AI.x社區(qū)
- 登錄/注冊(cè)
語(yǔ)言如何驅(qū)動(dòng)Agent生成“新世界系統(tǒng)”
精華
社區(qū)頭條核心觀點(diǎn)總結(jié)：語(yǔ)言驅(qū)動(dòng)Agent與非共識(shí)之路姚順雨的經(jīng)歷和研究都體現(xiàn)了“非共識(shí)”的路徑，他一直致力于Agent（智能體）研究，并堅(jiān)信語(yǔ)言是實(shí)現(xiàn)泛化和開(kāi)放世界決策的本質(zhì)工具。1.Agent的本質(zhì)：語(yǔ)言是為泛化而生的工具?非共識(shí)起點(diǎn)：2018年選擇讓語(yǔ)言模型玩游戲，而不是當(dāng)時(shí)主流的BERT。?開(kāi)放世界的本質(zhì)：真實(shí)世界的行為空間是開(kāi)放的（openended），傳統(tǒng)NLP的有限選項(xiàng)無(wú)法應(yīng)對(duì)。?語(yǔ)言的特殊性：語(yǔ)言是一個(gè)通用性（generalpurpose...Agent系統(tǒng)OpenAI六步構(gòu)建AI Agent : 用LangGraph高效實(shí)現(xiàn)從0到1
前言2025年是AIAgent真正進(jìn)入生產(chǎn)環(huán)境的元年。不同于早期AutoGPT式的寬泛自主Agent，現(xiàn)在的生產(chǎn)級(jí)Agent更加垂直化、范圍明確、高度可控，具備定制化的認(rèn)知架構(gòu)。LinkedIn、Uber、Replit和Elastic等公司都在生產(chǎn)環(huán)境中使用LangGraph構(gòu)建實(shí)際業(yè)務(wù)場(chǎng)景。本文將基于LangGraph框架，為應(yīng)用開(kāi)發(fā)者提供一套完整的Agent構(gòu)建方法論，從概念驗(yàn)證到生產(chǎn)部署的全流程實(shí)戰(zhàn)指南。核心架構(gòu)：狀態(tài)圖驅(qū)動(dòng)的Agent設(shè)計(jì)LangGraph采用有向圖架構(gòu)組織A...AIAgentLangGraph大模型評(píng)估全攻略：挑戰(zhàn)、實(shí)戰(zhàn)經(jīng)驗(yàn)和最佳實(shí)踐
精華本文將帶你了解LLM評(píng)估的最新?tīng)顟B(tài)，探索經(jīng)過(guò)驗(yàn)證的策略，包括離線和在線基準(zhǔn)測(cè)試。評(píng)估大型語(yǔ)言模型（LLM）感覺(jué)就像是試圖解開(kāi)一個(gè)巨大的線團(tuán)——事情千頭萬(wàn)緒，往往不知道應(yīng)該從哪一頭開(kāi)始。從應(yīng)對(duì)不可預(yù)測(cè)的用戶輸入到選擇合適的指標(biāo)，整個(gè)過(guò)程可能讓人不知所措。但是，請(qǐng)不要驚慌！在這篇文章中，我們將為你梳理一些久經(jīng)考驗(yàn)的最佳實(shí)踐、常見(jiàn)的陷阱和實(shí)用技巧，幫助你對(duì)LLM的性能進(jìn)行基準(zhǔn)測(cè)試。無(wú)論你是剛剛?cè)腴T(mén)還是需要快速...大模型LLM性能奧特曼警告AI會(huì)讓數(shù)十億人類工作無(wú)意義，否認(rèn)打造美國(guó)版微信，Sora會(huì)考慮收費(fèi)，自曝自己的臉被玩廢了
社區(qū)頭條編輯云昭?出品51CTO技術(shù)棧（微信號(hào)：blog51cto）國(guó)慶假期期間，OpenAI可謂賺足了全球的注意力。先是各種Sora2的生成視頻刷屏，然后是三天前掌舵者SamAltman在DevDay2025主題演講中高密度發(fā)布了許多利好AI開(kāi)發(fā)者的功能和工具，可以說(shuō)熱鬧空前。但這些都不足以用來(lái)形容此時(shí)此刻O(píng)penAI的未來(lái)藍(lán)圖。在DevDay期間，這位OpenAI的掌舵者接受邀請(qǐng)錄制了一期播客，主持人跟他進(jìn)行了一場(chǎng)非常全面的深度腦暴。訪談中，Altman分享了自己對(duì)...奧特曼AgentAIoewox超26%年輕人選擇向AI傾訴：是情感依賴還是社交降溫？
