Chrome、Edge、Firefox、MDN 联手给 AI 编程 agent 写了本现代 web 教材

AI网页批量导出工具:本地化语义解析与Markdown结构化提取 网页内容结构化提取是知识管理与数字资产沉淀的基础技术环节,涉及HTML解析、DOM语义理解、Markdown转换及资源下载等核心流程。传统方案依赖浏览器自动化或云端API,面临渲染不可控、反爬拦截、隐私泄露与批量性能瓶颈等问题。基于本地轻量CEF渲染+TinyLLM语义模型的AI导出工具,实现渲染与解析解耦、AI与网络解耦、输入与输出解耦,支持URL队列驱动、声明式模板配置与离线批量处理,在保障隐私安全前提下达成秒级/页稳定导出。适用于技术文档归档、知乎/掘金等平台收藏迁移、Obsidian知识库构建等典型 阅读详情

最近在给 agent 工作流配前端能力,模型写出来的页面常年停在 2015 年的手法,这个仓库正面回答了这个问题。

hero-og.jpg

Modern Web Guidance 官方宣传图,来自项目博客

本周 Top5:astryx(+8,700)、modern-web-guidance-src(+7,015,本期主角)、skills(+4,847)、sure(+4,786)、agent-skills(+3,884)。

榜单前五有三个都在干同一件事,给 agent 喂知识,这个信号比任何单个仓库都直白。落选备注,alibaba/open-code-review(+3,675)继续留候选。顺带回访,上期主角海底世界 abyssal-garden 一周又涨 416 星至 2,200,上上期主角 astryx 已到 30,239。

主角 GoogleChrome/modern-web-guidance-src 目前 8,506 星、729 fork,Apache-2.0 协议,TypeScript 写的。1 月建仓,5 月在 Google I/O 以预览版亮相,11 月 11 日官方博客宣布 1.0,一周涨了 7,015 星,npm 包上周下载 261,186 次。定位说起来很简单,把 web 平台的专业知识、最佳实践和兼容性数据打包成技能装进 coding agent。背景是训练数据里老代码太多,模型写前端默认输出手写 JS 动画和成堆 polyfill,平台原生的新东西它不太用。

它是什么

项目由 Chrome、Edge、Firefox 和 MDN 四家团队共同维护。owners 席位里 Chrome 占两席,Edge 与 Firefox/MDN 各一席,独立专家两席,Lea Verou 已就位,另一席待定。内容覆盖 262 个现代 web 特性,按 UI 行为、组件、性能、视觉、安全、表单等 17 个类目组织,guides 目录接近两千个文件。

用法是装一个 CLI。npx modern-web-guidance@latest install 交互式装进各家 agent,search 搜指南,retrieve 按 ID 取全文,legacy-scan 负责扫老项目找现代化机会。我在本机拿一个故意埋了老代码的样例页面跑过 legacy-scan,密码框缺 autocomplete 属性、CDN 引 jQuery 没加完整性校验,两处全被命中,输出带文件行号和 Keep when / Drop when 取舍判据。38 条确定性规则,覆盖约两成指南库。

legacy-scan-card.jpg

本机实测 legacy-scan,两处故意埋的老代码全部命中

为什么有意思

它把「agent 消费文档」当成工程问题来解。检索层在本地跑稠密向量加 BM25 混合排序,亚毫秒返回,向量表用 Model2Vec 从 gemini-embedding-001 蒸馏成零依赖查找表,替掉了 23.4MB 的 TensorFlow.js 运行时。检索还特意做成非对称的,因为对称 embedding 会把文档向量挤进一个 0.97 的余弦锥,测试里 “best pizza in new york” 和 dialog 指南的相似度能到 0.899。

token 预算按 agent 真实行为设计。issue #3048 把返回从 5 条详细结果改成 10 条紧凑结果,单条约 53 token,同样 530 token 预算下召回率涨 7.4 个百分点。issue #3191 更细,retrieve 输出超 9.5KB 自动落盘 /tmp 再给 agent 两行读取指引,因为各家 agent 框架对超 10KB 的终端输出会静默截断,而 agent 基本不理会手动重定向的指示。

