全部 AI 动态 · AI 热点

AITOP

7月24日

15:14

Ate-a-Pi@svpino

Open Teach是一种通过演示来教AI Agent执行任务的方法。它兼容任何Agent和任何模型。用户可自托管，确保数据隐私。无需编写复杂指令，只需演示操作即可。

技巧 Open Teach 智能体自托管

推荐理由：Open Teach让你像教人一样教AI——演示一遍就行。支持任何Agent，还能自托管，数据全归你。

原文

13:54

官方账号Greg Brockman@gdb

用户 Max Weinbach 在桌面版 ChatGPT 中启用语音功能，通过语音输入想法后，系统自动将内容组织成 Threads 和工作树。他随机分段描述想法，ChatGPT 持续更新整理。该功能让语音交互更自然，适合头脑风暴和任务规划。

技巧 ChatGPT 语音功能桌面版

推荐理由：想试试桌面版 ChatGPT 的语音？有用户实测说边走边聊，它能帮你自动建大纲和工作树，整理思路超方便。

原文

13:21

官方一手marktechpost@Sana Hassan

精选

教程演示基于百度Unlimited-OCR模型的完整OCR工作流程，涵盖GPU环境配置、高分辨率图像tiled推理与Base模式对比。支持处理密集布局、表格及跨页内容，实现可复现的端到端流水线。实验表明tiled模式能有效提升高分辨率（如4K以上）图像的识别准确率，而Base模式在速度上更优。

技巧 Baidu Unlimited-OCR OCR

事件专题

推荐理由：手把手教你搭百度Unlimited-OCR流水线，处理高清图和PDF特别稳，还比较了不同模式的速度和精度。

原文

09:55

宝玉@dotey

《Clean Code》作者Bob Martin在X上表示他不阅读AI生成的代码，而是通过设置单元测试、Gherkin测试、QA流程、代码质量指标、变异测试和测试覆盖率等层层约束来确保代码质量。他今年推出了由四个Agent组成的流水线，分别负责需求规格化、编码、重构和架构审查，每个阶段自动化程度递增。他通过检查圈复杂度、模块大小等指标推断代码质量，而非逐行审查。他认为AI时代，写测试、定约束、设指标比读代码和写代码更重要，并在O'Reilly和Clean Coders平台开设相关课程。

技巧 Uncle Bob Martin Clean Code 测试驱动开发

推荐理由：鲍勃大叔亲授怎么用AI写代码又不看代码，靠测试和指标把关，开发者可以学起来。

原文

09:50

向阳乔木@vista8

Tokenizer是AI模型处理文本的前置步骤，将句子切成子词单元。主流模型如GPT-4使用BPE算法，单词'hello'可能被分成'hel'和'lo'两个token。这解释了为什么大模型在要求数'strawberry'中的r时会数错。本教程通过实例演示，帮助理解tokenizer机制。

技巧 Tokenizer BPE 分词

推荐理由：想搞懂大模型数不对数的原因？这个视频讲得特别清楚，几分钟就懂了。

原文

09:49

向阳乔木@vista8

该Skill名为qiaomu-model-cli，通过npx install命令可安装到Codex。安装后，可在Codex中同时调用Grok和Kimi两个模型，用于评估另一个大模型输出的可信度。通过多模型交叉验证，减少单一模型可能存在的错误或偏见。这是一个实用的工作流，适合需要高可靠性答案的场景。

技巧 Codex Grok Kimi

推荐理由：装个Skill就能让Grok和Kimi帮你验证大模型的话，挺实用的，试试看。

原文

08:54

向阳乔木@vista8

橘子分享了一套播客录制与发布工作流：先用Cola语音输入话题，AI自动提炼要点和问题；然后用剪映录制并开启降噪、去回声、人声美化；录完导出转写文本和mp3，再由Cola生成Shownotes，直接上传小宇宙。整个流程从录制到发布接近实时。还提供了5个实用Skill的GitHub地址和安装指令，覆盖视频剪辑、前端设计、PRD生成等。

