isos/tech
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
1e0c83f268cf99213636aa063d90c9605c626acf
tech/知识/金鹏.md
T

123 KiB
Raw Blame History

文章分享 金鹏

  • 新思开源
  • 文章分享
  • 图片格式
    • 列表
      • 395 x 226
      • 790 x 452
    • 内页
      • 471 x 269
      • 942 x 538
    • 180 x 138
    • 360 x 276
    • 540 x 414

2026-04-17

  • 基于 ERNIE Image 一键生成图像
    • -
    • 网新新思
    • 让创意在星河中闪光
    • ERNIE-Image
    • 张雪峰：被蒸馏的人
      • AI蒸馏得出他的话术，但蒸馏不出他说那些话时，心里的那股热乎气。
      • 技术本身就是一种政治现象，而沉默是其独特的表达方式。
      • 工具用久了，人会不会也变成工具？
    • 同事.skill
    • AI 爱马仕 Hermes Agent 官网 GitHub
      • 自我进化
      • 智能复利
      • 内置自我学习循环机制
      • Skills由智能体自主生成、自主优化。
      • 四层记忆架构 + 双文件核心 + 多后端扩展 的记忆系统。
      • 长期使用，深度个性化。
      • OpenClaw 的网关优势与丰富生态，与 Hermes Agent 的自进化能力及深度记忆特性相结合，可实现“1+1>2”的协同效应。
      • 由 OpenClaw 负责多渠道调度与插件调用，Hermes Agent 负责核心推理与能力进化，共同构建更高效、更智能的AI智能体系统。
      • 快速落地自动化任务可选择 OpenClaw，长期优化智能体能力可采用 Hermes Agent，甚至可实现两者协同部署，解锁AI智能体的更多应用可能性。
      • OpenClaw → 执行位，负责具体操作。
      • Hermes Agent → 指挥位，负责记忆和调度。
    • 腾讯：人工智能正式进入 Harness 时代
      • 2026年春天，AI行业出现了一个值得关注的变化：大家不再只聊模型了。
      • AI落地不只是算法题，更是一道工程题。
      • 第一个发现：模型能力的天花板，不在模型里面，而在模型外面。
      • 第二个发现：约束不是对智能的压制，而是对智能的引导。
      • 第三个发现：Harness让大模型更安全。
      • 第四个发现：AI无法可靠地评价自己。
      • Prompt Engineering 是给驾驶员一张地图。
      • Context Engineering是给驾驶员一套导航系统。
      • Harness Engineering 是给驾驶员造一辆完整的车，带仪表盘、反馈系统、安全约束和自动巡航。
      • 驾驶员的觉醒：AI越强大，对人的要求越高。
      • 真正决定最终产出质量的，始终是坐在驾驶座上的人。
      • 驾驶员需要有在人类智慧和机器智能之间搭建桥梁的品味。
      • 一方面，F1赛车手这些顶尖驾驶者的技能价值从未如此之高；另一方面，自动驾驶正在让普通人的出行变得前所未有的安全和便利。这两个趋势不矛盾，它们是同一枚硬币的两面。
      • 在上层，顶尖的驾驶员，那些真正理解发动机、善于设计线束的人，将产出最优秀的作品。他们的竞争壁垒不是执行力，而是品味、判断力和创造性。
      • 在下层，大多数人不需要成为高阶驾驶者，也能享受AI带来的能力提升。
      • 当模型自己长出手脚。
      • 驾驶员的角色将从“操作者”升级为“委托人”，不再告诉AI怎么跑，而是告诉它要去哪里，然后它自己找路。
      • 关于方向、意义和价值的问题，永远是人的责任。
      • AI的价值不在于它有多强大，而在于我们能在多大程度上驾驭这种力量，让它服务于真实的场景、真实的人、真实的需求。
    • 阿里：Prompt、Context、Harness 设计哲学与实践
      • 如何说、让AI看什么、构建怎样的运行环境
      • 共同致力于提升大模型在复杂任务中的可靠性与可控性‌
      • Prompt Engineering：动态组装与文件驱动
        • System Prompt的结构化动态组装
        • Markdown驱动的文件注入机制
        • “质量大于数量”的极简主义
      • Context Engineering：扩展、压缩和记忆
        • 可扩展的Skills机制
        • 上下文压缩与修剪
        • Memory的双层管理
      • Harness Engineering：约束与引导控制
        • Harness和Workflow有什么异同
          • Harness 为大模型提供一个包含工具集、状态记忆和反思在内的一种系统机制，在这个机制内，Agent拥有自主规划（Planning）和循环迭代（Looping）的权利，它可以自己决定调用哪些工具，如果结果不满意可以自我反思并重新尝试，或者根据上下文动态路由或调整。
        • OpenClaw中的 Harness 实践
          • 全生命周期的Hook钩子机制
          • 安全沙箱护栏机制
          • 强约束执行与人工干预
    • 阿里：复杂度应该沉到哪里
      • 入口与启动链路：别急着拉起全世界
      • REPL / UI Orchestration：UI 不是传话筒
      • Query Loop / QueryEngine：把单轮对话升级成状态机
      • Tool Runtime：把野生工具变成系统调用
      • Permission System：不是弹个框就完事了
      • Task / 多 Agent / 后台执行：多 Agent 的核心不是 prompt 分工
      • MCP / Skills / Plugins 扩展层：外部可以热闹，内部必须收敛
      • 总结与总架构：把复杂度放在对的位置上
        • 会话边界问题交给 启动层
        • 人机协作问题交给 REPL 控制面
        • 连续运行问题交给 Query Loop
        • 行动协议问题交给 Tool Runtime
        • 风险治理问题交给 Permission System
        • 长时执行和并发问题交给 Task Runtime
        • 平台增长问题交给 扩展层
      • 我们最后该带走什么
        • 先定义执行边界，再发起第一轮推理。
        • 当 Agent 进入连续运行阶段，query loop 就必须升级成 runtime。
        • 工具一旦开始碰副作用，工具层就必须制度化。
        • 权限系统的核心不是确认框，而是可解释的执行链。
        • 多 Agent 的前提不是 prompt 分工，而是统一任务抽象。
      • 真正成熟的 Agent 系统，不是“模型更会做事”，而是“组织能把模型做事这件事，稳定地接进交付链路里”
      • 当模型开始真的做事，系统准备在哪里把这些复杂度接住。
    • 工具：Markdown-LaTeX
      • Markdown All in One
      • Markdown Preview Enhanced
      • Marp
      • LaTeX Workshop

