跳至主要內容
Dify 开源体验

Feature contribution

随着部门深入使用 dify，逐渐遇到了一些卡点问题，因此我也顺便看了下 Dify 社区的贡献指南，想着给社区提供一些我们这边的思路。

目前来说是做了两个 feature：

  • 支持复制节点到迭代、循环节点内部
  • 工作流发布为工具支持结构化数据输出

这两个 feature 都能显著提升平台使用体验。

第一个 feature 在开发工作流的过程中，一般我们是先搭直线的流程，再通过迭代节点等来进行流程的优化，此时如果要将许多节点一次性复制到迭代节点内部，就会特别方便，在以往只能重新再迭代节点内部再重搭一次流程。这个 feature 已经被合并到主分支且在 1.9.0 正式上线了。

CrabSAMA2025/10/30大约 9 分钟项目总结AI开源Dify
开源初体验

在参加完 Vue Conf 25 后，跟大佬们一通交流，当时又燃起了参加开源的想法，加上得到了和一位社区同学 Little Sound 的交流，了解到了开源对于普通开发者来说也不是那么的遥不可及，我就在想，要不我也开始试试吧？

正好当天最后一个主题是我偶像 antfu 大佬的 vitejs/devtools 分享，大佬在演讲完成后当场将库开源，我也是急匆匆地点上了 star，在后面的一个开发工作中，我遇到了一些 vite 打包的性能优化问题，我就想起来这个 devtools，想看看能不能帮上忙，结果发现其实这个项目还在 WIP，这下是真的一个好机会了，我也就在这里面找到了一些 TODO，开始尝试做贡献。我找到的这个 TODO 是给 devtool 中的 plugin 视图加上 flamegraph，即火焰图。

CrabSAMA2025/8/21大约 7 分钟日志随笔Vue Conf开源
Python 项目依赖管理结构发展

python 项目依赖管理结构发展：

  • pip 安装依赖，但安装在全局，容易出现依赖版本冲突的问题

  • venv 为每个项目搭建一套自己的虚拟环境，使得 pip 能安装到每个项目中，但是使用前需要先激活虚拟环境

  • 依赖列表使用 pip freeze > requirements.txt 生成，但默认会将所有相关依赖都列出来，删除一个依赖就只会删除一个依赖，不会将其相关的依赖也删除，其他的就变成了孤儿依赖

  • 引入 pyproject.toml 来管理依赖，将依赖放置在 dependencies 中，使用 pip install -e . 来安装依赖，就会自动处理好所有的间接依赖了

  • 手动去编辑 pyproject.toml 太麻烦了，就催生了 uv poetry 这样的项目管理工具，本质上是对 pip venv 等的高级封装（但我看到 uv 是新的实现，完全使用了 rust 重写），提供了用户友好的高级接口方便地进行操作

CrabSAMA2025/8/12大约 1 分钟学习笔记Python
GPT5 发布会总结

GPT5 deepresearch canvas 功能内置，无需手动开启，模型会自己去推理现在应该使用什么工具

支持混合思考模式，简单的问题直接输出，复杂的问题会自动开启深度思考

更新了语音交互与视频交互功能，但是估计在国内用不太起来，语音功能已经支持让说话变得更快和更慢，挺厉害的

增强了记忆功能

几处都提到了显著降低了幻觉，同时减低了欺骗性，欺骗性指的是大模型有些时候会谎报自己的工作结果，或者说是为自己错误的行为做找补。

GPT 5 使用了 4o-3 来强化学习，使用了上一代模型生成的内容，来作为下一代模型的训练材料

CrabSAMA2025/8/12大约 1 分钟学习笔记AI
React Props 变更导致额外 re-render

React 中真的处处都是坑（重点）

最初是发现 props 变更时会导致许多不应该发生的 re-render

function App() {
  return (
    <div>
      <Chat class="p-4" messages={messages}></Chat>
      <Button
        type="primary"
        onClick={() => {
          setMessages([
            ...messages,
            {
              id: `${Date.now()}`,
              content: '测试消息',
              role: 'user',
              loading: false,
            },
          ])
        }}
      >
        test add
      </Button>
    </div>
  )
}

const Chat: React.FC<ChatProps> = ({
  difyAPIUrl,
  difyAPIKey,
  messages,
}: ChatProps) => {
  const memoMessages = React.useMemo(() => messages, [messages])

  return (
    <>
      <XProvider theme={theme}>
        <DifyContext value={{ difyAPIUrl, difyAPIKey }}>
          <ChatList messages={memoMessages}></ChatList>
        </DifyContext>
      </XProvider>
    </>
  )
}

function ChatList({ messages }: ChatListProps) {
  const rolesAsObject: GetProp<typeof Bubble.List, 'roles'> = {
    assistant: {
      placement: 'start',
      avatar: { icon: <UserOutlined />, style: { background: '#fde3cf' } },
      typing: { step: 5, interval: 20 },
      styles: {
        content: {
          backgroundColor: 'white',
        },
      },
      variant: 'shadow',
      shape: 'corner',
      messageRender: renderMarkdown,
      classNames: {
        header: 'w-full',
      },
    },
    user: {
      placement: 'end',
      // avatar: { icon: <UserOutlined />, style: { background: '#87d068' } },
      shape: 'corner',
    },
  }

  const renderMessages = useMemo(() => {
    return messages.map((item) => ({
      key: item.id,
      role: item.role,
      content: item.content,
      header: renderWorkflow(item.workflowProcess),
      loading: item.loading ?? false,
    }))
  }, [messages])

  return (
    <>
      <Bubble.List
        items={renderMessages}
        roles={rolesAsObject}
        className="h-full"
      ></Bubble.List>
    </>
  )
}
CrabSAMA2025/8/12大约 2 分钟学习笔记React踩坑
大模型RAG架构

传统 RAG

RAG 架构本质上是一种压缩，为了解决大模型上下文有限做出的一种方法，将文章和文本进行切段、做筛选、建索引、召回，以达到将上下文给到上下文有限的大模型的目的。

一个简单的问题，我们可以直接作为 prompt 交给到大模型，但毕竟大模型的上下文空间是有限的，即便是现在最新的 GPT5，上下文达到了 400k，即 40w 这么大了，还是有可能不够用，我们自然会想到，那我们将这么大的文章中一部分相关的内容给到大模型，结合问题就能得出想要的结果，这就是向量化的思路。

embedding 就是做这个事情的，它将一段话转换成多维数组坐标系，相似的文本在坐标系中的落点就会相接近，因此可以通过这种方式来找到相似的内容，就能实现在庞大文本中找出相似内容的目标。平时我们接触的数学中的二维坐标系、三维坐标系，自然是比较简单，但很容易就会将维度中的落点空间用完，所以先进的 embedding 模型转换成的是 3000 多维，甚至更多，来解决空间不够的问题。

CrabSAMA2025/8/12大约 8 分钟学习笔记AIRAG
Crab Love Welcome~
Copyright © 2025 CrabSAMA