AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
7月13日
09:30
09:30shao__meng@shao__meng
精选
Emil Kowalski 发布了 /improve-animations 技能，专用于审计和改进代码库中的 UI 动画。它基于仅读源码、计划自包含、防 prompt injection 三条硬规则，通过四阶段流程（侦察、并行审计、复核排序、写计划）来操作。审计涵盖八个类别，包括目的与频率、缓动与时长、性能等，例如 UI 动画不超过 300ms，按钮反馈 100–160ms。技能提供了针对 AI 执行者的计划模板，要求精确到每个数值的终态代码和机械+感觉双验证。
技巧Emil Kowalskiimprove-animationsSkills For Design Engineers
推荐理由：Emil 这个技能可帮你用大模型审计项目中的动效问题，输出可执行的修复计划，省去自己逐行排查的麻烦。
原文
08:27
08:27shao__meng@shao__meng
Shoumeng 分享了为 Claude Fable 5 设计成本高效 Harness 的思路，核心是利用 token 维度上的智能不对称——少数 token 需要前沿模型，多数只需廉价执行。三种分配模式分别是编排者（委派 worker）、顾问（被低阶执行者咨询）和验证者（检查产出）。实验一 Parameter Golf 中，Fable 5 作顾问 + Sonnet 5 作执行者，以 34% token 成本达到 Fable 独跑约 90% 的增益。实验二 BrowseComp 完整集（~31M tokens/题）中，Fable 编排 + Sonnet worker 实现 96% 分数 / 46% 成本。文章总结了四条设计准则：审视任务形状、使用委派启发式、评估协调成本、保证 prompt cache 命中。
技巧Claude Fable 5GPT-5.6 SolSonnet 5
事件专题
推荐理由：Shoumeng 教你用 Fable 5 搭配 Sonnet 5 做 Harness，34% 成本拿 90% 效果，适合想省 token 又不降智能的人。
原文
08:15
04:13
02:47
7月12日
08:10
08:10官方一手marktechpost@Sana Hassan
精选
本教程使用 TileGym 在 Colab 工作流中探索 NVIDIA 的 tile-based GPU 编程，覆盖 CUDA 环境检测、cuTile 后端及在缺乏 cuTile 栈时回退到 Triton。核心思想是操作整个数据块而非单线程，包括加载、计算和存储。实现了向量加法、融合 GELU、逐行 softmax、分块矩阵乘法和 Flash Attention，每个实现均与 PyTorch 对比验证。
技巧cuTileTritonTileGym
事件专题
推荐理由：手把手教你用 TileGym 在 Colab 上跑 cuTile 和 Triton，从向量加法到 Flash Attention，每个步骤都和 PyTorch 对照，适合想深入 GPU 编程的人。
原文
00:01
00:01官方一手宝玉的分享@宝玉
ChatGPT 的 Chat 模式专注对话，Work 模式处理文档、数据分析等实际任务，Codex 模式专攻代码编写。三者共享使用额度，且定价一致。文章还对比了 OpenAI 这三款模式与 Anthropic 的 Claude Cowork 模式的异同。
技巧ChatGPTCodexWork
事件专题
推荐理由：想搞懂OpenAI这三款模式的区别？一文说清Chat、Work、Codex的用法、额度、价格，还和Claude Cowork做了对比。
原文
7月11日
12:57
12:24
12:08
11:30
10:39
08:53
07:59
07:59andrew chen@andrewchen
Andrew Chen 指出 agentic coding harnesses 在修复 Hermes/OpenClaw 集成、保护 homelab 以及调试本地 AI 设置等场景中非常实用。他提到这些工具帮他节省了数百小时，尤其适合处理从 GitHub 随机代码库遇到的奇怪 bug。推文获得 2254 次查看和 10 个赞，引发讨论。
技巧agentic coding harnesses智能体编程助手
事件专题
推荐理由：搞开源项目经常遇到诡异的集成 bug？用这些智能编码工具链能帮你省几百小时，修 Hermes、调本地 AI 都能自动化。
