在大型复杂的项目里，想找个代码函数被谁调了、哪些模块有关联，查起来很费劲。 Code-Graph-RAG 把函数、类、模块和它们之间的关系建成知识图谱，存进图数据库。 在建好图谱之后，还能使用自然语言进行查询和编辑代码。 支持 Python、TypeScript、Rust、Go、Java、C/C++ 等十几种语言，混合语言的项目也能放在同一张图里。 GitHub： 除了问答，还能做死代码检测、按结构模式搜索替换、代码优化建议，改代码前会先显示改动预览。 也支持作为 MCP 服务器运行，Claude Code 、Codex 这类 Agent 工具能直接连上来查询。 经常在大型代码库里找关系、理结构的开发者，这个工具能省不少翻代码的时间。

📚 微软官方把一套 MCP 入门课免费开源了，想给 AI 接工具、搞 Agent 开发的，终于有一套能从头跟到尾的系统课。 GitHub 上已经冲到 1.6 万+ Star，微软官方维护，还带 50 多种语言翻译，简中版直接看，不用啃英文。 以前想学 MCP，要么硬啃官方协议文档，要么东拼西凑看博客，学完还是不知道怎么动手。这套课从概念、建立连接一路排到安全和部署，C#、Java、Python、TypeScript# 等六种语言的示例代码跟着敲，学完就能自己搭一个能跑的 MCP 服务。 Agent 开发绕不开 MCP，这套课是最省时间的入口。 GitHub：

🌳 又挖到一个能让 AI 真看懂整个代码库的开源项目 Code-Graph-RAG，整个仓库被解析成一张知识图谱，拿人话问就能查。 GitHub 上 5100 多 star、691 个 fork，397 个 issue 开着，版本几天一发，9 月 29 号刚到 v0.1.38。 在大点的 monorepo 里跟 AI 协作，最常见的翻车是这一句：改这个函数会影响到谁？它去 grep 一圈，把同名的、注释里的、测试里的混在一起端上来，漏掉的那个真正的调用方恰好在另一个包。原因很简单，代码的结构是图，文本搜索看不见边。 Code-Graph-RAG 先用 tree-sitter 把代码解析一遍，有编译器级前端就再上一层，C/C++ 用 libclang、Go 用 go/types，Java、C#、Python# 还能可选挂上 javac、Roslyn 和 Jedi；函数、类、方法、模块和它们之间的关系被存进 Memgraph，成了一张语言无关的图。你问一句话，它翻成 Cypher 去图上走，谁调用了它就是一次遍历，而不是一次猜。顺着图下来的能力也都实在：找死代码、基于 AST 改代码并先给你看 diff、用 ast-grep 做结构化搜索和重写，cgr trace 还能把运行时的调用链并进这张图。 它能当 MCP 服务器跑，Claude Code 这类客户端可以直接连上来查和改。完全支持的语言有十三种，Python、TypeScript、Rust、Go、Java、C、C++、C#、PHP、Lua、Dart# 都在里面。 让 AI 看代码的方式，从翻书变成了查地图。 GitHub：

🏗️ 想让 Claude 直接读你电脑里的文件、翻 Git 记录、还能记住上次聊过什么，MCP servers 这个仓库把这些能力做成了现成的官方参考实现。 GitHub 上 9 万 star，由 Anthropic 管理、和社区一起建，光 fork 就有 1.17 万个。 以前想让模型碰一下本地环境，基本都得自己糊一层胶水：包个脚本、定义参数、处理错误，换一个客户端再从头来一遍。MCP servers 把最常用的那几件事替你写好了——读写文件、跑 Git、抓网页、存记忆、按步骤推理、查时间，模型接上就能用，你不用再自己造接口。 有一点得说清楚：这几个是用来演示协议和 SDK 怎么用的教学示例，仓库自己写明了并非生产就绪的方案。真要上线，去 MCP Registry 翻已经发布出来的那一大堆；早期的 GitHub、GitLab、Google Drive、PostgreSQL、Slack 这些参考实现已经搬进 servers-archived 归档了，Brave Search 换成了官方的 @brave/brave-search-mcp-server，Slack 现在由 Zencoder 维护。 SDK 那边 C#、Go、Java、Kotlin、PHP、Python、Ruby、Rust、Swift# 和 TypeScript 都有，想用哪门语言写自己的 server 都不必从零开始。 软件以前是给人用的，现在是给 Agent 用的。 GitHub：

