全部 AI 动态 · AI 热点

7月9日

04:40

官方账号Simon Willison@simonw

精选

Kenton Varda指出，团队用AI写的代码变更描述（如PR和commit消息）只列出代码细节，省略了理解代码所需的高层次框架，对审查者来说比没用更糟。他建议让AI写代码但不要写描述，或者写prompt而不是输出。Simon Willison引用此观点，并承认自己让Claude和GLT-5.5写commit消息后也感到不安。一个好的简短描述只需几分钟，且如果写的人不理解代码，就不应该合并。

技巧 Claude GLT-5.5 编程助手

推荐理由：Kenton Varda说AI写commit消息只列细节缺框架，建议自己写或写prompt，比你用AI生成废话强。

原文

04:38

Notion@NotionHQ

Baseten每天处理10亿次AI推理调用，但其首位客户工程师（AE）成了知识瓶颈，回答同事提问占用了全部时间。他们使用Custom Agents构建了该AE的数字双胞胎，将原本需要30分钟的问题缩短至20秒，实现全天候自动回答。整个公司都能即时获取答案，而AE得以回归只有他能完成的交易工作。

技巧 Baseten Custom Agents 智能体

推荐理由：Baseten用Custom Agents给那位AE造了个数字分身，原来要等半小时的问题现在20秒就搞定，牛啊。

原文

04:29

Ethan Mollick@emollick

Grok 4.5 被用来生成一个 twigl shader，描绘 neo-gothic 城市淹没在暴风雨海中。初始提示词生成了技术正确但浏览器无法显示的代码。经过调整提示词系列后成功渲染出效果。该过程展示了 Grok 4.5 在复杂 shader 代码生成上的能力。

技巧 Grok 4.5 提示词工程编程助手

推荐理由：Grok 4.5 能通过提示词直接生成超酷的 shader 代码，第一次还因太复杂把浏览器搞崩了，调整后效果很棒！

原文

03:14

Ethan Mollick@emollick

Pinokio是一款用于下载和运行本地开源AI工具/模型的工具，它能将本地模型无缝暴露给Code和Codex等编码助手。在一次使用中，GPT-5.6自动发现了用户本地的视频模型和图像模型，并将它们作为廉价替代方案调用，绕开了付费API。这个案例展示了通过Pinokio集成本地模型与AI编码工具的实际工作流。

技巧 Pinokio Codex GPT-5.6

推荐理由：如果你用本地模型又嫌API贵，试试Pinokio，GPT-5.6能自动找到你的模型当免费API用。

原文

01:59

Ate-a-Pi@svpino

精选

本文介绍构建自学习智能体的方法。关键在于从两种来源学习：agent轨迹显示智能体行为和故障点，浏览器活动记录用户如何修正结果。有三种应用新知识的方式：微调模型、更新harness、提供上下文信息。建议侧重程序记忆（存储工作流和规则）和情节记忆（存储具体事件），避免过度依赖语义记忆。学习范围应限定在每用户、每团队或每应用级别，防止用户间数据泄露。最终强调拥有学习数据是核心资产，并使用开放标准。

技巧 self-learning agents 智能体微调

推荐理由：想让智能体越用越聪明吗？这篇文章手把手教你从用户操作和自身轨迹中学习，还有三种优化方式和数据安全建议，非常实用。

原文

01:40

官方账号NVIDIA AI@NVIDIAAI

本教程由NVIDIA AI发布，详细讲解如何为Nemotron 3 Ultra模型创建LangChain Deep Agents的harness配置文件。内容包括环境设置、Agent配置参数、工具链集成等步骤，适用于开发者快速部署基于LangChain的多智能体系统。

技巧 LangChain Nemotron 3 Ultra Deep Agents

事件专题

推荐理由：NVIDIA官方手把手教你给Nemotron 3 Ultra配LangChain Deep Agents，代码级别教程，做智能体开发的别错过。

原文

01:07

Milvus@milvusio

精选

Milvus 在写入数据后默认不会主动合并段，导致查询时需扫描过多段，影响性能。新推出的 Force Merge Compaction 功能允许用户手动触发段合并，在数据稳定后重塑存储布局。单节点基准测试显示，合并和索引重建会占用全部 16 个核心。该功能适用于写入完成后转为读密集的场景，可显著提升搜索吞吐量，目前处于公开预览阶段。

