全部 AI 动态 · AI 热点

7月9日

01:13

官方一手AWS Machine Learning Blog@Ying Hou

精选

本教程使用 Amazon Bedrock AgentCore 和 Mistral AI Studio 构建生产就绪的电商 MCP 服务器。你实现两层 JWT 认证并部署到 AWS CDK。服务器支持商品搜索、下单、评论提交和退货处理，数据存储用 Amazon DynamoDB，身份管理用 Amazon Cognito。最终连接至 Mistral AI 的 Vibe 平台。

推荐理由：想自己搭电商 MCP 服务？这篇一步步教你用 Bedrock 和 Mistral 搞定认证和部署，特别适合生产环境。

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

00:49

官方账号Decoder@Matthias Bastian

精选

技巧 Fable 5 Sonnet 5 Anthropic

事件专题

推荐理由：想省钱又用上Fable 5？让它当经理分配任务给Sonnet 5，性能几乎不减，成本省三成。

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

00:25

官方一手AWS Machine Learning Blog@Puneeth Komaragiri

精选

本文介绍两种使用AWS WAF和ALB保护Amazon Bedrock AgentCore Runtime的架构模式。两种模式都通过互联网ALB配合WAF，并利用VPC接口端点路由流量至AgentCore。模式1在ALB和VPC端点之间插入Lambda代理，实现请求转换的完全控制。模式2直接由ALB指向VPC端点的ENI IP，省去Lambda跳转。文中还演示了通过资源策略关闭直接访问后门，并已验证SigV4和OAuth (Amazon Cognito JWT)两种认证方式。

技巧 Amazon Bedrock AWS WAF ALB

推荐理由：AWS官方给出两种具体架构，用ALB+WAF保护Bedrock AgentCore，还能避免外部直接访问，安全配置参考。

原文

7月8日

23:57

官方一手AWS Machine Learning Blog@Cami Persson

Jamf的AI Governance与Amazon Bedrock集成，使IT团队能够在Mac设备上配置、部署和验证AI应用的管理设置。该方案支持集中部署合规策略，并通过Amazon Bedrock的API实现AI应用的访问控制。企业可以通过Jamf策略确保AI使用符合安全与合规要求。

技巧 Jamf Amazon Bedrock Mac

推荐理由：Jamf和AWS搞了个方案，让你在Mac上统一管AI应用的配置和权限，像管普通软件一样简单，合规省心。

原文

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

18:46

掘金本周最热@老王以为

本文从一个真实的内存泄漏案例切入，揭示第三方路由库未断开Fiber树根节点引用导致每次路由切换约有15MB的FiberNode无法回收。作者深入解析了FiberNode构造函数的二十多个字段，它们分别担任组件描述、树结构链接、工作状态记录和副作用追踪等职责。文章指出Fiber数据结构解决了v15及之前Virtual DOM不可中断遍历和无法增量更新的两个致命问题。通过理解Fiber节点的四重身份，可以透彻掌握React的组件树、状态管理、调度优先级和双缓冲等运行时机制。

技巧 React Fiber 内存泄漏

推荐理由：想搞懂React Fiber到底是个啥？这篇从一个15MB内存泄漏案例讲起，撸遍FiberNode的二十多个字段，比看文档好懂多了。

原文

15:19

官方一手marktechpost@Sana Hassan

精选

本教程使用NVIDIA的cosmos-framework，在Colab上构建紧凑的Omnimodal Mixture-of-Transformers模型。该模型共享跨模态注意力，路由文本、视觉、动作各模态到专属专家。通过合成物理世界数据和自回归rollout，模型预测未来潜状态。教程展示了如何用小型版模拟Cosmos 3世界模型的核心能力。

技巧 NVIDIA Cosmos 3 Omnimodal Mixture-of-Transformers

事件专题

推荐理由：NVIDIA发了个Colab友好教程，教你搭简化版Cosmos 3世界模型，用Omnimodal MoT架构实现跨模态预测，比跑全量模型省资源。

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

01:29

官方一手AWS Machine Learning Blog@Emily Zhu

精选

本教程演示了如何利用Amazon QuickSight的多数据集Topics功能，构建跨多个数据集的统一语义层。通过定义数据集之间的关系，Chat Agent能够自动生成跨数据集查询。文章以一个零售分析场景为例，从创建数据集、定义关系、配置Topic到测试查询，给出了完整实现步骤。读者可学习如何在不编写SQL的情况下实现多表联合分析。

技巧 Amazon QuickSight 语义层跨数据集

推荐理由：AWS出了个新功能，用多数据集Topic把不同数据表串起来，Chat Agent自动写跨表查询，很适合不会SQL的业务分析人员。

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

01:10

官方一手AWS Machine Learning Blog@Sindhu Chandra

AWS Finance团队使用Amazon Quick的chat agents和Flows，将两个最耗时的流程实现自动化。通过配置Flows和聊天代理，团队简化了重复性任务，回收了数百小时的工作时间。该案例展示了Amazon Quick在财务场景中的实际应用效果。

技巧 Amazon Quick AWS Finance 聊天代理

推荐理由：AWS Finance分享了用Amazon Quick的chat agents和Flows自动化两个耗时工作流，省了几百小时，很实用。

原文

01:08

官方一手AWS Machine Learning Blog@Jose Soto

精选

本教程教你使用Amazon Bedrock AgentCore构建AWS Support Companion。该智能体采用Strands Agents作为编排框架，通过Model Context Protocol (MCP)连接AWS服务。它能分析CloudWatch日志、检索AWS文档、查询AWS re:Post社区知识，并能创建支持案例。整个方案通过单个AWS CloudFormation脚本部署，并包含基于AWS Amplify的Web前端。

技巧 Amazon Bedrock AgentCore MCP/工具 CloudWatch

推荐理由：想自己搭一个能查日志、搜文档、开工单的AWS支持机器人吗？看这篇教程，用Bedrock AgentCore和MCP协议，一套脚本搞定。

原文

01:07

官方一手AWS Machine Learning Blog@Sandeep Raveesh-Babu

精选

本文展示如何使用开源工具Evidently结合Amazon SageMaker AI生成监控报告。通过MLflow组织并比较不同时间点的监控结果，并可通过管道自动化触发漂移通知。该方法支持数据漂移和模型性能退化检测，帮助维持预测准确性。

技巧 Amazon SageMaker AI MLflow Evidently

推荐理由：AWS教你用Evidently+SageMaker+MLflow搭一套模型监控流水线，自动检测数据漂移并报警，实操性强。

原文

01:06

官方一手AWS Machine Learning Blog@Salman Ahmed

精选

这篇教程教你用Amazon Bedrock AgentCore构建一个无服务器图像编辑智能体，用户上传照片后用自然语言描述编辑请求，数秒内返回结果。整个方案包含认证、加密存储、三个图像编辑工具以及React前端，只需一条命令即可部署。基础设施用AWS CDK定义，无需自定义编排代码。

技巧 Amazon Bedrock AgentCore 无服务器

推荐理由：跟着做就能搞出一个能理解自然语言指令的图像编辑器，部署还特别省心，一条命令搞定全套，试试看。

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