原創(chuàng) 社區(qū)頭條你是否體驗(yàn)過(guò)這樣的場(chǎng)景：當(dāng)你在AI的對(duì)話框里輸入“我覺(jué)得未來(lái)很迷茫”，AI聊天框幾乎瞬間彈出回應(yīng)：“我能理解你的感受，這種感覺(jué)是很多人都會(huì)經(jīng)歷的。你愿意和我聊聊最近發(fā)生了什么嗎？”而這，幾乎成為大多數(shù)年輕人的日常。 根據(jù)復(fù)旦發(fā)展研究院等機(jī)構(gòu)發(fā)布的《中國(guó)青年網(wǎng)民社會(huì)心態(tài)調(diào)查報(bào)告（2024）》，一個(gè)值得關(guān)注的數(shù)據(jù)是，13.5%的年輕人更傾向于向AI傾訴心事，這一比例甚至超過(guò)了父母親人。 另一項(xiàng)由中國(guó)青年報(bào)...人工智能AI樹(shù)洞算家計(jì)算算家云租算力，到算家云從CodeRabbit到SonarQube：AI代碼審查工具選型
人工智能正在以驚人的速度“吞噬”軟件開(kāi)發(fā)領(lǐng)域。根據(jù)GitHub的最新研究，全球已有41%的代碼由AI生成，使用AI編程工具的開(kāi)發(fā)者，其生產(chǎn)力平均提升了88%。AI正在成為一支不知疲倦的編碼大軍，日以繼夜地瘋狂產(chǎn)出代碼。然而，在這場(chǎng)生產(chǎn)力革命的B面，一場(chǎng)深刻的“信任危機(jī)”也正在蔓延。StackOverflow的2025年度開(kāi)發(fā)者報(bào)告顯示，盡管有84%的開(kāi)發(fā)者正在使用或計(jì)劃使用AI工具，但高達(dá)46%的開(kāi)發(fā)者，明確表示不信任AI工具輸出結(jié)果的準(zhǔn)...AI代碼審查 代碼質(zhì)量代碼安全開(kāi)發(fā)工具程序員代碼41%由AI生成！2025七大編程工具深度對(duì)比，你的選擇是？
社區(qū)頭條2025年，人工智能對(duì)軟件開(kāi)發(fā)領(lǐng)域的賦能已不再是趨勢(shì)，而是常態(tài)。據(jù)GitHub研究顯示，AI生成的代碼已占據(jù)全球代碼產(chǎn)出的41%，開(kāi)發(fā)者生產(chǎn)力平均提升了88%。然而，隨著AI編程工具從最初簡(jiǎn)單的代碼補(bǔ)全，進(jìn)化為覆蓋全流程的開(kāi)發(fā)助手，市場(chǎng)也進(jìn)入了一個(gè)百花齊放、群雄逐鹿的“戰(zhàn)國(guó)時(shí)代”。GitHubCopilot、CursorPro、Claude3.7Opus……面對(duì)層出不窮的新工具，開(kāi)發(fā)者們普遍面臨著“選擇困難”。本文旨在通過(guò)對(duì)七款主流AI編程工具進(jìn)行一...AI編程代碼生成AICoder選型指南Cursor推倒重來(lái)！Notion新版本底層地震級(jí)變化，架構(gòu)全變！AI建模負(fù)責(zé)人曝邏輯：?jiǎn)我还ぷ髁骶幣乓呀?jīng)不是主流！
原創(chuàng) 社區(qū)頭條編輯云昭出品51CTO技術(shù)棧（微信號(hào)：blog51cto）許多公司會(huì)對(duì)徹底重建自己的技術(shù)棧猶豫不決。但Notion就是那個(gè)例外。據(jù)了解，為了推出今年9月發(fā)布的Notion3.0，這家公司幾乎沒(méi)有猶豫就決定——徹底重建底層架構(gòu)。Notion作為業(yè)界知名的AI應(yīng)用，開(kāi)始舍棄原有底層架構(gòu)，這一點(diǎn)特別不同尋常。近日，Notion的AI建模負(fù)責(zé)人SarahSachs在采訪中透露了背后的原因：“我們不想在舊架構(gòu)上硬塞智能體。相反，我們希望發(fā)揮推理模型的優(yōu)勢(shì)。我...NotionAIAgent通用具身智能要來(lái)了！卡內(nèi)基梅隆&Meta發(fā)布效率之王MetaVLA：訓(xùn)練步數(shù)降3倍，GPU時(shí)間少76%