技巧 Milvus 向量数据库 Force Merge Compaction

推荐理由：如果你在用 Milvus 做知识库或批量加载后想加速查询，试试 Force Merge Compaction，它能在数据稳定后帮你合并段，减少查询扇出。

原文

00:50

Qdrant@qdrant_engine

Qdrant将于7月9日举办线上研讨会，教授如何构建能根据查询动态调整策略的检索智能体。内容包括：为每个问题选择合适检索策略（如使用ColBERT重排序和IRCoT查询分解来路由查询）、用轻量信号早期检测弱检索、以及构建STOP机制让智能体在不确定时主动放弃作答。研讨会展示了超越固定流程的检索技术。

技巧 Qdrant ColBERT IRCoT

推荐理由：Qdrant要教你做检索智能体，不是死板的固定流程，而是能根据问题调整策略，还能主动放弃乱猜，和普通Retrieval Agent不一样。

原文

00:31

elvis@omarsar0

Omar Sar0分享一种Executor-Advisor模式：用GPT-5.6作为执行者，Fable 5作为顾问。该模式在GPT-5.5上已表现良好，作者期待GPT-5.6带来更强性能。大多数token按执行者较低费率计费。完整教程即将发布。

技巧 GPT-5.6 Fable 5 智能体

事件专题

推荐理由：Omar Sar0用GPT-5.6和Fable 5组队，执行者+顾问模式还能省token，值得试试。

原文

7月8日

23:35

官方一手歸藏(guizang.ai)@op7418

这条提示词要求以可爱、拟人的方式解释大语言模型的训练过程。它不依赖具体模型名称或版本，而是专注于表达风格。适合用于生成面向非技术用户的科普内容。作者通过社交平台分享了这一创作思路。

技巧提示词工程 LLM 训练

推荐理由：想要给外行解释LLM怎么训练的？用这个提示词试试，一下就萌化了。

原文

22:49

Akshay Kothari@akothari

精选

Avi Kothari建议将知识、记忆和工作流存储在Notion等工具中，不同模型可以竞争来访问该上下文，从而避免被单一模型锁定。他指出，一旦上下文锁定在某个模型内，就等于交出了自己的护城河。Jens Honack则补充“主权栈”与“模型可替代性”存在张力：团队希望跨模型可选性，但深度集成会积累切换成本。这种张力可能催生下一代基础设施。推文获得的4次转发和23个赞反映了业界对这一理念的关注。

技巧 Notion Avi Kothari 智能体

事件专题

推荐理由：Avi Kothari教你用Notion管上下文，模型随便换，不被一家锁死。比所有东西塞进一个模型灵活多了。

原文

19:33

Yangyi@Yangyixxxx

在NewMax中利用Agent执行营销任务可形成持续循环。循环过程中会持续沉淀brand voice和user voice，数据表现逐步提升。该方法同样适用于推特和Pinterest等平台。Reverb Marketing在AI时代展现出强劲的营销效果。

技巧 NewMax Agent Reverb Marketing

推荐理由：想在NewMax上做营销？用Agent搞循环，边干边积累用户声音，效果越跑越好。

原文

19:23

官方一手歸藏(guizang.ai)@op7418

归藏分享了一个工作流：通过Codex连接Figama MCP，基于宣传文章自动生成包含精简内容和案例图片的板书，只需稍作调整即可用于录视频。同时开源了一个文章配图Skill，适配GPT-Image-2.0模型，可输入文档或文案生成带标签的3D材质配图。该流程大幅节省了手动搭建大纲和找配图的时间。

技巧 Codex Figma MCP GPT-Image-2.0

推荐理由：归藏展示了怎么用Codex+Figama MCP自动做录视频的板书，还开源了一个超好看的配图Skill，你用GPT-Image就能生成3D材质图，省时省力。

