meng shao@shao__mengAI 评分6565引用Tibo@tibo_maker
https://x.com/i/article/2113633101888847874
全部 AI 动态
- meng shao@shao__mengAI 评分6565
- meng shao@shao__mengAI 评分7171引用Mustafa Ali@mustafa01ali
Local machines had become a bottleneck for agentic mobile development at @Shopify, so we gave agents their own remote dev environments. They now author 61% of our merged PRs 🧵
Dash@DashHuangAI 评分5252
引用Dash@DashHuang@making_cindy 在 iPhone Duo 下的表现。配合远程桌面简直无敌。那个半折叠下的触摸板和键盘，是 AI 在适配时的灵光乍现，我非常喜欢。
Figma AI / Agent / MakeAI 评分5858 Figma 介绍 code layers 开放测试中六家团队的实验用法
Figma 宣布 code layers 进入开放 beta，并介绍 Superside、Dell、Cox Automotive、Rocket Money、Merkle、Checkout.com 六家团队的用法，涵盖用提示词为静态设计添加交互动效、用开发者同款 React 组件做可输入对话原型等。
Simon Willison 博客AI 评分4747 Claude Opus 5.5 用 Sobel 边缘检测快速"画"出照片
Simon Willison 用提示词让 Claude Opus 5.5 High 构建了一个 artifact：打开照片后，几秒内用 canvas 元素和模拟画笔"画"出该照片的版本。该工具使用 Sobel 边缘检测，除 Google Fonts 外不依赖任何外部库。
SemiAnalysis 长文 RSSAI 评分5454 SemiAnalysis 实测 Trainium3 训练体验：原生 PyTorch 栈与 Neuron Explorer 深度评测
SemiAnalysis 工程团队分享在 Trainium2 和 Trainium3 上做研究训练的第一手体验，认为 AWS 转向原生 PyTorch（TorchNeuron、eager 模式、torch.compile）会明显拓宽 Trainium3 的采用。
vLLM 官方博客AI 评分4545 vLLM 详解 GLM-5.3 在 16 张 H200 上的优化：PCP、DCP 与 Hybrid HiSparse
vLLM 博客详解 GLM-5.3 在 16 张 H200 上拆分 prefill 与 decode 节点的长上下文优化：PCP 按 token 而非注意力头切分 prompt，DCP 按 token 分片 KV cache，使 1M 上下文仅需每 GPU 6.7 GiB。
Databricks：BlogAI 评分2323 Databricks 实时能源交易与分析方案：毫秒级流处理与 Lakebase 统一数据底座
Databricks 展示了一套实时能源交易与分析方案，用 Spark Structured Streaming Real-Time Mode 以毫秒级延迟处理市场数据并写入 Lakebase，供交易台应用直接读取。
Databricks：BlogAI 评分5050 Databricks 实测：Spark 声明式管道让 AI 智能体写数据管道更省更安全
Databricks 用 Opus 4.8 在 22 个数据工程任务、264 次构建上对比 Apache Spark 的过程式与声明式管道，声明式在运行前即可校验结构错误，执行器耗时从 596 秒降至 17 秒，约省 34 倍算力。声明式管道代码量中位数为 64 行，约为过程式 131 行的一半，且写法更统一。两者完成率接近，分别为 258/264 和 255/264，逻辑错误表现持平。
LangChain：BlogAI 评分6363 LangChain 讲解 AI Agent 的上下文工程为何要从检索做起
LangChain 发布博客，讲解 Agent 检索的三大问题：低效搜索、一次塞入过多上下文、无关或过时信息，并以 Deep Agents 构建的竞争分析 Agent 为例给出对策。
OpenAI：官网动态AI 评分5454 OpenAI 详解 Habitat 存储平台如何支撑超 10 亿 ChatGPT 用户
OpenAI 发布 Habitat 存储平台系列第二篇，讲解其为服务超 10 亿 ChatGPT 用户如何扩展底层 Azure Cosmos DB。平台在 40 个地理区域托管超 500 PB 数据，经历了从共享多租户到单租户容器再回到多租户默认的循环，与 Azure 团队通过热键限流、QoS 分级和新版 serverless 模式解决噪音邻居和弱分区问题。
- meng shao@shao__mengAI 评分6060引用matt palmer@mattyp
Team Bots - Grok Bots for your whole team 1:18 A simple example 1:51 Why they're powerful 2:32 Connecting your tools 3:11 How to make one 3:52 A complex example 5:48 When to make one 7:21 Under the hood 7:55 Recap Currently available to Teams & Enterprise customers - more soon!
