出向量检索只是记忆系统的一个环节,而非全部,强调记忆管理需要解决信息时效性、冲突处理、可编辑性等关键问题。通过分析Claude Code、OpenClaw等主流框架的内存设计思路,为开发者构建高效可靠的A
本文介绍了从零开始构建实时协同编辑引擎的核心组件实现。主要内容包括: 项目架构设计:采用模块化结构,包含核心引擎、服务端、客户端和测试等模块 数据结构选型:分析比较了多种文本数据结构后,选择了PieceTable+Rope混合方案,实现高效的O(1)插入/删除操作 核心实现: PieceTable数据结构的具体实现 操作(Operation)模型定义,支持逆操作 光标(Cursor)和选区(Sel
在用Claude Code的时候你大概已经发现,有些指令你会一遍遍对 Claude 重复:怎么按团队规范审查代码、怎么生成符合格式的提交信息、怎么为一个文件补测试。每次都把这套流程从头敲一遍,又费字又容易漏。CLAUDE.md 能放一些常驻规矩,但它放的是「事实」,不适合放一长串「分几步怎么做」的流程;自定义命令能封装一段指令,但当流程复杂到需要配套脚本、模板、参考文档时,单个 markdown
是操作文档的光标工具类。配合使用,用来移动光标、选中文本、插入文字、删除文本。;修改完需要回写生效。
长期使用MonkeyCode后,我深刻感受到它并非简单的“代码生成工具”,而是一套轻量化、全流程、高安全的AI研发辅助解决方案。对编程新手而言,它是绝佳的学习工具,能够快速生成标准代码、解析语法逻辑、修正编程错误,帮助新手快速建立编程思维,摆脱语法桎梏;对职场开发者来说,它是高效提效神器,替代重复性编码、环境配置、基础调试工作,让开发者聚焦核心业务逻辑与架构优化,大幅提升研发效率。
这篇文章探讨了AI在真实Java项目中修复BUG的实际表现,指出AI编程能力的核心差异不在于代码生成速度,而在于工程判断能力。作者通过测试发现,优秀的AI工具不仅能按报告修复BUG,还能主动扩大问题搜索范围,从单个问题反推BUG类型,覆盖更多潜在风险点。文章特别举例说明了AI如何识别Spring事务注解在实际调用链中的失效风险,并选择更合适的TransactionTemplate解决方案。作者强调
Cursor 不再满足于只做一个 AI 代码编辑器。这一次,它把手伸向了 GitHub 最核心的领域——代码托管。Cursor 推出的这个新平台,叫做 **Origin**。
本文介绍如何利用AI生成高质量的Python单元测试(以pytest为例)。关键步骤包括:1)使用结构化Prompt模板指定测试要求;2)通过三类输入(正常、边界、异常)确保覆盖全面;3)采用"改坏代码"法验证测试有效性。文章强调测试需满足:断言具体、行为导向、能捕获错误。文末提供实践作业,并预告下期将探讨AI生成文档的技术。全文150字,完整呈现AI测试生成的核心方法论。