迁库最磨人的不是搬数据，是方言怎么转换

迁库最磨人的不是搬数据，是方言怎么转换信创、降本、换 PG，数据库迁移已经不稀奇了。数据搬过去往往有现成工具；真正耗人的是 SQL / DDL 文本层——类型、自增、函数名、标识符引号，每种库写法都不一样。几百张表靠手改，改完还不敢保证目标库能跑：验证成本常常比改写还高。jkit-sql 做的是把这

1200 条复杂 SQL，4 大数据库通吃：一套能直接跑的业务分析语料库

1200 条复杂 SQL，4 大数据库通吃：一套能直接跑的业务分析语料库电商 / 金融 / 人力，50 张真实表 + 约 8 万行数据，导入即跑，拿走不谢。做数据分析、写 SQL 的同学，多少都经历过这个瞬间——收藏夹里躺着一堆「SQL 面试题」「窗口函数大全」「100 个必会查询」，真到了业务里要

jvppeteer实战指南：像jQuery一样轻松获取网页元素

做 Java 爬虫或自动化测试，定位元素是基本功。今天聊聊 jvppeteer 里那些好用到飞起的选择器 API。做前端自动化或者写爬虫的朋友，对 Puppeteer 一定不陌生。但如果你的项目是 Java 技术栈，Node.js 那套用不上怎么办？jvppeteer 就是答案——它是 Puppet

AI 写的代码，单元测试到底该怎么写？

AI 写的代码，单元测试到底该怎么写？聊个最近让我挺纠结的事。自从 Copilot、Cursor 这些东西铺开之后，我身边写代码的朋友明显分成了两派。一派是"AI 写完我就提 PR"，另一派是"AI 写完我还得自己过一遍才敢合"。而让我纠结的，是夹在中间的那件

我们用 RAG 替掉了 Fine-tuning，效果反而更好了

我们用 RAG 替掉了 Fine-tuning，效果反而更好了不是所有问题都需要微调。这是一篇选型决策的真实复盘，聊聊我们团队踩过的坑和最后的结论。先说结论我们花了大概四周时间和四万块的 GPU 费用，证明了一件事：我们的场景不需要 Fine-tuning。这听起来像一个很蠢的故事。但我觉得很多团队

最烦那种"我用 AI 三分钟搞定"的推文

最烦那种"我用 AI 三分钟搞定"的推文AI 确实能提效，但三分钟搞定的不是你的代码，是你的智商税。打开 Twitter 就想关掉每隔几天，我的 timeline 上就会出现一条类似这样的推文："以前写这个要两天，现在用 Claude/GPT/Copilot 三分钟搞定

你真的需要本地跑大模型吗？

你真的需要本地跑大模型吗？不卖课、不贩卖焦虑、不搞成功学。Ollama 火了之后，好像每个开发者都在本地跑模型。但说实话，大部分人的使用场景根本不需要本地部署。这篇聊聊什么时候本地有意义，什么时候纯属浪费时间。跟风的代价我身边至少有五六个朋友，装了 Ollama，下了好几个模型，跑了一下"

Context Engineering：比 Prompt Engineering 重要十倍的事

Context Engineering：比 Prompt Engineering 重要十倍的事不卖课、不贩卖焦虑、不搞成功学。Prompt Engineering 火了两年了，但我觉得大部分人关注错了重点。真正决定 AI 输出质量的不是你怎么写 prompt，而是你给它什么上下文。一个反直觉的事实我

当 AI 写代码比你快的时候，程序员到底该焦虑什么

当 AI 写代码比你快的时候，程序员到底该焦虑什么不卖课、不贩卖焦虑、不搞成功学。这是一篇关于 AI 编程工具的长文，聊聊我看到的真实变化，以及一些可能没用但诚实的判断。先说个事上个月我们组来了个实习生，入职第一天就用 Cursor 写完了我给他的练手需求——一个不算简单的 CRUD 接口，带参数校