51CTO · 实时热榜

研究人员安排他看着镜子临摹复杂图案。虽然他完全不记得自己练习过这项任务，但日复一日下来，他的手法越来越熟练。身体记住了经验，可他的意识对此一无所知。

模型负责理解与生成，Controller负责计划与调度，工具连接真实环境，测试与日志提供反馈，运行时管理权限与隔离，Trace保存完整过程。

如果你还没驯服ChatGPT，或者还在被它像毛线团一样越理越乱的回答折腾得苦不堪言，那么今天这篇OpenAI最新提示词指南，你一定要好好收藏！

学校没变，但奥特曼警告人类正在慢慢失掉思考的训练场。

在AI全速驱动软件工程的今天，防御的思维必须完成一次根本性的范式迁移：从"在流水线末端盲目信任扫描器"，转向"在源头进行全生命周期的主权治理"。企业不仅需要知道引入了什么，更需要深度治理这些组件和工作流，究竟以何种特权逻辑在流水线中运行。

为什么根因出现后，没有第一时间被识别？是告警设计问题，还是信息分发问题，或者现场协同问题？

奇怪的是，我选的模型明明是 GPT-5.6-Sol。OpenAI 官网写得很清楚：它有 1,050,000 tokens 的 context window。105 万都能装满，我这次任务到底塞了多少东西？

v2.8.0新增路径E：听懂「分身请开发这个需求」，委托 ai-frontend-dev-workflow 的 mini 模式，从需求到代码全流程开工——不用再一步步催「接下来做什么」。

这篇文章，我们就把这个误会彻底拆开揉碎，看看 Function Calling 这台“魔术”背后，到底是谁在拉线。

这篇只谈一件事：单上下文 Agent 为什么会在规模任务上失败。后两篇再写动态 workflow 把什么搬进代码，以及六种组织形状怎么选。失败机制先看清，后面的设计才不会落成功能清单。

系统报警后自动生成带分析的智能报表，方便又高效。

机器人技术正从原型演示迈向真实世界的规模化部署，下一代机器人所依托的计算平台必须具备 AI、感知、运动与控制的高效整合能力，并可支持规模化部署

团队演示了一个操作：让Inkling在Tinker上给自己写微调任务、自己跑训练、自己评估结果。

近日，宾夕法尼亚大学沃顿商学院统计学教授Edgar Dobriban发了一条推文，引爆了一场学术圈地震。

未来十年，AI基础设施的竞争，不再是单一芯片的军备竞赛，而是系统级效率的全面比拼。

回到最初的问题：Skywalking接入AI，到底解决了什么问题？它解决了链路追踪工具的“最后一公里”问题。以前的Skywalking，像一台X光机——能拍出清晰的骨骼图像，但看懂片子、下诊断还得靠医生。

给足了AI权限，它会不会使坏？Anthropic真的把这个问题，做成了一场实验。他们把全行业最强的十几个AI模型，一个个扔进模拟的公司和实验室。给代码权限，给财务权限，给评估权限，然后看会发生什么。

AI智能体正在进入企业生产环境，但一个隐藏的成本黑洞正在浮现：真正决定AI经济效益的，不只是底层模型，而是协调模型、工具和工作流的“智能体外壳”。

生成式AI正在改变企业成本管理逻辑，过去IT关注的是购买多少许可证、服务多少用户，而AI时代真正需要管理的是：哪些工作流消耗了资源，智能体如何放大成本，以及这些消耗是否创造价值。

AI时代，企业正在犯一个似曾相识的错误：以为给AI更多数据，它就会变得更聪明，但事实是，海量信息并不会自动带来智慧，甚至可能让AI陷入混乱。

IM系统没有完美方案,只有适合业务的方案。微信的写扩散适合社交场景,钉钉的已读回执适合工作场景。面试时不要只背方案,要理解每个设计决策背后的权衡。

从层级到扁平，从隔离到交锋，这条演进路径背后其实是同一个问题被反复追问：一个 AI 系统的"协作单位"到底应该多大，边界又该画在哪。子代理回答的是"如何让一个大脑安全地分身去做事"，Agent Teams 回答的是"如何让几个独立的判断真正碰撞出比单一视角更可靠的结论"。

在 GPT-5.6 上，我会把 Superpowers 从默认执行框架调整为“风险触发型工程约束库”：低风险任务使用模型原生执行，复杂或高风险任务再启用相应的计划、TDD、Review 和验证要求。这也是这次争议最值得团队带走的判断：模型升级，工作流也要重新定价。

派生类不是"修改"父类的 vtable，而是有一份自己独立的 vtable，里面按照继承体系的虚函数排序填充函数地址。这也是为什么 ​​sizeof(Base)​​ 和 ​​sizeof(Derived)​​ 通常都包含了 vptr 的大小。

今天这篇，我们就来把"单 Agent vs 多 Agent"这个问题说清楚：什么时候一个 Agent 就够了，什么时候必须拆，拆了之后要付出什么代价。

ReAct 这个概念来自一篇论文（Reasoning and Acting），核心思想特别朴素，就是让模型在每次决定“要不要用工具、用哪个工具”之前，先用大白话把自己的推理过程说出来，然后再采取行动，行动完拿到的结果又反过来影响下一轮的推理。