原文

18:57

Yangyi@Yangyixxxx

有开发者分享小程序开发者可申请腾讯混元3模型。但实际调用必须限定在微信小程序AI生态内。无法用于NewMax用户等外部场景。该限制意味着无法独立部署或接入非小程序环境。

技巧混元3 微信小程序模型调用

事件专题

推荐理由：想给NewMax用户用混元3？注意它只能在小程序AI生态里调用，别白费功夫。

原文

18:52

小互@imxiaohu

小互(@xiaohu)的新内容站Best.XiaoHu.AI上线3天即开始盈利。网站100%由Claude Code开发，90%的运营维护也由Claude Code自动完成。网站没有数据库和内容管理后台，所有内容由Claude Code自动生成，小互仅负责素材提供和上线审核。目标是打造99%脱离人类管理且能盈利的内容网站。

技巧 Claude Code Best.XiaoHu.AI 自动化运营

推荐理由：小互分享了一个纯靠Claude Code自动运营的网站，上线3天就赚钱了。没有数据库和后台，适合想用AI做自动内容站的朋友参考。

原文

14:31

宝玉@dotey

精选

SkillsBench测试显示，模型自生成的Skill平均比无Skill基线低1.3个百分点，而专家策划的Skill显著提升通过率。作者经验建议Skill应聚焦核心，仅包含两三个文件，而不是百科全书式。在软件工程领域Skill仅提升4.5分，但在医疗保健领域飙升51.9分，提示瞄准模型薄弱领域。同时需要在不同Agent（如Codex、Claude Code）中测试兼容性。

技巧 Skill 提示词工程 SkillsBench

推荐理由：别让AI自己写Skill，效果反而更差。人指挥AI写、小而精、针对弱项，才是真管用。

原文

11:32

Ethan Mollick@emollick

伊桑·莫里克的研究表明，即使智能体革命尚未到来，提示技巧也已失去价值。最佳做法是清晰说明目标、输出格式、好坏标准以及如何测试结果。他指出，这本质上就是管理方法。该方法强调具体描述而非复杂提示词。

技巧提示词工程智能体目标设定

推荐理由：别再学花哨的提示词了，明确你要什么、怎么算好，才是用AI的正确姿势。

原文

11:05

Aadit Sheth@aaditsh

作者自称能通过字体、格式等细节在10秒内识别AI生成的文字，就像有经验的人能认出Claude常用的字体和盒子样式。他认为AI适合做研究、查证、采访等任务，但想法和观点必须来自个人。自2023年ChatGPT发布后，AI写作已成常态，但大人物用AI发内容会被视为懒惰。

技巧 Claude ChatGPT AI写作

推荐理由：作者教你用Claude字体、格式这些细节快速判断一段文字是不是AI写的，比靠感觉靠谱多了。

原文

10:16

shao__meng@shao__meng

精选71°

Claude开发者团队分享两种多智能体模式：Advisor模式中，Sonnet 5作为执行者，仅在需要时调用Fable 5获取指导；Orchestrator模式中，Fable 5负责规划，将任务分派给多个Sonnet 5 worker并行执行。在SWE-bench Pro（482题）上，Sonnet 5单独得分为75.5%，成本0.75美元；Sonnet 5+Fable Advisor得分为84%，成本1.40美元；Fable 5单独得分为91.5%，成本2.25美元。组合方案达到Fable 5约92%的性能，成本仅为63%。在BrowseComp完整集上，全Sonnet 5得分为77.8%，成本16.01美元；Fable 5 Orchestrator+Sonnet workers得分为86.8%，成本18.53美元；全Fable 5得分为90.8%，成本40.56美元，编排方案达到约96%性能，成本仅46%。

技巧 Fable 5 Sonnet 5 Claude

事件专题

推荐理由：官方团队分享了两种省钱的混搭模式：用便宜的Sonnet 5跑大部分任务，偶尔让贵的Fable 5把把关，性能损失不大但预算砍半。

原文

10:16

shao__meng@shao__meng

精选

该方案将 ADE 提取能力封装进 Lambda 容器，由 S3 上传事件触发处理。架构使用 lambda/python:3.11 基底，构建 arm64 镜像推送到 ECR，Lambda 函数配置 300s 超时和 1024MB 内存。支持 Parse 和 Extract 两种模式，通过 payload 切换；Extract 模式使用 Pydantic schema 绑定解析后的 Markdown。单次批处理 11 份文档耗时 119 秒（10.8 秒/份），15 分钟超时内可处理约 80 份。Schema Registry 通过 EXTRACTION_SCHEMAS 字典实现类型扩展，handler 零修改。