技巧 Cola 剪映播客工作流

推荐理由：想快速做播客？看看橘子这套工作流，从录到发一气呵成，还附赠几个AI Skill。

原文

08:19

岚叔@lufzzliz

用户在微博提到GPT Voice功能尚未完全开放，但发现一个更实用的更新：创建项目时支持添加多个文件夹。这个功能省去了向Codex额外指定目录的步骤。对于多模块项目，该改动能提升编程效率，减少重复操作。

技巧 Codex GPT 编程助手

推荐理由：哥们，Codex更新了：建项目能加多个文件夹了，再也不用每次都手动说‘参考xx目录’，省事不少！

原文

07:18

官方一手AWS Machine Learning Blog@Sandeep Singh

Amazon Bedrock Guardrails可配置为代码生成工作流加入安全防护，防止生成有害或不合规代码。本文详细介绍了如何结合编码助手（如Amazon Q Developer）设置内容过滤器、敏感信息屏蔽和主题限制。通过实施这些最佳实践，企业能实现有效的容量规划并确保安全覆盖。文中还提供了示例策略和配置步骤，帮助开发者快速落地。

技巧 Amazon Bedrock Guardrails 代码生成

推荐理由：AWS官方教你给代码生成加护栏，用Bedrock Guardrails防有害代码，还能规划容量，适合用编程助手的人。

原文

06:21

官方账号LangChain@LangChainAI

Rillet 是一家面向中端市场和上市公司的 AI 原生 ERP 平台，已服务超过 500 家客户，包括 Mercor、Function Health、Kickstarter 等。该平台使用 LangSmith 作为其可观测性层，实时监控和分析 AI 代理的运行表现，帮助发现效率瓶颈。通过 LangSmith 的追踪与评估功能，Rillet 能够快速定位代理工作流中的异常，提升系统稳定性。

技巧 LangSmith Rillet ERP

推荐理由：Rillet 用 LangSmith 监控 AI 代理的实操案例，500+ 客户验证，帮你理解可观测性如何落地。

原文

06:14

宝玉@dotey

推文作者分享使用 AI 重构的经验，重申软件工程原则：重构前必须写好测试。尽管 AI 降低了重构成本，但做事方式未变，不应盲目重构。AI 擅长出错后的自我纠错，因此良好的测试覆盖对 AI 尤其重要。有观点认为 AI 最擅长重构，可以疯狂重构以清理技术债，但前提是测试到位。

技巧 AI编程重构测试

推荐理由：推文辩论了 AI 时代重构的正确姿势，强调先写好测试，对用 AI 编程的同学有启发。

原文

02:39

Ethan Mollick@emollick

技巧智能体指南 AI工具选择

事件专题

推荐理由：Ethan Mollick 写了篇指南，专门帮非技术用户搞清楚现在哪个AI智能体最好用，不用被各种新名字绕晕。

原文

01:35

官方一手AWS Machine Learning Blog@Vivek Singh

Amazon Bedrock AgentCore优化可检测生产环境中AI智能体的静默行为失败——这些故障能通过健康检查却输出错误结果。通过Insights功能，用户能跨会话发现、解释并排序故障模式。该方法无需额外手动标记，自动识别高影响问题。

技巧 Amazon Bedrock AgentCore 智能体

推荐理由：AWS新出的AgentCore优化，专抓那些表面正常但结果不对的智能体bug，帮你按影响排序修复，省大事了。

原文

01:11

官方一手AWS Machine Learning Blog@Anupa Bhattacharyya

精选

本文演示如何在 Amazon QuickSight 中使用 Highcharts 自定义可视化来构建跨区域运营商性能仪表板，克服原生图表限制。通过 QuickSight 联邦数据集功能，可在维护 AWS 区域数据主权的同时创建统一可视化。方案包含生产级图表配置，并解决安全、合规和扩展性需求。

