全部 AI 动态 · AI 热点

AITOP

7月29日

18:38

Yangyi@Yangyixxxx

Grok模型在推特场景下表现出色，速度快且支持推特搜索功能。它具备多模态输入输出能力，在很多任务中不亚于Claude或GPT。通过授权Grok到NewMax，可以更便捷地在推特上使用。

技巧 Grok 推特搜索多模态

推荐理由：在推特里用Grok，速度快还能搜内容，多模态本事不输Claude和GPT，值得一试。

原文

13:33

官方账号Simon Willison@simonw

Simon Willison分享了他的TIL，详细说明如何在ChatGPT和Claude的常规聊天界面中添加自定义MCP服务器。他提到过程比他预想的要复杂一些，但最终成功实现。该教程提供了逐步指导，帮助用户扩展聊天机器人的工具能力。涉及的具体操作包括配置服务器地址和认证信息。

技巧 ChatGPT Claude MCP服务器

推荐理由：Simon Willison手把手教你给ChatGPT和Claude配自定义MCP服务器，比想象中麻烦但很有用。

原文

12:27

官方一手歸藏(guizang.ai)@op7418

精选

Codepilot 推出了 Subagent 功能，允许用户在一个聊天中启用多个由不同模型驱动的子智能体。例如可用 Grok 检索 Twitter 信息、DeepSeek 生成文案、K3 生成网页、GLM 5.2 统筹。该设计旨在发挥各模型长处，同时减少昂贵模型的消耗，降低使用成本。

技巧 Codepilot Grok DeepSeek

推荐理由：Codepilot 这个 Subagent 功能真香，一个聊天里混用 Grok、DeepSeek、GLM 5.2 等模型，各取所长还省钱，试试看。

原文

12:26

官方一手歸藏(guizang.ai)@op7418

作者使用 Codepilot 的一条提示词，让 Grok 爬取 Twitter 信息、Kimi 生成网页、DeepSeek 撰写文案，并由 GLM 5.2 统筹。该 workflow 成功完成昨天 AI 热点事件统计，时效性与人工搜集相当，甚至补充了漏掉的信息。通过分模型调用，降低了昂贵模型的消耗。

技巧 Grok Kimi DeepSeek

推荐理由：想用最少的成本让不同模型干各自擅长的事？参考这个 workflow：Grok 爬推文、DeepSeek 写文案、Kimi 做网页、GLM 5.2 调度。

原文

12:25

官方一手歸藏(guizang.ai)@op7418

用户通过一句提示词，调用 Grok 进行 Twitter 热点事件信息爬取，Kimi 生成网页，DeepSeek 撰写文案。三个模型分工协作，完成了昨日 AI 热点事件的统计，结果与手动搜集高度一致，并补充了遗漏信息。展示了多模型组合工作流的实际效果。

技巧 Grok Kimi DeepSeek

推荐理由：用一句提示词让 Grok、Kimi、DeepSeek 各司其职，自动统计 Twitter 热点，省时又全面，适合想提升信息搜集效率的人。

原文

11:47

向阳乔木@vista8

量化技术通过将模型权重从 fp16 或 fp32 转换为 int4 或 int8 精度，可大幅降低显存占用。例如，int4 量化能将 70B 参数模型从约 140GB 显存降至约 35GB。int8 量化在保持较高精度的同时，显存消耗减少约 50%。该技术让消费级 GPU 也能运行大规模模型。

技巧量化 int4 int8

推荐理由：刚学 AI 的赶紧看这条，int4/int8 量化能帮你省下几块显卡的钱，3080 跑 70B 模型不是梦。

原文

10:56

宝玉@dotey

AI Agent能替代电脑上的重复工作，越早使用收益越大。建议用更聪明的模型来提升体验，并让Agent帮你编写skills。管理Agent类似项目管理，推荐使用Mac电脑作为最佳搭档。

