我拆了 OpenCode 的源码，发现 AI 编程的秘密根本不在模型上
很多人第一次用 OpenCode，都会觉得：这不就是个"帮你写代码的 AI"吗？一句话丢进去，它自己读项目、改文件、跑命令、看报错，改完还能接着修。但你有没有好奇过：它到底是怎么做到的？
OpenCode升级后配置全没了：五分钟找回
有一种恐慌，每个开发者都懂。你打开终端，期待一个熟悉顺手的流程，结果撞上一个把底层运作方式整个重塑的大版本。几周前我就是这样，碰上它第二版的发布。
OpenWiki火到16.5K Star，但我劝你先别急着用
最近OpenWiki在技术圈讨论度挺高。LangChain在2026年7月开源的，开源5天Star冲到9970（数据来源：腾讯云开发者社区），到现在已经超过16500 Star了。好几个朋友问我这玩意儿到底值不值得用。我本来没太当回事，文档生成工具市面上不少，能有多大差别？
一套 LLM Wiki 方案，把企业文档变成 AI 可读知识资产
很多企业投入大量精力搭建知识库，最后却变成 “文档坟墓”：资料散在 SharePoint、Git、Jira 里，员工找不到，AI 也读不懂，知识没法复用。
OpenCode从入门到好用：基础用法+5个必装插件
之前写过几个 OpenCode 的插件，后台收藏比点赞多不少，评论里也有人问：插件到底往哪装？刚装好的 OpenCode 该怎么用？干脆整理成一篇。
AI知识库如何从RAG走向LLM Wiki 一文看懂企业知识库的4个演进阶段
2023 年，几乎所有做 AI 应用的团队都在做同一件事——RAG。向量库、Embedding、切块、召回，成了「给大模型接知识」的标配动作。可到了2026年，你会发现一个耐人寻味的现象：包括 Anthropic、Google 这样的 AI 头部玩家，都在悄悄换一种做法。
LLM Wiki 的工程实践，从 AI Coding、Obsidian 到 RAG 协同。
上篇（深度解读｜从 LLM Wiki 到 Google OKF，如何重建企业 Agent 的可靠知识底座）介绍了 LLM Wiki 与 Google OKF 的方法与概念：LLM Wiki 是一种借助 LLM 持续维护有效知识的方法；OKF 则是让这套知识能够在不同工具之间交换的
给你一套超实用的知识库搭建方法，真正让你事半功倍
把我这个文章链接直接丢给WorkBuddy/Codex等附加一句话「请根据这篇文章的方法帮我搭建个人知识库」你有没有发现一个很奇怪的现象？现在用 AI 的人越来越多，收藏的干货越来越多，下载的资料越来越多，可真正能拿来解决问题的东西，却没增加多少。
我把 OpenCode 拆开看了一遍，AI 写代码厉害的根本不是模型
“帮我把这个项目里的登录 bug 修了。”在 OpenCode 里敲完这句话，你就可以去泡杯茶了。等你回来，代码改完了，测试也跑过了。它没有像普通 AI 那样，吐一段代码给你就完事。它先翻项目目录，搜相关代码，读文件，理清调用关系，动手改，跑测试，看到报错又折回来接着改。