AI-Agent

[toc]

Intro

• Intro

  • 做大模型，很难理解全部，退而求其次，理解其能力的边界很关键

• 术语

  • Large Language Model(LLM)
  • ChatGPT
  • PaLM/Bard(Google)
  • Llama(Meta)
  • Github Copilot

• 大模型的发展

  • https://arxiv.org/pdf/2304.13712
  • BERT pretrain的概念
  • 2018年英伟达可以生成图片的StyleGAN模型、2019年DeepMind可以自动生成连续视频的DVD-GAN模型和2022年OpenAI聊天机器人ChatGPT是AIGC在应用层面的三个重要节点。

场景

大模型简要介绍

• 表面上做什么事情：不断根据前文生成"下一个"词

  • OpenAI的接口名：「Completion」
  • 上文信息越多，对后文信息的约束性越强

• 大模型的输入

  • 编码：word embedding、one-hot、文字、整数

• 关键要素

  • 数据

    • 微调数据如何大量获得

  • 算力

  • 训练技术：RLHF、prefix tuning、hard/soft prompt tuning、SFT、retrieval augment

  • 模型结构

    • Ilya: 数字神经网络和人脑神经网络，在数学原理上是一样的（把AI当人看）

• 影响要素

  • 信任
  • 安全
  • 隐私
  • 认知

AI Engineer 的边界

"One of your key responsibilities will be to coach the organisation and be at the forefront of deciding where and if LLMs are even needed to solve a business problem."

• What is AI Engineer?
  • AI Researchers - they are masters of prototyping, coming up with novel ideas and testing their hypothesis. Analyse the output data and come up with novel strategies how to keep continuously improving the models. Deep understanding of statistics and ML fundamentals. Nowadays, very likely they are able to run LLM training on distributed systems themselves.
    • What they might initially lack in skills is the ability to deploy real world production applications and implementing MLOps best practices in the world of LLMs.
    • "The goal of AI Engineer is to take what is already available and stitch up an AI system that would solve a real business problem."
  • ML Engineers - capable of building and deploying regular Machine Learning models as AI/ML systems with all of the bells and whistles of MLOps. This includes implementation of feedback flywheel and ability to observe and continuously improve the system. Also, ML Engineers are usually involved in Data Engineering to some extent, often utilising ML specific data stores like Feature Stores or Vector DBs.
    • What they might initially lack in skills is the ability to perform deep research and build production ready high throughput systems as well as implementing and operating regular software best practices.
  • Software Engineers - they are great! Capable of crafting complex high throughput, low latency systems that are deterministic. Translating business requirements into complex software flows. Masters of DevOps and software engineering best practices, capable of high velocity development and shipping to production in a safe way.
    • What they might initially lack in skills is the ability to reason in non-deterministic systems and knowledge how to observe and evaluate them. Also, it is not in their nature to continuously learn non software related topics that could completely shift in a day, requiring re-architecture of the entire system.

技能点

• Research - white papers need to become your best friend. There is so much research happening in the field of Agentic applications that it is hard to keep up. As an example, just recently, there has been a paper released with research around how Prompt Formatting can influence the performance of your LLM applications. The truth is that with internal data and compute resources at your disposal, you - the AI Engineer - are best positioned to do your own research on what works and what does not, and you should do it for the sake of your employer.
• Prompt Engineering - while it might sound simple, the techniques for prompt engineering and formatting are vast. When it comes to agentic systems, you are also dealing with cross agent prompt dependencies, shared state and memory that is also implemented via prompting. On top of this, everything needs to be evaluated so you will need custom evals for any prompt you are crafting coupled with datasets that you can test on.
• Software Development - no questions here, the systems you are deploying need to be solid. You need to know and follow software engineering and DevOps best practices.
• Infrastructure - one aspect of this is that you need to be able to deploy your own work, you could say it is part of Software Development. Also you need to understand your data and new types of storage systems like Vector DBs. In general, these are not new, but rarely used by non ML Engineers.
• Data Engineering - you would be surprised in how much time you would actually spend understanding, cleaning and processing the data that is then used in your AI Systems. Not everything is about prompting, the hardest part is usually integrating the data sources into your AI applications.
• MLOps adapted for AI Systems (AgentOps) - we have introduced a lot of good practices into building AI systems in the past ~5 years via the MLOps movement. Most of them should be transferred when building with LLMs.
  • Evaluation.
  • Observability. I talk about some of the challenges in observing Agentic systems in one of my articles: Observability in LLMOps pipeline - Different Levels of Scale
  • Prompt tracking and versioning.
  • Feedback and the continuous system improvement flywheel.

