我喜歡把AI當同事用，而不是當工具。這篇文章記錄我和AI一起工作的過程，不只是測評，而是實驗。我一直在探索一個問題：AI到底能在創(chuàng)作中承擔多大角色？前兩天用CC（ClaudeCodeCLI）跑了一個AI產品設計工作流，我發(fā)現跑下來效果還不錯，不僅僅工作效率提升了，生成的UX原型更加完善了，基本省去了大半的時間和精力。于是我決定升級：把工作流擴展成一個完整的AI“虛擬研發(fā)團隊”，新增了架構師、測試工程師和多層次的UX設計師。...

 昨天，DeepSeek開源了全新的DeepSeekOCR模型，采用“上下文光學壓縮”技術，為解決長文本處理中的算力瓶頸提供了全新的思路。  DeepSeekOCR的核心創(chuàng)新在于它驗證了一個直觀卻從未被系統(tǒng)論證過的假設：一張包含文檔文本的圖像，可以用比等效數字文本少得多的token來表示豐富信息。 簡單來說，這個模型的核心思想是：用一張包含文檔的圖片，以比原始文本少得多的token數來表示相同的信息。 它不是在傳...

?編輯云昭?出品51CTO技術棧（微信號：blog51cto）“現在是AI最糟糕的階段！”如果你去翻看OpenAI、Anthropic這兩家的Top10token消耗的玩家排行榜、無一例外都會發(fā)現，各種Code工具都會名列前茅。如今各種AICoding工具大行其道！不管是開發(fā)者、還是“外行人”，都在這股洪流中親自給這個賽道做出了注解，這已經是不可逆轉的大趨勢。不懂編程的“外行人”，難掩興奮：大家問我怎么實現的，我也答不上來——只是想做一個“外星終...

看到有人吐槽："現在的AI腦子進水了吧？"，緊接著展示了一個牛頭不對馬嘴的回復。說實話，當小編第一次接觸AI時也經常遭遇類似挫敗，后來發(fā)現了一個真相：不是AI笨，是我們不會問。prompt不是隨便問問記得DigitalOcean的專家說過，prompt不僅僅是問題和指令，它是人類意圖與機器輸出之間的關鍵接口[據PromptEngineeringBestPractices]?？梢园堰@個過程想象成教你家的狗握手：如果你說"伙計握手"，它可能困惑；但你先打響指再說"...

DeepSeekOCR是一個端到端的多模態(tài)文檔解析模型，是Vary、GOTOCR2.0的后續(xù)，前期也有詳細介紹《??【多模態(tài)&文檔智能】OCRfree感知多模態(tài)大模型技術鏈路及訓練數據細節(jié)??》。其核心目標是用極少的視覺token（visiontokens）解碼出大量文本token（texttokens）。視覺token壓縮比和性能比較VLMs中的典型視覺編碼?：處理長文本時視覺token過多、激活內存大的問題多模態(tài)文檔解析相關就不再過多介紹了，詳細可以看專欄《???文...

背景在我借助AI進行開發(fā)的過程中，最常遇到的困擾并不是“AI寫不出代碼”，而是它寫出的代碼過于隨意——有時誤解了我的意圖，有時給出的實現邏輯不夠清晰，最終不得不由我逐一修正。后來，我嘗試過像speckit、BMADMETHOD這類強調“規(guī)范驅動開發(fā)”的工具。理念雖好，實際使用起來卻不夠順暢，而且它們更適用于從零啟動的項目。但在公司實際環(huán)境中，大多數項目并非從頭開始，更多場景是在現有代碼基礎上開發(fā)新功能或重構舊模塊。...

Deepseek最新發(fā)布的OCR模型在實測中展現出驚人效率，僅用15秒便將百頁PDF完整轉換為Markdown格式，且Token消耗量僅為GPT4V的十分之一。經過對源碼的深入解析，我們歸納出其三大核心技術突破，這些創(chuàng)新共同將OCR性能提升至全新水平。性能表現一覽Token壓縮效率：達到64:1（行業(yè)普遍水平為16:1）處理速度：在A100上實現每秒2500token文檔轉換：100頁PDF僅耗時15秒識別精度：在OmniDocBench測試中獲得91.0%準確率橫向對比顯示：相...

