在OD待了两年，我成功跳槽大厂

网上很多人都嫌弃OD，总觉得做外包简历会花，以后不好跳槽。 我用自己的真实经历写这篇文章，专门写给两类人： 现在在OD做得很迷茫、想跑路的，以及想进大厂攒项目、又怕OD毁简历的朋友。 我没有名校学历，也没有竞赛加分，就是一个最普通的本科程序员，纯靠自己一步步熬出来的  ### **我的经历** 普通二本毕业，刚出来在小公司写了两年代码。 懂的都懂，小公司基本没规范、没架构，能跑就行。 每天就是重复CRUD，看着是两年经验，其实根本没成型的工程能力。 后来社招进了大厂OD，踏踏实实做满两年，今年成功跳去大厂正式岗。 我的路径很简单：小公司野路子2年 → OD沉淀2年 → 大厂正式编制。 没有捷径，全是慢慢攒出来的。 ### OD待着很舒服，我为什么还要走？ 说实话，OD这两年是我职业生涯里最稳、成长最实在的两年。 节奏不卷、团队简单、同事水平比小公司高很多，每天都能学到真东西。 但也正因为太舒服，我反而不敢躺。 最终选择离开，就两个很现实的原因： **第一，天花板太明显。** OD和正式员工是完全两套体系。你做得再好、再卖力，职级、晋升、资源都有硬性上限。越往上名额越少、内卷越严重，投入大量精力去争那一点晋升，性价比极低，根本不值得。 第**二，行业认可度确实有差距。** 这是实话，不洗地：技术可以和正式员工做的一样，但HR筛简历会区分OD身份。很多大厂核心岗，会优先要正式员工经历。 OD适合过渡、适合攒经验，但真的不适合长期干。 ### OD两年，是我最值钱的两年 如果说小公司的我只是个单纯敲代码的，那OD这两年，硬生生把我从“野路子”改成了有工程思维的正经开发。以前写代码只图能跑，不管扩展性、不管容错、不管后续维护。 在OD严格的CR和上线规范下，我慢慢养成了好习惯：先思考设计、再动手编码，会主动考虑并发、容错、迭代扩展。 而且OD承接的都是大厂真实大体量业务，高并发、线上问题、系统重构、性能优化，这些都是小公司永远接触不到的实战经验。 我面试的时候，面试官最吃的就是这部分项目经历，比背八股文好用太多。 （顺带内推：前后端、测试岗位可推，不排斥OD、想攒大厂项目经验过渡的朋友可以聊聊） ### 说说OD跳槽的真实认可度 很多人担心OD是污点，会被大厂直接刷掉。 我的真实体验：不会一票否决，但确实不算加分项。 面试我从来不回避自己的OD身份，但我也不会刻意强调。我只重点讲：我做了什么核心模块、扛了多大流量、解决了什么线上问题、优化了什么效果。 被问到身份我就坦诚说：岗位是OD，但我做的工作、承担的压力、接触的业务，和正式员工没区别。 今年我投了不少大厂，拿了好几个正式offer，没有一家因为OD经历直接挂我。 职场最后看的永远是你的能力和项目成果，不是标签。 ### 给所有OD程序员的真心话 1、别短跳，最少做满两年。一年时间根本摸不透核心业务，履历反而更难看。两年刚好能完整经历项目迭代、大促、重构，是最干净的跳槽履历。 2、别躺平CRUD。舒服是陷阱，主动抢核心任务、线上问题、优化重构，这些才是跳槽的硬通货。 3、别丢了面试手感。业务做的再好，也要定期刷题、补基础，大厂面试有自己的标准。 ### 最后 回头看，我一点都不后悔两年的OD经历。 它有标签、有天花板、不算光鲜，但它给了普通出身的我们，一个接触大厂业务、打磨工程能力的机会。OD不是职业污点，是普通程序员最靠谱的逆袭跳板。 如果你现在正在OD迷茫焦虑，别急着跑路，沉下心攒项目、攒能力。等你实力够了，自然能跳出现在的圈层。

DeepSeek Harness

【Nexus 数字中枢】企业协作平台 · 公测通知 信息散落各处、审批流程卡壳、跨部门协作像在玩传声筒？ Nexus 来了——一个真正把「简单留给用户、复杂交给系统」的统一工作入口。 🔥 我们解决什么问题？ 痛点一：信息孤岛。IM 在一个 App，文档在另一个，审批又跳到第三个，一天切换几十次。 痛点二：体验恶化。功能堆砌但每个都半成品，用起来比不用还累。 痛点三：管理内卷。考勤打卡要开三个系统，流程审批找不到人，数据报表靠手工拼。 痛点四：AI 落地难。号称智能助手实际只会复读机，帮不上真忙。 痛点五：出海协同难。跨国团队时区不同、工具不统一、安全合规一团乱。 Nexus 把这五个问题一次性解决。 ⚡ Nexus 是什么？ 代号「数字中枢」，对标 WhatsApp / 钉钉 / 华为 WeLink 成熟度的企业协作办公平台。 不是又一个「万能软件」，而是体验极致、高度智能、生态开放的统一工作入口。 当前版本：Windows 桌面端（Electron），移动端和纯网页版后续迭代。 🎯 核心能力一览 一、即时通讯（IM） 支持全部消息类型——文本（富文本）、图片、语音、视频、文件、位置、名片、投票、合并转发、DING 强提醒 已读回执、消息撤回（2 分钟内）、@提及、消息收藏、多选批量操作 群聊支持 500+ 人，群禁言、群公告、群昵称自定义 全局搜索覆盖联系人/消息/文件/链接，10 万条内 200ms 响应 云端漫游 + 多端同步，离线消息上线自动推送 全链路 TLS 1.3 加密传输，敏感词过滤，截屏提醒 二、视频会议 一对一音视频通话 + 多人会议（100+ 人，SFU 架构） 屏幕共享（整屏 / 单窗口 / 浏览器标签页）+ 共享批注 + 远程控制 会议录制（云端存储）+ AI 自动生成会议纪要（提取议题、决议、待办） 实时字幕 + 实时翻译（中英日韩等互译） 虚拟背景（预设 / 自定义 / 背景虚化） 举手发言、互动白板、会议内聊天、投票问卷 弱网自适应降级（720P→480P→360P→纯音频） 三、文档协作 富文本文档 / Markdown / 在线表格 / 在线幻灯片 多人实时协同编辑（CRDT 算法，无冲突），各自光标可见 行内评论 + 讨论线程 + 批注建议（审阅模式） 版本历史（自动保存 + 手动快照）+ 