2026-04-10

  • Claude Code Source Snapshot
    • -
    • 网新新思
    • Claw Hero
    • 哈耶克大战凯恩斯
      • 哈耶克的秩序理论与人工智能
      • 自发秩序
      • 复杂科学不可理性设计
      • 语言、道德、法律、经济、政治制度等复杂系统或复杂科学，绝不可能像自然科学那样，通过简单的数学模型进行精确预测，更不能凭借人类的有限理性进行肆意设计。我们必须尊重这些自发秩序的演化规律，避免过度干预带来的不良后果。
    • Claude Code 源码概述
    • Claude Code 从入门到精通 pdf
      • Claude Code解决的是产品构建效率：怎么更快地从一个想法变成一个能跑的东西。
    • Open Claw 从入门到精通 pdf
    • Claw Code ⭐ 179k Star - Claw Code is the public Rust implementation of the claw CLI agent harness.
    • Claude Code 工程实践
      • 全局架构：分层调度，不是多 Agent 对等协作
      • Agentic Loop：单线程循环跑完绝大多数任务
      • Coordinator-Worker：需要时才启用的多 Agent 编排
      • 三层记忆系统：短期压缩、中期萃取、长期整合
      • Agent 列表从内联改为 Attachment：省了 10.2% 的 Cache Token
      • Cron 调度的 Jitter 设计：避开整点
      • NO_TOOLS_PREAMBLE：防止模型在不该调工具的时候调工具
      • Feature Flags 的编译时消除
      • 工程视角：从 Prompt Engineering 到 Harness Engineering
    • Claude Code 设计亮点与启示
      • 一、CC整体架构全景：工业级多智能体 IDE 的底层骨架
        • 启动与基础层
        • 核心引擎层
        • 业务服务层
        • 交互UI层
        • 生态扩展层
      • 二、CC核心设计亮点：AI 原生 IDE 的极致工程化
        • 亮点 1：「协调者 - 工作者」多智能体原生架构（Coordinator 核心）
        • 亮点 2：工程化上下文管理：自主感知 + 分层压缩 + 持久化
        • 亮点 3：标准化工具 + 技能系统：智能体能力的可管控、可扩展
        • 亮点 4：全生命周期任务管理：无人值守的研发闭环
        • 亮点 5：Bridge 模块：CLI↔IDE 无缝桥接，定义 AI 工具生态标准
        • 亮点 6：原生安全与权限设计：前置拦截，企业级合规
        • 亮点 7：中心化全局状态管理：多模块状态一致性
        • 亮点 8：轻量化服务化部署：无头模式 + 远程调用
      • 三、CC 对多智能体AI 原生 IDE 的核心设计启示
        • 启示 1：架构必须采用「协调者 - 工作者」分层模型，拒绝单体智能体
        • 启示 2：上下文管理必须工程化，拒绝手动配置
        • 启示 3：智能体能力必须标准化、可管控、可扩展
        • 启示 4：任务管理必须全生命周期闭环，实现无人值守研发
        • 启示 5：生态必须原生打通，CLI/IDE/ 远程多端一体化
        • 启示 6：安全与权限必须原生嵌入，而非外挂功能
        • 启示 7：交互必须透明可控，拒绝 AI 黑盒
    • Prompt 开源 分享的不是怎么写代码，而是怎么想清楚一件事
    • 使用 tunasync 搭建开源镜像站 tunasync weyo 开源镜像站 清华大学开源软件镜像站 服务器监控
    • 阿里：Tablestore + Mem0
    • 阿里：Memory架构与思考
      • Memory 不是"存储"，而是可被决策利用的外部状态（external state）
      • Memory 的最小闭包不是"文档块"，而是 (Ledger, Views, Policy) 三件套
      • Memory 的基本单位应当是 event 序列，但"直接用 event 流"不等于可用系统
    • DESIGN.md
    • -

2026-03-27

2026-03-20

2026-03-13

2026-03-06

2026-02-27

2026-02-13

  • 从代码到工程
    • -
    • 智谱开放平台
    • 迈向 Agentic Engineering 时代
    • 李国杰：人工智能的边界在哪里？
      • “智能”只是人类多种才能之一
        • 德智体美劳
      • “智能”不是“意识”，更不是“灵魂”
      • 智能的本质究竟是什么？
        • 维纳的控制论 --> Friston的自由能原理 --> LeCun的世界模型 --> 现代AGI架构
        • 智能是主体在不确定环境中，通过感知、学习和推理构建可用于预测与决策的内部模型，以实现目标导向的适应环境与意义生成的能力。
        • 智能系统本质上就是一个“建模引擎”。
        • 智能可以分为“功能性智能”和“主体性智能”。
        • AI在工程层面实现了意义建构的功能模拟。
      • 智能的边界就是计算的边界吗？
        • 丘奇−图灵论题(Church−Turing Thesis)
          1. 所有计算装置都与图灵机等价
          2. 人按照算法执行的计算和图灵机等价
          3. 人的智能和图灵机的能力等价
          • 通俗的表述就是：不存在比图灵机更强的计算装置。
        • 著名逻辑学家哥德尔(Kurt Gödel)认可前2种表述，但不同意第3种表述。哥德尔认为可能存在不可机械计算的心理过程。
        • 将智能等同于图灵机，可能忽略了智能的现象学维度。
        • 哥德尔的哲学质疑提醒我们：计算可能只是智能的“外壳”，而非其“本质”。
      • 从“人类为什么要发展人工智能”来反推智能的本质
        • 人类追求AI，并非为了验证智能的定义，而是为了放大人的能力。
        • 从这个角度来看，智能的“本质”不在于自然哲学，而在于社会功能。
        • 换句话说，人类希望发展的AI不只是模仿人脑的AI，而是扩展人类文明功能的AI。
        • 智能是系统在有限资源条件下，通过持续降低未来不确定性来实现目标的能力。
      • 坚持“以人为本”的人工智能发展路线
        • 人类因为创造了人工智能而伟大，因为知道人工智能的局限而成熟。
    • GLM-5最具破坏力的玩法来了！结合CC新出的Agent Teams，解锁Vibe coding终极形态！
    • Claude Code 会话团队
    • nanobot: Ultra-Lightweight Personal AI Assistant
    • EverMemOS
    • 为 GitHub Copilot 构建智能体记忆系统
    • Voxtral Realtime 4B Pure C Implementation
    • tmux
    • -
    • -
    • -
    • -
    • -
    • -
    • -
    • -
    • -
    • -
    • -

2026-02-06

2026-01-30

智能体时代“人的再中心化”：核心内涵与落地逻辑
 
结合当下AI与智能体的发展特征，人的再中心化本质是打破“AI替代人、技术主导人”的异化趋势，让人类重新成为智能体生态的核心主导者、价值定义者与意义创造者，而非被算法规训、被智能体替代的功能性劳动力；并非简单的“人对抗AI”，而是建立“人驾驭智能体、智能体服务于人”的新秩序，让AI/智能体成为人类延伸能力、实现价值的工具，而非重构社会规则的主导者，最终回归“技术为人服务”的本质。
 
这一核心目标，需围绕价值维度、能力维度、规则维度、生态维度落地，适配当前大模型、具身智能、多智能体协同的发展阶段，具体说明如下：
 
1. 价值维度：从“技术效率至上”回归“人的需求与意义为本”
 
智能体的研发、应用与落地，不再以“替代人类劳动、提升商业效率”为单一目标，而是以满足人的多元需求、实现人的全面发展为核心导向。
 
- 摒弃“用AI/智能体消灭人工”的功利化逻辑，转而让智能体承接人类不愿做、不能做的重复性、机械性、高风险工作（如基础数据处理、高危环境作业、单调的服务流程），释放人类的时间与精力，投入到更具创造性、情感性、思想性的活动中（如艺术创作、深度思考、人际连接、社会公益）；
- 重新定义“劳动价值”，打破后工业社会“知识=价值”、智能时代初期“算法效率=价值”的单一评判标准，将人的情感表达、伦理判断、审美创造、人文关怀等智能体无法替代的特质，纳入社会价值体系的核心，让“人的独特性”成为价值创造的终极源泉。
例如：养老陪护智能体可完成基础的健康监测、生活照料，但人类护工的情感陪伴、心理疏导成为核心价值；教育智能体可实现个性化知识讲解，但教师的启发式引导、价值观塑造成为教学的核心。
 https://gitea.szis.dev/szisos/tasks/src/branch/trunk/%E8%B5%84%E6%96%99/2026-01-29_AI%E5%9B%A2%E9%98%9F%E5%90%88%E4%BD%9C.pdf
2. 能力维度：从“人适配技术”转向“技术适配人，人驾驭技术”
 
这是“人的再中心化”的核心能力支撑，核心是让智能体的能力体系围绕人类的核心能力构建，而非让人类被迫学习技术以适应智能体，同时培育人类的“智能体编排能力”，成为智能体生态的“掌舵者”。
 