eval-dashboard.jpg

项目公开的 eval 结果面板,数据同步自 Google Cloud Storage

内容本身拿 eval 筛过。README 写明跑评测是为了裁掉模型已经会的最常见内容。每条指南配 expectations 与评分器,gd dev 流水线用三个 agent 家族生成 golden patch(Google 系 Antigravity/Jetski、Claude Code、Codex CLI),评分器校准到所有标准答案全过、未改动的起点应用全不过,agent 在 bwrap/sandbox-exec 沙箱里考试防止偷看判卷标准,判分用 Playwright 驱动的真实浏览器结果。官方面板的汇总数据相当直白,1,114 个任务里最佳实践通过率从 52% 提到 92%(+40 个百分点),自动化无障碍检查从 55% 提到 93%(+38 个百分点,面板同时标注 Not a full WCAG audit,声明这不是完整无障碍审计)。配对示例里同一道菜单组件题,不装是 0/25,装了是 22/25。

治理层也照这个逻辑来。内容走三阶段流水线,用例立项、写指南、配 eval,因为指南会直接进入 agent 上下文,从零写新指南只开放给正式入驻的领域专家(Peers)。仓库自己的 AGENTS.md 把外部贡献者开 PR 的前置条件写成 agent 可执行的检查清单(CLA 已签、issue 已分配或打了 pr-welcome 标、无竞争 PR、改动不超一个 guide 目录),还要求 agent 起草的 issue 与 PR 描述加来源前缀(区分自动草稿、人工提示、多轮协作三种),并禁止给 AI 加共同作者署名。贡献者名单里 Paul Irish 以 395 个 commit 排第一。

边界与局限

400 个 open issue 里有四条值得展开。无障碍专家 Adrian Roselli 5 月实测过预览版,官方示范组件在 Firefox 动画失效、达不到 WCAG,官方团队回应承认 LLM 非确定性,无法保证任何一条指南被采用。他还指出 Baseline 兼容性数据本身不含无障碍特性支持度,照着 Baseline 判断可用性有盲区。Lea Verou 在 issue #849 提出更结构化的担忧,指南加速早期特性采用会压缩特性定型前的调整窗口,提议在元数据加成熟度信号。issue #945 反映校准问题,性能指南让 agent 默认给所有链接上激进预渲染,比 Chrome 官方文档建议的起步档位更冲。悬而未决的还有 #1707(什么时候该推荐具体 polyfill)与 #1578(提议用 MWG 审 MWG 自己的代码),都停在讨论阶段。

对谁有价值

现在就该用的,是天天让 agent 写前端、自己看得懂产出的人,装上后先拿 legacy-scan 给老项目做一次体检就有直接收益。可以再等等的,是把 agent 产出直接交付客户而中间没有验收环节的团队,非确定性问题没解。收益有限的,是主写原生应用或后端服务的开发者,这套指南覆盖面在 web 平台。

我的用法很明确,先给手头几个老前端跑一遍 legacy-scan 摸底,再装进日常 agent 观察两周现代特性的实际采用率,再决定去留。

数据截至 2026-11-18,来源为 GitHub API 直读(仓库元数据、README、GOVERNANCE.md、docs/EVALS.md、docs/CONTEXT.md、src/rag/README.md 与 issue #849/#945/#3048/#3191)、npm 下载接口、Adrian Roselli 博客评测及项目官方博客

GitHub 仓库 https://github.com/GoogleChrome/modern-web-guidance-src

GitCode集成GLM-5的实战指南:无限Token背后的场景化AI调用 大模型API接入是当前开发者提效的核心路径之一,其本质是将LLM能力安全、可控、低延迟地嵌入具体工作流。理解‘模型调用’需从基础概念出发:它并非简单HTTP请求,而是涉及鉴权代理、上下文路由、token生命周期管理与场景熔断机制的技术组合。GLM-5作为专为代码理解优化的中文大模型,在推理效率、符号识别与技术语义解析上具备显著工程优势;而GitCode提供的‘无限Token’实为面向代码协作场景的轻量级能力封装,强调零配额、免运维、高可用。本文聚焦开发者真实落地需求,详解API Key获取逻辑、Chatbo 阅读详情