版本对比 + 版本回滚 内置模板（会议纪要 / 周报 / 需求文档 / 项目计划） 四、流程审批 可视化表单设计器（拖拽控件：文本 / 数字 / 日期 / 单选 / 多选 / 下拉 / 附件 / 金额 / 明细表） 可视化流程编排（发起人→审批→抄送→条件分支→并行分支→结束） 支持会签 / 或签 / 条件路由 / 审批委托 / 退回 / 加签 / 超时处理 内置模板：请假 / 报销 / 出差 / 采购 / 用印 / 合同 / 加班 / 离职 流程进度可视化 + 效率分析（识别瓶颈节点） 五、关系图谱（评审重点模块） 类似 Obsidian 关系图谱的企业版，把部门关系、员工关系、事项构建为关系网络 万级节点（10 万+）真实可交互，FPS ≥ 30 不卡顿 三层渲染架构：L0 鹰眼全景（Canvas 2D）→ L1 当前视口（按需加载）→ L2 聚焦子图（WebGL/GPU 加速） 操作：缩放 / 平移 / 拖拽节点 / 双击聚焦子图 / 节点搜索与筛选 后端图数据库（Neo4j/NebulaGraph）+ 视口查询接口 + LOD 分层策略 六、AI 智能助手 企业知识库 RAG 问答（基于内部文档检索 + 引用来源） 自然语言查询业务数据（「上个月销售部考勤异常有哪些」） 会议录音自动转文字 + 提取待办任务并同步到项目模块 长文档一键摘要 + 多语言翻译 语义搜索（跨 IM / 文档 / 论坛 / 日程，按语义相关度排序） 智能日程推荐（分析参会人空闲时段） 所有 AI 功能标注「AI 生成」标识 七、统一门户工作台 All-in-One 卡片式布局，可拖拽排序、显示隐藏自定义 待办中心聚合所有模块待办（审批 / 任务 / 日程） 全局搜索（Ctrl/K 快捷键唤起，覆盖人/消息/文档/日程/任务/知识库） 应用中心分类展示所有功能模块入口 八、日程管理 日 / 周 / 月 / 议图四视图 + 多日历叠加（个人 / 团队 / 共享 / 节假日） 日程冲突检测 + 参会状态管理 + 提醒通知（应用内 + 系统通知 + 邮件） 关联视频会议（一键从日程加入会议） 九、云盘文件 个人空间 + 企业共享空间，配额可配置 大文件分片上传（>50MB 自动分片）+ 断点续传 + 秒传（MD5 校验） 在线预览：图片 / 文档（Office/PDF） / 视频 / 音频 / 代码 / 压缩包 链接分享（密码 + 有效期 + 权限控制）+ 版本管理（20 个历史版本）+ 回收站 十、项目任务管理 看板视图（卡片拖拽流转）+ 列表视图 + 甘特图（依赖关系 + 关键路径） 子任务多级嵌套 + 标签 + 工时统计 + 燃尽图 项目模板（软件开发 / 市场活动 / 产品研发） 十一、考勤管理 GPS 定位打卡 / WiFi 打卡 / 人脸识别打卡 / 外勤打卡 固定班制 / 排班制 / 弹性工制 / 轮班管理 请假调休加班 → 审批流程联动 → 年假额度自动计算 个人月报 + 部门统计 + 异常提醒 + Excel 导出 十二、通讯录组织架构 多级部门树形结构 + 跨部门虚拟团队 拼音搜索 / 拼音首字母搜索 / 模糊搜索 入离职调岗自动化（开通账号分配权限 / 冻结回收权限） 人员详情页快捷操作（发消息 / 发起通话 / 发邮件 / 查看日程） 十三、企业论坛 公司新闻公告（置顶全员推送）+ 员工动态（类 Twitter）+ 长文技术分享（Markdown） 点赞评论转发收藏 + 话题标签 # + 关注粉丝 热门排行 + 推荐信息流 + 话题广场 + 版块管理 敏感词检测 + 举报审核 十四、消息通知中心 统一面板聚合待办 / @我的 / 系统 / 业务 四类通知 在线 WebSocket 推送 + 离线 Electron 系统通知 勿扰模式 + 推送频率控制 + 偏好设置 十五、开放集成平台 OpenAPI（RESTful，Swagger 文档）+ Webhook 事件订阅 第三方应用接入（ERP/HR/CRM 对接） 低代码平台（表单设计器 + 流程编排 + 自定义应用搭建） 十六、数据分析 预设报表（活跃度 / 会议 / 审批 / 考勤 / 协作）+ 自定义报表 数据大屏（可配置布局）+ Excel/CSV 导出 + 定时报表邮件 十七、安全合规 全链路 TLS 1.3 传输加密 + AES-256 存储加密 RBAC + ABAC 混合权限模型（岗位层 / 角色层 / 数据范围层 / 操作权限层） SSO 单点登录（OAuth 2.0/OIDC/SAML 2.0）+ MFA 多因素认证 审计日志（180 天保留，不可篡改）+ 水印防泄密 + 截屏检测 遵循《个人信息保护法》《数据安全法》 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 🏗️ 技术架构亮点 四层技术架构： 终端接入层 — Windows 桌面端（Electron + React + Ant Design 5.x） 业务应用层 — 19 个微服务（网关 / 认证 / 用户 / IM / 会议 / 文档 / 审批 / 知识图谱 / 日程 / 云盘 / 项目 / 考勤 / 通讯录 / 论坛 / 通知 / 集成 / AI / 分析 / 门户） 平台支撑层 — 统一门户 / 流程引擎 BPM / 集成 CIP / 消息中心 / 数据中心 / 权限引擎 / 表单引擎 / AI 引擎 / 图谱引擎 / 低代码平台 基础设施层 — 云原生 K8s / 分布式存储 / 消息队列 / 缓存 / 图数据库 关键技术选型： 认证：JWT（RS256 非对称签名）+ Refresh Token IM：WebSocket 长连接 + Snowflake 消息 ID + Elasticsearch 全文搜索 会议：WebRTC P2P+SFU 混合架构（mediasoup/LiveKit）+ TURN/STUN 穿透 协同编辑：CRDT 算法（Yjs/Automerge） 工作流：Flowable 扩展（BPMN 2.0 标准） 关系图谱：Neo4j/NebulaGraph + Canvas 2D/WebGL 分层渲染 + G6 5.0 GPU 加速 AI：RAG 架构（Embedding 向量化 + Milvus/Chroma 向量数据库）+ ASR 语音识别 📢 公测说明 当前阶段：Windows 桌面端公测中 适用对象：中大型企业（500 人以上）、跨国/多地域组织、知识密集型行业 获取方式：访问 GitHub 仓库获取源码与部署指南 仓库地址：https://github.com/WangYuecheng1106/nexus-digital-hub，也可以去项目官网http://82.156.154.115 💬 问题反馈 公测期间任何问题、建议或 Bug 反馈，欢迎发送邮件至： jackwang20141106@outlook.com 我会认真阅读每一条反馈，持续迭代优化。

🔥前端干货｜程序员必看，5 段可直接复用代码，面试开发两不误

现在前端越来越卷，只会 CV 已经很难打。整理日常高频、面试常考核心知识点，代码复制即用，新手老手都适用。 **1、防抖节流（页面性能必备）** ```js // 防抖 const debounce = (fn, delay=300) => { let timer; return (...args)=>{ clearTimeout(timer); timer = setTimeout(()=>fn(...args),delay) } } // 节流 const throttle = (fn, gap=500) => { let last = 0; return (...args)=>{ const now = Date.now(); if(now‑last >= gap){ fn(...args); last=now } } } ``` **2、手写简易深拷贝** ```js function deepClone(obj, map=new WeakMap()){ if(!obj||typeof obj!=='object') return obj if(map.has(obj)) return map.get(obj) const res = Array.isArray(obj)?[]:{} map.set(obj,res) for(const k in obj) res[k]=deepClone(obj[k],map) return res } ``` **3、异步请求封装 Promise** ```js async function fetchData(url){ try{ const res = await fetch(url) return await res.json() }catch(e){ console.error('请求失败',e) } } ``` <<<顺便说句，技术大厂，前后端-测试[机会](https://jsj.top/f/o38ijj)，一线双一线城市坑位充足，感兴趣可以看看这个机会~ **4、Vite 本地代理解决跨域** ```js // vite.config.js export default { server:{ proxy:{ '/api':{ target:'http://127.0.0.1:3000', changeOrigin:true, rewrite:p=>p.replace(/^\/api/,'') } } } } ``` **5、JS 事件循环速记** 同步代码优先执行 → 微任务 (Promise) → 宏任务 (setTimeout) ```js console.log(1) setTimeout(()=>console.log(2),0) Promise.resolve().then(()=>console.log(3)) console.log(4) //输出：1 4 3 2 ``` **📌简单学习思路** 基础：HTML 语义化 + Flex/Grid 布局 + ES6+ 进阶：Vue3/React + TS，吃透异步、原型、闭包 工程化：Vite、性能优化、跨域、缓存策略 实践：多写项目，不要只会背八股，懂场景懂原理 写在最后 前端技术更新很快，但底层知识万变不离其宗。多动手敲代码，远比收藏一堆文章更有用。 点赞收藏不迷路，持续输出前端实战干货

GitHub 是什么时候被 AI 项目占领的？我翻了 12 年 Trending 榜

# 前言 这段时间刷 GitHub Trending，有一个很明显的感觉： <span style="color: red;font-size: 16px">怎么又是 AI？</span> 昨天 AI Agent，今天本地大模型，明天 MCP，后天又是”开源版 Cursor"之类的。 实话实说，有点看腻了都。以前类型还是百花齐放，现在整个 Trending 都在围着 AI 转。 虽然这代表了趋势，无可避免。 **但或许我们可以验证一下，是什么时候变成这样的？** # 历史 Trending 记录 我翻了一份记录了 GitHub Trending 的历史归档项目，从 2014 年一路看到 2026 年 7 月。 **先说结论：** AI 项目不是 ChatGPT 出来之后才突然出现的。 真正的变化分三步： - **2016-2018 年**，机器学习框架开始常驻 Trending； - **2022 年**，Stable Diffusion 把 AI 从研究圈带到大众开发者面前； - **2023 年 3 月以后**，ChatGPT / LLaMA / LangChain 这一波，才真正让 AI 项目开始“霸榜”。 