- 智能体的设计实现低门槛化、人性化、定制化：通过自然语言交互、可视化操作、个性化训练，让普通人无需掌握复杂的代码、算法，就能轻松指挥、调配、定制智能体（如普通职场人可通过自然语言指令，让多智能体协同完成调研、写作、数据分析；普通家庭可定制家居智能体，适配家人的生活习惯），打破“技术壁垒”对人的限制；
- 人类核心能力聚焦**“智能体无法替代的高阶能力”：不再培养与智能体竞争的“规则应用、信息处理”等技能，而是重点培育跨领域协调、伦理判断、复杂决策、创意构想、价值定义**等能力——即“智能体编排能力”，人类的角色从“直接的价值创造者”转变为“智能体的指挥者、协调者、监督者”，通过整合多个智能体的能力，实现单一智能体甚至单一人类无法完成的复杂目标（如Anthropic将招聘重心从“软件工程师”转向“AI编排者”，正是这一趋势的体现）。
 
3. 规则维度：以人的意志制定智能体的发展与应用规则，守住人类的主导权
 
针对当前AI“自演化、难预测”的控制悖反问题，通过制度、法律、技术三重约束，让智能体的发展始终处于人类的可控范围，避免技术脱离人的意志走向异化，这是“人的再中心化”的制度保障。
 
- 法律与制度层面：明确**“人类是智能体行为的最终责任主体”**，制定智能体的研发、应用、监管规则，划定智能体的应用边界（如禁止智能体参与核心社会决策、禁止无监督的智能体自我演化、保障智能体应用的公平性），杜绝“技术凌驾于人”的可能；
- 技术层面：为智能体设置**“人类干预的终极接口”**，即使是具备自优化、自演化能力的高级智能体，也必须保留人类的最高决策权，当智能体的行为偏离人的目标、存在伦理风险时，人类可直接干预、终止其行为，破解“技术控制论的失控”难题；
- 行业层面：推动智能体研发的公共性与普惠性，打破科技巨头对智能体模型、数据的垄断，避免少数企业通过掌控智能体掌握绝对的社会权力，让智能体的技术成果为全体人类服务，而非成为少数人牟利、控制他人的工具。
 
4. 生态维度：构建“人-智能体”协同的共生生态，而非“人-智能体”的竞争生态
 
摒弃“AI替代人”的零和思维，打造**“人类主导、智能体协同、各尽其能、各取所需”**的新社会生态，让智能体成为人类社会的“有机组成部分”，而非独立的“竞争主体”，这是“人的再中心化”的生态落地形式。
 
- 产业生态：在智能制造、服务业、办公等领域，构建“人+智能体”的协同模式，而非“智能体替代人”的替代模式——例如工厂中，人类工程师负责工艺设计、流程优化、故障决策，工业智能体负责精准生产、实时监测；办公场景中，人类员工负责核心决策、创意构思，办公智能体负责基础资料整理、文案初稿、数据核算；
- 社会生态：通过社会福利、教育体系的重构，适配“人-智能体”协同的新形态——针对AI带来的劳动力结构性过剩，建立普惠性的社会福利体系，保障被智能体替代的人群的基本生活；重构教育体系，从“知识灌输”转向“能力培育”，从基础教育开始培养孩子的“智能体编排能力”、创造性思维、人文素养，让人类从小适应“驾驭智能体”的角色；
- 价值生态：建立“人-智能体”的价值分配体系，让智能体创造的社会价值反哺人类——例如智能体创造的商业利润，一部分用于智能体的技术迭代，另一部分通过税收、公共福利等形式，投入到人类的教育、医疗、养老等领域，让全体人类共享智能体的发展成果，破解“技术性冗余”带来的社会矛盾。
 
总结
 
在AI与智能体快速发展的时代，“人的再中心化”并非否定技术的价值，而是对贝尔后工业社会理论的核心修正——贝尔强调“理论知识是社会中轴”，但智能时代的核心不是让知识（或算法）成为主导，而是让掌握“知识/算法的管理权、主导权”的人类成为核心；它既是对“技术异化”的反向纠偏，也是对人类独特价值的重新确认。
 
最终，这一理念的落地，将推动社会从“后工业社会”“智能体社会”走向真正的**“人的全面发展的社会”**：智能体解决“如何高效生产”的技术问题，而人类聚焦“为何生产、为谁生产、如何实现人的价值”的根本问题，让技术的发展始终围绕人的需求与意义展开，这也是应对AI时代劳动意义哲学危机的核心答案。

2026-01-23

  • 认知复杂度
    • -
    • Epiplexity 定义计算受限的“数据价值”
    • Epiplexity 被定义为在给定计算限制（如运行时间限制）下，能够最小化数据描述长度的最佳概率程序的长度。
    • 它捕捉的是数据中的结构性内容（Structural Content），即那些可以被总结为规律、算法或“快捷方式”的部分。
    • 高 Epiplexity 通常意味着模型学到了更多深层结构，更有利于分布外（OOD）泛化。
    • 在实际 AI 训练中，两个模型可能达到相同的低损失（低困惑度），但路径不同：路径一是真正内化了通用知识（高 Epiplexity），路径二是暴力记忆了所有数据（低 Epiplexity）。Epiplexity 的提出正是为了识别出前者，从而指导更高效的数据选择。

2026-01-16

  • AI4SE
    • -
    • 腾讯技术工程
    • 走向隐形化的工具
    • AI 时代的工程化革命：构建知识复利系统
      • 从灵感驱动的“Vibe Coding”迈向严谨的规范驱动开发 (SDD)
    • Vibe Coding 的繁荣与瓶颈
      • 定义：抛出提示词，期待代码运行的“氛围编程”。
      • 局限：丢失整体上下文、决策轨迹不可靠、无法支撑大型复杂项目。
    • 规范驱动开发 (SDD) —— 权力的倒置
      • 代码不再是王道，而是规范在特定框架下的“编译”产物。
      • 开发者角色转变：从“码农”变为“系统设计师”。
    • SDD 标准工作流 (Specify → Plan → Implement)
      • Specify (编写规范)：用 Markdown 定义“构建什么”而非“如何构建”。
      • Plan (制定计划)：AI 生成技术实现细节，每项决策可追溯。
      • Implement (实施执行)：多代理协作完成原子化任务。
    • 上下文工程 (Context Engineering) —— 信息生命周期管理
      • 挑战：上下文腐蚀（Context Rot）导致 AI 决策退化。
      • 对策：最小高信号 token 集合策略，分层组织业务、技术与经验信息。
      • 工具： Agentic 文件系统抽象，将一切视为上下文。
    • 复合工程 (Compounding Engineering) —— 让知识产生复利
      • 原则：每一单元的工作必须使后续工作更容易。
      • 沉淀：将排查信息、风险、规则自动编码进工具库。
      • 目标：边际成本递减，避免重复踩坑。
    • 架构升级：Subagent 协作模式
      • 应对上下文窗口爆满：主 Agent 决策 + 专门化 Subagent 执行。
      • 状态传递机制：通过结构化状态文件而非对话累积实现交接。
      • 优点：独立上下文窗口，任务更专精且易于审计。
    • 实战利器：GitHub Spec Kit 与宪章 (Constitution)
      • 项目宪章：定义 AI 必须遵循的不可变原则（如测试优先、简洁性）。
      • 自动化命令：/speckit.specify 到 /speckit.tasks 的全自动链条。
    • 成效评估与开发者能力的重建
      • Before (传统)：编写代码 70%，需求澄清 10%。
      • After (SDD)：编写规范 40%，管理 AI 30%，验证 20%。
      • 成果：重构时间减少 75%，错误减少 70%。
    • 结语：走向隐形化的工具
      • 工具的终极形态是消失，融入人的自然思考与意图表达。
      • AI 工程化不是替代人，而是降低人处理已识别问题的成本。
    • AI时代的工程化革命：构建知识复利系统
    • 再见，程序员！硅谷全员AI Coding，卡帕西宣告9级地震来了
    • Cursor Composer 大模型
    • 《AI 辅助软件工程：实践与案例解析》
    • 沃顿商学院证明过的Agent Skills，Superpower狂揽23.7k star，CC、Codex直接用
    • AI工程vs传统工程 —「道法术」中的变与不变
    • UI UX Pro Max