技巧 Amazon QuickSight Highcharts 数据可视化

推荐理由：QuickSight 原生图表不够用？试试用 Highcharts 自定义组件，能跨区域整合数据还能保证数据主权。看完就能上手搭建生产级仪表板。

原文

01:10

官方一手AWS Machine Learning Blog@Sanjay Nagraj

精选

Jefferies基于Strands Agents agent harness SDK，结合Amazon Bedrock和Bedrock知识库构建了前台交易助手。该方案利用大语言模型与Model Context Protocol（MCP）安全连接数据源和工具。AI代理通过编排基础模型调用和外部工具实现推理、规划和执行。该交易助手优化了Jefferies的前台交易操作流程，提升了运营效率。

技巧 Strands Agents Amazon Bedrock MCP/协议

推荐理由：Jefferies用Strands Agents和Amazon Bedrock造了个交易助手，能自动调用工具处理数据，相比传统方案更灵活。

原文

01:09

elvis@omarsar0

精选

作者分享了构建个人agent orchestrator的经验，称许多想法尚处于早期阶段。通过自建系统，他得以探索难以理解的agent运行方式。目前他仍在寻找最通用的agent harness形式，并持续进行AI基准测试研究。

技巧 agent orchestrator agents 智能体

推荐理由：自己动手造了一个agent编排器，分享早期发现和实验心得，对搞智能体编排的人有启发。

原文

01:05

官方一手AWS Machine Learning Blog@Amit Deol

Motorway与AWS合作构建了端到端AI智能体评估流水线，将错误率从每8次查询1次错误降至每50次查询1次错误。问题检测时间从数小时缩短至数分钟。该流水线整合了Strands Agents SDK和Amazon Bedrock AgentCore托管服务。文章详细说明如何为自有智能体搭建此类评估流水线。

技巧 Strands AgentCore Amazon Bedrock

推荐理由：AWS和Motorway分享的智能体评估流水线，错误率从1/8降到1/50，检测时间从小时级到分钟级，照着就能用。

原文

00:46

Weaviate@weaviate_io

精选

Weaviate发布的视频指出，更大的上下文窗口无法解决有问题的Agentic RAG管道。长上下文会引入矛盾信息、掩埋相关工具并导致后续输入被忽略。视频将生产级Agentic RAG拆分为5个系统：查询增强（翻译模糊或多部分输入）、检索（选择平衡精度与上下文的块策略）、记忆（分离短期上下文与长期记忆）、工具（提供清晰描述和schema）和代理（决策编排层）。每个环节都需精心设计上下文工程，而非仅靠扩大窗口。

技巧 Weaviate RAG 智能体

推荐理由：Weaviate出了个视频，把Agentic RAG拆成5个系统讲透了，不是吹大窗口，而是教你怎么控制上下文，推荐搞RAG的人看看。

原文

00:40

elvis@omarsar0

动态工作流是一种元编排方法，可统一Agent的多种执行模式（如自动化、循环、路由、图结构）。该功能由开发者基于Claude Code团队的启发构建，并泛化到多个后端（Claude、Codex、Pi、Hermes等）。支持LLM委员会模式（多模型协作规划）、动态路由（按成本/智能度分配任务）、裁判+执行者模式以及长任务代码审查。尤其适用于AI编辑、内容创作等需要多Agent团队协作的创意任务。

技巧动态工作流 Agent编排 LLM委员会

推荐理由：作者分享了动态工作流如何统一多种Agent模式，支持LLM委员会、动态路由等，很有启发性。

原文

00:39

官方一手AWS Machine Learning Blog@Omar Elkharbotly

精选

经典检索在处理多部分问题时往往效果不佳。Amazon Bedrock推出了AgenticRetrieveStream API，通过智能体式检索提升复杂查询的准确性。该API支持请求构造和响应跟踪解析，相比标准Retrieve API更适合多步骤推理场景。AWS官方博客详细解释了API的工作原理和使用时机。