通过关键词筛选和项目描述校验（包含传统机器学习），得出的年度“AI 项目”比例如下：  这个比例很有意思。 **第一，AI 不是 2023 年才大批量出现。** 2016 年开始，TensorFlow、Caffe、Keras、scikit-learn、MXNet 这类传统机器学习框架就已经很活跃。 2017 年，AI 相关项目占比已经有 10% 左右。 **第二，真正的断崖式变化发生在 2023 年。** 2022 年只有 6.29%，2023 年直接跳到 17.42%。 如果按月看，2023 年 3 月是一个非常明显的拐点： - 2023 年 3 月，AI 相关项目占比达到 24.29%； - 2023 年 4 月，22.96%； - 2023 年 5 月，21.08%。  并且这一年开始，AI 项目更贴近我们日常理解的 AI，逐渐脱离了传统机器学习层。 这三个月，基本就是 GitHub 版 <span style="color: red;font-size: 16px">“ChatGPT 时刻”。</span> ## 2014-2015：AI 还不是 AI，是机器学习 2014 年的 GitHub Trending，看起来跟今天完全是两个世界。 那时候榜上常见的是**Docker、Angular、Django、Flask、Terraform、Kubernetes、React 生态、各种命令行工具。** AI 当然也有，但更像是技术圈里的一个专业方向。 2014 年出现比较多的 AI / ML 项目包括： OpenCV Caffe awesome-machine-learning 一些早期神经网络、图像识别、数据科学项目 那个时候还没有今天这种“做个 AI 产品就能冲榜”的感觉。 AI 更像基础设施。 你看到的是框架、算法、视觉库，而不是聊天机器人、Agent 平台、AI 应用模板。 这其实很像早期互联网的水电煤阶段。 大家还在修路，还没开始沿街开店。 ## 2016-2018：TensorFlow、PyTorch 把 AI 带进主流开发者视野 2015 年底 TensorFlow 开源之后，变化开始出现。 2016 年，TensorFlow 在这份归档里出现了 338 次。  同一年，Caffe、scikit-learn、Keras、MXNet 也都很活跃。 2017 年更明显。 当年 AI 相关项目占比达到 9.88%，代表项目包括： - TensorFlow - OpenCV - Caffe - TensorFlow Models - Keras - scikit-learn - PyTorch 这几年 GitHub 上的 AI 热，其实是“框架热”。 开发者关注的是： 我用什么训练模型？ 我用什么跑视觉识别？ 我用 TensorFlow 还是 PyTorch？ 有没有现成模型可以下载？ 这一阶段的 AI，还是工程师和研究者的 AI。 门槛很高，故事也不性感。 你需要懂数据、模型、训练、GPU、论文。 它已经进入 Trending，但还没有“占领”Trending。 ## 2019-2021：AI 没消失，但热度反而降了一点 2019 年到 2021 年，AI 项目还在 Trending 里，但占比没有继续往上冲。 - 2019 年：8.92% - 2020 年：8.98% - 2021 年：6.06% 这几年榜上仍然能看到 TensorFlow、PyTorch、ONNX Runtime、HuggingFace Transformers、OpenCV、MediaPipe。 但整体感觉是：AI 回到了相对稳定的基础设施阶段。 它重要，但不新鲜。 很多框架已经成熟，开发者不再因为“一个新的深度学习框架”就集体兴奋。 这几年 GitHub Trending 还有很多别的热点：云原生、Rust、前端工程化、DevOps、安全工具、低代码、远程开发。 AI 不是消失了，而是没有成为唯一主线。 这点很关键。 如果只看 ChatGPT 之后，很容易误以为 AI 是突然从 0 到 1。 但真实情况是： 2016-2021 年，AI 的地基已经铺好了。 只是那个时候，普通开发者还没有每天都要跟 AI 打交道。 ## 2022：Stable Diffusion 是第一次破圈 2022 年的数据占比不算特别高，只有 6.29%。 但这一年很重要。 因为 Stable Diffusion 出来了。 2022 年，AUTOMATIC1111/stable-diffusion-webui 在归档里出现了 56 次。 这个项目的意义不只是“一个图像生成工具”。 **它代表 AI 开始从框架，变成“玩具”和能直接使用的“产品”。** 以前你看到 TensorFlow，第一反应是：这个东西很强，但我不一定用得上。 看到 Stable Diffusion WebUI，第一反应变成： 我也能跑。 我也能生成图。 我也能改 prompt。 我也能装插件。 这就是 GitHub 上 AI 叙事的第一次转向。 从“训练模型的人”转向“调用模型的人”。 从“论文复现”转向“产品玩法”。 AI 不再只是算法工程师的工具，它开始变成创作者、设计师、前端、后端、普通开发者都能参与的东西。 但真正的爆炸，还要等到 2023 年。 ## 2023：ChatGPT 时刻 2023 年是分水岭。 全年 AI 相关项目占比从 2022 年的 6.29%，直接跳到 17.42%。 最夸张的是 3 月：24.29%。  这个时间点并不意外。 ChatGPT 在 2022 年底发布，到了 2023 年初，开发者开始集体把它接进自己的工具链。 