你有没有想过： Python、C、Java、JavaScript……这些不一样的编程语言，最后在计算机里，是如何变成同一串 0 和 1 的？ 先从最底层说起。 计算机底层，只有比特流（0 和 1）。 任何文字、代码、图片、视频，最终都要变成数字，再变成二进制。 中间靠的是编码表。 最早是 ASCII，后来是 Unicode（UTF-8）。 每一个字符对应一个数字，数字再转成二进制。 所以源代码本质上就是「文本」。 不同的编程语言，其实就是「不同规则的文本」。 C 有 C 的语法，Python 有 Python 的语法。 计算机本身并不认识这些语法，它只认识 0 和 1。 真正负责「翻译」的，是编译器、解释器、汇编器、链接器这些工具。 以 C 语言为例，完整路径是： 源代码 → 预处理器（处理宏、头文件） → 编译器（变成汇编） → 汇编器（变成可重定位目标文件） → 链接器（变成可执行文件） 最终生成的，就是机器能直接执行的二进制指令。 Python 这种解释型语言路径不同： 源代码 → 解释器（边读边执行，或者先转成字节码再执行） Java 走中间路线：先编译成字节码，再由虚拟机（JVM）解释或即时编译成机器码。 殊途同归，最后都是比特流。 那计算机是怎么「识别」这是哪种语言的？ 其实 CPU 根本不认识语言。 识别靠的是上层工具： • 文件后缀名（.c / .py / .js） • 文件开头的 shebang（#!/usr/bin/env python） • 编辑器 / IDE / 编译器自己解析语法 操作系统只负责把文件交给对应的程序去处理。 为什么要搞这么多语言？ 因为需求不同： • C / C++ / Rust：追求极致性能和底层控制 • Python：追求开发效率和生态（AI、数据） • JavaScript：天生为浏览器而生 • Go：为云原生和并发设计 • Java：为企业级稳定性和跨平台而生 没有「最好」的语言，只有「最合适」的场景。 一句话总结： 编程语言是人类为了方便自己而发明的「高级方言」。 编译器 / 解释器是翻译官。 计算机底层永远只说一种语言——0 和 1。 所有高级语言的最终归宿，都是同一条比特流。

我说句公道话。 中国之所以没有被php危机严重影响，很大程度上是因为20年前廖雪峰和阿里就在中国市场推广了Java，从大学到培训班几乎清一色学习Java，用Java，到魔改jvm和java生态，到后来才用上了go和python。 经历了这次全球php大风波之后，中国人集体欠廖雪峰一句感谢。

全网程序员都该把原本那些乱七八糟的环境切换工具给删了。 平时写代码最烦什么？要搞 Node.js 装个 nvm，Python 装个 pyenv，换环境变量装个 direnv，跑脚本还得写 Makefile... 机器里塞一堆 Shim 代理层，卡不说，换个项目配置就直接打架。 GitHub 上这个叫 mise 的瑞士军刀级项目，直接把这些功能全干到一个工具里了。 💥 核心卖点： 多语言版本通吃：Node, Python, Go, Rust, Java 等上百种工具一键安装切换。 性能爽爆：Rust 全面重构，无垫片（No-shim）架构，环境变量切换快到毫秒级。 项目级隔离：切到哪个文件夹，自动加载对应的版本和 .env 环境变量。 自带任务运行器：直接替代 Make/npm scripts，多任务并行构建极其丝滑。 一个配置文件搞定：全组统一写个 mise.toml，新人拉下代码直接开干。 白嫖党和效率狂喜，100% 开源（MIT 协议），GitHub 已经狂揽 3.1 万+ Stars。 🔗 传送门： GitHub: 官网:

♟️ 香疯了，DSA Handbook for Coding Interviews 把面试前那几天该看的东西全理成了一本。 它覆盖 21 个主题，从数组、字符串、链表一路到动态规划、回溯、位运算和数学，题型配了 Python、Java、C++ 三种语言的实现，贡献指南和风格规范也都写在仓库里。 临面试前最慌的不是不会写，是手里的东西太碎：模式记不清，复杂度要重新推，边界情况一紧张就漏。DSA Handbook for Coding Interviews 每个主题都按同一套骨架展开——先讲怎么认出这是哪类题，再给核心概念、时空复杂度、伪代码、多语言实现，后面接边界情况、常见错误、按难度分的练习题，最后还补一段面试技巧。 双指针、滑动窗口、二分查找的各种变体、DFS 与 BFS 策略、拓扑排序、单调栈和单调队列这些套路都单独拎出来讲清楚了，外部参考也标了出处，NeetCode 路线图、Blind 75、Grind 75、Top Interview 150 和 CLRS 都在里面。 刷题刷到后面拼的就是模式识别，这本正好补这块。 GitHub：

📒 撞见一套开源工程手册 engineering-handbook，系统设计和算法两门硬课一次给全。 它的分量是这么写的：系统设计册 159 个章节分 12 个部分，外加 22 页专讲权衡的页面，约 773,000 字、719 张 Mermaid 图、三千一百多条引用；算法册 120 个章节，155 道 LeetCode 题配了 Python、Java、C++、Go 四种语言的代码。 准备系统设计面试的人大概都这么干过：收藏夹里塞满博客和视频，看完一圈还是答不上来「这里为什么选这个组件」。engineering-handbook 把路径摊平了——第 8 部分是 56 个端到端的设计案例，短链、聊天、支付一路到 AI 系统；第 9 部分专门讲 AI 与机器学习系统，LLM 服务、RAG、向量搜索、多 agent 编排一共 15 章。算法册那边还有 37 页模式决策页和 46 个交互式组件的规格说明。 内容就放在仓库的 content 目录下，Markdown 写的，仓库挂了 CI 做质量检查，每章前面都标着创建和更新日期。两本手册各有一个在线阅读的站点，算法册那个目前还标着公开测试版。 许可是 CC BY-SA 4.0，这种体量白送出来，收藏夹总算能清一清了。 GitHub：