技巧 Amazon Bedrock Managed Knowledge Base 智能体

推荐理由：AWS给Bedrock知识库加了Agentic检索，专治多部分复杂问题，比传统API更聪明。

原文

7月23日

22:57

Philipp Schmid@_philschmid

Google DeepMind的Gemini Live实时语音代理现在可在LangChain中追踪speech-to-speech循环。Speaker回调钩子只捕捉中断事件前用户听到的精确音频。时间线高亮用户语音（蓝色）和Gemini响应（橙色），以及耗时1.29秒的城市天气查询等自定义工具执行。使用元数据区分常规文本token与原生Gemini音频token，便于精确计算用量。注册LangSmithGoogleADKLivePlugin即可启用。

技巧 Gemini Live LangChain LangSmith

推荐理由：谷歌这个新集成让你用LangChain看清Gemini Live语音交互的每一步，连1.29秒的天气查询都能追踪，调试超方便。

原文

22:40

官方一手歸藏(guizang.ai)@op7418

精选

HyperFrame 团队发布了一段屏幕录制视频，详细讲解了复刻其框架的完整流程。视频中展示了运动图形技巧和核心技术步骤。团队同时将整个开源框架代码发布在推文链接中。该视频时长约几分钟，适合快速理解复刻方案。

技巧 HyperFrame 教程开源

推荐理由：想学别人怎么做AI框架？HyperFrame 团队录了屏，一步步讲怎么复刻的，代码也全开源了，适合动手党。

原文

11:51

Geek@geekbb

精选

该工具通过 ps 和 lsof 扫描终端进程，在 MacBook 刘海右侧展示 Claude Code 和 Codex 等代理的实时状态。每个代理有独立槽位：运行中吉祥物在刘海旁走动，完成后变绿点。点击吉祥物可展开面板，按会话分组显示每轮对话的提示词和子代理。

技巧 Claude Code Codex 编程助手

推荐理由：用这个小工具，MacBook 刘海就能实时显示 Claude Code、Codex 等代理的运行状态，还有吉祥物走动，点开还能看每轮对话的提示词，挺有意思的。

原文

09:46

向阳乔木@vista8

embedding（词向量）是将文字转化为数值向量的技术，是大模型理解语言的基础。经典例子中，通过向量运算 '国王-男人+女人' 得到接近'王后'的结果。词向量能捕捉词语间的语义关系和类比逻辑。

技巧 embedding 词向量大模型

推荐理由：用国王-男人+女人=王后这个经典例子，一秒讲清embedding的本质，零基础也能懂。

原文

06:00

官方一手marktechpost@Sana Hassan

精选

EdgeBench 是一个用于评估高级 AI Agent 的实用基准，涵盖 7 种任务类别、3 种运行时环境以及 5 种交互时间预算。本教程从 Hugging Face 下载数据集快照，解析 1200+ 条任务规范，并检查基准分类、执行设置、互联网需求、评判逻辑和评分元数据。然后介绍如何分析排行榜数据、扩展定律和 4 种评估指标（成功率、效率、鲁棒性、泛化性）。该教程提供了具体的 Python 代码示例，帮助读者复现研究级分析。

技巧 EdgeBench AI Agent 基准测试

推荐理由：想看 AI Agent 怎么测？EdgeBench 教程一步步教你下载数据、跑排行榜、分析 scaling law，连代码都给了，直接跟就行。

原文

05:46

官方账号LangChain@LangChainAI

精选

LangChain 举办“The Art Of Loop Engineering”线上研讨会，讲解如何构建能持续自我改进的智能体。核心在于设计检查、响应新输入、利用生产追踪数据优化 prompts、tools、graders 和配置等循环。LangChain 与 LangSmith 提供全流程支持，帮助将单次工作的智能体升级为不断进化的系统。

技巧 LangChain LangSmith 智能体

推荐理由：LangChain 办的免费线上课，讲怎么让智能体越用越好，适合做 AI 应用的同学听听。

原文

05:40

elvis@omarsar0

作者为dair_ai社区实现新界面，先用Fable 5构思概念设计并生成HTML artifact（带附件图片）。随后将artifact作为提示输入给GPT-5.6-Sol，由后者构建完整界面。这种跨模型协作方式显著提升了开发效率。