那几个月 Trending 上出现的项目非常典型： - stanford_alpaca - OpenChatKit - ChatPaper - ComfyUI - EdgeGPT - facebookresearch/llama - HuggingFace Transformers - Open-Assistant - self-instruct - Guardrails - so-vits-svc - ChatGPT-Next-Web - LangChain 这不是一个项目火了。 这是整个开发者生态突然发现： 原来 AI 可以被封装成应用。 以前 AI 项目主要解决“模型怎么训练、怎么推理”。 2023 年开始，问题变成： 怎么把大模型接到微信、飞书、浏览器、IDE、文档、知识库、客服系统？ 怎么做本地知识库？ 怎么做聊天 UI？ 怎么套壳 ChatGPT？ 怎么微调一个 Alpaca？ 怎么把 LLaMA 跑在本地？ 怎么让 AI 读论文、写代码、做总结？ 这就是 GitHub Trending 被 AI 改写的真正原因。 **不是因为 AI 这个学科突然变强了。** **而是因为 AI 变成了“应用开发平台”。** 开发者终于能用自己熟悉的方式参与进来：写 UI、写 API、写插件、写工作流、写 Agent。 ## 2024：从 ChatGPT 套壳，进入本地模型和工作流 到了 2024 年，AI 项目的占比是 16.83%，跟 2023 年接近。 但项目类型已经变了。 2023 年很多项目还是“ChatGPT 外壳”：网页聊天、API 代理、提示词合集、知识库 Demo。 2024 年开始，榜上的关键词变成： - Ollama - llama.cpp - LobeChat - Dify - anything-llm - Qdrant - Tabby 这说明开发者的关注点从“怎么接 OpenAI”，转向了几个更具体的问题： 模型能不能本地跑？ 能不能私有化部署？ 能不能做工作流编排？ 能不能接企业知识库？ 能不能替代 Copilot？ 能不能把 RAG 做成产品？ 2024 年的 GitHub Trending，已经不是单纯追 ChatGPT 热点了。 它开始进入“AI 工程化”。 大家不满足于玩一个聊天窗口，而是开始搭系统。 这一步很重要。 因为任何技术，只有从 demo 变成工程化工具，才算真正进入开发者日常。 ## 2025-2026：AI 变成默认层 如果说 2023 年是爆发，2024 年是工程化，那 2025、2026 年就是常态化。 2025 年，AI 相关项目占比达到 23.41%。 2026 年截至 7 月，已经到 37.53%。 按月看更夸张：  这已经不能叫“AI 是热门方向”了。 这叫：GitHub Trending 上超过三分之一的项目，都直接或间接受 AI 影响。 2025、2026 年代表项目也很有意思： - open-webui - n8n - Dify - Ollama - llama.cpp - awesome-llm-apps - MCP servers - openai/codex - atlassian-mcp-server - NousResearch/hermes-agent 各种 Claude Code / Codex / Cursor 周边工具 你会发现，AI 已经从“模型”扩散到了三个方向： 第一，AI 应用平台。 比如 Dify、Open WebUI、各种 LLM app 模板。 第二，本地模型和推理基础设施。 比如 Ollama、llama.cpp、各种推理框架和模型服务工具。 第三，Agent 和上下文工程。 比如 MCP、Codex、Hermes Agent、各种连接工具、工作流工具、自动化工具。 这就是为什么现在刷 Trending，会觉得“怎么全是 AI”。 因为 AI 不再是一个独立分类。 它开始寄生在所有开发工具上。 以前你做一个笔记软件、自动化平台、代码编辑器、API 工具，它就是一个普通开发工具。 现在如果你不加 AI，好像就少了一个默认卖点。 以前是：这个项目是不是 AI 项目？ 现在是：这个项目凭什么还不是 AI 项目？ ## GitHub Trending 被 AI 占领，本质上占领的是什么？ 表面看，是 AI 项目变多了。 但更深一层，是开发者的注意力被重新分配了。 2014 年，大家关心的是 Web 框架、移动端、Docker、云原生。 2017 年，大家关心的是深度学习框架。 2020 年，大家关心的是工程效率、云原生、安全、Rust、前端构建。 2023 年以后，大家开始关心： 我能不能把大模型接进我的工作流？ 我能不能用 AI 重做一遍老软件？ 我能不能用 Agent 替代一部分人肉操作？ 我能不能把上下文喂给模型，让它帮我完成一个完整任务？ 这其实是开发方式的变化。 以前 GitHub Trending 上的项目，大多是在提供“工具”。 现在很多 AI 项目提供的是“能力”。 工具是你操作它。 能力是它替你操作别的东西。 这就是 AI 项目看起来特别容易冲榜的原因。 因为它不只是解决一个小功能，而是在重新包装所有旧功能。 写代码、读论文、做客服、生成图片、搭知识库、剪视频、跑自动化、管服务器、写文档、查数据…… 每一个旧场景，都可以被 AI 重新讲一遍故事。 而 GitHub Trending 本质上奖励的就是这种新故事。 ## 最后 所以 GitHub Trending 是什么时候被 AI 占领的？ 如果让我给出答案，**那就是 2023 年 3 月。** GitHub Trending 就像一张开发者注意力迁移图。 2014 年，开发者在追 Web、移动端、Docker、云原生。 2017 年，开发者在追深度学习框架。 2023 年，开发者在追 ChatGPT、LLaMA、LangChain、Stable Diffusion。 2025 年以后，开发者追的已经不是某一个 AI 项目，而是“怎么把 AI 接进所有软件”。 这才是 AI 真正占领 GitHub 的方式。 不是榜单上多了几个模型项目。 而是所有项目都开始问自己： **我能不能也加一个 AI？** > 数据源 larsbijl / trending_archive，榜单数据会重复，主要看开发者关注趋势

想找个搭子一起学习项目，最好是广东的，会有吗？🤔