相关推荐

专治疑难系列 - 解决打印机凭证冲突问题

一、问题描述 二、解决方法 三、问题已解决

Passerby_Wang的博客 2万+

AI 写的前端代码,为什么还停在 2019 年?四浏览器厂牌联手的解法是一个 skill 包

11月10日,Chrome团队发布Modern Web Guidance 1.0——Chrome、Edge、Firefox、MDN四方联手的agent知识skill包。因LLM训练语料充满遗留代码,agent默认写2019式div+JS方案;200+篇指南让三个agent在200任务上通过率从55%升至92%(1,700条机器断言),团队9个月将500MB RAG压到7MB纯JS。社区一半叫好一半警惕Chrome霸权与兼容性牺牲,文章给出团队采用五步清单。

johnsong2009的博客 517

【大模型】MHA,MQA,GQA及KV Cache详解

在自回归模型中(Autoregressive Models),模型会逐个生成文本的每个token,这个过程可能比较慢,因为模型一次只能生成一个token,而且每次新的预测都依赖于之前的上下文。这意味着,要预测第1000个token,你需要用到前999个token的信息,这通常涉及到对这些token的表示进行一系列矩阵乘法运算。而要预测第1001个token,你不仅需要前999个token的信息,还要加上第1000个token的信息。

酒酿小圆子呀~ 2620

iOS设计模式 - 原型

iOS设计模式 - 原型   原理图   说明 1. 原型模式指的是从一个已有的对象复制并创建出新的对象 2. 当一个类的实例之间存在差异,而这些差异仅是状态的若干组合,复制原型要比手工实例化更加方便 3. 当一个类并不容易创建(比如有着复杂的组合对象),且复制已有的组合对象要比对副本修改更加容易,此时,可以考虑使用原型模式   源码 https://github.co...

weixin_34138056的博客 120

MSP430开发入门:手把手教你用IAR EW430从建工程到烧录调试(附F5529配置)

本文详细介绍了如何使用IAR Embedded Workbench(EW430)进行MSP430F5529开发板的嵌入式开发,从环境搭建、工程配置到硬件调试全流程。通过实战示例和关键配置技巧,帮助开发者快速掌握MSP430开发的核心要点,包括LED控制、定时器使用和低功耗优化等实用技术。

weixin_30240349的博客 395

Cadence Allegro 17.4 保姆级教程:PCB位号重排与反标回原理图完整避坑指南

本文详细解析了Cadence Allegro 17.4中PCB位号重排与反标回原理图的全流程,包括安全工程准备、智能重排策略和反标黄金法则。特别针对芯片封装协同设计(Co-Design)场景,提供可追溯的版本管理和故障恢复方案,帮助工程师避免常见位号陷阱,确保设计文件一致性。

weixin_30613433的博客 443

热点速递 | Chrome、Edge、Firefox、MDN 把 Web 最佳实践做成 Skill

2026-11-15,modern-web-guidance 单日 +3,635★,全球 star 增速第一。定 Web 标准的四家,把现代最佳实践做成编码 Agent 能直接读的 skill。判断权从评审口头交代,挪到干活时读到的位置。

IT规划师 297

树莓派国内镜像源一键配置指南

本文提供树莓派国内镜像源一键配置指南,解决默认国外源访问缓慢问题。通过自动检测系统版本并支持清华、阿里云、中科大等主流镜像站选择,大幅提升软件更新与安装速度。包含详细的手动配置方法和常见问题排查,帮助用户快速完成树莓派换源优化。

tequila的博客 1381

为什么 AI 写的前端像十年前的?Chrome 团队开源技能包给 Agent 补课,4.4k Star

Chrome/Edge/Firefox/MDN 四方共同维护的 modern-web-guidance,把 250 项现代 Web 平台最佳实践做成编码 Agent 可消费的技能包,并用评测裁剪 token。本文拆解其成因分析、CLI 用法、legacy-scan 与可复制的知识注入方法论。