原文
07:43
04:16
04:16官方账号LangChain@LangChainAI
精选
LangChain 使用 LangGraph 和 Perplexity AI Agent API 构建了一个智能体，通过4个并行节点分别研究财务、产品和市场，然后由无工具合成器仅基于研究结果撰写带引用的 VC 投资备忘录。整个流程约 90 秒，成本仅 0.40 美元。该示例展示了如何用 LangGraph 和外部 API 快速构建端到端研究 Agent。
技巧LangGraphPerplexityVC投资备忘录
推荐理由：LangChain 演示了一个超实用的 Agent 工作流：90秒、4毛钱就能自动生成带引用的投资备忘录。学了这个教程，你也能自己搭类似的研究助手。
原文
04:04
04:04宝玉@dotey
73°
OpenAI 官方文档整理了三种模式的区别：Chat 是常规对话，Work 是能跨应用收集信息并交付完整成品的智能体，Codex 是操作代码仓库的智能体。Work 支持 Scheduled Tasks 定时任务，Plus/Pro/Business/Enterprise 用户可用。Codex 每周有 500 万用户，但超过 100 万人在用它做非编程工作，因此 OpenAI 推出 Work 来正式化这些用途。三种模式的额度不共享：Chat 有独立限额，Work 和 Codex 共享“智能体用量”池。Work 在网页和手机上已陆续上线，Codex 仅在桌面端可用。
技巧ChatGPTWorkCodex
事件专题
推荐理由：想搞明白 ChatGPT 几个模式怎么选、额度怎么算，看这篇就够了，都是官方文档里的干货。
原文
04:03
04:03官方账号Simon Willison@simonw
GPT-5.6 提供了多种模型和推理努力等级，用户常困惑如何选择。据测试，Sol medium 在编程任务上优于 5.5 xhigh。更高的推理等级（Sol 系列）能带来更佳性能，但会快速消耗限额。开发者正在改进沟通方式。
技巧GPT-5.6Sol推理模型
推荐理由：如果你用 GPT-5.6 写代码，可以试试 Sol medium，比 5.5 xhigh 更好用，别被复杂的选项吓到。
原文
03:32
03:32官方一手marktechpost@Sana Hassan
精选
本文介绍如何围绕DeepAnalyze-8B模型构建一个自主数据科学代理，并运行端到端流程。首先准备稳定的Colab运行时环境，安装机器学习依赖，并以4位量化模式加载分词器和模型以适配T4 GPU的有限显存。然后添加沙盒执行环境，让模型生成Python代码并安全运行、观察结果，形成智能体循环。最后将代理应用于一个多文件电商工作区，自动完成数据清洗、连接、分析、可视化和生成分析师级报告的全部步骤。
技巧DeepAnalyze-8B数据科学代理沙盒执行
推荐理由：想用消费级显卡跑自主数据科学代理？这篇教程手把手教你用DeepAnalyze-8B、4位量化和沙盒执行，在T4上就能完成电商数据分析全流程。
原文
02:34
02:34Harrison Chase@hwchase17
Harrison Chase发布新视频，讲解OpenWiki Brains的通用大脑模式。视频涵盖本地配置步骤、系统架构文档、以及新增的‘open questions’ agent文件功能。该模式可帮助用户构建可定制的AI记忆系统。
技巧OpenWiki BrainsHarrison Chase通用大脑模式
推荐理由：如果你想自己搭一个通用AI记忆系统，这个视频手把手教配置和架构，还有新功能‘open questions’ agent文件。
原文
02:30
01:53
01:32
00:52
00:52官方一手GitHub Blog@Napalys Klicius
精选
GitHub团队发现，为Copilot代码审查引入更强大的工具反而导致性能下降。他们将Copilot的代码审查工作流迁移到共享Unix风格代码探索工具，并围绕pull request证据重构agent流程。这一改进显著降低了代码审查成本，提升了审查效率。
技巧GitHub Copilot代码审查工作流优化
推荐理由：GitHub分享了改进Copilot代码审查的真实案例：不用更花哨的工具，而是用共享Unix工具调整工作流，成本确实降了。
原文
00:12
00:12官方一手AWS Machine Learning Blog@Sumit Wasuja
精选