文章鏈接：https:arxiv.orgpdf2510.05580項(xiàng)目鏈接：https:stellarneuron.github.iometavla亮點(diǎn)直擊探索了一個(gè)尚未充分研究的方向：通過(guò)引入多樣的輔助任務(wù)，以可忽略的優(yōu)化開(kāi)銷提升后訓(xùn)練階段的效率與泛化能力。MetaVLA，一套可插拔的模塊與訓(xùn)練方案，能夠?qū)崿F(xiàn)快速且可擴(kuò)展的適應(yīng)性訓(xùn)練，并具備強(qiáng)泛化能力。MetaVLA工程實(shí)現(xiàn)友好，對(duì)主干架構(gòu)和底層訓(xùn)練流程均保持無(wú)關(guān)性。全面實(shí)驗(yàn)表明，MetaVLA在顯著提高效率的同時(shí)提供了更優(yōu)的...AI模型圖像生成從 “被動(dòng)救火” 到 “主動(dòng)預(yù)判”：用 NeuralProphet 搭建運(yùn)維數(shù)據(jù) AI 預(yù)測(cè)體系
社區(qū)頭條作者崔皓審校重樓開(kāi)篇對(duì)多數(shù)運(yùn)維工程師而言，日常工作更像一場(chǎng)“被動(dòng)的消防演練”——緊盯著監(jiān)控面板上跳動(dòng)的CPU使用率、內(nèi)存占用、磁盤(pán)容量與網(wǎng)絡(luò)流量，等數(shù)值觸達(dá)告警閾值時(shí)，再匆忙排查問(wèn)題、擴(kuò)容資源、處理故障。這種“盯數(shù)據(jù)等告警忙救火”的模式，看似能保障系統(tǒng)穩(wěn)定，卻藏著難以規(guī)避的痛點(diǎn)：當(dāng)業(yè)務(wù)高峰期突然來(lái)臨，CPU使用率驟升導(dǎo)致服務(wù)卡頓；當(dāng)磁盤(pán)空間在深夜悄然耗盡，核心業(yè)務(wù)中斷才觸發(fā)告警；當(dāng)網(wǎng)絡(luò)流量突發(fā)峰值沖...運(yùn)維數(shù)據(jù)AI預(yù)測(cè)Qwen3Guard：阿里云通義千問(wèn)團(tuán)隊(duì)推出的安全防護(hù)模型
社區(qū)頭條在人工智能快速發(fā)展的今天，大語(yǔ)言模型的安全性問(wèn)題日益受到關(guān)注。為了確保模型輸出內(nèi)容的安全性和可靠性，阿里云通義千問(wèn)團(tuán)隊(duì)推出了Qwen3Guard，一款專為安全防護(hù)設(shè)計(jì)的護(hù)欄模型。它基于強(qiáng)大的Qwen3基礎(chǔ)架構(gòu)打造，能夠高效識(shí)別用戶輸入提示和模型生成回復(fù)中的潛在風(fēng)險(xiǎn)，為人工智能交互提供精準(zhǔn)、可靠的安全保障。一、項(xiàng)目概述Qwen3Guard是阿里云通義千問(wèn)團(tuán)隊(duì)推出的安全防護(hù)模型，旨在為Qwen系列大語(yǔ)言模型提供全面的安全保障。...Qwen3Guard阿里云通義千問(wèn)Agent能自己“復(fù)盤(pán)”和“進(jìn)化”，這個(gè)開(kāi)源框架牛了！
社區(qū)頭條我們一起分享AgentInfra，一個(gè)好的Infra已經(jīng)可以讓Agent自動(dòng)進(jìn)化了。然后，我去搜索了一下相關(guān)的開(kāi)源框架，然后還真找到了一個(gè)。仔細(xì)研究了一下原理，今天給家人們分享一個(gè)自我進(jìn)化的智能體，到底是怎么做出來(lái)的？什么是自進(jìn)化AI？（SelfEvolvingAI）傳統(tǒng)的Agent工作流，本質(zhì)上是一個(gè)固定的程序。我們預(yù)先設(shè)定好Prompt、工具和流程，然后期望它能在特定任務(wù)上表現(xiàn)良好。自進(jìn)化AI的核心思想，是把Agent從一個(gè)固定的工具，變成一...Agent復(fù)盤(pán)“進(jìn)化阿里AgentBay揭秘，Agent Infra才是真護(hù)城河！