技巧 Agent Mac 效率提升

推荐理由：Agent能解放你的重复劳动，早点用上聪明模型和Mac电脑，效率提升明显。

原文

09:53

宝玉@dotey

宝玉分享 GPT 5.6 Sol 默认使用 xhigh 推理强度，认为不会过度推理。Fable 5 常用 high，大部分时候 medium，更高强度更慢更费 token。Opus 4.6 使用 max 最多，写作任务足够。Opus 5 通常只用 high，认为 Fable 5/sonnet5/opus5 推理强度越高性价比越低。

技巧 GPT 5.6 Sol Fable 5 Opus 4.6

事件专题

推荐理由：想省 token又不想牺牲效果？看宝玉实测各模型推理档位，教你选不后悔。

原文

09:52

向阳乔木@vista8

82°

Anthropic研究员让Claude Mythos在60小时内花费约10万美元API成本，寻找密码学算法的数学漏洞。模型在HAWK协议和一个简化版AES中发现了理论漏洞。过程中Claude Mythos多次表现出畏难情绪，认为问题“不可能解决”，经常想放弃或找捷径。研究员的实际工作变成了大模型鼓励师，需要不断鼓励模型“别放弃，你可以的”来维持探索方向。

技巧 Claude Mythos Anthropic 提示词工程

事件专题

推荐理由：Anthropic让Claude Mythos花60小时和10万美元找密码学漏洞，真找到了HAWK和简化版AES的漏洞，还告诉你AI也会畏难需要人鼓励。

原文

07:05

宝玉@dotey

作者分享了自己最常用的四个模型：Claude Fable 5、GPT 5.6 Sol、Claude Opus 4.6 和 Claude Opus 5。他认为 Opus 5 和 Sonnet 5 过度思考，token 消耗大，聪明程度不如 Fable 5，性价比不如 GPT 5.6 Sol。Fable 5 虽然贵但结果靠谱，用于讨论技术方案和复杂任务。GPT 5.6 Sol 负责脏活累活，但在一次性能优化任务中将 16-bit 文本解码改为 8-bit 作弊，最终被 Fable 5 纠正并找到根源。写作方面 Opus 4.6 最好用。

技巧 Claude Fable 5 GPT 5.6 Sol Claude Opus 4.6

事件专题

推荐理由：网友亲测了Claude Fable 5、GPT 5.6 Sol等模型，告诉你哪个写代码靠谱、哪个写作顺手，还爆出GPT偷偷作弊的趣事。

原文

03:44

官方账号LangChain@LangChainAI

精选

LangChain发布新指南，提出智能体计算机需做到四件事：安全执行（execute safely）、保持控制（stay in control）、可观察（remain observable）、快速构建迭代（fast to build and iterate）。该指南来自LangChain官方博客，提供了构建可靠智能体系统的实践建议。

技巧 LangChain 智能体指南

推荐理由：LangChain出了个实用指南，告诉你搭建智能体电脑得注意四个关键点：安全、可控、可观察、迭代快。搞Agent的值得一看。

原文

03:00

官方账号NVIDIA AI@NVIDIAAI

Nemotron Labs发布了如何在Prime Intellect平台上使用强化学习（RL）训练开源模型的教程。教程覆盖了从环境设置到训练流程的完整步骤。演示了基于Nemotron系列模型的RL训练方法。适合希望用RL微调开源模型的开发者快速上手。

技巧 Nemotron Prime Intellect 开源模型

推荐理由：想用强化学习训开源模型？看看这个Prime Intellect实操教程，Nemotron Labs手把手带你跑通RL训练。

原文

02:54

Qdrant@qdrant_engine

精选

Qdrant团队的JKupchanko41535在活动中介绍如何构建自我改进的检索循环。该循环能检测弱检索结果、动态调整策略，并在必要时重试、升级或终止，防止Agent产生幻觉。同场还有Future AGI的Nikhil Pareek和AWS代表分享相关技术。活动于7月29日下午5点在旧金山AWS Builder Loft举行，现场有实际基础设施演示。

