精选 AI 资讯 · AI 热点

6月16日

21:34

21:34

LangChain@LangChainAI

精选

LangChain 推出 Traces 功能，可记录 inputs、model calls、tool calls、outputs 和 final action。Evals 将这些学习转化为测试，用于验证下一版本是否更优。团队可借此从手动调试转向持续改进循环。LangChain 创始人 Harrison Chase 将于 6 月 24 日举办深入研讨会。

技巧 LangChain trace eval 智能体调试

推荐理由：想从手动调 bug 升级到自动化评估？LangChain 的 traces 和 evals 帮你把每次运行变成可测指标，持续优化 agent。

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月9日

11:18

11:18

shao__meng@shao__meng

精选

开发者用 Step 3.7 Flash 完成了一个真实 Coding Agent 任务：将一组 Agent Memory 运行痕迹（包括 memory_events、structured_facts、memory_chunks 等）转化为一个本地可检查的 HTML 工具。模型先读取现有代码和测试输出，再检索 Letta、LangSmith 等工具的展示方式，最终生成单文件 agent_memory_inspector.html，展示 8 条 memory events、9 条 structured facts、9/9 场景测试通过等关键信息。这次测试表明，模型不仅能回答问题，还能理解上下文、查资料、写代码并产出可运行的工具。虽然还不是生产级观测平台，但作为 first-pass 任务，它验证了模型将真实 Agent traces 转化为可用工具的能力。

AI产品 Step 3.7 Flash Coding Agent Agent Memory 本地工具调试

推荐理由：做 Agent 开发或调试的团队，终于有个快速把混乱运行痕迹变成可视化检查工具的方法——Step 3.7 Flash 这次实测值得点开看看，可以直接复现验证。

6月1日

00:09

AITOP6月1日 00:09

OpenAI 发起“Codex for Open Source”：免费赠送 6 个月 Pro 订阅，开源维护者能否迎来 AI 变革？

5月29日

08:02

AITOP5月29日 08:02

Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……

Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？

5月21日

07:59

07:59

LangChain@LangChainAI

精选

LangChain 应用 AI 工程师 Palash Shah 在 X 上分享了 LangSmith Engine 的技术细节，深入讲解了其内部架构和工作原理。LangSmith Engine 是 LangChain 平台的核心组件，用于追踪、评估和优化 LLM 应用。这次分享帮助开发者理解如何更高效地使用 LangSmith 进行 AI 应用的可观测性和调试。对于使用 LangChain 构建生产级 AI 应用的团队来说，这是了解平台底层机制的好机会。

AI产品 LangChain LangSmith Engine 可观测性 LLM 应用调试

推荐理由：LangSmith Engine 是 LangChain 生态的调试和监控核心，做 LLM 应用生产的开发者值得了解其内部机制，能帮你更精准地定位问题。

5月19日

12:26

12:26

shao__meng@shao__meng

精选

TRAE 团队分析了用户真实调用的 Agent Skills 数据，发布了 Top 10 排行榜。这些 Skills 覆盖从 UI 设计到调试的产品开发全链路，包括强制设计先行的 brainstorming、计划拆解的 writing-plans、行为护栏 karpathy-guidelines 等。还有一款名为 /pua 的高压问责技能，用四级升级机制防止 Agent 偷懒。整体设计形成“想清楚→拆细→做精→验透→担责”的闭环，对 AI 编程工作流有很强的参考价值。

AI产品 TRAE Agent Skills AI 编程工作流调试

推荐理由：TRAE 用真实用户数据告诉你哪些 Agent Skills 最管用，做 AI 编程工作流设计的开发者可以直接抄作业，尤其是 /pua 这种反讽命名的高压问责机制值得一试。