Larsen Cundric@larsenccAI 评分3535#部署/工程
- Larsen Cundric@larsenccAI 评分3535
O'Reilly RadarAI 评分4646 Honeycomb 联合创始人 Charity Majors 谈 AI 可观测性：非确定性系统需要更多严谨
Honeycomb 联合创始人兼 CTO Charity Majors 在播客中讨论 AI 生成代码加速后如何构建可靠软件，指出可观测性用于回答未知问题、连接变更与结果。
Tomasz Tunguz 博客AI 评分6060 五大前沿模型智能相近但单位成本差3.8倍：自研芯片成定价分水岭
Tomasz Tunguz 分析指出五个前沿模型智能水平相差不到5分，但单位任务成本相差3.8倍，Google 的 Argon 定价 $1.99 a task，比最贵的 Fable 5.1 低74%。
Rohan Paul@rohanpaul_aiAI 评分4141引用Alok Bishoyi@alokbishoyi97Getting your inference right shouldn't be hard. @useRouterPlus (YC F26) is live: the right model and provider for your workload, at the best price. check out : https://routerplus.com/capacity
O'Reilly RadarAI 评分4242 AI 栈中的保存缺口：为什么能力进步快于可重建性
O'Reilly Radar 文章提出 AI 系统存在"保存缺口"：运行时依赖（模型端点、检索数据、策略、工具契约等）在执行时才确定，现有基础设施只保存模型、代码、部署和观测记录，不保存某次执行的实际绑定关系。作者为此提出参考架构 Orrery，用于保存重建 AI 系统历史执行所需的运行时绑定与依赖状态，并区分了"可复现性"与"可重建性"两个概念。
meng shao@shao__mengAI 评分5252引用meng shao@shao__meng假期第四天，继续学习阿里的「AI Native 研发范式实践手册」 今天看到「Agent 运行环境」中的 Sandbox 部分，介绍了阿里开源的 OpenSandbox，顺手搜了一下各云服务厂商开源的 Sandbox，如果你的 Agent 需要可以具体选择使用。 只搜索筛选了部分开源 Sandbox，如果大家有其他选择欢迎评论补充 🤝 1. 腾讯云 CubeSandbox https://github.com/TencentCloud/CubeSandbox 国内生产级自建优先，基于 KVM MicroVM，具备控制面、集群调度、网络与凭据策略、快照能力，并兼容 E2B SDK 2. 阿里 OpenSandbox https://github.com/opensandbox-group/OpenSandbox 功能覆盖面较完整，支持 Docker/Kubernetes、多语言 SDK、MCP、浏览器和桌面等 agent 执行环境能力 3. 字节跳动 AIO Sandbox https://github.com/agent-infra/sandbox 快速搭建 browser、Shell、文件系统、VS Code、Jupyter 与 MCP 一体化 agent 工作环境，主要采用 Docker 容器形态 4. 字节跳动 SandboxFusion https://github.com/bytedance/sandboxfusion 适合 LLM 代码执行、Online Judge、代码评测和强化学习数据集运行，支持多语言及部分 GPU 运行时 5. AWS Firecracker https://github.com/firecracker-microvm/firecracker 适合自建高隔离、多租户 agent 执行平台的 MicroVM 底座，需自行建设调度、文件服务、快照管理和 agent SDK 等上层能力 6. Google gVisor https://github.com/google/gvisor Google 开源的容器安全 Sandbox 运行时，通过用户态 application kernel 与 `runsc` 为 Docker/Kubernetes 工作负载提供更强隔离；适合已有容器平台、希望以较低启动和资源成本承载不可信 agent 代码的场景
Pragmatic EngineerAI 评分5858 Pragmatic Engineer 播客对话 Sam Newman：微服务、弹性系统与 AI 时代的软件架构
Pragmatic Engineer 播客发布与 Sam Newman 的访谈，其新书 Building Resilient Distributed Systems 印刷版于 10 月 7 日上市。Newman 将分布式计算八大谬误归结为三条规则，并讨论幂等键与指纹两种幂等方案、弹性四概念，以及 AI 时代的多供应商对冲、模块化架构和避免对 AI 的认知投降。
Simon Willison 博客AI 评分5757 Simon Willison：按用量服务应默认设置硬性预算上限
Simon Willison 撰文呼吁按用量付费的服务和 API 默认提供硬性预算上限，超过每月 $X 即切断服务并返回错误，而不是只发警告邮件。理由是编码智能体降低了部署付费代码的门槛，用户可能睡一觉醒来收到数千美元的意外账单。
Dongxi 东锡 NLP@dongxi_nlpAI 评分2929
Latent SpaceAI 评分7070 Airbnb CTO Ahmad Al-Dahle 谈 AI 原生化转型：60% 代码由 AI 编写
Airbnb CTO Ahmad Al-Dahle 接受 Latent Space 采访，介绍把 Airbnb 改造为 AI 原生公司的进展。目前 60% 的代码由 AI 编写，功能和改进发布量同比增长近 80%，人均工程师 PR 吞吐量提升约 1.6 倍。