技巧 ADE AWS Lambda S3

推荐理由：手把手教你用 AWS 原生服务搭无服务器文档处理流水线，冷启动配置、批跑模式、Schema 扩展都讲透了，适合想省云成本的开发者。

原文

05:19

OpenRouter@OpenRouterAI

OpenRouter 发布博客对比推理模型与非推理模型在不同细节设置下的成本与性能。推理模型推荐保持 auto 或 high 细节以保留精度；非推理模型设为 low 细节可真实节省费用和延迟，但需接受准确度损失。博客附有详细基准表格和每模型分表，帮助用户按需选择。

技巧 OpenRouter 推理模型成本优化

推荐理由：OpenRouter 实测告诉你：非推理模型调低细节真的能省钱省时间，但推理模型别省，自己看表格选策略。

原文

05:17

OpenRouter@OpenRouterAI

OpenRouter的实验显示，调整推理努力（reasoning effort）对成本的影响远大于调整细节（detail）。细节变化可使准确率波动2到17个百分点，但几乎不改变成本。而限制推理努力能削减50%到75%的成本，准确率仅变动1到2个百分点（在噪声范围内）。这说明优化推理努力是控制成本的关键。

技巧 OpenRouter 推理模型成本控制

推荐理由：OpenRouter实测数据告诉你，想省钱只要调低推理努力，准确率几乎不掉，但成本能砍一半以上。

原文

04:38

官方账号Simon Willison@simonw

Simon Willison 发布了 sqlite-utils 的升级指南，针对一个向后不兼容的变更。指南详细说明了变更内容，并提供了两种升级方式：手动阅读指南逐步操作，或将指南内容输入 coding agent 自动应用升级。该指南适用于 sqlite-utils 用户，帮助其平滑过渡到新版。

技巧 sqlite-utils 升级指南向后不兼容

推荐理由：Simon W 给了个升级指南，sqlite-utils 有向后不兼容改动，你可以自己改或丢给代码助手自动改，省事。

原文

03:52

官方账号LangChain@LangChainAI

施耐德电气在生产环境中部署了60多个AI智能体，覆盖100多个国家，所有流程通过自托管的LangSmith进行追踪。其AI助手服务了16万名员工。公司分享了构建LLMOps基础以信任大规模智能体的实践经验，包括如何确保可靠性和可观测性。

技巧 Schneider Electric LangSmith AI agents

推荐理由：施耐德电气分享怎么管60多个AI智能体，覆盖100国，16万员工在用，用自托管LangSmith追踪，实战经验很具体。

原文

03:10

官方账号Google DeepMind@GoogleDeepMind

Google DeepMind 推出的 Antigravity 技能针对历史分析的三大核心挑战：为每段铭文自动生成定制分析和可视化、跨源映射以发现大规模模式、让非编程人员使用高级 AI 工具。它将这些原本需要复杂编程的流程转化为纯自然语言描述。用户只需用日常英语描述需求，即可完成原本需要多步代码和工具组合的分析任务。该技能降低了历史研究中 AI 的使用门槛。

技巧 Google DeepMind Antigravity 历史分析

推荐理由：如果你搞历史研究又不想写代码，DeepMind 的 Antigravity 技能让你用大白话就能完成复杂分析，省掉写脚本的麻烦。

原文

03:06

Qdrant@qdrant_engine

Qdrant Edge是一个面向边缘设备的向量数据库。该广播演示了如何在设备端通过Qdrant Edge实现检索增强生成（RAG）。设备端RAG能提升AI应用的实时性和隐私保护，降低对云端的依赖。具体实现细节未在推文中展开。