技巧 Fable 5 GPT-5.6-Sol dair_ai

事件专题

推荐理由：教你用Fable 5做设计原型，然后丢给GPT-5.6-Sol自动实现，省时省力。

原文

05:36

ChatGPT@ChatGPTapp

@daniellezaghian演示了如何在ChatGPT Work中设置重复任务，这些任务可以检查你连接的Slack、Google Calendar等工具，自动创建项目简报，并对客户反馈进行分类。通过自定义触发条件和执行动作，你可以让AI在指定时间自动完成多项后台工作。该功能目前面向ChatGPT Work用户开放。

技巧 ChatGPT 定时任务工作流

事件专题

推荐理由：ChatGPT Work新增定时任务功能，能自动检查工具、生成简报、分类反馈，适合想减少重复手动操作的人。

原文

04:30

Jerry Liu@jerryjliu0

LlamaIndex 团队将于7月30日举办在线研讨会，演示如何将密集的金融文档（含表格、脚注、风险备注）转化为结构化输出。研讨会由解决方案架构师 Harsha 主持，重点展示表格和脚注保持完整不扁平化、提取数据可溯源至源页、以及自动校验规则并标记异常。活动时间为太平洋时间上午9点/东部时间中午12点。

技巧 LlamaIndex 金融文档文档解析

推荐理由：金融数据乱糟糟？LlamaIndex 教你直播拆解最难的表格和脚注，还能自动校验规则，做决策用的数据终于干净了。

原文

03:39

Harrison Chase@hwchase17

Harrison Chase在推文中指出构建评估（evals）难度高，团队正开发技能以自动化流程。其方案包括：用编码代理处理代码库和实际追踪（traces），与用户迭代评估方向，使用Harbor构建评估并运行，再根据结果迭代。流程仍需人类参与，但能加速启动。

技巧 Harrison Chase LangChain Harbor

事件专题

推荐理由：LangChain创始人分享了他们用Harbor和编码代理自动化评估构建的实操流程，适合做LLM应用评测的人参考。

原文

03:09

elvis@omarsar0

精选

Karpathy提出长语音漫谈在多模态下效果更佳。用户分享了一种将长语音笔记、当前屏幕、注释和精确文本打包成单个“task”单元的提示方式。智能体从多个信号中重建意图，大幅减少纠正循环，从而高效交接更大块的工作。该方法适合需要复杂上下文理解的智能体交互场景。

技巧 Karpathy 智能体多模态

推荐理由：有人把语音、屏幕和文字打包成一个任务喂给智能体，纠正循环几乎消失，试试这个思路。

原文

02:54

LlamaIndex@llama_index

7月30日，LlamaIndex 解决方案架构师 Harsha 将展示如何把真实金融文档（含密集表格和脚注）转化为结构化上下文。演示中表格和脚注不会被压平成文本，提取的数字可追溯至原始页面。系统会根据预设规则检查数值，并标记异常项。活动时间 9:00 AM PT / 12:00 PM ET。

技巧 LlamaIndex 金融文档智能体工作流

推荐理由：LlamaIndex 教你处理金融文档里的复杂表格和脚注，提取结构化数据，还带溯源和规则校验，做智能体工作流的可以看看。

原文

02:18

官方账号LangChain@LangChainAI

精选

LangChain 发布了 langchain-skills 代码库，可用于在 Codex 或 Claude Code 中安装并评估 agent 行为。用户打开对应仓库后，只需输入提示词即可开始评估。评估过程通过 Harbor 框架生成 eval 任务和实际目标运行，并自动检查验证器是否准确测量了预期行为。该工具目前已在 GitHub 上开放。

技巧 LangChain Codex Claude Code

推荐理由：想测你的 agent 好不好用？LangChain 这个新技能库让你直接用 Codex 或 Claude Code 跑 eval 任务，还能自动检查验证器准不准。