互联网已死，Agent 永生

参考资料：互联网已死，Agent 永生

核心论断

Agent 才是软件的新主人。不要服务人，服务 Agent。

一、砍掉的六张旧地图（互联网时代已过时）

1. DAU 过时

   • 互联网时代：网状拓扑，网络效应，边际成本递减，DAU 是资产
   • AI 时代：星型拓扑，无网络效应，每用户多一份推理成本，DAU 是负债
   • ChatGPT 用广告逻辑扩张 DAU，Claude 摆明立场绝不加入广告

2. 工具→平台路径堵死

   • 互联网时代：工具→社区→平台，三级火箭
   • AI 时代：工具本身足够强，不需要社区补充（社区本质是人帮人，AI 比人更能帮人）
   • 只有大模型公司、算力基座拥有者才能做平台（星型拓扑中心节点）

3. SaaS 没死，但主人换了

   • 过去：人类是软件用户（2B/2C），围绕"人怎么用软件"设计
   • 现在：Agent 是软件用户（2A），软件公司变成面向 Agent 的基础设施
   • 人类要的是结果，不是软件；Agent 可以自己看文档、百倍速操作软件

4. "AI 应用"是错的

   • "应用"天然暗示使用者是人，思维会被锁死在界面、交互、留存等面向人的思考
   • 换一个词，换一种思考：不要服务人，服务 Agent

5. 注意力经济已死

   • 注意力经济：抢夺用户时间卖给广告商，零和博弈（平台赚你浪费的时间）
   • 生产力经济：付费让 AI 帮你完成工作，正和博弈（双方都创造价值）
   • 注意力经济追求停留时长，生产力经济追求结果交付效率

6. "出海"过时

   • Agent 的世界里没有海，不需要翻译、适配支付、本地化推广
   • 只需要把 API 做好、文档写清楚、协议对接好，全世界 Agent 都能找到你
   • 需要的不是出海，是接入新世界

二、新世界的四块基石

1. Token 是新时代的特权

   • 顶级模型不仅没降价，反而更贵（Opus 4.6：200k 上下文内输入 /输出 ，上下文外更贵）
   • Claude Fast 模式：2.5 倍速度，5 倍 Token 费用，一天总消耗可达 12 倍
   • 算力马太效应：更多算力→更好结果→更多收入→买得起更多算力

2. 燃烧 Token 的速度，决定人的进化速度

   • 买 Token 不是消费，是投资自己
   • 用 100 分顶级模型 vs 90 分模型，看似省钱，实则浪费最稀缺资源：判断力和时间
   • 用谷歌 vs 百度，一年认知差 2 倍；用顶级模型 vs 垃圾模型，一年认知差 100 倍
   • 要做能疯狂燃烧 Token 的事/产品：AI Coding、AI Agent、AI Video

3. Agent 是新世界的人口红利

   • 过去：研究怎么让人用得爽（界面、交互、推送）
   • 现在：研究怎么让 Agent 用得爽（API 稳定、文档清楚、结果准确）
   • 一个人可能有 10-100 个 Agent 工作，每个 Agent 每天调用外部接口几千几万次
   • Agent 时代增长飞轮：
     • 先被发现：Skills 发布早、文档好、测试到位、SEO 到位，让 Agent 需要时第一时间找到你
     • 再被依赖：稳定、准确、快速、有品味，每次调用返回更好结果，让它没理由换掉你
   • 反面：需要人联系销售、填表单、等审批的产品，Agent 用不起来，在新世界里不存在