NVIDIA BlogAI 评分3737 NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂投资回报取决于产出能力、使用寿命与需求三项因素，其平台通过全栈协同设计实现每兆瓦吞吐最大化。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
Tomasz Tunguz 博客精选AI 评分6363 Tomer Tunguz 解析 GPU 租金翻倍而 AI 价格下降的并行逻辑
GPU 租赁价格在九个月内从 $4.40 翻倍到 $8.08 每 GPU 小时，但 AI 使用价格仍在下降。
推荐理由：文章用 GPU 租金翻倍与 AI 推理降价并存的数据，解释两条曲线如何靠效率提升维持平衡，并指向每 GPU 小时毛利这一关键指标。
- Rohan Paul@rohanpaul_aiAI 评分4545
SemiAnalysis 长文 RSSAI 评分6666 SemiAnalysis 发布中国数据中心模型，测算中国存量容量超过 24GW
SemiAnalysis 发布 China Datacenter Model，追踪中国 1,000 多座数据中心设施、覆盖 60 多家运营商，测算中国存量容量超过 24GW，另有约 20GW 在建和约 30GW 已公布项目。
The Verge：AIAI 评分5656 The Verge 批评 Nvidia CEO 黄仁勋称 AI 需先造成痛苦才能拯救气候
The Verge 记者 Justine Calma 评析黄仁勋在 The Ezra Klein Show 上的言论，黄仁勋称 AI 拯救气候前不得不先使用化石燃料、造成痛苦。
eric zakariasson@ericzakariassonAI 评分5757引用Cursor@cursor_aiWe've reduced token costs in Cursor by 7% with no drop in agent quality. Savings came from tighter prompts, selective tool loading, better caching, and compressed file reads.
GitHub BlogAI 评分5252 GitHub 联合 Yale 调查 1039 名用户：开发者需要更高效的软件与可测量的节能路径
GitHub 与 Yale Program on Climate Change Communication 对 1039 名 GitHub 美国用户调查显示，80% 有兴趣使用帮助编写更节能代码的工具，74% 想测量软件或开发流程的环境影响，71% 担心 AI 的环境影响。
Simon Willison 博客AI 评分7070 Simon Willison 评 TypeSafe AI 新形态决策模型 Jev
TypeSafe AI 上周发布 Jev，作者称其为 System One 或决策模型：接受文本输入但输出浮点置信分数而非文本，仅按输入计费 $0.042/百万 tokens，低于 GPT-5 Nano 的 $0.05。
Tomasz Tunguz 博客精选AI 评分6666 Tomer Tunguz 谈 AI 优化 if-then 判断：专用决策器把分类成本降近百倍
Tomer Tunguz 撰文提出最新一波 AI 正在接管软件中的 if-then 判断原语，Jev 与 SemIf 这类专用决策器以数百毫秒返回结果，成本比传统生成式调用低约 76x 到 209x。作者在自己的 Agent 中替换了约四分之一的调用，在 98 条人工核验的生产邮件线程上，Jev 达到 80%、本地 SemIf 达到 82% 的分类准确率，高于生产模型的 47%。
推荐理由：作者结合自身 Agent 的替换实验给出成本与准确率对比，为判断专用小模型何时可替代前沿模型提供参照。
Hacker News：AI 热帖AI 评分6464 Dan McKinley：Prompts Aren't Real，生产级 Agent 应靠评测与优化而非人工打磨提示词
工程师 Dan McKinley 撰文《Prompts Aren't Real》，基于在生产环境让 Agent 可靠运行的经验，提出提示词不是核心资产，可自我修正的评测与优化系统才是。
- Rohan Paul@rohanpaul_aiAI 评分6464
引用Molly O’Shea@MollySOSheaBREAKING: Only ~1% of Bending Spoons’ AI requests & tokens goes to frontier models. 99% runs on self-hosted open-weight models. CEO Luca Ferrari on the shift to Sovereign AI: “We end up using open-weight models we self-host, so these are basically free. I mean, there is a little bit of cloud cost, but for 99% of the requests and tokens.” “And the frontier models, generally closed weight, through APIs for maybe 1% of the requests, only for the most complex tasks.” “Sometimes we use them automatically to check the work that got done by the slightly less intelligent models, as a more senior engineer would with a more junior engineer.”