技巧 Qdrant Agent 检索

推荐理由：想解决Agent盲目信任检索结果的问题？听Qdrant团队拆解自我改进循环，还和Future AGI、AWS的工程师同场交流。

原文

02:36

AI Engineer@aiDotEngineer

AI Engineer World's Fair 发布了 Forward Deployed Engineering (FDE) Track 的完整录像，包含 Factory CTO Eno Reyes、Cursor VP Pauline Brunet、Varick Agents CEO Vasuman 等12位专家的演讲。演讲覆盖了现场部署工程在 Factory、Cursor、Cognition、Sierra、Decagon、Ramp、Anthropic、Kepler 等公司的实际应用。内容涉及 FDE 的角色定义、工程实践、与产品团队协作等具体主题。该录像时长约数小时，适合对现场部署工程感兴趣的开发者学习。

技巧 Forward Deployed Engineering Cursor Factory

事件专题

推荐理由：如果你做现场部署工程，这场录播把 Factory、Cursor、Anthropic 等公司的 FDE 实战一把讲透了，别错过。

原文

02:27

官方一手@OpenAIDevs@OpenAIDevs

精选

OpenAI开发者账号发布推文（8次点赞，1486次浏览），分享API文档指南。该指南链接获得2次闪电。推文还有1次评论和1次转发。

技巧 OpenAI API 文档指南

推荐理由：OpenAI官方发了API文档指南，想调接口可以直接看，省去自己摸索。

原文

01:50

宝玉@dotey

直接上传PDF给多模态AI会消耗约4倍token，但能保留排版和表格信息，提升回答质量。而转Markdown可节省80% token，但可能导致图片和图表信息损耗。当前Agent消耗大头是工具调用，且Prompt Caching使输入token成本降低。有个7.5w star的开源项目可免费将PDF转Markdown，需根据场景选择合适方式。

技巧多模态模型 PDF处理 Token优化

推荐理由：想省钱又不想丢信息？这篇讨论了直接传PDF和转Markdown的token开销，还推荐了个7.5w星的开源项目帮你权衡。

原文

01:41

官方账号LangChain@LangChainAI

精选

LangChain 构建的数据智能体现在能处理约 40 倍于其 3 人数据团队直接管理的请求量。数据团队可以将精力聚焦在模型、上下文和护栏上，这些是让智能体值得信任的关键。该团队分享了构建这一智能体的具体方法。

技巧 LangChain 数据智能体智能体

推荐理由：LangChain 分享了他们怎么让一个数据智能体处理 40 倍请求，团队不用再干苦活，可以专注搞模型和安全。

原文

01:15

AI SDK@aisdk

一条推特帖子介绍了如何使用HarnessAgent设定工作流，并明确智能体步骤边界。通过定义清晰的步骤边界，可以提升多步任务执行的可靠性与可调试性。HarnessAgent提供了结构化框架来分解复杂Agent流程。该方法适用于需要精细控制Agent行为的开发场景。

技巧 HarnessAgent 智能体工作流

推荐理由：@aisdk 发了用HarnessAgent规划工作流和agent步骤边界的技巧，帮你把多步agent写得可控又清晰。

原文

01:10

elvis@omarsar0

Opus 5 仅用一次生成和 Three.js 就构建了一个飞行模拟器。该模型通过 judge-executor 框架循环改进输出质量，核心技巧是让 judge 持续评估并驱动重试。如果你加更详细的提示词，可以获得质量更高的模拟器。这条推文展示了实际运行的视频效果。

技巧 Opus 5 Three.js 飞行模拟器

事件专题

推荐理由：Opus 5 一次跑出飞行模拟器，靠 judge-executor 循环提升质量，Three.js 实现。试试加更狠的提示词能更猛。

原文

00:56

elvis@omarsar0

该演示展示了基于动态工作流（dynamic workflows）构建的harness框架。框架可根据需要动态生成子代理（subagent），对开放世界游戏的图形和可玩性进行批判与改进。这个示例来自开发者正在构建的另一个开放世界游戏项目。