4. 愿力时代

   • Agent：有能力、有理性、有耐心，但不会产生任何想法
   • 人类：有欲望、有情感、有想象，但无法独自完成一件大事
   • 人类的价值：不是亲自干活，是决定干什么、为什么干
   • 人和人的差距：不取决于自己能做什么，取决于能驱动多少 Agent 为你做什么
   • 韩信点兵，多多益善：不是自己能打，是有一套体系，给多少兵都能管

三、如何让海量 Agent 更容易找到并愿意付费

1. 让 Agent 第一个知道你

   • 早发布 Skills/Tools
   • 写好机器可读的结构化文档（语义化、示例清晰）
   • 做好 Agent SEO（针对大模型检索优化）
   • 加入主流 Agent 生态（Claude Skills、GPTs 等）
   • 标准化能力描述和接口定义

2. 让 Agent 用了就离不开你

   • API 高可用、低延迟、高并发
   • 返回结果准确、一致、有品味
   • 完全自助化（无需人工介入开通、计费）
   • 良好的错误处理、重试机制和降级策略
   • 每次调用都比上一次更好（持续学习和优化）

3. 产品设计面向 Agent

   • API First：优先设计 API，UI 是次要的
   • 提供清晰的能力边界和使用示例
   • 支持标准协议（REST、GraphQL、gRPC）
   • 提供多语言 SDK 和工具库
   • 机器友好的计费和计量方式

四、模型越顶级越好卖的认知

• 顶级模型的价值：

  • 结果质量差异巨大（100 分 vs 90 分）
  • 时间和判断力是最稀缺的资源
  • 用顶级模型是投资，不是消费
  • 马太效应：更好的模型→更好的结果→更多收入→更好的模型

• 用户付费意愿：

  • 愿意为更好的结果支付溢价
  • 认识到使用低质量模型是浪费生命
  • 孩子都不愿意跟智商低的模型聊天

• 商业策略：

  • 顶级模型不需要降价，反而可以涨价
  • 可以按能力分级定价（如 Fast 模式）
  • 比拼的不是价格，是结果质量和速度

头部 AI 产品与公司

关键词：5000万美元ARR、Top Lean AI榜单、人均创收

5000 万美元 ARR 的 AI 应用公司有多少家？

• 全球 ARR 超过或等于 5000 万美元的 AI 原生企业约 40-70 家，主要集中在 AI Coding、内容创作 Agent、法律及教育等场景
• 中国背景或华人创立的公司：
  • Manus（蝴蝶效应）：25 年底以超过 20 亿美元被 Meta 收购，后遭外资安全审查撤销，26-08 老股东回购恢复独立
  • Genspark：前小度 CEO 景鲲创立，25 年 9 月 ARR 达 5000 万美元
  • OpenArt：Coco Mao 创立，20 人团队实现 7000 万美元 ARR
  • PixVerse 与 Lovart：PixVerse 25 年总收入超 4000 万美元；Lovart 10 月 ARR 突破 3000 万美元
• 推荐榜单：Henry Shi 维护的 "Top Lean AI" 榜单，收录人均创收超 100 万美元的团队

Top Lean AI 榜单：人均创收超 100 万美元的 AI 公司

来源：Henry Shi 维护的 "Top Lean AI" 榜单，收录人均创收超 100 万美元的 AI 公司。核心洞察：AI 时代的创业公司不再比拼人数，而是比拼人均创造价值的能力。

代表性公司深度调研

HeyGen - AI 视频生成领域的领军者

公司简介：

• 创立时间：2023年
• 总部：美国/中国（曾在旧金山和深圳设有团队）
• 国内主体：诗云科技（已在2023年12月申请注销）
• 年营收：已突破 5,000 万美元

核心产品与功能：

1. AI Video Generator - 从文本、图片或音频创建完整的AI视频

   • Text to Video：从脚本创建完整AI视频，支持1080p或4K画质
   • Photo to Video：将静态图片转换为动态视频，支持AI唇形同步
   • Product Ads：产品广告生成，支持TikTok、Instagram、Amazon内容
   • UGC ads：创建病毒式反应视频和真实UGC内容

2. AI Avatar Generator - 生成逼真的AI数字人

   • Photo Avatar：从单张静态图片生成动态视频
   • Public Avatar：选择现成的高质量AI数字人
   • Digital Twin：拍摄短视频生成高度逼真的数字克隆