原文

02:12

AI Engineer@aiDotEngineer

RLanceMartin 在视频中讨论了构建有效智能体（agents）的四个核心主题：解耦大脑与工具（3:21处）、使用验证器（6:20处）、自我学习与记忆（10:11处）、全局/组织级利用（16:08处）。该教程基于Claude模型，针对长周期任务设计，提供具体实施框架。视频源自AI工程师频道的第三次专访，时长约20分钟。

技巧 Claude RLanceMartin 智能体

推荐理由：想用Claude做复杂长周期任务？这个教程讲了四个实操要点：脑子跟手分开、加验证器、自己学习记忆、整组织级别控制。别错过。

原文

00:44

Y Combinator@ycombinator

精选

API提供商频繁变更接口，但通知方式仍然落后——破坏性更新常被忽略，新功能埋没在更新日志中，客户往往在服务中断后才发现问题。YC的Harsha Gaddipati提出一种新方案：利用编码代理（coding agents）扫描客户代码库中所有受影响的API调用，自动生成并提交拉取请求（PR）来修复。这使得API维护从被动通知转变为主动修复，无需人工介入。

技巧 Coding Agents API 智能体

推荐理由：YC创业公司提出的idea：用coding agents自动修复API变更，再也不怕更新导致代码崩了。

原文

00:33

宝玉@dotey

精选

Codex使用OpenAI的gpt模型时，依赖服务端加密的上下文压缩，效果优于其他方案。但第三方框架如Pi默认不启用此功能，导致长任务性能下降。用户可通过安装alexisgallagher开发的插件（github.com/algal/pi-opena…）在Pi中启用相同压缩。该插件的benchmark结果支持OpenAI服务端压缩确实更优的结论。

技巧 Codex Pi OpenAI

事件专题

推荐理由：Codex的上下文压缩很强，但Pi用户默认享受不到。装这个插件就能用上，长任务性能直接起飞。

原文

00:04

官方一手AWS Machine Learning Blog@Claudio Mazzoni

82°

monday.com 在 Amazon Bedrock 上部署生产级 AI 智能体 AI Teammates。内部数据显示 90% 的开发者每月使用 AI 编码工具，较半年前的 50% 增长明显。每位工程师的 PR 吞吐量提升超过 50%。文章介绍了针对十年旧代码库的架构改造和自信度评分合并机制，向完全自主迈进一步。

技巧 monday.com Amazon Bedrock AI Teammates

事件专题

推荐理由：monday.com 分享了在 Amazon Bedrock 上跑 AI 智能体的真实数据和架构，开发者可以抄作业提升编码效率。

原文

7月22日

23:54

官方账号快手可灵 Kling@Kling_AI

Kling AI发布了MCP教程，演示如何在智能体中使用Kling MCP完成从角色创建、情感设计到批量视频生成的完整创作工作流。教程展示了通过MCP连接智能体，快速设定角色表情与动作，并批量输出高质量视频片段。用户可借助该工具在几分钟内构建具有电影感的AI视频表演。

技巧 Kling MCP/工具视频生成

推荐理由：Kling官方出的MCP教程，手把手教你用智能体批量生成带情感的角色视频，几分钟搞定电影级效果。

原文

23:37

官方账号LangChain@LangChainAI

LangChain 的 dcode 新增原生浏览器控制功能，用户只需一个 /goal 命令即可调用。该功能由 @its_ao 添加，可在 dcode 中直接操作浏览器，无需额外配置。具体使用方法和示例代码在 LangChain 文档中提供。

技巧 dcode /goal LangChain

推荐理由：想用 dcode 自动控制浏览器？写个 /goal 就行，比你想象简单。

原文

23:31

Ethan Mollick@emollick

精选

Ethan Mollick指出Codex和Claude Code的一个问题是用户需要更多控制权来决定编排AI使用的子代理具体配置。用户希望自主选择将研究、写作或用户测试等任务委托给哪个模型。否则这又会退化成一个路由问题。该观点强调了用户对多模型协作的灵活调度需求。

技巧 Codex Claude Code 编程助手

推荐理由：Ethan Mollick聊Codex和Claude Code的痛点：用户该能自己选副手干不同活，别让AI瞎路由。

原文