05:24Latent.Space@latentspacepod精选Databricks 联合创始人 Matei Zaharia 和 Reynold Xin 在播客中解释了公司为何切入企业智能体的基础设施层。他们介绍了 Omnigent 如何为编码智能体和自定义智能体创建共享框架。两人还讨论了 LTAP 和 Lakebase 如何重构操作型与分析型数据库的分离。此外,他们强调智能体安全需要上下文策略和支出控制,并认为未来软件的核心是让数据就绪并在此基础上运行智能体。行业DatabricksOmnigentLTAPLakebase企业智能体推荐理由:听听 Databricks 创始人亲自讲他们为什么要做企业智能体基础设施,还有 Omnigent、LTAP 这些新东西到底想解决什么实际问题。原文
19:54Milvus@milvusio精选Qwen3.7-Max 此次未开放权重,但凭借在 Terminal-Bench 2.0、SWE-Pro 等基准测试中的出色表现,以及远低于 Claude Sonnet 的定价,成为企业智能体领域最具性价比的模型之一。该模型支持长达 35 小时的自主编码运行和 1158 次工具调用,专为智能体工作流设计。然而,智能体的实际成本不仅取决于模型定价,更在于上下文管理——频繁回传历史记录会消耗大量 token。Milvus 向量数据库可为智能体提供记忆与检索层,避免每次提示都携带完整历史,从而降低 token 消耗、减少延迟,让 Qwen3.7-Max 的经济性在实战中真正落地。AI产品Qwen3.7-Max企业智能体向量数据库Milvus性价比推荐理由:Qwen3.7-Max 的定价和性能对做企业智能体开发的团队很有吸引力,但真正省钱的秘诀在于用 Milvus 管理上下文——做 RAG 或长任务自动化的开发者值得看看这个组合。原文