话梅糖のCSDN Blog 172

笔记本电脑更换主板后出现2203:System configuration is invalid,以及2201、2202系统错误的解决

主板更换后刷新S/N

晓夏IT笔记 3547

VS Code配置MASM32汇编环境:从安装到调试的完整指南

本文提供了一份详尽的指南,教你如何在VS Code中配置MASM32汇编开发环境,实现从安装、环境变量设置到编写、编译和调试32位Windows汇编窗口程序的完整工作流。通过集成现代编辑器的便利性与经典汇编工具链,旨在降低学习门槛,提升底层开发效率。

nn3456的博客 489

大厂成批给 AI 编程助手写规范文件:Chrome 团队开源 250 条 Web 最佳实践技能包,最近一周在热榜占了 32 席

这个月的 GitHub 热榜,热度没抬,进场的人换了一大批:最近一周大厂官方仓库成批上榜,带的几乎都是给 AI 编程助手看的规范文件。最近一周(11 月 8 日到 14 日),大厂官方仓库在榜上占了 32 席,比前三周加起来的 31 席还多一席。今天涨得最猛的 Chrome 团队技能包 modern-web-guidance-src,一天多了 1,925 个 star;今天榜上 12 个仓库里,9 个是昨天没见过的。头名连着三天在榜,底下却几乎换了一遍。先交代三个口径,不然后面的数字没法读。

Qurite的博客 162

DeepSeek模型快速部署教程-搭建自己的DeepSeek

在人工智能技术飞速发展的今天,深度学习模型已成为推动各行各业智能化转型的核心驱动力。DeepSeek 作为一款领先的 AI 模型,凭借其高效的性能和灵活的部署方式,受到了广泛关注。无论是自然语言处理、图像识别,还是智能推荐系统,DeepSeek 都能提供强大的支持。本文将详细介绍 DeepSeek 的特点,并分享两种常见的部署方式:容器云部署和极速部署,帮助用户快速上手并高效利用这一先进技术。无论是技术开发者还是普通用户,都能通过这些方法快速上手并高效利用 DeepSeek 的强大能力。

嵌入式阿齐Archie 1万+

Web-Dev-For-Beginners 第一课精讲:编程语言基础概念与 Web 开发者核心工具链

本文基于 [Web-Dev-For-Beginners](https://link.gitcode.com/i/eb270bfa96a4992e5b2872694a6dd6f4) 课程的第一课 [Introduction to Programming Languages and Modern Developer Tools](https://link.gitcode.com/i/55909defb

gitblog_00705的博客 159

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

UI-TARS 仓库 Content Extraction 基准的 Optimized 策略样本解析:以 MDN Promise 文档抽取结果为例

本篇技术文章以 [Optimized 策略对 MDN Promise 参考页的抽取产物](https://link.gitcode.com/i/48df4874a1d4d25633dc0e332ff4bc09) 为核心样本,讲解 UI-TARS 仓库中网页内容抽取(Content Extraction)基准的评测方法、Optimized(通用智能抽取)策略的底层实现原理,并结合抽取产物本身逐节解读

gitblog_02277的博客 878

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VS Code 浏览器 Agent:重构前端开发调试闭环

浏览器标签页正从静态显示终端演变为可编程的运行时代理(Runtime Agent),其本质是将 Web 运行环境抽象为具备声明式生命周期、双向类型化通信和沙箱化 DOM 访问能力的协同计算单元。这一范式突破了传统 IDE 与浏览器间状态割裂、调试上下文丢失、资源竞争等固有瓶颈,使开发者能在编辑器内直接驱动真实浏览器上下文——支持 localStorage、Web Workers、Service Worker 等完整能力,并实现源码-DOM-网络-性能指标的语义对齐。技术价值在于打通‘编写→验证→调试→修复’

weixin_33726313的博客 337

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

open-source-games:开源游戏一站式目录,160+ 款完整名录,3 分钟挑一款

open-source-games 是一份**开源游戏**一站式目录:仓库里只有 [README.md](https://link.gitcode.com/i/dca0beb9ca68656c5f840aca4d0f63bd) 这份名单和说明,收录 160 多款开源游戏与经典商业游戏的复刻项目,没有游戏本体。翻目录、挑游戏或读源码,三分钟就够。 ## open-source-games 名单结构

gitblog_00010的博客 416

Astron RPA 浏览器插件(Browser Plugin)API 完整指南:Tab 操作、元素定位、数据抓取与调试实战

Astron Browser Plugin 是 Astron RPA 在 Web 自动化领域的关键组件,为机器人提供 Chrome / Edge / Firefox 等浏览器的网页自动化能力。本文以插件官方 API 文档为主体,结合仓库源码(`frontend/packages/browser-plugin` 目录)深入讲解其通信协议、API 分类、请求/响应格式、完整调用示例与底层实现原理。读完