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分5555 NVIDIA 演示用 AI 智能体训练 Microduck 机器人在仿真中行走
NVIDIA 技术博客介绍如何用 AI 智能体教 Microduck 机器人在仿真中学会越障行走：Hermes 和 Nemotron 3.5 Bolt 在 RTX Spark 上把提示词转为项目计划。
- meng shao@shao__mengAI 评分6666
邵猛转述 Claude 团队 Felix Rieseberg 的文章，把「对 AI 更有野心」拆成速度、高度、深度、广度四个方向，并用季度业务回顾 QBR 逐级演示提问方式。
O'Reilly RadarAI 评分6363 智能体软件工厂需求层次：从单个 Agent 到持续学习循环的搭建方法
两位作者提出智能体软件工厂的需求层次框架，主张以自主且异步执行为核心，从一个 Agent 加一条自动化即可起步。框架分四层：Agent harness、个性化、自动化和持续学习，并以发票追踪应用为例说明各层做法。
n8n BlogAI 评分4848 AI Agent 记忆机制：LLM 智能体如何在生产环境中管理状态
Cognee 的 Veljko Kovac 在 n8n 博客解析 AI agent 记忆机制：LLM 每次调用都从零开始，记忆实际存放在模型之外，由智能体在每次调用前检索并回填进提示词。文章区分短期与长期记忆，并对比向量数据库、纯文件、知识图谱与混合系统四类存储架构的取舍。
PixVerse@PixVerseAI 评分3232在 AI 视频中精确提示动作仍然很麻烦。 更简单的工作流： 输入视频 → 输入角色 → 动作迁移完成。 非常适合复刻热门趋势，无需从零开始。 链接见下方。
公众号：小红书技术AI 评分4949 小红书推荐系统评测 Agent：上下文驱动的 LLM-as-Judge 实践
小红书构建了上下文驱动的推荐评测 Agent，以一次推荐请求为最小评测单元，通过确定性规则与 LLM-as-Judge 分工，对用户当时看到的内容做分维度语义判断。系统采用 0/1/2 三档评分，并固定输入快照与评测版本，使结果可比较、可回放、可下钻到具体请求与单篇内容。团队还探索 LLM-as-User 连续用户模拟，目前定位为上线前的离线预筛工具，不替代线上 A/B 实验。
MarkTechPostAI 评分4444 TinyFish 发布生产级 AI 智能体搜索架构与深度研究系统经验
TinyFish 公布其智能体搜索架构，基于 TinySearch、TinyFetch、TinyBrowser、TinyAgent 四个 Web 原语，围绕基础模型运行七阶段控制循环。
Dongxi 东锡 NLP@dongxi_nlpAI 评分3131
引用Dongxi 东锡 NLP@dongxi_nlphttps://x.com/i/article/2113363792482480128
Pydantic AI 官方文章AI 评分5454 Pydantic AI 将 E2B 设为原生沙箱提供方并演示暂停恢复与崩溃恢复用法
Pydantic AI 官方文章宣布 E2B 成为原生沙箱提供方，向 agent 加入 E2BSandbox() 后，所有 shell 命令和文件操作都在隔离的 E2B microVM 中执行，本机环境不会进入沙箱。
Kling AI@Kling_aiAI 评分5252可灵（Kling）官方解析如何用 Kling 4.0 制作短片 KING CARD，该片在各社交平台获 500 万次观看。
- meng shao@shao__mengAI 评分4747引用avi basnet@avigyabasnet
Super excited to share some of the work I’ve been doing on supporting 1M token context training on SkyRL for GLM 5.3 Flash, 64x higher than the out of the box Megatron baseline! 🚀 This work was done in collaboration with the amazing folks at @LilaSciences! 🤩 Getting there took key algorithmic and systems optimizations in four main areas: 1) DeepSeek Sparse Attention: run DSA on a sparse kernel; chunk and shard its quadratic indexer. 2) Activation recompute and offloading: recompute activations in backward and offload saved inputs to CPU. 3) Context parallelism: split each sequence across GPUs, with new CP support for KDA and a fix for DSA. 4) Avoiding unnecessary precision upcasts: keep FP32 copies out of memory and off the network. For more details on our implementations and our results, check out our full technical blog here: https://blog.skyrl.ai/blog/1m-context-glm-5-3-flash! This work benefited from the contributions of many people along the way. Big thanks to @pcmoritz, @erictang000, @sumanthrh, @CyrusHakha, @richliaw from @anyscalecompute and Keith Truongcao, Tushar Khot, Vivek Subramanian, Semih Kara from Lila Sciences for all the help and guidance!
卡尔的AI沃茨@aiwartsAI 评分5959Figma AI / Agent / MakeAI 评分5151 Figma 官方讲解如何让 Figma agent 用好你的设计系统
Figma 官方介绍已全面开放的 Figma agent 如何借助设计系统产出符合团队规范的设计。方法包括连接已发布的组件库、上传 guidelines 固化团队规则、用 Examples 页面或 _example 命名提供实际范例、把重复流程做成 skills（如 /design-system-audit 和 /analyze-components）。
公众号：卡尔的AI沃茨AI 评分6868 13 款 Personal Agent 横评：按 App 数量、额度和生态限制怎么选
卡尔的AI沃茨对 meta muse、grok bot、ChatGPT dots、gemini spark、Hark、OpenClaw、千问Go、灵光2.0 等 13 款 Personal Agent 做入门横评。
- meng shao@shao__mengAI 评分5757
OpenAI 发文解释其 FDE（Forward Deployed Engineering）团队如何填补部署差距，即模型能力与客户真实约束下可稳定使用之间的空档。
dominik kundel@dkundelAI 评分3434拍完素材把 SD 卡插进笔记本，然后离开工位，让你的 dot 和 Codex 用 DaVinci Resolve 自动剪辑视频，并通过 Slack 定期给你发更新供审阅——这有种奇妙的感觉。
Lingxi Li@lingxiAI 评分6161引用Grok Bot@botGrok Bot can now use Calendar, Reminders, Contacts, and more apps on your phone. Rolling out now on iOS and Android.
lauren@potetoAI 评分2323引用lauren@potetothere's something really cool about asking your agent to draw a statechart (hypothetical example in this image), then using the /create-formal-verification-skill you made with pstack to find bugs through something like TLA+. you can both understand your code better and how the user flow should work, and fix issues users would otherwise see
Vaibhav (VB) Srivastav@reach_vbAI 评分4242Hugging Face 社区博客AI 评分5151 Microsoft 与 Hugging Face 用 ThinkingBox 把数据库评分变成 RL 奖励训练 Agent
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，将智能体任务终态数据库的可执行检查用作 RL 奖励，代码已在 GitHub 开源。
Suno@sunoAI 评分1414
Ethan Mollick@emollickAI 评分1616