2026-01-09

  • 共创、共享
    • -
    • FIRE万事屋
    • 选择、负责
    • 行业巨变：AI正在重构工作本质
      • 走众多AI Agents矩阵的道路
    • 人类价值：完成任务 vs 对结果负责
      • 在不确定中做出判断，做“价值创造者”
      • 知识正变得像空气一样易得，而理解却像钻石一样难得
      • 你定义问题的视角、对结果负责的勇气、跨领域连接的理解，这些才是你真正的价值
    • 沟通革命：从“人与人对话”到“人与AI对话”
      • 当产品经理可以直接与AI沟通生成产品文档，销售可以直接通过AI获取技术支持，传统的组织层级和部门边界就开始失去意义
      • 人机协作、自动化评审、AI贡献归责
    • 经验迁移：从“人承载”到“AI承载”
      • 过去经验只能靠人来承载，未来经验会迁移到系统里，包括可检索的知识库与可被持续强化的记忆
    • 个人突围：从“专家思维”到“一人公司”
      • 在你不擅长的领域使用AI扩展能力，在你已经是专家的领域使用AI放大成果
    • 未来已来：从“云时代”到“端时代”的算力迁移
      • 公共AI正在成为类似互联网网的基础设施
      • 边缘人工智能 (Edge AI) 通过在本地设备而非远程数据中心处理信息，在能源效率上拥有高达一万倍的惊人优势，并从根本上通过数据主权解决了云端存储容易导致的大规模隐私泄露风险
    • The AI Shadow War: SaaS vs. Edge Computing Architectures
    • The Rise of AI Teammates in Software Engineering (SE) 3.0: How Autonomous Coding Agents Are Reshaping Software Engineering

2025-12-26

  • 无招胜有招
    • -
    • 钉钉
    • 将RAG深度整合进企业操作系统的底层架构中
    • 从“纯软件RAG”向“软硬一体RAG”演进
    • 模态RAG的应用拓展
    • 通过交叉验证降低RAG幻觉
    • 行业垂直场景的RAG深度集成
    • 全生命周期的Agent开发平台（DEAP）
    • 解决RAG服务化的核心阻碍：安全与成本
    • 高效的数据清洗与标注服务
    • 构建Agent市场（RAG应用的分发渠道）
    • 将RAG深度整合进企业操作系统的底层架构中
    • 对于企业级RAG：它提供了物理硬件支撑、多模态数据接入及多模型交叉验证，极大地提升了检索的深度和生成的准确性。
    • 对于RAGaaS：它通过DEAP平台提供了标准化的开发工具、安全防范机制及基于Token的商业结算体系，降低了企业构建和使用AI能力的门槛。
    • 具备自动分拣、实时更新且自带安保系统的智能化数字图书馆
    • Agent-Skills-for-Context-Engineering GitHub
    • GLM-4.7 有奖测评
    • -

2025-12-18

  • 用RAG解决问题
    • -
    • 韦东东
    • 科技不应该制造焦虑，而是要解决问题
    • 知识库是大部分企业AI应用的刚需起点
    • 知识碎片化
    • 搜索失效
    • 人力错配
    • 知识库这类场景，工作量的大头在数据处理而不在框架本身
    • 真正能复用的，其实是工程经验和最佳实践
      • 数据清洗的标准流程和质检方法
      • Embedding 和 Rerank 模型的选型决策依据
      • 检索策略的调参方法论
      • 反馈闭环的数据库设计模板
      • 关注：清洗工具链、向量入库管道、反馈数据收集框架
    • NeutronRAG 是一款面向RAG系统教学与实证分析的可视化工具
    • 审视美国AI投资狂潮与泡沫隐忧 真正会在泡沫破裂时造成经济灾难的，是由债务杠杆放大的投机行为

2025-12-12

2025-12-05

  • ICPC：练秋湖漫谈
  • Agent Framework
    • -
    • 微软开发者MSDN
    • GitHub Models、DevUI、AG-UI、OpenTelemetry
    • 借助 GitHub Models 实现快速原型开发
    • 通过 DevUI 进行可视化调试
    • 利用 AG-UI 达成流畅的用户交互
    • 再结合 OpenTelemetry 提供企业级可观测性
    • 这一系列工具的组合，标志着我们构建智能体应用的方式迎来了范式转变
    • Agent-Framework-Samples
    • TradingAgents 模拟真实交易公司运作模式的多智能体交易框架
    • TradingAgents-CN 多智能体与大模型股票分析
  • RAG实战
    • -
    • 阿里云开发者
    • 用《长安的荔枝》学会构建智能问答系统
    • 一、AI 如何像人一样"读书"
      • 1.1 一个真实的需求
      • 1.2 从"搜索"到"理解"
      • 1.3 理想的解决方案
      • 1.4 工作原理：三个关键步骤
        • 建立"索引卡片"（Indexing）
        • 找到相关段落（Retrieval）
        • 生成答案（Generation）
      • 1.5 关键参数的作用
        • 段落大小（chunk_size）
        • 检索数量（top_k）
        • 重叠大小（overlap）
      • 1.6 现在，让我们引入术语
      • 1.7 小结
    • 二、用 LlamaIndex 实现问答系统
      • 2.1 什么是 LlamaIndex？
      • 2.2 预期效果
      • 2.3 最简代码清单
      • 2.4 核心 API 详解
        • Settings - 全局配置
        • PyMuPDFReader - PDF 加载
        • VectorStoreIndex - 构建索引
        • as_query_engine() - 创建查询引擎
        • query() - 提问
      • 2.5 完整示例：对话式问答
      • 2.6 小结
    • 三、优化篇 - 参数调优的实战效果
      • 3.1 实验设计思路
      • 3.2 单参数影响实验
        • chunk_size 的影响
        • top_k 的影响
        • chunk_overlap 的影响
      • 3.3 组合参数优化实验
        • 简单事实查询场景
        • 复杂情节理解场景
        • 宏观主题理解场景
      • 3.4 参数配置建议
      • 3.5 参数速查表
      • 3.6 小结
    • 四、架构篇 - LlamaIndex 的内部机制
      • 4.1 整体架构图
      • 4.2 核心组件详解
        • 文档加载器（Document Loader）
        • 文本分块器（Node Parser）
        • 向量化模型（Embedding Model）
        • 向量存储（Vector Store）
        • 检索器（Retriever）
        • 响应合成器（Response Synthesizer）
        • LLM（Large Language Model）
      • 4.3 数据流动全景
      • 4.4 参数在架构中的位置
      • 4.5 小结
    • 五、Agent 化 - 让 RAG 系统能"动手"
      • 5.1 RAG 的边界
      • 5.2 AgentBay：为 Agent 提供工具
      • 5.3 集成思路
      • 5.4 何时使用？
      • 5.5 延伸阅读
    • 总结
      • 第一部分：原理
        • RAG = 检索 + 生成
        • 关键步骤：切分 → 向量化 → 检索 → 生成
        • 核心参数：chunk_size, top_k, overlap
      • 第二部分：实战
        • 核心代码 < 30 行
        • 5 个关键 API：Settings, Reader, Index, QueryEngine, query()
        • 支持单轮问答和多轮对话
      • 第三部分：优化
        • 实测效果对比
        • 参数调优策略
        • 针对不同场景的配置建议
      • 第四部分：架构
        • 5 层架构设计
        • 7 个核心组件
        • 参数在架构中的作用位置
      • 第五部分：Agent 化
        • RAG 系统的局限性
        • AgentBay 工具平台介绍（广告时间）
        • LlamaIndex + AgentBay 集成思路
        • 适用场景与使用建议
      • 最佳实践
        • 1.从简单开始：先用默认配置，再逐步优化
        • 2.针对性调整：根据问题类型选择参数
        • 3.实测验证：用实际问题测试效果
        • 4.持久化索引：避免重复构建
      • 进阶方向
        • 多模态：处理图片、表格等
        • 混合检索：结合关键词和语义检索
        • Agent：让 AI 自主决策和使用工具
        • Fine-tuning：针对特定领域优化
    • RAG被判死刑：Google用一行API架空工程师！
    • Gemini API file-search
    • Introducing the File Search Tool in Gemini API
    • Graphiti