- Rohan Paul@rohanpaul_aiAI 评分6464
智谱（Zai）分享 GLM-5.3 帮助构建并优化 GLM-5.3-Flash 推理基础设施的过程，系统从首次成功运行到生产就绪用时不到两周，端到端吞吐相对初始基线提升至 3 倍。
引用Z.ai@Zai_orgWe’re sharing how GLM-5.3 helped build and optimize the inference infrastructure serving GLM-5.3-Flash. The system went from its first successful run to production readiness in less than two weeks, with end-to-end throughput tripling relative to the initial baseline. The key was dense feedback: local correctness tests, execution traces, microbenchmarks, and end-to-end measurements that enabled targeted hypothesis testing rather than reliance on aggregate performance metrics alone. https://z.ai/blog/glm-built-its-inference-infrastructure
jietang@jietangAI 评分6464唐杰撰文称，GLM-5.3 驱动的 Infra Agent 用两周时间让 GLM-5.3-Flash 在国产加速器上从首次运行到承接全部生产流量，端到端吞吐达 3.2 倍。
引用Z.ai@Zai_orgWe’re sharing how GLM-5.3 helped build and optimize the inference infrastructure serving GLM-5.3-Flash. The system went from its first successful run to production readiness in less than two weeks, with end-to-end throughput tripling relative to the initial baseline. The key was dense feedback: local correctness tests, execution traces, microbenchmarks, and end-to-end measurements that enabled targeted hypothesis testing rather than reliance on aggregate performance metrics alone. https://z.ai/blog/glm-built-its-inference-infrastructure
IT之家·人工智能AI 评分5656 Silicon Data 数据显示英伟达 B200 二手残值达首发价 158%，直线折旧在 AI 加速器市场失效
数据分析公司 Silicon Data 数据显示，英伟达 B200 出货约一年后二手残值涨至原价的 158%，A100 与 H100 残值也远超 3 年或 5 年直线折旧应有水平。
GitHub Blog精选AI 评分8787 GitHub 用 Copilot 智能体将 Copilot 运行时从 TypeScript 迁移到 83 万行 Rust
GitHub 工程师 Stephen Toub 复盘用 Copilot 智能体在约 14.5 周内将 Copilot agent runtime 从 TypeScript/Node.js 全量重写为 832,378 行生产 Rust，AI 智能体完成大部分代码，共 128 个 PR 增量合入 main 并持续发布。
推荐理由：当事工程师复盘用 AI 智能体在数月内将 Copilot 运行时迁往 Rust 的全过程，策略、回归样本和成本数据对同类迁移有直接参考价值。
Claude：Blog精选AI 评分6666 Anthropic 工程师复盘：智能体编程压力下如何扩展测试影响分析服务