過(guò)去半年，幾乎10個(gè)創(chuàng)業(yè)者有8個(gè)在做各種各樣的Agent，但是AgentInfra絕對(duì)是被大多數(shù)人忽視的一個(gè)板塊。月初，給家人們以AutoGLM2切入，深挖了AgentInfra的核心要素，有朋友留言說(shuō)智譜的AutoGLM2背后是阿里云無(wú)影AgentBay。阿里云？無(wú)影？這2個(gè)詞組合起來(lái)確實(shí)非常陌生。但是，今天在云棲大會(huì)上，刷到了，阿里云無(wú)影宣布Agent基礎(chǔ)設(shè)施AgentBay迎來(lái)重大升級(jí)，并首次展示全新的個(gè)人計(jì)算產(chǎn)品——無(wú)影AgenticComputer。無(wú)影AgentBay擁...AgentBayAgentAutoGLM2國(guó)慶假期AI圈徹底打瘋了，谷歌Gemini 3.0 Pro泄露，血戰(zhàn)Claude 4.5！
精華國(guó)慶各種新聞滿天飛，大佬們都不過(guò)節(jié)的。。。今天快速梳理了一下所有的新聞，給家人們補(bǔ)補(bǔ)課。Anthropic、OpenAI、Google假期前后，御三家，接連放出王炸。誰(shuí)才是下一代最強(qiáng)模型？AnthropicClaudeSonnet4.5首先是Anthropic，扔出了ClaudeSonnet4.5，世界上最好的編碼模型。在SWEbench上，Sonnet4.5拿下了77.2%的平均分，直接把其他所有模型甩在身后。在無(wú)人監(jiān)督的情況下，連續(xù)工作30個(gè)小時(shí)來(lái)處理復(fù)雜的多步驟編程任務(wù)，內(nèi)部代碼...谷歌Gemini 3.0 ProClaude 4.5代碼已不再稀缺，開(kāi)發(fā)者正在進(jìn)入“工作流時(shí)代”
原創(chuàng)在過(guò)去的幾年里，圍繞“哪款A(yù)I編程助手最好用”的爭(zhēng)論幾乎沒(méi)有停過(guò)：有人偏愛(ài)GitHubCopilot，有人堅(jiān)信ClaudeCode，還有人等著OpenAI下一代模型。但如果問(wèn)到AndrejKarpathy（前特斯拉AI負(fù)責(zé)人、OpenAI核心成員），答案可能會(huì)讓人意外：重點(diǎn)不在“哪一個(gè)最好”，而在于如何搭建一個(gè)屬于自己的LLM工作流。在Karpathy的眼中，我們正處于“代碼后稀缺時(shí)代”。代碼已不是稀缺資源，而是一種隨時(shí)可以生成、試錯(cuò)、甚至丟棄的“消耗品”...LLM工作流AI編程助手KarpathyMeta CWM：代碼世界模型的技術(shù)突破
原創(chuàng)MetaFAIR團(tuán)隊(duì)剛剛發(fā)布了CodeWorldModel(CWM)，這是一個(gè)32B參數(shù)的開(kāi)源大語(yǔ)言模型，標(biāo)志著代碼生成領(lǐng)域的一次根本性轉(zhuǎn)變。想象一下傳統(tǒng)的代碼模型就像一個(gè)只會(huì)背誦菜譜的廚師，雖然能夠準(zhǔn)確復(fù)述每道菜的制作步驟，但并不真正理解食材如何變化、調(diào)料如何融合。而CWM的革命性突破在于它不僅知道代碼怎么寫(xiě)，更重要的是理解代碼運(yùn)行時(shí)會(huì)發(fā)生什么。這就像培養(yǎng)了一個(gè)真正懂得烹飪?cè)淼拇髲N，能夠預(yù)測(cè)每個(gè)步驟后食物的狀態(tài)變化。什么是...Meta CWM代碼世界模型n8n能取代DevOps嗎？別急，先聽(tīng)聽(tīng)真實(shí)答案