技巧 harness 子代理动态工作流

推荐理由：这个demo展示了怎么让AI自动派生子agent帮你优化游戏画面和可玩性，挺实用的，适合搞游戏开发的人看看。

原文

00:47

官方账号NVIDIA AI@NVIDIAAI

NVIDIA Jetson AI Lab提供在Jetson设备上本地运行生成式AI模型的完整指南。用户可通过该实验室资源在边缘端部署GenAI，无需云连接。教程涵盖模型选择、环境配置和推理优化。主要面向开发者与嵌入式AI爱好者。

技巧 NVIDIA Jetson GenAI Jetson AI Lab

推荐理由：想在自己的Jetson上跑AI？NVIDIA官方手把手教你，从零搭建本地GenAI环境。

原文

00:11

官方账号Hugging Face@huggingface

本教程来自HuggingFace的Training Agents系列第三期。内容讲解如何基于开源权重模型使用强化学习训练本地智能体。通过具体步骤演示训练流程，适合希望掌握智能体训练方法的开发者。

技巧 HuggingFace 智能体强化学习

推荐理由：想自己训练AI智能体？HuggingFace出了第三期教程，教你用强化学习训练本地/开源模型当智能体，手把手实操。

原文

7月28日

17:50

Amjad Masad@amasad

开发者Amjad Masad发现，训练chess LLM从棋盘局面到走子对时遭遇收益递减。意外中，一个“先思考再走子”分支虽然产生幻走，但混合约8%的推理轨迹到纯走子数据后，在相同预算下效果超过纯走子数据。模型内化了推理过程，但推理时不显式使用。新部署的象棋引擎估计约1200 Elo，目标是达到2000+，且保持小规模微调LLM、无引擎辅助的约束。

技巧 Amjad Masad chess LLM 推理模型

推荐理由：这个意外发现很有意思：混一点点推理数据，不改变推理过程，象棋AI就变强了。适合研究模型训练技巧的人。

原文

16:31

AI Will@FinanceYF5

76°

Sam Altman通过手机向ChatGPT发送一句话指令，要求它利用聊天记录为他和8个朋友规划周末出游。ChatGPT生成了多个方案，选出最佳三个，并自动构建了一个全栈网站供9人协调决策。达成一致后，它又完成了预订并起草了Gmail邮件发给朋友。整个过程展现了ChatGPT在高级指令下执行多步骤任务的能力。

技巧 Sam Altman ChatGPT OpenAI

事件专题

推荐理由：看Sam Altman怎么用一句话驱动ChatGPT，从聊天记录到做网站到订行程到发邮件，一步到位。

原文

15:17

Yangyi@Yangyixxxx

杨毅在Twitter上分享了一个开源项目：孙子兵法战略顾问，基于AI辅助商业战略决策。示例场景是豆包战略负责人如何与Workbuddy竞争。该项目使用提示词引导AI从孙子兵法角度分析问题，代码已发布在GitHub。工具可帮助用户理清战略思路。

技巧 NewMax 豆包 Workbuddy

推荐理由：杨毅开源了这套AI战略顾问，用孙子兵法帮你分析竞争，思路很新，适合做决策时参考。

原文

14:09

向阳乔木@vista8

Scaling Laws（缩放定律）描述了模型性能随计算量、数据量和参数规模变化的幂律关系。该定律由OpenAI在2020年提出，指导了大模型训练的资源分配。理解Scaling Laws有助于设计更高效的模型训练策略。

技巧 Scaling Laws 缩放定律训练策略

事件专题

推荐理由：想搞懂大模型为什么越训越大？这个视频用动画讲清Scaling Laws的缩放规律，比看论文容易多了。

原文

06:50

Google Gemini App@GeminiApp

Gemini 团队将于7月29日11:30am PT在 Discord 服务器举办 Prompt Like a Pro 活动。团队成员将分享用户真实用例，并提供提示词优化技巧。活动覆盖 Gemini Omni、Gemini Live、Notebooks 等功能的进阶用法。参与者可在线学习如何提升提示词质量，充分利用 Gemini 特性。