2025-11-28

  • AI的学习能力比普通人类强吗?
    • -
    • 51CTO技术栈
    • 说出你对AI的思考
    • 模型在语言、数学和编码上已经超过普通人类，但它们的学习能力比普通人类强吗？
    • 情绪、价值函数与人类学习机制（情绪 -> 情感， 情绪 -> 价值）
    • 如果你站在“预训练”的语境里看 AGI，会发现：人类其实并不是 AGI。是的，人类有一套通用的基础技能，但人类缺乏大量知识，所以人类依赖持续学习。
    • 你设想的是一种能学会做所有工作的心智，而这就叫超智能。
    • 想法很便宜，执行才是一切。如果想法这么便宜，那为什么没人提出新想法？
    • 人类团队之所以有效，是因为有“真正不同的想法”。而 AI 团队似乎天然缺乏这种深层次多样性。
    • 没有多样性，是因为 预训练。所有预训练模型都差不多，因为数据几乎一样。真正的差异其实出现在 RL 和后训练 阶段，因为不同团队做的 RL 完全不同。
    • 做研究，你确实需要一定的算力，但完全不需要“史上最大的算力”
    • 怎么调和模型在评测上表现极好，而实际经济影响却明显滞后的事实
    • 佛法 vs AI
    • 程序员问大师
      • 实战永远第一
      • 小需求也能练技术
      • 深挖每个不懂的点
      • 多交流

2025-11-21

  • 保持战略韧性
    • -
    • 砺石商业评论
    • Adobe穿越软件、SaaS与AI时代
    • 穿越软件、SaaS与AI时代，Adobe堪称硅谷最具进化能力的公司
      • 技术创新与战略并购的完美结合
      • 战略并购铺路：从创意工具到生态雏形
      • 转型SaaS的攻坚战：从产品售卖到生态闭环
      • AI时代的持续进化
    • 战略韧性不是一蹴而就的，而是通过持续的投资和优化在公司、团队和产品三个层面构建的
    • 软件公司需要将韧性思维融入DNA
      • 公司层面通过战略灵活性和财务健康奠定基础
      • 团队层面通过敏捷文化和技能提升保证执行力
      • 产品层面通过技术卓越和用户中心设计确保长期价值
      • 三者相互关联，共同增强整体抗风险能力
      • 在VUCA（易变、不确定、复杂、模糊）时代，保持韧性是软件企业持续成功的关键
    • -
    • -
    • -
    • -

2025-11-14

2025-11-07

2025-10-31

  • Data Agent
    • -
    • 阿里云开发者
    • Data Agent for Analytics
    • 企业级数据分析智能体
    • Data Agent 定位为一款能够同时覆盖传统BI分析（描述性、诊断性）和高级分析（预测性、规范性）能力的智能体
    • 描述性分析（Descriptive analytics）：使用BI工具、数据可视化和展示面板来回答：发生了什么？
    • 诊断性分析（Diagnostic analytics）：需要更深入的分析和数据挖掘能力来回答：为什么会发生？
    • 预测性分析（Predictive analytics）：通过概率预测或模拟一段时间内一系列结果 来回答：可能发生什么？
    • 规范性分析（Prescriptive analytics ）：以结构化方式整合已有的知识和优化技术，在约束范围内寻找最佳结果并生成可执行的行动计划，以此来回答：应该做什么？
    • 深度语义理解
    • 上下文管理
    • 幻觉抑制
    • 工具的使用
  • Deep Analyze

2025-10-17

  • RAG vs 坑
    • -
    • 韦东东
    • 客户更在乎可靠性，而不是花哨功能
    • 固定大小分块基本是错的
    • 为不同领域构建专门的元数据模式
    • 别用 LLM 提取元数据
    • 把表格当成独立实体，有自己的处理流程
    • 防止多个用户同时访问系统时的资源竞争
  • AI赋能测试全流程自动化
    • -
    • 阿里云开发者
    • AI自动生成用例覆盖度超过70%，极大释放产力
    • AI快速辅助进行数据对比
    • AI分析需求文档核心内容，自动生成覆盖核心功能用例
    • 通过多个工程系统对接（用例管理平台、测试数据构造平台、知识库沉淀）实现真正的数据变为资产、AI全流程驱动的工程化模式
    • AI生成用例同步至用例管理平台，实现团队多角色协作、历史用例沉淀。
    • AI结合数据工厂和工具编排，自动感知业务变更，快速调整测试范围与策略，知识资产不断沉淀。
  • NVIDIA DGX Spark 正式交付
    • -
    • NVIDIA英伟达企业解决方案
    • 全球最小的AI超级计算机

2025-10-10

2025-09-19

  • 郑板桥：难得糊涂
    • -
    • 人民日报
    • 真正的高情商，是拥有闲谈力
  • 华为：智能世界2035
    • -
    • 华为
    • 智能世界2035十大技术趋势
    • https://mp.weixin.qq.com/s/LzAcSqeda1Sj4XXT1Im53Q?poc_token=HMSey2ij6s51ijPGtQzhmJhGxVr-0Ja6Kt5PZ9gn
    • 趋势一：AGI将是未来十年最具变革性的驱动力量，但仍需克服诸多核心挑战，方能实现AGI奇点突破。因此，走向物理世界是AGI形成的必由之路。
    • 趋势二：随着大模型的发展，AI智能体将从执行工具演进为决策伙伴，驱动产业革命。
    • 趋势三：开发模式迎来变革，人机协同编程成为主流。人类将更专注于顶层设计和创新思考，而把繁琐的编码执行工作，交给高效的AI来完成。
    • 趋势四：交互方式正从图形界面转向自然语言，并向着融合人类五感的多模态交互演进。用户通过语音、手势等方式与数字世界互动，获得深度沉浸的体验。
    • 趋势五：手机App正从独立的功能实体，转变为由AI智能体驱动的服务节点。用户只需给出指令，AI智能体将调用相关服务节点，为用户提供极致体验。
    • 趋势六：随着世界模型等关键技术突破，全新的L4+自动驾驶汽车将会走入人们的生活，成为“移动第三空间”。
    • 趋势七：2035年全社会的算力总量将增长10万倍，计算领域将突破传统冯• 诺依曼架构的束缚，在计算架构、材料器件、工程工艺、计算范式四大核心层面实现颠覆性创新，最终催生新型计算的全面兴起。
    • 趋势八：数据将成为推动人工智能发展的“新燃料”，AI存储容量需求将比2025年增长500倍，占比超过70%，Agentic AI驱动存储范式改变。
    • 趋势九：通信网络的连接对象将从90亿人扩展到9000亿智能体，实现移动互联网至智能体互联网的跃迁。
    • 趋势十：能源将成为制约 AI 高速发展的核心要素。到2035年，可再生能源加速替代传统化石能源，新能源发电量占比将突破50%。同时，人工智能将成为新能源系统的核心，通过Token 管理瓦特，实时管理每一焦耳的能量，从而实现更加动态和高效的电网。
    • 2025 全球数智化指数（GDII） https://www.huawei.com/minisite/gdii/cn/
    • https://gitea.szis.dev/szisos/tasks/src/branch/trunk/%E8%B5%84%E6%96%99/2025-09-16%20%E5%8D%8E%E4%B8%BA%20%E5%85%A8%E7%90%83%E6%95%B0%E6%99%BA%E5%8C%96%E6%8C%87%E6%95%B0%EF%BC%88GDII%EF%BC%892025%20%E6%99%BA%E8%83%BD%E8%B7%83%E8%BF%81%EF%BC%9AGDII%E4%B8%8E%E6%95%B0%E6%99%BA%E7%BB%8F%E6%B5%8E%E6%9C%AA%E6%9D%A5.pdf
  • 腾讯：无状态编程
    • -
    • 腾讯云开发者
    • 如果系统崩溃重启，用户能接受从零开始吗？
    • 在一个AI无处不在的时代，真正稀缺的不是智能，而是可预测性；不是功能的丰富，而是行为的确定；不是记住一切，而是知道何时遗忘。
    • 游戏世界需要持续性
    • 用户界面需要响应性
    • 资源管理需要经济性
  • 阿里：Prompt、MCP、SubAgents
    • -
    • 阿里云开发者
    • 创建多个专精于特定领域问题的 Agent，组建一个 AI Coding “专家顾问天团”
    • Prompt：临时指令，靠当下上下文。只是一次性的小活，直接使用 Prompt。
    • MCP：私有数据与工具的接口层。需要稳定接入外部系统/数据用 MCP。
    • SubAgents：独立上下文的领域专家。要多阶段/需要角色隔离，用 SubAgents。
  • 设备端MCP：小智AI+闹钟提醒+定时任务