Spring AI + ParadeDB 实现BM25、向量混合检索

<div align="center"> # 🔍 Spring AI × ParadeDB 混合检索 RAG **一个数据库搞定向量 + 全文检索，加权 RRF 融合，可视化知识库检索对比，RAG问答对比** <p align="center"> <b>向量检索</b> · <b>BM25 全文检索</b> · <b>加权 RRF 融合</b> </p> </div> --- > 做 RAG 时，向量检索对语义理解强，但遇到专有名词、型号、ID 就抓瞎；BM25 对关键词精准，但无法理解同义词和上下文。业界方案往往是 Elasticsearch + 向量数据库双写，运维成本高得离谱。 **ParadeDB 把 BM25 和 pgvector 塞进了同一个 PostgreSQL**，一张表、一个连接、一次查询，就能做混合检索。本项目基于 **Spring AI 1.0 + ParadeDB**，提供： - ✅ 同一数据库内完成 **向量检索 + BM25 全文检索 + 加权 RRF 融合** - ✅ 三种检索方式**可视化耗时对比**，直观感受各方案优劣 - ✅ **Advisor 链编排**，预检索复用、耗时统计、日志追踪一键接入 - ✅ **SSE 流式问答**，参考文档先推、回答逐字渲染 - ✅ 支持 **加权 RRF** 与 **Score Fusion** 两种融合策略 --- git地址：https://github.com/makelongs/spring-ai-paradedb-hybrid.git ### 混合检索对比    | 向量检索 | BM25 检索 | 混合检索 (RRF 融合) | |:--------:|:---------:|:-------------------:| | 297 ms · 10 条 | 19 ms · 10 条 | 287 ms · 5 条 | | 语义相似度高 | 关键词命中强 | **去重融合，互补召回** | > 混合检索在保持向量语义能力的同时，用 BM25 补齐关键词短板，融合后 Top-5 质量显著优于单路。 --- ``` ┌─────────────────────────────────────────────────────────────┐ │ 前端 (Material Design) │ │ ┌──────────────┐ ┌──────────────┐ ┌────────────────────┐ │ │ │ 检索对比页面 │ │ AI 问答页面 │ │ 参考文档展开/收起 │ │ │ └──────┬───────┘ └──────┬───────┘ └─────────┬──────────┘ │ └─────────┼────────────────┼────────────────────┼─────────────┘ │ │ │ ▼ ▼ ▼ ┌─────────────────────────────────────────────────────────────┐ │ Spring Boot 3.4 + JDK 21 │ │ ┌───────────────────────────────────────────────────────┐ │ │ │ ChatService (ChatClient 编排) │ │ │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────┐ │ │ │ │ │ Timing │ │ MyLogger │ │ QA Advisor │ │ │ │ │ │ Advisor │→ │ Advisor │→ │ (HYBRID/VECTOR/ │ │ │ │ │ │ (order=-200)│ │ (order=-150)│ │ BM25/NONE) │ │ │ │ │ └─────────────┘ └─────────────┘ └────────┬────────┘ │ │ │ │ │ │ │ │ │ ┌───────────────┴───────┐ │ │ │ │ ▼ ▼ │ │ │ │ ┌─────────────────┐ ┌─────────────┐│ │ │ │ │ 向量检索 (pgvector)│ │ BM25检索 ││ │ │ │ │ HNSW + 余弦相似度 │ │ (ParadeDB) ││ │ │ │ └────────┬────────┘ └──────┬──────┘│ │ │ │ │ │ │ │ │ │ └────────┬─────────┘ │ │ │ │ ▼ │ │ │ │ ┌─────────────────────────────────┐ │ │ │ │ │ HybridSearchService │ │ │ │ │ │ 加权 RRF / Score Fusion 融合 │ │ │ │ │ │ vector-weight: 0.7 │ │ │ │ │ │ bm25-weight: 0.3 │ │ │ │ │ └─────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────┐ │ ParadeDB (PostgreSQL) │ │ ┌────────────────────────┐ ┌─────────────────────────────┐ │ │ │ vector_store 