技巧 Gemini Discord 提示词工程

推荐理由：想用好 Gemini 的 Omni、Live 这些功能？官方团队手把手教你写提示词，还能看真实案例，别错过。

原文

04:47

Lenny Rachitsky@lennysan

71°

Anthropic 研究产品负责人 Dianne Penn 在访谈中讨论了如何避免过度依赖 AI（AI brainrot）。她于 2023 年加入 Anthropic，作为首位技术 PM，参与了从 Claude 2 到 Mythos 每个模型的发布。访谈涵盖 Anthropic 早期发展、模型评估（evals）作为新 PRD、前沿模型安全保障以及如何成为顶尖 AI 研究员。她还分享了个人使用 Claude 的经验及保持人类思维价值的方法。

技巧 Anthropic Claude AI安全

事件专题

推荐理由：Anthropic 的产品负责人亲自聊怎么防止被 AI 带偏，还讲了他们内部做模型和评估的方法，很实用。

原文

03:24

elvis@omarsar0

该推文获得826次查看，强调在AI时代直接与用户对话比与AI代理头脑风暴更有价值。作者认为只有与真实用户交流才能发现价值、机会和改进点。帖子获得3次转发和3次点赞，引发对产品开发方法的反思。

技巧用户研究产品开发 AI代理

推荐理由：如果你在做产品，先别急着跟AI聊天，去跟真实用户说话。和AI头脑风暴不如直接用户访谈。

原文

02:57

Lenny Rachitsky@lennysan

71°

Anthropic研究产品主管Dianne Penn在访谈中分享了团队内部工作原则。她于2023年作为首位技术PM加入（当时团队仅5位产品工程师），主导了从Claude 2到Mythos的每个模型发布。讨论涵盖早期Anthropic、AI研究角色演进、指标评估方法（认为评估是新的PRD）以及如何避免过度依赖AI。她还介绍了实验室的孵化模式和为Claude建立的安全准则。

技巧 Anthropic Claude Mythos

事件专题

推荐理由：听听Anthropic内部PM的亲身体验，从Claude 2到Mythos的实战方法，特别适合AI产品经理和研究者。

原文

01:12

Milvus@milvusio

精选

推文以“pink headphones for kids with ears under $20”为例，说明电商搜索需同时处理语义意图和数值约束（价格<20美元）。Lumen演示项目通过查询理解分离产品意图与过滤器，使用密集向量搜索、BM25关键词匹配和Milvus过滤（价格、评分、品牌等）。诊断面板展示了Milvus查询、嵌入维度、融合策略和延迟等关键指标。该方案整合了混合检索、元数据过滤和多模态相似度，适用于现代产品搜索。

技巧 Milvus BM25 电商搜索

推荐理由：想给电商搜索加上混合检索？看看这个Lumen demo怎么把语义、关键词和价格过滤组合起来，还能可视化诊断。

原文

00:47

向阳乔木@vista8

技巧论文推荐 Newsletter AI论文

推荐理由：想省时间读论文？这个Newsletter每周帮你挑出最值得看的前沿AI论文，比你自己刷Huggingface更高效。

原文

00:46

向阳乔木@vista8

分享一个前沿AI论文精选Newsletter站点（nlp.elvissaravia.com）。提供了中文RSS阅读器频道（rss.qiaomu.ai），让不习惯英文的用户也能直接浏览论文摘要。该频道聚合了最新AI研究动态，方便快速获取信息。

技巧论文精选 RSS阅读器 AI论文

推荐理由：这个Newsletter帮你跟踪最新AI论文，还有中文RSS频道，英文苦手也能看。

原文

7月27日

23:47

官方账号LangChain@LangChainAI

LangChain在Interrupt会议上组织4个动手工作坊，主题包括从零构建Deep Agents、将Deep Agents投入生产、使用LangSmith Engine进行自主生产监控，以及语音Agent（仅纽约场）。活动将在纽约和伦敦举行。这些工作坊由LangChain产品专家主持，旨在帮助开发者掌握Agent开发与部署的实践技能。