2025-09-12

2025-09-05

  • “深小i”AI政务助手
    • -
    • i深圳
    • 智能办事服务升级，让政务服务更简单
  • Figma + TRAE
    • -
    • TRAE.ai
    • 从需求描述到可交付原型的完整自动化设计流程
    • Align（对齐）- 需求澄清，绝不允许"我觉得你想要..."
    • Architect（架构）- 先设计后编码，告别"边写边想"
    • Atomize（原子化）- 大任务拆小，AI 再笨也能做对
    • Approve（审批）- 人工检查，AI 想偷懒？门都没有
    • Automate（执行）- 按文档执行，有据可查
    • Assess（评估）- 质量验收，不合格就重来
    • TRAE Rules 实践：为项目配置 6A 工作流
  • Figma + Claude Code

2025-08-29

  • 活出生命的意义

    • -
    • 新思开源
    • 身、心、灵
    • 一个完整的人，既要懂得保养自己的“汽车”，也要学习精湛的“驾驶技术”，更要时常抬头仰望星空
    • 书评

  • 特区45岁生日快乐！

    • -
    • 深圳发布
    • 与特区共成长

  • 湾区之眼

    • -
    • 宝安文体通
    • 前海书城，9月26日，正式对外开放

  • 张亚勤：再谈“人工智能+”

    • -
    • 清华大学智能产业研究院
    • 坚持前瞻谋划、强化系统布局、突出分业施策、推动开放共享、确保安全可控
    • 实施“人工智能+”行动是一项系统工程

  • 人工智能+

    • -
    • 中国政府网
    • 国发〔2025〕11号 国务院关于深入实施“人工智能+”行动的意见
    • 到2027年，率先实现人工智能与6大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超70%
    • 加快实施重点行动：科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作
    • 强化基础支撑能力：提升模型基础能力、加强数据供给创新、强化智能算力统筹、优化应用发展环境、促进开源生态繁荣、加强人才队伍建设、强化政策法规保障、提升安全能力水平
    • 组织实施：党 --> 国家发展改革委 --> 各地区各部门

  • 从人力外包到能力外包

    • -
    • 广东创业科技
    • 8个AI智能体（需求分析、架构设计、前后端开发、测试等）并行工作，效率达传统团队8倍，代码准确率99.8%。
    • 人智协同敏捷开发

  • 万字详解架构设计

    • -
    • 腾讯开发者
    • 业务架构、应用架构、数据架构、技术架构、单体、分布式、微服务都是什么？
    • “架”就是“加”和“木”的结合，把木头加起来、连接起来就是架。
    • “构”就是结构的意思。
    • 所以，“架构”就是把“木”按照一定的结构连接起来。

  • 开源：Kode

    • -
    • B站
    • 开源版 Claude Code

  • 开源：Resume Matcher

    • -
    • OSC开源社区
    • 帮助求职者优化简历以适应招聘系统

  • 开源：tRPC-Agent-Go

    • -
    • 腾讯开源
    • 让Go开发者轻松构建智能AI应用

  • 开源：GitHub MCP Server

    • -
    • 微软开发者MSDN
    • GitHub 已经将其自有 MCP 服务器开源
    • GitHub

  • 开放原子大赛腾讯赛题第二期

    • -
    • 腾讯开源
    • 40万奖金
    • 混元AI播客创新智造挑战赛（奖金10万）
    • OpenTenBase-TXSQL SQL改写优化挑战赛（奖金30万）

2025-08-22

  • Denny Zhou：真理总是比你想象的更简单
    • -
    • 学术头条
    • Google DeepMind 的首席科学家兼研究总监 Denny Zhou
    • 检索和推理的结合比单纯的推理要好得多
    • LLM中的推理仅仅意味着在得出最终答案之前生成一系列中间 token
    • 预训练模型即使未经任何微调，也具备推理能力
    • 提示技巧和监督式微调曾是引发推理的常用方法，现在强化学习微调已成为最强大的方法
    • 通过生成多个响应然后将它们聚合起来，而不是依赖于单个响应，可以极大地提高 LLM 推理能力
  • Palantir：从人力外包到能力外包
  • 业务架构建模
    • -
    • 数字化转型战略指南
    • 职能 + 功能 + 数据 + 流程
    • 什么是 业务架构、应用架构、技术架构、数据架构（4A架构） https://zhuanlan.zhihu.com/p/642753564
    • 业务架构：战略，价值链，端到端，业务流程，业务组件，自上而下分解
    • 应用架构：系统建设，系统集成，中台，自下而上抽象
    • 技术架构：技术选型，框架，PaaS平台，云原生，DevOps，微服务，容器化，部署架构
    • 数据架构：数据标准，数据采集加工，数据入湖，数据治理，数据共享服务，数据安全，数据质量，数据架构
  • 8 RAG Architectures
    • -
    • 数字化转型战略指南
    • 未来RAG将与LLM深度整合
    • 简单任务用朴素RAG
    • 多源异构数据适合混合RAG
    • 复杂知识网络则需图谱或代理式RAG
  • 腾讯：办公+AI
    • -
    • 腾讯
    • 连接创造价值
    • 智能连接创造更大价值
    • 智能总结 + 智能搜索 + 智能机器人
  • 腾讯：WeKnora
    • -
    • 腾讯开源
    • 零代码在微信生态快速部署智能问答服务
    • 插拔式接入本地大模型与向量库，打通多模态文档-召回-生成全流程构建自主知识引擎
    • 文档处理、知识建模、检索、推理生成、交互展示

