写在前面 这是一份面向个人开发者的实战教程。我们将从零开始，使用现代技术栈（Next.js 15 + FastAPI + DeepSeek-Flash），完整构建一款专为技术研报与深度工程设计的专业级 AI 搜索引擎——XHL AI Search。 本教程重点介绍掌握以下两套核心技能： 让 AI 写出顶级前端的 Vibe Coding 最佳实践：掌握 Google Stitch 视觉锚定、/imp

大家好，我是不会喷火的小火龙。 过去大半年，“Vibe Coding”成了技术圈讨论最多的词。 几句自然语言 Prompt，十分钟就能让 AI 搓出一个界面漂亮、能跑能点的原型。那种即时出成果的快感，确实让人很难再适应纯手写代码的节奏。 但如果试着用这套方式，从零打磨一个跨多个业务模块、需要长期维护的真实项目，大概率很快就会遇到现实瓶颈： 代码行数超过两三千行，上下文窗口变大之后，AI 开始自相矛

大家好，我是不会喷火的小火龙。 过去几个月，我用 Claude Code 和 Cursor 搓过不少独立项目。在这个过程中，我最常体会到的一种感受就是容易精力分散。 一个人用 AI 搞开发，往往需要同时兼顾很多环节： 刚开始要想产品定义，琢磨这个功能到底有没有人用；接着得转到系统架构，权衡技术选型和模块边界；随后又要在终端里盯着 AI 吐出的改动；最后还得在浏览器里一遍遍手动点击排查。 面对一个空

大家好，我是不会喷火的小火龙。 本文以鱼皮哥的教程项目 （全网热点监控系统）为实战场景进行二开，带大家把 TypeSafe 刚发布的 System One 模型 Jev 接入生产环境。不只讲概念，有代码、有踩坑、有真实跑出来的数据。 完成本节你会学到： 1) Jev 是什么，为什么它不生成任何自然语言文本却能跑赢 LLM 两个数量级； 2) 官方三大决策原语 Choice / Noul / Sco

大家好，我是不会喷火的小火龙。 刚开始深入看开源项目的时候，我经历过两个极端。 一个是纯靠肉眼硬看。连着翻了三天，几万行代码从头看到尾，自以为搞懂了，合上电脑脑子里依然是一团浆糊。 另一个是把精力全花在画图的排版上。打开 Draw.io，花了一整个下午在画布上拖方块、微调对齐像素、挑选各种莫兰迪配色，画出一张五颜六色的庞大架构图。结果第二天回头看，自己都找不到核心的调用链路在哪里。 后来我才明白，

大家好，我是不会喷火的小火龙。 最近在自研知识库和 Agent 的过程中，我遇到了一个让我抓狂的问题：同样的 PDF 文档，同样的大模型，为什么用传统方式抽取后做 RAG 问答，大模型的回答经常是一本正经的胡说八道？ 我反反复复换了好几个向量库，调了无数 Prompt，甚至升级了更贵的大模型。最后才发现，问题根本不在模型和检索算法上，而在最不起眼的第一步：文档解析。 如图 1 所示，这就是绝大多数

大家好，我是不会喷火的小火龙。 很多团队自研 Coding Agent，第一步就是去搭向量数据库——Chroma、Qdrant、Weaviate 随便选一个，跑 Embedding，切片，建索引。看起来很"AI"，很高大上。 但你有没有想过：Claude Code，目前公认最强的 AI 编程工具之一，它的代码检索底层，其实就是一个 50 年前的命令行工具——？ 如图 1 所示，这就是很多团队盲目上

大家好，我是不会喷火的小火龙。 今天聊一个让我笑出声，但笑完立刻打开项目开始配置的 GitHub 项目。 一、你的钱包，正在被 AI 的"客套礼貌"掏空 用 Claude Code 或 Cursor 写代码的同学，对下面这种场景一定不陌生： 你："帮我看下这个 React 组件为什么重复渲染。" AI："好的！非常理解您的需求！为了帮您深入排查这个 React 组件的重复渲染问题，我将首先详细分析

大家好，我是不会喷火的小火龙。 最近半年，我的私信和评论区被同一类问题淹没了： "小火龙，我用 Cursor 10 分钟做了个 App，本地跑着没问题，一部署就各种报错，改了一下午越改越烂……" "AI 帮我写了个后台管理系统的 Demo，看着挺好的，我加了两个需求之后整个项目就崩了，连回退都回退不动。" 这些问题指向同一个根源。今天我把这件事说透。 一、喝着咖啡看 AI 刷屏很爽，直到我第一次尝