大家好，我是玄姐。在AI工具從“通用響應”向“場景化落地”演進的過程中，Anthropic推出的ClaudeSkills并非簡單的功能疊加，而是一套重構AI任務執(zhí)行邏輯的技術架構方案。它通過模塊化設計解決了傳統(tǒng)AI處理復雜任務時的“推理冗余”、“流程不可控”、“跨平臺復用難”三大核心痛點，甚至與既有的MCP形成了“功能模塊+集成層”的互補架構。今天我們就從技術架構視角，拆解Skills的設計邏輯、核心能力與實踐方法。一、Skills的技...

大家好，我是玄姐。本文提供了一個全面的視角，來看待如何利用模型上下文協議（MCP）實現AI應用新架構設計體系的落地實現，核心內容主要是以下5點：MCP概念與機制。MCP與FunctionCalling區(qū)別。MCP本質與挑戰(zhàn)：挑戰(zhàn)包括系統(tǒng)提示詞的準確性、Client與Server協同、快速構建Server、自建Dify的痛點等。解決MCP挑戰(zhàn)的方法：通過MCPRegister、統(tǒng)一管理Server和Prompt、建立效果驗證體系與安全保障、設置MCP網關、動態(tài)服務發(fā)現、Stream...

論文鏈接：https:arxiv.orgpdf2509.24695項目鏈接：https:nvlabs.github.ioSanaVideo亮點直擊SANAVideo，一種小型擴散模型，旨在實現高效訓練和快速推理，同時不影響輸出質量。通過大幅降低計算門檻，SANAVideo使高質量視頻生成對更廣泛的用戶和系統(tǒng)變得更加可訪問和實用。改進主要體現在三個關鍵組件上:線性DiT、帶KV緩存的塊線性注意力、高效數據過濾和訓練。模型在生成720p視頻時的延遲比最先進的Wan2.1快了13倍以上（見圖1(...

大家好，我是玄姐。AI工程師的日常里，“適配開源項目到K8s”絕對是Top級痛點，上百個項目要手動寫HelmChart，對著dockercompose拆服務、理依賴、調模板，動輒耗上大半天。兩周前，有個朋友剛入職就遇上這難題：能不能讓AI接手？輸入GitHub鏈接，直接輸出能部署的HelmChart包？他一頭扎進AIAgent開發(fā)，從“全靠LLM自由發(fā)揮”的幻想到“結構化工作流控場”的落地，踩了無數坑后終于跑通MVP。今天就拆解他的實戰(zhàn)經驗，聊聊AIAgent...

文檔解析這條賽道真卷，《文檔智能》目前整體技術路線分三類：pipline式、兩階段式和端到端，如下：piplinelayout+VLMVLMfinetune下面再來看一個兩階段方案，由layout+VLM組成PaddleOCRVL0.9B。方法PaddleOCRVL正如上圖，PaddleOCRVL分兩階段：階段1：PPDocLayoutV2，負責布局分析，定位語義區(qū)域并預測其閱讀順序。PPDocLayoutV2結構式RTDETR以及一個具有六個transformer層的輕量級指針網絡，以準確預測布局元素的閱讀順序。版...

現有RAG系統(tǒng)的各個模塊的任務目標不一致：傳統(tǒng)方法（如監(jiān)督微調SFT）單獨優(yōu)化查詢重寫、文檔檢索、答案生成等模塊，但單個模塊的“局部最優(yōu)”無法保證最終答案的“全局最優(yōu)”。MMOARAG創(chuàng)新點是將RAG系統(tǒng)的可訓練模塊建模為協作式多智能體，讓所有智能體的優(yōu)化目標統(tǒng)一對齊到“最終答案質量”（如F1分數），通過多智能體強化學習（MAPPO算法）實現模塊間的聯合優(yōu)化，解決這個問題。MMOARAG的整體框架總結如下：模塊角色（智能體...