原創(chuàng)在當(dāng)下的軟件世界里，“自動(dòng)化”幾乎成了所有團(tuán)隊(duì)的共識(shí)。從Jenkins、GitHubActions到Kubernetes，一整套工具鏈已經(jīng)塑造了DevOps的工作方式：持續(xù)集成、持續(xù)交付、自動(dòng)化部署、基礎(chǔ)設(shè)施即代碼……這些名詞聽(tīng)起來(lái)專業(yè)又復(fù)雜，但背后無(wú)非是一個(gè)目標(biāo)——更快、更穩(wěn)定、更高效地交付軟件。與此同時(shí)，一個(gè)新興名字頻頻出現(xiàn)：n8n。這是一款號(hào)稱“無(wú)代碼低代碼自動(dòng)化神器”的開(kāi)源工具，憑借簡(jiǎn)單易上手的界面和強(qiáng)大的第三方集成能力，它...n8nDevOps開(kāi)源工具自動(dòng)化工具不止能切文本：多向量檢索如何讓RAG搞定復(fù)雜PDF
原創(chuàng)在日常工作里，我們經(jīng)常會(huì)接觸到各種文檔：研究論文、財(cái)報(bào)、產(chǎn)品手冊(cè)……它們往往不是“純文本”，而是夾雜了段落、表格、標(biāo)題、甚至圖片。這類“半結(jié)構(gòu)化數(shù)據(jù)”，對(duì)于傳統(tǒng)的RAG（RetrievalAugmentedGeneration，檢索增強(qiáng)生成）來(lái)說(shuō)，是一個(gè)相當(dāng)棘手的問(wèn)題。為什么？想象一下，如果一個(gè)普通的文本切分工具把表格切開(kāi)一半，或者直接把一張大表格當(dāng)成純文本去嵌入，結(jié)果就是語(yǔ)義檢索時(shí)一團(tuán)糊，模型很可能拿不到真正需要的上下文。...多向量檢索RAGPDFRAG數(shù)據(jù)召回詳細(xì)技術(shù)解決方案
原創(chuàng)概述數(shù)據(jù)召回是RAG（檢索增強(qiáng)生成）系統(tǒng)中的核心環(huán)節(jié)，負(fù)責(zé)從向量數(shù)據(jù)庫(kù)中檢索與用戶查詢最相關(guān)的知識(shí)片段。本流程通過(guò)多階段處理確保召回結(jié)果的準(zhǔn)確性、相關(guān)性和完整性，同時(shí)結(jié)合對(duì)話記憶管理來(lái)維持多輪對(duì)話的連貫性。核心處理模塊詳解查詢優(yōu)化模塊功能描述：對(duì)原始用戶查詢進(jìn)行語(yǔ)義增強(qiáng)和擴(kuò)展，提升檢索覆蓋率。處理策略：查詢改寫(xiě)：生成多個(gè)語(yǔ)義相同但表述不同的查詢變體假設(shè)性回答：基于問(wèn)題生成可能的回答，反向推導(dǎo)相關(guān)關(guān)...RAG數(shù)據(jù)召回PyG：GNN的扛把子
原創(chuàng)在深度學(xué)習(xí)領(lǐng)域,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)主要針對(duì)歐幾里得數(shù)據(jù)(如圖像、文本序列)進(jìn)行設(shè)計(jì)。然而,現(xiàn)實(shí)世界中大量數(shù)據(jù)呈現(xiàn)出圖結(jié)構(gòu)特征——社交網(wǎng)絡(luò)中的人際關(guān)系、分子結(jié)構(gòu)中的原子連接、交通網(wǎng)絡(luò)中的道路連通性等。這些非歐幾里得數(shù)據(jù)無(wú)法直接使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)處理,由此催生了圖神經(jīng)網(wǎng)絡(luò)(GraphNeuralNetworks,GNNs)。圖神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)圖節(jié)點(diǎn)的局部信息來(lái)進(jìn)行預(yù)測(cè),在分類和回歸問(wèn)題上都展現(xiàn)出強(qiáng)大的能力。研究表明,圖神經(jīng)網(wǎng)絡(luò)在...PyGGNN神經(jīng)網(wǎng)絡(luò)架構(gòu)