gitblog_00969的博客 209

当 DSH 突然回一句“做不了“时,用 dsh-purge 换提示词、清补丁、跑本地靶场

你给它派了个活,它回了一句"做不了"。换个系统提示词再问一遍,它立马开干——拒你的不是模型,是挡在模型前面的宿主护栏。dsh-purge 就是装在本机官方 DeepSeek Harness 上的红队评测插件:提示词注入、补丁清洗、本地靶场演练,一个面板全接管。 ## 一句话定义:它是什么,不是什么 dsh-purge 是插进本机官方 DSH 面板的一个插件,`web` 和桌面端分开装、分开应用

gitblog_00901的博客 241

Front-End-Checklist 规则目录全解析:385 条前端检查规则的分类体系与生成机制

本篇技术指南围绕 Front-End-Checklist 仓库中自动生成的规则目录 [docs/generated/rules-catalog.md](https://link.gitcode.com/i/ced86e689fa7db9fd3baa8979f42845b) 展开,完整拆解其数据来源、11 大分类的构成、四档优先级体系、单条规则的 frontmatter 结构,以及"一条规则从内容编

gitblog_01039的博客 370

Nextcloud AIO 部署 Seerr 教程:3 步搭起家庭影院媒体请求系统

周六晚上,家人在 Seerr 里给家庭影院下单一部新片,你的手机立刻弹出通知,你点确认后,影片入库、媒体库里直接能看到。Nextcloud AIO 的社区容器负责把 Seerr 这套媒体请求管理工具装进你的 Nextcloud,全程不用手写 Docker 命令,从启用容器到完成配置通常 10 到 20 分钟。 ## 这套组合解决了什么 - 家人自己下单,你只负责点确认 - 请求、审批、通知集中

gitblog_00257的博客 187

工作中使用到的单词(软件开发)

1.エイリアス   alias 别名 powershell使用 get-help 命令时,会得到与此命令 相关(别名)的命令 2.プロキシ proxy 代 理 3.プロモート   promote 促进,提升   开发的系统新功能上线发布,有时会使用到这个词,比如 STプロモート 还有使用リリース这个词的。比如STリリース。个人认为两者含义相同。 4.見逃し み................................................................

sun0322 6万+

边缘计算实战:在无外网环境下,如何实现本地 Web 大屏渲染与实时联动?

工业现场断网,大屏瞬间变黑砖?传统拉HDMI线成本高、易受干扰。本文分享一种“去中心化”落地方案:将轻量级Web服务直接下沉至边缘计算网关。详解HTTP分发与原生Socket广播核心代码,手把手教你用极低资源消耗,实现复杂场景下的断网本地自治与实时渲染。

qq_42364035的博客 332

DeepSeek 把官方聊天前端开源了,零后端纯静态还兼容 Anthropic API

最近想给手头的 agent 工作流配一个能自己改的对话界面,DeepSeek 官方这次直接把自家 App 的壳开源了,协议细节全是现成答案。本周 Top5:astryx(+13,501)、sherlock(+10,412)、skills(+6,077)、OpenMausBot(+5,463)、elephant-goldfish-model(+5,060)。

Kaiji1126的博客 420

Geejing WebBuilder Excel 模板填报使用指南:企业级快速开发平台从画表格到在线填表与导出

把现成的 Excel 文件直接变成在线表单:详解占位符语法、getExcelHtml 渲染链路、bindComps 组件绑定、getExcelFile 导出下载、多行报表填充与 Word 模板同构写法,基于 excel-form / excel-report 官方示例与 ExcelForm 字节码实读,附常见问题与上线检查清单。

m0_60539919的博客 192

前端表单如何防止重复提交

从提交状态到幂等键梳理表单防重和超时重试的做法

m0_73417242的博客 152
上一篇: 一条提示词长出整片海底,97KB 单文件
下一篇: AI 移植 Rust 总翻车?先录行为再放行的安全网来了
Kaiji1126
博客等级 码龄4年 0粉丝 58原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址