技巧 Qdrant Edge RAG 设备端AI

推荐理由：Qdrant展示了如何在手机上跑RAG，用他们的Edge产品。如果你在意隐私和离线AI，看看这个。

原文

02:57

Fireworks AI@FireworksAI_HQ

Fireworks AI联合创始人Benny Chen在Stack Overflow Podcast上讨论了评估AI应用的框架。他提出需要平衡定性信号与定量指标。开源评估协议和社区贡献正在推动AI评估标准化。

技巧 Fireworks AI Stack Overflow AI评估

推荐理由：Fireworks AI的Benny Chen教你怎么判断AI应用好不好，不是只看指标，还要看定性信号。

原文

02:36

Harrison Chase@hwchase17

该推文介绍了如何利用 LangGraph 实现一个本地优先的个人 AI 代理。代理通过编排、记忆、工具调用、后台工作流和子代理来完成复杂任务。LangGraph 的图结构允许灵活定义状态机，支持持久化记忆和异步后台处理。子代理可以独立执行子任务并返回结果，实现模块化扩展。

技巧 LangGraph 本地优先智能体

推荐理由：想自己搭一个本地跑、能记住你、还能自动干活的 AI 助手？这篇用 LangGraph 手把手教你怎么搞，还能拆分子代理干活。

原文

02:29

elvis@omarsar0

一条推文指出，Fable 5的发布凸显了多模型智能体编排的重要性。用户可借助Opus 4.8或Fable 5规划任务，用GPT-5.5执行，用GLM-5.2设计界面。通过精心协调，token利用率能显著提升。观点认为多数场景下无需Fable 5，优化编排策略更关键。

技巧 Fable 5 Opus 4.8 GPT-5.5

事件专题

推荐理由：别盯着Fable 5一个模型，试试用Opus做规划、GPT执行、GLM设计，省token效果还好

原文

01:49

官方账号LangChain@LangChainAI

LangChain Academy 发布新课程“Introduction to Deep Agents”，系统讲解什么是 agent harness 以及为何 agent 需要它。课程涵盖 harness 的 4 个核心能力：封装、路由、状态管理、生命周期控制。学员将学习如何用 Deep Agents 框架构建 agent，并使用 LangSmith 进行跟踪与部署。该课程面向已掌握基础 LangChain 的开发者，提供免费在线学习资源。

技巧 LangChain LangSmith Deep Agents

推荐理由：LangChain 官方出了个免费课，专门讲 Deep Agents 框架和 harness 的四个核心能力，学完就能上手搭建和部署自己的 AI agent，比之前零散教程系统多了。

原文

01:45

李继刚@lijigang_com

LLM通过预测下一个token来学习语言的结构。人也应该通过预测所在领域的下一步，逼自己看见真正的生成机制。这种‘选择压’能淘汰模糊理解，只留下对结构性的判断。

技巧 LLM 预测选择压

推荐理由：试试用预测的方式，像LLM学语言一样，逼自己看清领域底层逻辑，比模糊理解管用多了。

原文

01:44

elvis@omarsar0

作者分享如何通过人机协同（HITL）来提升代理循环的可靠性。他使用DialAgent MCP服务器为Claude和Codex代理分配独立电话号码，使代理能在处理PR和功能时通过语音通话向作者升级决策。这种方法让他在离开电脑时也能与代理沟通。作者提供了快速启动提示词：向代理粘贴指令获取Dial电话号码并拨打测试。

技巧 DialAgent Claude Code Codex

推荐理由：让AI代理打电话给你做决策，而不是盯着屏幕等通知。DialAgent给Claude/Codex配号码，实测有效。

原文

01:15

Yangyi@Yangyixxxx

2023年初作者就意识到需要统一API的中转站。2026年推出NewMax后，用户仍因中转站问题难以使用。用户群中最常见的是模型配置失败或中转协议不兼容。为了降低NewMax的使用门槛，他最终自建了newapi中转服务。

技巧 NewMax newapi API中转

推荐理由：NewMax作者解释了他为什么自己搭了newapi中转，解决了用户配置难的问题。

原文

00:17

Weaviate@weaviate_io

精选

Weaviate Playground 发布了一个报纸主题demo，每2小时从6个新闻主题（general、world、business、technology、sports、health）采集标题。每个标题被转化为1536维向量，利用Leiden算法进行聚类。LLM为每个聚类生成自然语言标签，用户可通过混合搜索（语义+关键词）探索不同角度。该demo展示了向量数据库自动发现潜在故事的能力，并附带构建教程。

