AIニュース

在 Android 手机上用 Termux 搭建可长期在线的 Linux 命令行环境，涵盖安装来源选择、镜像源与存储权限配置、Python 与编译依赖安装、CLI Agent 部署、三层后台防杀设置以及静音音频保活脚本的写法与蓝牙避让处理。

同一个问题问生成式 AI，每次措辞都不一样。temperature 和 top_p 这两个参数常被当成「稳定输出」的开关，但它们实际改变的是候选词的挑选方式，而不是模型的知识或事实准确度。本文用示意概率表说明两者的区别，给出调整前先分清失败类型、再逐个变量对比的实操顺序，并列出常见坑。

AI 工具上线后性能并非固定不变，模型更新、参数调整、提示词修改都会让同样的输入产出不同结果。本文介绍一套评估日志的做法：记录执行条件与输出、给提示词打版本号、用固定测试集做回归对比、挑选可量化的指标，并在更换模型或工具时保留 Before / After 记录，让「从什么时候开始结果变了」变得可查。

Jev 是一类把大模型的理解能力压缩成单次前向判断的决策引擎，输出结构化结果而非整段文字。本文说明它解决什么问题，并给出用 Qwen2.5-Coder-1.5B-Instruct 作为骨干、替换分类头、准备数据并训练出本地快速分类器的完整流程。

Sumibi 是一个不依赖统计转换词典、直接把罗马字或平假名交给大语言模型来生成汉字假名混合文的日语输入系统。本文整理它的基本思路、环境准备、操作步骤与完整示例，并说明它在同音异义词选择、罗马字读解、过度改写等方面的已知表现与限制。

OpenCode 支持接入大量 LLM 提供商，但安装后默认会连到哪个模型并不直观。本文从安装讲起，逐步说明如何用 providers list、models、debug config 查清当前可用的提供商与模型，如何用 -m 参数或配置文件固定模型，如何接入 Ollama 等 OpenAI 兼容端点，以及环境变量名不一致等常见问题的排查思路。

用 Cloud Run functions（第 2 代）、Cloud Firestore 与 Gemini API 搭建一个能记住历史对话的 LINE 机器人。教程覆盖 API 启用、Firestore 建库、LINE 渠道配置、Python 代码实现、部署命令与 Webhook 联调，并说明无服务器环境下的上下文保持思路与并发写入的已知限制。

技术写作作品集已经不只是文章列表加社交链接。本文讲清如何用 React、TypeScript、TanStack Start 等现代前端栈，把作品集本身做成一个可运行、可验证的软件项目，并给出从准备环境、搭建路由与组件、组织配置到部署上线的完整步骤，适合想转向开发者文档方向的技术写作者参考。

当数据集里混入了大模型写出的流畅文本，传统的缺失值、重复项、越界值检查都无能为力——它们判断不了「这段话是谁写的」。这篇教程整理了一套低成本的三指标筛查流程：用困惑度、近重复相似度、嵌入密度给每条文本打分，再合成一个综合分，并通过召回率与误报率的权衡来选阈值。文中还给出了一个关键的反面结论：在真实影评集合上，这套过滤器的误报率高得惊人，直接拿它删数据反而会把情感分类器的准确率拉低。

用 Claude Code 推进整库语言迁移的参考教程：拆解六阶段人工签核流程、八个提示词与六个脚本的分工、磁盘产物清单，以及脚本真正会拦截的失败条件，并给出一个可跑通的最小示例。

面向个人开发与原型验证场景，介绍如何用 9Router 或 OmniRoute 在本地搭一个 AI 网关：把 Gemini、OpenRouter、Agnes、Groq 等提供免费额度的服务统一成一个 Base URL，通过模型组合与优先级回退绕开 429 限流，并可选配隧道对外暴露。含安装命令、Combo 配置、调用示例与配额、隐私、合规方面的注意事项。

Custom GPT 将逐步下线，官方给出的迁移路径是把原有 GPT 转成 Plugin。本文按准备、迁移、重建 Custom Actions、验证四个阶段拆解整个流程，说明哪些内容会自动带走、哪些必须手工重做，并给出 MCP 服务器的接入步骤与常见问题排查方向。

各位搞科研的朋友，大概都吃过配图的苦。

现在 AI Agent 越来越多，但我发现一个挺尴尬的问题。 很多时候，为了教会 AI 怎么干，比我自己干还麻烦。

Laya 是一组开放权重的决策模型，它不生成大段文字，而是接收 state 与带类型的提问，直接返回类别、评分或 Yes/No 概率。本文介绍它的模型构成、Python SDK 调用方式、自建 HTTP 服务的方法，以及如何正确阅读公开评测数据。

Jev 是一个不生成文章、只对预设选项打分并返回概率的模型，定位是应用里的「判断层」。本指南说明它的输入输出形态、接入前的准备工作、调用步骤与一个完整示例，并讨论概率校准、选项设计与阈值设定这些容易踩坑的地方。

上下文窗口大，不等于回答就准。这篇教程把「资料放得下」和「资料用得上」拆成两件事，用桌面的比喻和一组可复现的对比步骤，讲清投喂资料前该问哪些问题、哪些内容必须留、哪些可以删，以及怎样用同一道题验证答案与依据是否对得上。

介绍如何借助 Zilliz Cloud 承载两类差异极大的 AI 工作负载：面向实时推荐的向量相似检索，以及面向 LLM 训练数据的兆级去重。内容涵盖前置准备、集合与索引设计、MinHash + LSH 去重流程、完整示例与常见限制，适合正在搭建推荐或数据清洗管线的工程师参考。

博士论文写作的难点往往不在写作本身，而在于如何把四年间散落在无数仓库、论文和笔记里的工作重新组织成一条自洽的论证线。本文整理了一套用 AI 工具辅助论文收尾的具体做法，涵盖按 BibTeX 键检索引用、把多个实验仓库整合成可复现的单一代码库，以及逐条核对引用与原文是否一致。每个环节都给出可直接套用的提示词与脚本思路，并说明为什么这些做法不能替代研究者本人的判断。

平时刷到一条不错的视频时，总是想自己也去做一版，打开 AI 软件才发现，提示词一个字也写不出来。

Laya 是一个用 Python 调用、接收状态与带类型问题并返回选项与概率的本地判断模型，适合把短决策留在本机完成。本文整理把它接入已有 Web 应用（Jev 客户端）的完整做法：前置条件、适配服务器搭建、五步验证、契约测试范围，以及速度、精度、置信度校准等容易混淆的指标边界。

与其每次都让 AI 直接操作 Excel，不如把 AI 关进「锻造场」只负责写宏，日常现场用关键词先击匹配直接调用宏。本文讲清这套做法的思路、前置条件、关键词注释的写法、匹配函数的实现、执行入口的改造，以及手顺书盘点与分发方式，并给出可跑通的最小示例与已知限制。

Jev 是一类只返回判定、不生成文章的模型，适合把分类、打分、是否判断这类工作塞进程序流程里。本文从概念、请求结构、三种问题类型讲到账号准备、SDK 调用与完整示例，并说明置信度读取、语言差异与不适合交给它的任务。

科研人每天一睁眼就是翻不完的文献、跟进不完的最新会议动态；好不容易跑出点结果，还要在各种分析软件、代码脚本和绘图工具之间来回倒腾...