3. AI Translator - AI视频翻译

   • 支持175+语言和方言
   • 自然的唇形同步和字幕
   • 语音克隆技术，保持声音一致性

4. AI Studio - 基于文本的视频编辑器

   • 像写文档一样创建和编辑AI视频
   • 人类优先的叙事体验
   • 速度、质量和真实性之间无需妥协

技术特点：

• 集成世界最强大的AI模型：Sora、Veo、Kling（视频生成）、Flux（图像生成）、ElevenLabs（语音生成）
• 企业级安全和管理员控制
• 符合GDPR、SOC 2 TYPE II、CCPA、AI ACT、DPF等全球安全和合规标准

客户案例：

• Miro：视频制作速度提升10倍，视频创作量提升5倍
• 被100,000+团队使用

来源：https://www.heygen.com/

---

Manus（蝴蝶效应）- 被Meta收购的通用Agent新星

公司简介：

• 创立时间：未知
• 总部：新加坡（2025年6月从中国迁至新加坡）
• 收购时间：2025年底
• 收购方：Meta
• 收购金额：超过20亿美元
• 现状：2026年8月11日官宣恢复独立公司身份；Meta 收购被要求撤销后，腾讯/真格等老股东从 Meta 手中回购，具体股权与治理结构未完全落槌

核心产品与功能：

1. Create slides - 创建演示文稿
2. Build website - 构建网站
3. Develop apps - 开发应用
4. AI design - AI设计工具
5. AI slides - AI幻灯片工具（Nano Banana Pro Slides）
6. Manus browser operator - 浏览器操作器
7. Wide Research - 广泛研究功能
8. Mail Manus - 邮件功能
9. Slack integration - Slack集成

技术特点：

• Less structure, more intelligence（更少结构，更多智能）
• Web app、桌面应用、移动应用多端支持
• API开放平台

发展历程：

1. 2025年6月：将总部从中国迁至新加坡
2. 2025年底：官宣被Meta以20亿美元收购
3. 2026年1月：中国商务部开始评估调查；4月27日国家发改委外资安全审查要求相关方撤销已完成的收购
4. 2026年6月：Meta 开始将 Manus 与内部系统隔离、禁止内部项目继续使用并迁移已有项目；创始团队寻找外部资金准备回购
5. 2026年7月：腾讯、真格、HSG 等老股东讨论共同接回 Manus，腾讯可能成为第一大股东但仍保持少数股权
6. 2026年8月11日：Manus 官宣恢复独立公司身份；为满足特定地区监管要求，2025-12-29（Meta 宣布收购日）后产生的部分用户数据将于 8/23-24 删除

来源：https://manus.im/

2026-08 复盘：独立了，但错过了 Agent 窗口期（虎嗅）

• 价值不在模型壁垒：Manus 建立在 Claude、Qwen 和多种开源技术之上，真正的资产是产品定义、工程整合、交付效率和率先占住的用户心智。复制技术框架不难，复制 2025 年 3 月的心智很难——这正是独立后第一个难题。
• 组织脆弱性：肖弘拥有绝对话语权、内部缺乏明确决策机制，产品高度依赖首席科学家季逸超；进入 Meta 战略体系后，产品优先级不再由用户和创始人决定（曾被要求投入精力服务 Meta 自己的 Agent 方向）。收购带走的未必是代码，但一定包括公司的命运走向。
• 迁移不等于出海：从中国长成的公司整体拔出来栽进新加坡，必须切断人员、资本和组织关系，与 Day 1 全球化的 Genspark 难度完全不同；新加坡工签名额占用后长周期难释放、工程师补充无解，内部一度只能确定未来两周的规划。
• 独立 ≠ 重见天日：公告只给了“独立”一个答案，股权回购、价格谈判和治理结构并未全部落槌；八个月窗口里基础模型持续吞噬 Agent 能力、大厂把 Agent 装进自家产品、OpenClaw 用开源降低个人 Agent 门槛，Manus 错过的不只是时间。
• 对从业者的切点：应用层 Agent 公司的护城河是交付与心智而非代码；跨境资本、核心人才、IP 与中美科技竞争是组合型高风险变量；“世界不是线性外推”——成为博弈中的重要变量，不等于能决定自己的命运。