阿里巴巴Qwen大模型的發(fā)展歷程可分為基礎模型迭代、多模態(tài)能力突破、開源生態(tài)擴張三個核心階段，從2023年首次亮相到2025年成為全球領先的開源模型體系，其技術演進與產業(yè)落地呈現出清晰的路徑。一、基礎模型階段（2023年）：從7B到72B的跨越式發(fā)展1.Qwen7B與Qwen1.8B的開源奠基（2023年8月）技術突破：基于Transformer架構，采用2.4萬億tokens訓練，支持多語言、代碼生成和數學推理。在CEval（中文基礎學科評測）中得分為63.5，...

最近硅谷在發(fā)生一件很有意思的事：很多的VC都在招聘一個叫FDE（ForwardDeployedEngineer）的崗位。這是一個誕生于情報部門、看起來像咨詢業(yè)務的模式，突然成了AIAgent創(chuàng)業(yè)公司的標配。前OpenAI首席研究官、Palantir第二位工程師BobMcGrew透露，過去一年，他聊了很多AI初創(chuàng)公司，幾乎所有創(chuàng)始人都只關心一件事，Palantir的FDE策略到底是怎么運作的，為什么能孵化數百家創(chuàng)業(yè)公司，10多家獨角獸。我找到了一個BobMcGrew的訪談，可...

Anthropic最近又發(fā)了一篇關于AIAgents的博客，過去幾個月已經連續(xù)好幾篇了。我覺得他們關于Agents的內容整體都挺好的，寫的也很有實踐意義。今天的分享，圍繞一個核心問題：如何配置上下文，才能讓模型持續(xù)輸出期望的行為。TLDR:上下文是有限資源，存在ContextRot現象。好的上下文工程找到最小的高信號token集，最大化期望結果。長時間任務三板斧：壓縮、結構化筆記、子智能體。新的趨勢是Justintime策略：不預處理所有數據，而...

今天的內容分享一個新的認知，AInative瀏覽器引發(fā)的認知革命，本文不強烈推薦某一款應用因為我發(fā)現，即使AI瀏覽器還沒那么靠譜，成功率可能只有6070%，或者更低，但還是很容易完成從“我要搜索什么網站”到“我想要什么結果的轉變”。AI瀏覽器到底做對了什么？一個好的AI瀏覽器，應該都不是給Chrome加個AI插件，而是重新定義瀏覽器的底層邏輯：從導航工具變成執(zhí)行意圖的引擎。用下來，最徹底的3個核心能力圍繞在：持續(xù)的意圖記...

在醫(yī)學研究領域，隨著數據量的爆炸式增長和研究復雜性的不斷提高，傳統(tǒng)的研究方式面臨著諸多挑戰(zhàn)。研究人員需要花費大量時間在文獻調研、實驗設計、數據分析等繁瑣的流程上，這極大地限制了科研效率和創(chuàng)新速度。為了解決這一問題，清華大學自動化系推出了一款名為OpenLensAI的全自主人工智能研究助手，它能夠模擬人類研究員的工作流程，實現醫(yī)學研究全流程的自動化，為醫(yī)學研究帶來了一場深刻的變革。一、項目概述OpenLensAI是...

在人工智能領域，語音處理技術一直是研究的熱點之一。隨著大語言模型（LLM）的快速發(fā)展，語音語言模型在語音理解、生成和編輯等方面取得了顯著進展。然而，現有的大多數語音模型要么將理解與生成任務的表示分離，要么采用離散化表示，導致語音細節(jié)損失。為了解決這些問題，螞蟻集團推出了MingUniAudio，這是一個基于統(tǒng)一連續(xù)分詞器的語音大模型，能夠同時處理語音理解、生成和編輯任務。一、項目概述MingUniAudio是螞蟻集團開源...

DeepSeek又開源了，這次是OCR模型，整個模型大小在3B。DeepSeekOCR的提出，是為了探索，是否可以通過視覺模態(tài)進行文本信息的高效壓縮，也就是把文檔內容，用圖像Token表示，其Token數量會遠小于原始文本Tokens數，說白了，你1w字，可能需要5000個Token，但用圖像來表示，可能只需要512個Token。實話實說，直接升華了，我之前研究VLM做OCR，就是解決PDF轉成文本的問題，沒想到DeepSeek，是在想用圖像視覺壓縮文本。先說結論：這...