AWS 在 Quick Automate 中新增原生案例管理功能，支持从创建到解决的完整案例生命周期。用户可创建和管理单/多个案例，自动跟踪更新状态、处理异常，并融入人工参与循环（HITL）步骤。该功能通过案例创建者-处理器模式实现动态扩展。文章通过企业流程实例演示了如何结构化案例管理，包括 HITL 和案例追踪。
技巧Quick AutomateAWS智能体
推荐理由：想用智能体处理复杂流程？Quick Automate 这个原生案例管理能自动跟踪状态、加人工审核，还会动态扩展，比你自己写代码省事多了。
原文
7月10日
23:58
23:57
23:56
23:56官方一手AWS Machine Learning Blog@Sandeep Raveesh-Babu
精选
本文介绍NVIDIA Nemotron 3架构的特点，并详细演示如何通过Amazon SageMaker AI的无服务器定制功能进行微调。步骤涵盖在SageMaker Studio中配置环境、加载Nemotron 3模型、调整超参数并启动训练。该方法无需管理服务器资源，支持高效迭代模型。
技巧NVIDIANemotron 3Amazon SageMaker
事件专题
推荐理由：想无服务器微调NVIDIA Nemotron 3？AWS官方教程手把手教你用SageMaker Studio搞定。
原文
23:30
23:30官方一手AWS Machine Learning Blog@Vijayaraghavan C P
精选
KTern.AI 在 Amazon Bedrock AgentCore 上使用 Strands Agents SDK 构建了面向 SAP 的智能体 AI 系统。该系统编排多个专门智能体，每个智能体具备持久上下文和安全工具访问。它从传统 SaaS 平台演进而来，支持长时间运行的企业程序。架构在 Amazon Bedrock AgentCore 上实现生产级可靠性。
技巧KTern.AIAmazon BedrockStrands Agents SDK
推荐理由：KTern.AI 用 Bedrock AgentCore 和 Strands Agents SDK 做了套 SAP 智能体系统，能编排多个智能体处理复杂企业流程，挺实用的。
原文
23:29
23:29官方一手AWS Machine Learning Blog@Michael Battaglia
精选
Unsloth量化的模型可通过四种模式在AWS部署：直接使用Amazon EC2实例、托管SageMaker AI推理端点、以及集成Amazon EKS或Amazon ECS容器编排。文章详细介绍了每种模式的配置步骤和适用场景。还涵盖了生产环境中的运维最佳实践，如自动扩缩容和监控。
技巧UnslothAmazon SageMaker AIAmazon EC2
推荐理由：想用Unsloth量化模型上AWS？这篇教你四种部署方式，从直接跑EC2到托管SageMaker，还能用K8s跑，生产技巧也全。
原文
23:28
22:52
22:49
22:24
22:24Ethan Mollick@emollick
Emollick 在 X 上分享新 ChatGPT 语音功能体验，称其值得花一分钟在手机上试用。该语音模型并非完整的思考模型，智能程度有限但仍令人印象深刻。建议用户尝试时保持对能力边界的认知。
技巧ChatGPT语音功能手机
事件专题
推荐理由：Emollick 说新 ChatGPT 语音在手机上用着挺惊艳，花一分钟试试不亏，但别指望它跟思考模型一样聪明。
原文
18:32
18:08
18:07
18:07shao__meng@shao__meng
精选
OpenAI 发布了 GPT-5.6 的三个模型：gpt-5.6-sol（旗舰）、gpt-5.6-terra（平衡）和 gpt-5.6-luna（高吞吐）。每个模型支持 5 种推理强度（Light、Medium、High、Extra High、Ultra）和 2 种速度（Standard、Fast），共 30 种搭配。官方建议用户使用 GPT-5.6 时保持与之前版本相同的推理强度或降低一档。在提示词优化上，将冗长系统提示词缩减为精炼版本后，评测分数提升约 10%–15%，token 减少 41%–66%，成本降低 33%–67%。文档还强调，GPT-5.6 更主动，需明确权限边界，区分回答、修改、外部写入等操作。
技巧GPT-5.6SolTerra
事件专题
推荐理由：OpenAI 出了 GPT-5.6 的官方使用指南，教你怎么选模型、强度和速度，还有省 token 的提词技巧，比老版本更灵活。
原文
16:32
14:58
14:05