Anthropic 工程师撰文分享如何在智能体编程压力下扩展测试影响分析服务。Claude 编写约 80% 的代码，测试数量增长 10x，六个月内 CI 任务增加 25x。文章复盘了三个临时补丁（扩容、按包分片、每日重启）分别只维持 70 天、29 天和不到一天，最终用三周重设计为无状态、内存存储加 journal 的可水平扩展架构，并建议团队按两季度内 25x 负载做容量规划。
推荐理由：作者复盘了智能体编程把 CI 推向 25x 负载的完整演进，给出可迁移的架构与容量规划经验。
SemiAnalysis 长文 RSSAI 评分6161 SemiAnalysis 分析机器人智能应放机上还是放数据中心：B300 卸载 TCO 约为 Jetson Thor 机上方案的 46%
SemiAnalysis 长文分析通用机器人模型的智能应放在机器人本体还是数据中心。受实时性和单机成本约束，当前机器人模型仍为数十亿参数级，如 Physical Intelligence 的 π0 约 3B。
SemiAnalysis 长文 RSSAI 评分6060 SemiAnalysis 长文解析：为什么 4-hi HBM 将成为推理最优配置
SemiAnalysis 长文论证 HBM 堆叠层数持续走高的趋势正在逆转，下一代 Rubin Ultra 每颗 GPU 的 HBM 将从 288GB 降至 192GB（8-hi）。
IT之家·人工智能AI 评分6161 OpenAI 将在线存储平台 Habitat 从 Python 迁移至 Rust，CPU 效率提升 6 倍
OpenAI 发文介绍其在线存储平台 Habitat 从 Python 迁移至 Rust 的过程，该平台每秒处理超 7000 万次请求、每周服务超 10 亿用户、管理数据超 500PB。
OpenAI：官网动态精选AI 评分6161 OpenAI 详解存储平台 Habitat 如何扩展支撑超 10 亿 ChatGPT 用户（上篇）
OpenAI 发文（系列上篇）讲述其在线存储平台 Habitat 的演进：现每秒处理超 7000 万请求、服务每周超 10 亿用户、管理超 500PB 数据，覆盖近 40 个地区。
推荐理由：原文披露了 Habitat 从 Python 库到 Rust 服务的完整演进细节，含 asyncio 调优、连接池等可迁移经验。
Tessl：产品与工程博客AI 评分5151 GitHub Next 的 Don Syme 提出在 CI/CD 之外增加第三个支柱 Continuous AI
GitHub Next 的 Don Syme 在 AI Native DevCon London 演讲中提出，应在 CI 和 CD 之外增加第三个支柱 Continuous AI，即在软件生命周期中以定时、可审计、由仓库事件触发的 AI 工作流实现持续文档、代码改进和问题分拣。
Augment Code 博客精选AI 评分6969 Augment 复盘软件工厂建设：人均规模调整产出增长 4.5 倍
Augment Code 发布长文，复盘其九个月建设的软件工厂：2025 年 11 月至 2026 年 7 月，基于 Cosmos 平台在需求、工单、PR、生产四个环节部署 PR Author。
推荐理由：Augment 复盘其软件工厂九个月的落地过程，给出了具体的量化结果和按瓶颈逐步自动化 SDLC 的可迁移方法。
Cognition 模型 / Devin 博客AI 评分7777 Cognition 工程师用 Devin 智能体完成 RSA-260 因式分解，刷新公开纪录
Cognition 员工 samyok 率团队驱动多个 Devin 智能体构建了高性能 GPU 格子筛，对 260 位的 RSA-260 完成因式分解，刷新此前 RSA-250（2020 年 2 月）保持的公开 RSA 挑战纪录。
IT之家·人工智能AI 评分6464 OpenAI CFO：自研 AI 加速 Jalapeno 芯片设计，Luna 部署成本低于开源方案
据路透社报道，OpenAI CFO Sarah Friar 在高盛会议上表示，OpenAI 用自研模型参与 Jalapeno 芯片开发并在 9 个月内完成流片，且部署 Luna 模型的成本低于云端运行开源方案，如智谱 AI 的 GLM 5.3。
IT之家·人工智能AI 评分6363 微软提出让每张办公桌每个家庭拥有不受限制的智能的新愿景
微软 Windows 与设备销售企业副总裁 Mark Linton 在 IFA 2026 上提出新愿景，让每张办公桌、每个家庭都拥有不受限制的智能，即本地运行日常 AI 模型、云端只留给复杂任务。