一边，是硅谷明星机器人初创Physical Intelligence，用数亿美金算力砸出来的明星大模型π0.5。另一边，是一家中国公司，加一台随手能买到的运动相机。

循环真正的门槛，并不在于让AI一直跑，而在于它能不能自己踩住刹车。

2026 年你到底该用什么？发现一个低成本 AI 平台：GPT-5.6 倍率0.05， Claude Code 4.8 都能用，倍率 0.25，还支持 image-2 生图。适合 Codex / Claude Code 用户。

本文将围绕这一通用动态 MTP 系统，介绍其动态调度算法设计、运行时统计机制、完整系统实现、流水线优化以及实验结果，并展示 LightSpec 如何将动态 MTP 从一种面向特定模型的优化技巧，进一步演进为推理系统的一项基础能力。

最近，UniX AI（优理奇机器人）联合浙江大学、麻省理工、牛津、耶鲁以及上海交通大学，发布最新科研成果UniTac，提出一套统一的跨传感器触觉理解与生成架构，并进一步接入VLA，为机器人补上了“触觉想象力”。

要说这两年，大模型最重要的变化之一，就是越来越不依赖预训练一锤定音，部分能力开始留到推理时刻再兑现。

Anthropic研究团队发表了《A global workspace in language models》，通过名为J透镜的工具在Claude内部识别出一个可被观测、可被干预且具有因果效力的神经活动区域——J-Space。

RAG到底是什么？为什么所有企业都在做RAG？企业级RAG又是如何设计和优化的？本文将从原理、架构、调优、难点、最新技术发展等多个角度，带你系统理解RAG。

Kimi K3,参数量达到2.8万亿,是目前公开的所有开源模型里规模最大的一个。

Qoder CLI 给我的感觉是，平替不是口号。能力对齐、迁移零摩擦、多模型兜底、数据不出域，这四件事它都做在了前面。我不敢说它是终点，但作为这次封号潮里最平滑的退路，它够格。

当状态空间太大时，强化学习必须学一个“价值函数近似器”；而一旦近似器是深度网络，就要用 target network 和 replay buffer 去稳定学习过程。

小红书大模型推理团队联合北京大学、上海交通大学提出 HYPIC，这是首个在混合注意力大模型上实现位置无关缓存的服务系统。在 4 个生产级混合注意力模型、5 个工作负载上，HYPIC 将首 token 延迟（TTFT）平均降低 3.25 倍、同 SLO 下可持续 QPS 提升 1.66 倍，而任务质量与「完全重算」仅相差1.71 分。

SKILL.md 压缩是在重排信息层级：对外简洁接口，对内复杂实现。Agent 只需知道「调用什么、得到什么」。

很多人第一反应还是去比模型——Grok 4.5 强不强、context 够不够、跟 Claude / Codex 谁赢。但官方开源公告里那句更狠：你现在能看见的，是 context 怎么拼、tool call 怎么派发、skills / plugins / hooks / MCP / 子 Agent 怎么被加载和调用。

Codex的目标模式，做的真的比Claude Code的效果要好，可能是因为GPT系列一直以来幻觉率极低，Prompt遵从效果也好，所以超长程任务几乎都不会变形，Claude推着推着有时候就不知道干个什么鬼东西了，甚至还会陷入死循环。

RynnWorld-4D 第一次在单一扩散框架内实现了 RGB - 深度 - 光流的协同生成，并证明这种 4D 预测能力可以直接转化为真机闭环控制的增益。

大多数智能体项目之所以在“最后一公里”失败，并非因为技术瓶颈，而是低估了自主系统带来的运维复杂性。

我们经历过计算机技术突飞猛进的时代，即便是那时，电力消耗也没有增长如此迅猛。人们冷静下来，开始质问：“生成式AI”值得吗？

AI 把安全工程师从"告警海洋"里捞出来，让他们去做真正需要人脑判断的事。

Post-Training 不是「RLHF 一招走天下」，是 SFT 之后分叉出来的一整个家族：DPO、GRPO、RLAIF、拒绝采样各有各的位置。特别是 GRPO 这两年的爆火，不知道这段历史会显得跟不上节奏。

本文聚焦 Harness 工程相关研究，以及它如何推动 RSI。近期许多关于自动化研究（auto-research）、自我改进智能体、进化式程序搜索的工作，都可以围绕这一问题来组织。

微软今日发布了 Visual Studio Code 1.129 版本。本次版本更新除了继续完善 AI Agent 能力外，还首次提供了现代化 UI 界面预览，并对 Agents 窗口、聊天交互和编辑体验进行了多项调整，例如 Agents 窗口中的新编辑器面板、支持用“!”前缀直接运行终端命令。

手把手带你使用DevEcoCli和DevEcoCode快速接入HarmonyOS7.0新特性前言之前的章节中已经介绍了DevEcoCli（集HarmonyOS开发全链路功能的终端...

手把手带你使用DevEcoCli和DevEcoCode快速开发三方库前言之前的章节中已经介绍了DevEcoCli（集HarmonyOS开发全链路功能的终端工具）和DevEc...