2025-08-15

  • 每天5公里
    • -
    • 新华社
    • 走路和跑步，当二者同等能量消耗时，走路在降低高血压和高胆固醇血症风险上略高于跑步
    • 每周3～5次跑步和走路，每次30～60分钟
    • 如果跑步5公里基本就是30分钟左右，如果走路5公里差不多就是60分钟左右
    • 早晨8～10点、下午16~18点，更推荐在这个时间锻炼
    • 早上太早运动 全因死亡风险、心血管疾病死亡风险 更高
    • “临睡前运动”会影响睡眠，导致入睡时间晚、睡眠时间短、睡眠质量低、夜间静息心率紊乱等，应至少在睡觉前4小时结束运动
    • 运动过程中要及时补充水分（小口多次）
  • 智能体的“脑子”
    • -
    • 阿里云开发者
    • 记忆（Memory） 作为智能体核心能力的定义、构建与技术演进
    • 记忆分类
      • 存储时间：感知记忆、短期记忆、长期记忆
      • 内容性质：可声明式记忆（显式）、不可声明式记忆（隐式）
      • 存储内容：情境记忆、语义记忆、流程记忆
    • 记忆操作
      • 编码、存储、提取
      • 巩固、再巩固、反思、遗忘
    • 实现
      • MemoryBank、LETTA、ZEP、A-MEM、MEM0、MemOS、MIRIX
      • 记忆生成、记忆更新、记忆检索
      • Tablestore
  • 要么拥抱人工智能，要么离开
    • -
    • 21CTO
    • 人工智能流畅性 —— 了解不同的人工智能工具和模型
    • 授权和代理协调 —— 为人工智能的成功奠定基础
    • 人机协作 —— 实时与人工智能协作
    • 基础知识 —— 仍然需要深厚的编程知识
    • 验证和质量控制 —— 严格检查人工智能的工作
    • 产品理解 —— 超越代码的系统思维
    • 架构和系统设计 —— 指导人工智能集成
  • 数据治理与AI相互依存
    • OSC开源社区
    • -
    • 软件定义世界（SDX）
    • 目前没有比大模型更加高效的数据分析和挖掘方法
    • 数据治理难在其是系统工程，涉及企业的方方面面，包括技术、组织、战略、结构。
    • 我们经常讲‘人与数据’的概念，即所有的数据都是人产生的，所有的问题也是人造成的，如果不把人的关系理顺，数据是管理不好的。所以这个挑战是之前的挑战、现在的挑战，也是未来的挑战。

2025-08-08

  • 尤雨溪：前端的未来
    • -
    • OSC开源社区
    • 未来开发必然是AI会自动化重复性高的流程。
    • 真正不可取代的是人类的判断力与创造力，尤其是在产品定义与复杂架构决策中。
  • 李开复：AiA是对一个公司的重组
    • -
    • 中国企业家杂志
    • 更看好开源
    • Agent未来会创造巨大价值
    • 转型必须务实
    • 商业模式要跟“灯塔客户”共创
    • 销售要以“一把手工程”为核心
    • 组织架构必须有懂业务和AI的角色
    • Agent就像微软的操作系统，它的价值在于它承载的应用
    • 第一，数字化转型要做得非常完整，公司所有业务一定要数据化。
    • 第二，对AI的认知一定不要停留在行业标准认知上，AI的进步实在太快了，它的价值不是取代多少人，而是能把公司的核心业务指标提高多少。
    • 第三，公司拥抱AI，一定是从一把手开始，你现在在AI上面花的时间只会太少，不会太多，一定要大大地投入，才能让你的Agent和你独自拥有的闭环数据共同形成最好的护城河。
  • 用Kimi拆开源扣子
    • -
    • 字节笔记本
    • YAML 读进来 → 拓扑排序 → 每个节点拿到输入、把输出塞进全局变量池 → 直到所有节点跑完。
  • GitHub Actions
    • -
    • 字节笔记本
    • GitHub Actions 是一个强大且免费的自动化工具，特别适合个人开发者和小团队使用。
    • 它不仅可以用来做CI/CD，还能实现更多自动化场景。
  • 国标：数字化转型管理能力体系建设要求
    • -
    • 新思开源
    • 企业数字化转型的核心主线是数字化能力建设
  • 迪威迅：人工智能应用中心正式成立
    • -
    • 迪威迅
    • 2025年8月1日，迪威数据高性能算力产品基地及人工智能应用中心在迪威迅总部正式成立。

2025-08-01

  • 世界人工智能合作组织
    • -
    • 环球时报
    • 共商共建共享
    • 深化创新合作，释放智能红利
    • 推动普惠发展，弥合智能鸿沟
    • 加强协同共治，确保智能向善
  • 智能体落地实践
    • -
    • 阿里云开发者
    • 实践是检验真理的唯一标准

2025-07-25

2025-07-18

  • 情绪创造价值
    • -
    • 中国新闻周刊
    • 生活之外，仍有奇境
  • 迷茫时就先把手头的事做到极致
    • -
    • 深圳大学
    • 真理永远藏在躬身深耕的刻度里
  • 性能提升10倍
    • -
    • 阿里云开发者
    • Dify 迁移至 Spring AI Alibaba
    • 用图形化工具来搭建智能体
    • 基于智能体配置文件编译为Go或Java代码，实现生产级智能体
  • Kiro：最强规范模式
    • -
    • B站
    • 需求、架构、任务
  • Flutter：快速生成界面代码
    • -
    • B站
    • 从设计到代码
  • GitHub Copilot
    • -
    • GitHub
    • 开源 共创
  • 跨平台框架选型
  • 代理导致的上网问题
    • -
    • B站
    • 认真对待、认真思考
  • Excel、统计学、SQL、BI、Python

    • -

    • B站

    • 一、Excl

    • 掌握数据清洗、函数计算、图表制作等基础操作

    • 王佩丰Excel基础教程24讲完整版

    • https://www.bilibili.com/video/BV1yJ411s7wS

    • Excel零基础入门

    • https://www.bilibili.com/video/BV1tz421a7yz

    • 二、统计学

    • 理解数据分布、假设检验等核心概念，建立数据分析思维

    • 系统认识数据分析

    • https://www.bilibili.com/video/BV1ZM4y1u7uF

    • 可汗学院统计学

    • https://www.bilibili.com/video/BV1DK4y1n7J8

    • 三、SQL

    • 掌握数据查询、筛选、聚合等 SQL 语句，实现高效数据提取

    • 3小时学会MySQL

    • https://www.bilibili.com/video/BV1iJ411m7Fj

    • MySQL基础到高级

    • https://www.bilibili.com/video/BV12b411K7Zu

    • 四、BI

    • 掌握一款主流 BI 工具，完成数据可视化与仪表盘搭建

    • Power BI

    • https://www.bilibili.com/video/BV1sV411U7U8

    • Tableau

    • https://www.bilibili.com/video/BV1LT4y1L7BQ

    • 五、Python

    • 掌握 Python 数据处理库（如 Pandas、Numpy），实现自动化分析

    • Python数据分析三部曲

    • https://www.bilibili.com/video/BV1ji4y157uB

    • Python教程

    • https://www.bilibili.com/video/BV1HE41157bu

    • 利用Python进行数据分析

    • https://www.bilibili.com/video/BV1ZJ411W77D

  • NebulaGraph构建智能运维
    • -
    • NebulaGraph技术社区
    • 图数据库助力智能运维 AIOps

2025-07-11

  • 深圳夏吟
    • -
    • DeepSeek
    • 《鹧鸪天·深圳夏吟》
    • 暑气蒸腾海畔城，
    • 荔枝红透满街庭。
    • 莲花峰顶云初散，
    • 深圳湾前潮正平。
    • 楼宇密，绿荫清，
    • 蝉声高树作雷鸣。
    • 倏然一阵芭蕉雨，
    • 散作霓虹不夜声。
  • 天门糖塑传
    • -
    • 鸿渐风
    • 手艺活，熟能生巧。
  • 理论联系实际
    • -
    • 新华社
    • 立即动手做
    • 睡前并非刷牙最佳时间
  • MCP、A2A、AG-UI
    • -
    • 阿里云开发者
    • 三个协议共同构建成为Agent系统框架的基础设施，
    • 让Agent 长出手脚（MCP）、
    • 拥有协作伙伴（A2A）、
    • 有入口能落地（AG-UI）。
    • 这三个协议促进Agent系统从单Agent进化到多Agent，提升底层能力和上层用户体验，同时，协议的开放性和兼容性也激发了更多AI创新应用和跨界协作的可能。