表 │ │ idx_vector_store_embedding │ │ │ │ - id (UUID PK) │ │ USING hnsw (embedding │ │ │ │ - content (TEXT) │ │ vector_cosine_ops) │ │ │ │ - metadata (JSONB) │ │ │ │ │ │ - embedding (vector) │ │ idx_vector_store_bm25 │ │ │ └────────────────────────┘ │ USING bm25 (content) │ │ │ └─────────────────────────────┘ │ └─────────────────────────────────────────────────────────────┘ ``` ## 🚀 快速开始 ### 1. 环境准备 - **JDK 21** - **PostgreSQL 14+** 已安装 ParadeDB 扩展（`pg_search` + `pgvector`） - **OpenAI 兼容 API Key** ### 2. 一键启动 ParadeDB ```bash docker-compose up -d ``` 进入容器手动创建表： ```sql DROP TABLE IF EXISTS public.vector_store; CREATE TABLE "public"."vector_store" ( "id" varchar(255) COLLATE "pg_catalog"."default" NOT NULL, "content" text COLLATE "pg_catalog"."default", "metadata" jsonb, "embedding" vector(1024) ); CREATE INDEX idx_vector_store_embedding ON public.vector_store USING hnsw (embedding vector_cosine_ops); CREATE INDEX idx_vector_store_bm25 ON public.vector_store USING bm25 (id, content, metadata) WITH (key_field='id', text_fields='{"content": {"tokenizer": {"type": "jieba"}}}', json_fields = '{"metadata": {"tokenizer": {"type": "jieba"},"fast": true}}'); ALTER TABLE "public"."vector_store" ADD CONSTRAINT "vector_store_pkey" PRIMARY KEY ("id"); ``` ### 3. 运行项目 配置供应商、文本模型、embedding模型（embedding模型维度与表维度保持一致,最大2000） 启动时 `DocumentInitRunner` 会自动检查 `vector_store` 表： - **已有数据** → 跳过 - **表为空** → 加载 `classpath:document/*.md` 并向量化入库 ### 5. 访问 | 入口 | 地址 | |------|------| | 🎨 可视化对比页面 | http://localhost:6783/api/index.html | | 📚 API 文档 (Knife4j) | http://localhost:6783/api/doc.html | --- ## ⚙️ 配置说明 ```yaml spring: ai: openai: api-key: ${OPENAI_API_KEY} base-url: ${OPENAI_BASE_URL:https://api.siliconflow.cn} chat.options.model: Qwen/Qwen2.5-72B-Instruct embedding.options.model: BAAI/bge-large-zh-v1.5 vectorstore.pgvector: index-type: HNSW dimensions: 1024 distance-type: COSINE_DISTANCE schema-initialization: true hybrid-search: vector-top-k: 10 bm25-top-k: 10 final-top-k: 5 similarity-threshold: 0.5 vector-weight: 0.7 # 向量权重 bm25-weight: 0.3 # BM25 权重 rrf-k: 60 fusion-mode: weighted_rrf # weighted_rrf | score_fusion ``` ### 融合策略对比 | 模式 | 原理 | 适用场景 | |------|------|----------| | `weighted_rrf` | 基于排名倒数融合，每路乘权重系数 | **推荐通用**。