admin

LLM

大模型的推理陷阱

让模型更擅长推理，可能会让它在 Agent 最重要的生产行为之一上表现更差：知道何时不调用工具……

RAG

KohakuRAG：从文档树找到证据

如果你曾经在工作中构建过 RAG 管道，你可能知道这种感觉：检索在演示中看起来不错，然后在真实问题上悄悄崩溃……

AGENT

让 Claude 像博士一样做研究

斯坦福的 STORM 如何将一个主题变成一篇有引用、多视角的简报，以及如何在 Claude 中运行它。

TOOL

Headroom：AI 上下文压缩工具

Headroom 定位自己为 AI Agent 的上下文压缩层。在你的 Agent 将任何数据发送给 LLM 之前，Headroom 会拦截它并运行一轮智能压缩。

VIBE CODING

谷歌：氛围编程 SDLC 指南

对比氛围编程（混乱、快速、未经验证）和代理式工程（结构化、深思熟虑、生产就绪）的分屏插图。它们之间的分界线是验证。

TOOL

10个解决复杂问题的Python工具

我特意避免了常见的推荐。在这里你找不到 requests、rich、pandas 或 FastAPI。

AGENT

Claude Code 中的循环工程

循环工程正在成为一种趋势，因为 AI 工具正在变得更加自主。

TOOL

Odysseus：自托管AI工作空间

Odysseus 在五月的最后一天上线了。它自称为"自托管 AI 工作空间"，考虑到它来自一个Youtuber，我发现这种平淡的描述几乎很有趣。

TOOL

OpenWiki有一个更好的模式

LangChain的新CLI为你的代码库生成一个wiki，并将你的智能体指向它，而不是将所有内容加载到一个指令文件中。这个想法是合理的。第一天的炒作远远超出了实际的仓库。

AGENT

构建自我纠正的AI智能体

一个完全本地的生成器 → 评判器 → 裁决器循环：三个Ollama模型、一个结构化的JSON评分标准、条件路由，以及一个决定循环何时结束的质量门槛。

INDUSTRY

170,927 AI论文揭示的趋势巨变

我们分析了自2025年初至6月26日以来发布在arXiv上四大主要机器学习类别的170,927篇AI研究论文，目标是找出当前AI研究中真正正在发生的变化。

AI

包装器即产品

包装器就是产品，直到提供商追上LangChain和Vercel AI SDK。

APPLICATION

构建智能体AI数据科学团队

我如何设计一个多智能体系统来构架机器学习问题、工程特征、训练和评估模型、执行超参数调优、跟踪实验并自动生成Kaggle提交。

AI

Gemini API免费层：巨大的慷慨

Google刚刚悄悄更新了Google AI Studio上Gemini API的免费层级规则——新限制令人震惊：每分钟100万个token。

MODEL-ZOO

PaddleOCR-VL-1.6

这个开源模型刚刚达到了96.33 SOTA，仅用0.9B参数就碾压了Gemini 3 Pro和Qwen3-VL-235B。

JOB MARKET

为什么 FDE 能拿50万美元

企业AI失败不是因为模型笨，而是部署失败。这是一份关于线束、循环和修复它的职业的构建指南。

VIBE CODING

AI写代码时如何思考 🤔

在为时已晚之前培养正确的思维过程——用AI更好地构建

RAG

构建人机协作反馈 RAG

LLM在你的代码上表现不佳，是因为它们缺少你的企业上下文，而人机协作（HITL）反馈RAG通过捕获你团队的纠正并将其检索回提示中来解决这个问题。

ALGORITHM

动态定价的强化学习

一个从零开始的RL定价引擎，一个由心理驱动的购物者模拟群体，以及最终击败手工调整启发式引擎的训练之旅。

INDUSTRY

AI时代，重新审视 Figma

随着AI将产品开发拉近代码，Config 2026揭示了Figma在代码原生环境中代理工作流时代生存的高风险赌注

ALGORITHM

LLM 推测性解码原理解读

推测解码是机器学习中罕见的特性——在不损失输出质量的情况下实现加速。本文将介绍其工作原理，以及EAGLE-3如何将其推向极致。

PHYSICAL AI

S型运动曲线简明教程

S型轨迹曲线在传统三阶段梯形轨迹曲线（加速、匀速、减速）的基础上添加了"过渡"段，形成七阶段曲线。

INDUSTRY

Coinbase: 运行在1200个智能体上

Coinbase 运行 1,200 个 AI 代理，合法提供投资建议，并正在构建整个代理经济的银行。

INDUSTRY

AI 代理时代的新 SaaS 策略手册

SaaS 刚刚从奖品被降级为包装，而价值完全转移到了其他地方。

INDUSTRY

为什么科技巨头互相渗透阵地

AI 竞赛仍然高度不稳定，没有两家成功的公司看起来完全一样。它们要么利用了不同的起点，要么向截然不同的方向扩展。