技巧 Weaviate 向量数据库 Leiden算法

推荐理由：Weaviate 搞了个demo，用向量聚类把新闻标题自动归类成故事，每2小时更新，还能自己动手搭建。

原文

00:12

官方账号Hugging Face@huggingface

精选

HuggingFace 举办了一场名为 Training Agents 2 的直播教程，聚焦于模型蒸馏技术。该教程详细演示了如何将大模型（教师模型）的知识压缩到更小的学生模型中，以训练自定义 AI 智能体。直播吸引了超过 2.1 万次观看和 124 个点赞，适合希望降低推理成本并保持性能的开发者。

技巧 HuggingFace 模型蒸馏智能体

推荐理由：HuggingFace 手把手教你怎么用蒸馏训练自己的 agent，省资源还能定制，适合做动手实践的教程。

原文

7月7日

23:45

官方账号LangChain@LangChainAI

LangChain CEO Vtrivedy10 在 aiDotEngineer World's Fair 演讲，强调从 trace（追踪）数据中挖掘是理解智能体（agent）行为的关键。他指出，这能帮助公司大规模策划数据，并建立改进循环。该演讲聚焦如何通过 trace 数据驱动智能体性能提升，而非具体产品更新。

技巧 LangChain 智能体 trace

推荐理由：LangChain 老大分享怎么用 trace 数据搞懂你的智能体，还能循环改进，做 AI 应用的一定要听。

原文

23:36

Harrison Chase@hwchase17

Viv在一篇博客中指出，无论通过强化学习还是工程优化，改进智能体的核心都转化为对轨迹（traces）的数据挖掘问题。该观点将智能体开发重新定义为数据处理任务，并讨论了如何利用轨迹数据提升性能。博客未涉及具体基准或版本号，但提出了方法论层面的见解。

技巧智能体 RL 轨迹

推荐理由：Viv说改智能体就是挖轨迹数据，这角度挺新，做Agent的可以看看。

原文

23:25

向阳乔木@vista8

当AI模型能力逼近通用水平时，用户表达模糊想法的差距成为新瓶颈。学会把“大概想要什么”转化为“明确要什么、不要什么”是高效使用模型的关键。表达能力正取代模型本身的进步，成为人机协作的核心竞争力。

技巧提示词工程表达能力人机协作

推荐理由：这条推文点透了：别再只追新模型了，提升自己提需求的能力才是正经事。

原文

23:24

向阳乔木@vista8

Simon Willison提出在Claude系统提示词中加入规则，让模型自动根据编码任务复杂程度选择不同功耗的模型。主架构设计等复杂任务使用Claude Opus或Fable，而写代码、改代码等机械任务则调用Sonnet或Haiku子代理执行。该方法通过区分判断型与执行型任务来降低API调用成本，实测可节省大量费用。该思路同样适用于其他多模型平台。

技巧 Claude Fable Claude Opus

推荐理由：想省API预算又不想牺牲架构质量？试试这个：让Claude Opus/Fable做主设计，Sonnet/Haiku干苦力，自动分配任务，省心又省钱。

原文

23:18

Martin Fowler@martinfowler

Birgitta Böckeler在martinfowler.com发表文章，分享了她使用本地LLM完成编程任务的实践。文章探讨了影响本地LLM可行性的因素，包括模型大小（如7B、13B参数）、硬件要求（如GPU内存）、任务类型（如代码生成、调试）。她对比了本地LLM与云端模型（如GPT-4）在延迟、隐私和准确率方面的差异。结论是，对于简单编程任务，本地LLM（如Code Llama 7B）足够使用，但复杂任务仍需云端模型。

技巧 LLM 编程助手本地模型

推荐理由：想知道本地跑LLM写代码靠不靠谱？看看这篇实测，从模型选型到硬件门槛都说了，还有和GPT-4的对比。

原文