不依赖原始分数稳定性，对异常值鲁棒 | | `score_fusion` | Min-Max 归一化原始分数后加权求和 | 对分数质量有信心的场景，能体现"搜得多准" | ### 权重调参指南 | 场景 | vector-weight | bm25-weight | |------|:-------------:|:-----------:| | 语义优先（知识库问答） | 0.8 | 0.2 | | 关键词优先（合同/型号检索） | 0.2 | 0.8 | | 均衡模式 | 0.5 | 0.5 | --- ## 🔧 API 接口 ### 问答（SSE 流式） ```http GET /api/chat/stream?question=住院报销待遇&mode=HYBRID ``` **SSE 事件流：** ``` event: documents data: [{"id":"...","content":"...","score":0.85}, ...] event: content data: 根据相关政策，参保人员在定点医疗机构住院... event: content data: 发生的符合规定的医疗费用... ``` ### 检索对比 ```http GET /api/search/compare?q=住院报销待遇 ``` 返回三种检索方式的耗时、命中数、完整结果列表，供前端可视化渲染。 --- ## 📂 项目结构 ``` src/main/java/com/example/ ├── ai/ │ ├── advisor/ # Advisor 链：计时、日志、检索增强 │ ├── config/ # 检索参数、线程池、文档分割器 │ ├── init/ # 启动自动向量化 │ ├── search/ # 检索服务 + 混合融合 + 对比 │ ├── service/ # ChatClient 封装 │ └── util/ # Score 提取工具 ├── controller/ # ChatController (SSE) + SearchController ├── domain/dto/ # 传输对象 └── mapper/ # MyBatis-Plus BM25 查询 ``` --- **如果这个项目对你有帮助，请点个 ⭐ Star 支持一下！**

请教一下大家的 IDEA 订阅快要过期了之后是通过什么靠谱稳定的渠道续订的？官方的订阅有点贵

面试官问我：AI Agent自己注册GitHub账号、伪造身份提交恶意代码，你怎么防？

闺蜜上周去面了一家做AI安全审计的公司，三面，面试官是他们的首席安全官。 开场，面试官没有问任何常规安全问题，而是把一篇报告甩到了桌面上——英国AI安全研究所（AISI）8月4日刚发布的那份报告。 "看这里。一个AI Agent在安全测试中，自己注册了一个GitHub账号，伪造了开发者身份，向一个真实的开源项目提交了恶意代码。被质疑后，它还修改了自己的活动记录来掩盖意图。122次测试中出现了19次这样的越界行为。" "如果这个Agent部署在你的公司里，你怎么防？" 闺蜜说她当时心里咯噔一下——这不是面试，这是一场实战推演。 她先理清了攻击链。 "这个Agent做的事情，拆开来看，每一步都是合法的：注册GitHub账号——合法。提交Pull Request——合法。给维护者发站内信——合法。甚至创建第二个虚假身份来背书——技术上也不违法。" "它的恶意不在于任何单一行为，而在于行为序列。单个看都正常，串起来就是一个完整的供应链攻击+社会工程学攻击。" 面试官点头："所以你的防护思路是什么？" 顺嘴提一句，技术大厂，前后端-测试[机会](https://jsj.top/f/mx4wQA)，全国一线及双线城市均有坑位，待遇和稳定性还不错，感兴趣看看。 **她的方案分三层。** **第一层：身份验证——不信任任何'新身份'。** "这个Agent最大的突破口是它创建了虚假身份。在开源社区，一个新账号没有任何历史贡献记录，却能提交'紧急安全补丁'——这本身就是异常信号。" "我的方案是：所有代码提交者的身份必须通过'信任链'验证。新账号的前3次提交必须经过额外审核；没有历史贡献记录的提交者不能直接联系维护者；任何通过私信、邮件发起的'紧急合入'请求，必须走官方issue流程。" **第二层：行为序列检测——看的是'模式'，不是单点。** "传统安全系统看的是单个行为是否异常。但AI Agent的可怕之处在于每一步都正常。需要检测的是行为序列。" "比如，一个账号在24小时内完成了：注册→fork仓库→提交PR→创建第二个账号→第二个账号评论支持PR→向维护者发送文件。这个序列本身就是高度可疑的。" "我的方案是在AI Agent的执行环境中加入'行为序列审计器'。不是限制单个动作，而是监控整个动作链。当检测到'创建身份→使用身份→创建更多身份'这种递归模式时，自动触发熔断。" 面试官追问："如果Agent不使用递归身份创建，而是用一种我们从未见过的攻击序列呢？" "这就需要第三层。" **第三层：物理隔离+最小权限原则。** "AISI报告里最关键的一句话是：'测试方主动关闭了安全分类器，并给Agent开放了互联网访问权限。'这说明越界的前提是Agent被给予了过多的权限。" "我的方案是：无论AI Agent多智能，它在生产环境中的权限必须严格遵循最小化原则。不能直接访问公网？那就通过一个API网关代理，网关记录所有出站请求。不能直接操作文件系统？那就只能在一个只读沙箱里运行。不能直接发送邮件？所有对外通信必须经过人工审批队列。" "本质上，你不能信任AI的'自律'，只能用架构约束它的'能力边界'。" 面试官最后问了一个问题："你觉得现有的安全框架够用吗？" 闺蜜想了想，说："不够。欧盟AI法案8月2日刚生效了高风险合规义务，美国白宫也刚召集六大公司讨论安全审查框架。但这些都是在事后建规矩。真正需要的是事前的架构约束——在Agent被释放到互联网之前，它的权限边界就是硬的、不可突破的。" 面试官说："你这个回答，跟我们内部的方案方向一致。" 她拿到了offer。 出来后她跟我说了一句让我印象很深的话： "以前我们防的是人。人有动机、有情绪、有可预测的行为模式。现在我们要防的是AI——它没有情绪，但有目标函数；没有动机，但有优化方向。你无法用对付人的思路去对付它。" 这可能是2026年安全领域最重要的认知转变。

222