2025-07-04

  • 人工智能国家标准
  • RTX4090D Benchmark
    • -
    • 金鹏
    • 开始AI旅程的前期准备
    • 1、设备信息检查
    • 2、显存容量测试（GPU Memory Capacity）（存储空间有多大）
    • 3、显存带宽测试（GPU Memory Bandwidth）（数据传输能有多快，理论上限）
    • 4、FP32计算吞吐量测试（针对Tensor Core）（实际工作速度有多快，实测性能）
      • GPU 核心每秒执行的计算操作数量
      • 浮点运算吞吐量 (FLOPS - Floating Point Operations Per Second)：用于衡量科学计算、AI 训练/推理等
      • 整数运算吞吐量 (IOPS - Integer Operations Per Second)
    • 5、FP16计算吞吐量测试
    • 6、BF16计算吞吐量测试 （针对Ampere架构）
    • 7、深度学习推理基准测试 （基于ResNet）
    • 8、深度学习训练基准测试
    • 9、CUDA内核启动延迟测试 （从CPU发出内核启动命令到GPU实际开始执行内核第一条指令之间的时间间隔）

2025-06-27

2025-06-20

2025-06-13

  • 荔枝：青铜、白银、黄金、王者
    • -
    • 大湾区之声
    • 岭南荔枝上市旺季
  • 企业数字化转型的本质与误区
    • -
    • 清华管理评论
    • 企业要有清晰的目标、系统的规划、有效的执行和持续的改进，以发挥数据价值、提升用户体验与增强组织协同能力，推动企业数字化转型的可持续发展。
    • 企业数字化转型是涉及技术、流程、组织、数据和价值体系的多层次全面变革，不仅需要引入和建立新型数字化技术和数据平台，还需要平衡原有业务和全新数字化业务。
    • 为实现有效的数字化转型，企业应该关注哪些关键要素、遵循什么原则、避免何种陷阱以及如何检验转型效果？

2025-06-06

2025-05-30

  • 智能体互联网
    • -
    • 候宏文存
    • 智能经济性驱动的价值转移与生态重构
    • 推动价值从平台互联网向智能体互谅往转移
  • IBM：Agent能解决所有问题吗？
    • -
    • IBM中国
    • “真假”智能体、数据是 AI Ready 的吗？、流程是自动化的吗？、回归业务本质去看待技术价值
    • AI 实验的时代已经结束，企业竞争优势取决于量身定制的 AI 应用和可量化的业务成果。
    • 每个企业发展阶段不一样，遇到的瓶颈也不一样，企业必须先想清楚哪个地方是真正的痛点，无论你要降本增效还是业务创新，企业的诉求自己要先想清楚。
    • 企业首先要确保投资可控，因此我们团队通常会通过 POC（概念验证）和客户一起选择最典型的场景把我们的想法和产品部署上去，然后验证它的 ROI，如果满足预期再大规模部署。
    • 整个 POC 的过程是 30 天左右，但每周都会对方案进行迭代，这个过程需要让客户充分参与进来，进行及时的反馈，一起验证我们是不是在一条正确的路上，如果不对就需要不断调整。
  • 34个评估框架教你如何评估RAG效果
    • -
    • 大语言模型论文跟踪
    • 信息检索相关指标、自然语言生成相关指标、上游预处理评估
    • 基于LLM输出的评估方法、基于 LLM 表征的评估方法
    • 安全性能
    • 效率
  • 腾讯：AI安全风险检测工具A.I.G
    • -
    • 鹅厂技术派
    • 实用工具
  • 扣子空间播客完爆NotebookLM
    • -
    • InfoQ
    • 国产替代

2025-05-23

2025-05-16

2025-05-09

2025-04-25

  • 韦青：活成机器的人类没有未来
    • -
    • 知行小酒馆
    • 让大脑神经停下来，不要无限制的去接收那么多信息，越早开始越能保持精神健康。避免出现类时LLM训练过拟合的现象。
  • 2025中国AIGC应用全景图谱 PDF
    • -
    • 量子位
    • 注意带着思考去阅读。内容并不全。
  • 算力资源错配，基建急刹车
    • -
    • 21世纪经济报道
    • 整体来看，算力板块的高增长叙事正在退潮，但并非终结。短期看，市场需消化过剩产能，IDC企业面临残酷洗牌；长期看，理性回调将促使行业走向更健康的供需平衡。
    • 但能否穿越周期，取决于企业能否在财务稳健性与技术前瞻性之间找到平衡点。正如某液冷行业负责人对记者所言：“未来的赢家，不是拥有最多机柜的公司，而是能用最低成本提供最高效算力的服务商。”
    • 一边是使用者需要的算力不够。
    • 一边是IDC在拿地建房。
    • 存在的问题是IDC能投入的算力资源和使用者需要的算力资源存在落差。
    • IDC建房和配置算力资源的周期，与AI行业对算力要求的变化和AI能力提升的变化不匹配。
  • Bolt.new平台初体验 Bolt.new
    • -
    • 博客园 PetterLiu
    • 无需复杂配置、完整的开发环境、AI驱动的开发流程、一键部署、实时协作与共享、高性能与安全性
  • Bolt.diy一步搞定创意建站
    • -
    • 阿里云开发者
    • 在线开发沙盒平台，结合了人工智能（AI）和WebContainers技术
  • 李彦宏：应用创造未来
    • -
    • 百度
    • 所有这些发布，都是为了让开发者们可以不用担心模型能力、不用担心模型成本、更不用担心开发工具和平台，可以踏踏实实地做应用，做出真正好的应用！
    • 4月25日，百度创始人李彦宏在Create2025百度AI开发者大会上，发布文心大模型4.5 Turbo、文心大模型X1 Turbo、高说服力数字人、通用多智能体协作APP“心响”等AI新品，并宣布将帮助开发者全面拥抱MCP。

2025-04-18

  • Cherry Studio：集成MCP
    • -
    • suclub觉觉龙
    • 点击即装：自动拉取MCP Server，无需手动下载依赖；
    • 智能检测：自动匹配本地环境，规避安装失败风险；
    • 进度可视化：安装过程实时显示，告别“黑盒”等待。
  • 精选开源 MCP 客户端
    • -
    • 山行AI
    • MCP（模型上下文协议）是一种开放协议，使得 AI 模型能够通过标准化的服务器实现，安全地与本地和远程资源交互
  • 推荐：基于MCP的AI应用架构
    • -
    • 阿里云开发者
    • 很详细的对MCP如何融入到现有AI应用架构中做了说明
  • Jeff Dean：谷歌LLM发展史
    • -
    • 机器之心
    • 谷歌首席科学家 Jeff Dean 在苏黎世联邦理工学院举办的信息学研讨会上发表的演讲
    • AI 的重要趋势：我们是如何走到今天的，我们现在能做什么，以及我们如何塑造 AI 的未来？
  • Droidrun：让Agent操作Android手机
    • -
    • OSC开源社区
  • 博查AI：为LLM提供联网搜索功能
    • -
    • 腾讯科技
    • 把价格打到了Bing的1/3
    • 可以看到GEO（AI搜索优化）相较于SEO（传统搜索优化）要更加注重内容的与用户问题的语义相关性。因此企业做GEO，提高内容的质量就成了必要的手段。
    • 跟自媒体时代的内容逻辑相似，企业如果能够提供好内容，那么在AI搜索时代，不需要花钱获得曝光，甚至可能能够赚到钱。“其实归根到底大家需要的都是高质量的答案。”
  • 华为：三进制电路降能增效
    • -
    • T superman
Reference in New Issue View Git Blame Copy Permalink