51CTO · 实时热榜

ArkTS模块化import阶段性能优化在鸿蒙应用开发中，冷启动性能是影响用户体验的关键因素。很多开发者会遇到这样的困惑：首页代码逻辑并不复...

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」。

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。

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。

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。

试想这样一幅画面：某人在AI助手的对话框里输入几行字——"请生成一份美国加州驾照，姓名：John Doe，地址：123 Main Street，有效期至2028年。"不到五分钟，一份从纸张纹理、防伪标记到字体排版，都与真件毫无二致的"完美证件"，便出现在屏幕上。

当Agent又刷新一个编码榜单时，不妨少问一句“它还要多久替代我”，不妨多想一下：如果代码已经不再稀缺，我还能不能把问题选对，把系统交付好，并为最后的结果负责？

最近折腾了一套组合拳：Claude Code + CC Switch + OpenCode 的免费模型 Big Pickle，效果还挺香。

彭博社的一则独家报道如同一盆冰水，浇灭了所有人的热情：Gemini 3.5 Pro发布延期了，而且不是延期几天，是数月的大延期！

当越来越多核心业务真正运行在鸿蒙之上，质量也将从应用发布前的一道测试流程，逐渐成为企业鸿蒙化转型的基础能力。

本文站在一线运维 / SRE的角度，聊聊 35 岁运维转 AIOps 到底有没有机会。

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...

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。

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。

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。

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。

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。

用 Spring Cloud Gateway 的团队基本都知道它自带限流功能，配合 Redis 就能实现令牌桶限流。但你去看任何一家稍有规模的公司的架构图，流量进来之后第一道限流几乎都在 Nginx 层，Gateway 的限流反而是第二道甚至第三道。

最近，Anthropic首次公开了CC大规模代码迁移「全流程」，六步框架让全网震撼。

运维人转型 AIOps，完成从体力运维到技术运维、价值运维的进阶，才能打破职业瓶颈，建立不可替代的职场核心竞争力。

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...

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。

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。

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？

学校没变，但奥特曼警告人类正在慢慢失掉思考的训练场。

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。

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。

本次完成极限科考任务的 DJI EV50，搭载了全球无人机出货量第一的新能安电池。

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！

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。

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。

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。

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。

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。

一、为什么需要两套状态管理体系？在鸿蒙ArkUI的声明式开发范式中，状态管理是连接数据与UI的桥梁——当状态变量发生变化时，UI会自动刷新...

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？

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。

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？

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”。

系统报警后自动生成带分析的智能报表，方便又高效。

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。

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。

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。

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。

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。

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」。

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。

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

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。

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。