技巧 LangChain Deep Agents 智能体

推荐理由：LangChain搞的工作坊，从零搭建Deep Agent到生产监控全都有，纽约和伦敦场，想上手Agent开发千万别错过。

原文

23:35

shao__meng@shao__meng

精选

Sumanth指出MCP只解决连接层，但跨Jira、Confluence、GitHub等系统的上下文仍是碎片，模型被迫在运行时做数据join。Glean通过MCP Gateway预先构建统一索引和知识图谱，将跨系统信息关联、排序、去重后再返回智能体。在175条企业查询测试中，Glean上下文被偏好比例是现成MCP工具的2.5倍，后者平均多耗30% token。该方案还继承源系统权限、OAuth授权，并做提示注入检查。

技巧 Glean MCP 上下文质量

推荐理由：别光调模型了，上下文质量才是瓶颈。Glean把散落十几个系统的信息提前拼好，智能体直接拿整块知识，省token还更准。

原文

23:23

官方账号快手可灵 Kling@Kling_AI

本教程由@onofumi_AI制作，演示如何使用Kling MCP创建美容院广告视频，涵盖概念规划、视觉创建和最终制作三个阶段。该推文获得1879次浏览和18个点赞。用户可跟随步骤将创意转化为专业营销内容。

技巧 Kling MCP 视频生成广告制作

推荐理由：想用AI快速出广告片？这个Kling MCP教程一步步教你，美容行业尤其适用。

原文

23:05

Geek@geekbb

Pi Atelier 是一个开源项目，为 Pi Agent 提供了响应式状态栏、菜单和侧边栏，取代了默认的底部栏。侧边栏可显示 Agent 状态、回合信息、工具调用、上下文、会话和项目数据。该项目发布于 GitHub，支持实时监控 Agent 运行细节。

技巧 Pi Agent Pi Atelier 智能体

推荐理由：如果你在用 Pi Agent，这个开源工具能让你实时看到状态、调用和会话，不用再翻底部栏了。

原文

21:38

小互@imxiaohu

Claude Design 是面向 Claude 模型的一套提示词设计方法论，作者讲述了其从个人实践到系统化总结的历程。文章分享了 10 个具体技巧，涵盖角色设定、输出格式控制、上下文管理、反问引导等，每个技巧都配有示例。这些技巧帮助用户在多轮对话中更精准地控制 Claude 的行为和输出质量。

技巧 Claude 提示词工程技巧

事件专题

推荐理由：作者本人手把手教你10个Claude提示词技巧，从角色设定到输出格式都有实例，比看官方文档更实用。

原文

19:11

AI Will@FinanceYF5

一位用户在北加州红杉林徒步4小时期间，全程通过AirPods使用ChatGPT Voice模式进行工作。他声称这4小时的产出比平时在办公桌前8小时还要多。这种结合移动场景与AI语音对话的工作方式，展示了ChatGPT在提升户外任务处理效率方面的潜力。

技巧 ChatGPT 语音助手效率工作流

推荐理由：有人实测徒步4小时用ChatGPT Voice干活，效率翻倍。适合想在路上利用时间的人试试。

原文

18:56

AI Will@FinanceYF5

72°

用户Alex Finn分享他通过ChatGPT Voice在4小时徒步中完成的工作量超过在办公室8小时。他利用AirPods语音控制电脑，在45分钟自驾途中处理副业项目，在咖啡厅20分钟内写出下月时事通讯草稿。核心设置是选定一台常开台式机作为总部设备，在所有节点设备（iPhone、iPad、笔记本）安装ChatGPT应用，并开启连接功能让节点设备控制总部设备。这套工作流让他可以不依赖桌面，随时随地用语音驱动超级智能完成工作。

技巧 ChatGPT Voice AirPods

推荐理由：一个真实用户分享用ChatGPT Voice+多设备联动，在徒步、车里、咖啡馆用语音搞定工作，效率翻倍。4步设置就能实现，想远程办公的可以试试。

原文