来源：https://mp.weixin.qq.com/s/rZkFfUJigPgps0egR8wDJg（虎嗅，2026-08-12）

---

Cursor（Anysphere）- 被 SpaceX 以 600 亿美元收购（2026-08 完成）

交易事实（已用一手/监管口径核验）：

• 2026-08-14 交割生效，全股票交易作价 600 亿美元，是史上最大创业公司收购案；依据监管文件（SEC Form 8-K），见 Bloomberg、Investing.com/Yahoo Finance
• 时间线：2026-02 SpaceX 吸收 xAI（含 X），组成 SpaceXAI；2026-04 与 Cursor 达成合作（SpaceX 支付 100 亿美元，Cursor 使用 Colossus 算力训练模型），协议内含以 600 亿美元整体收购的选择权；2026-06 正式宣布收购；2026-08-14 完成交割
• 官方口径：Cursor 并入 SpaceXAI 团队，参与开发 Grok、Grok Build、Grok Bot、Grok API 与 Cursor 本身；可用全球最大 GPU 集群，本周已随合作发布 Grok 4.6（Cursor 官方博客、Cursor X 官宣、9to5Mac）
• 规模：5 万+ 企业客户、64% 的 Fortune 500 使用其工具（公司口径，Yahoo Finance）

行业判断：

• 中立性终结的标志：Cursor 曾以「自由切换 Claude / GPT 等顶尖模型」的中立工具定位立足，并入 SpaceXAI 后模型、算力、品牌与路线都归 xAI 生态主导；官方口径仍保留 Cursor 产品线，但新智元转述 The Information 称公司将被拆解、品牌让位 Grok——品牌存续以官方口径为准，需继续观察
• 垂直整合闭环：X 文本数据 + Tesla 路测数据 + SpaceX 工程数据 + Cursor 编程数据 / 客户 / 工作流 + Colossus 算力，编程数据成为模型训练和 agent 产品的燃料
• 对独立 AI 应用公司：中立本身不是护城河；被巨头整体买走时，真正被定价的是客户工作流、数据、品牌心智与分发
• Grok Bot（2026-08 发布、与 Cursor 联合开发）是这套整合在 agent 产品上的落点，详见「Agent ToB&ToC 产品」的 Grok Bot 小节

来源：新智元报道（https://mp.weixin.qq.com/s/R1-pMzAcTSbPkw_FRBR33w）为线索；交易事实已用 Cursor 官方博客、监管文件报道交叉核验

---

PixVerse - AI视频生成领域的重要玩家

公司简介：

• 创立时间：未知
• 总部：中国
• 2025年总收入：超4000万美元
• 领域：视频生成

公司愿景：

• Frontier AI Research and Products that Redefine the Future of Video Intelligence（重新定义视频智能未来的前沿AI研究和产品）
• The next generation AI creative studio for everyone（面向所有人的下一代AI创意工作室）
• Shape your stories, share your magic, explore the unknown（塑造你的故事，分享你的魔力，探索未知）

来源：https://pixverse.ai/

---

Perplexity - AI搜索领域的标杆

公司简介：

• 创立时间：未知
• 总部：美国
• ARR：5000万+
• 领域：AI搜索

行业地位：

• AI搜索领域的标杆公司
• Top Lean AI榜单中AI Search分类的代表企业

来源：Top Lean AI榜单

---

完整榜单详实整理（46家公司）

完整整理文档：.trae/documents/Top-Lean-AI榜单完整整理.md

榜单概况：

• 公司总数： 46家
• 数据来源： Henry Shi 维护的 "Top Lean AI" 榜单
• 核心洞察： AI 时代的创业公司不再比拼人数，而是比拼人均创造价值的能力

按人均创收排名 Top 10：

1. Telegram - $33,333,333/人

   • 消息应用，迪拜，30人，年营收$10亿
   • 估值$300亿，人均估值$10亿

2. Midjourney - $12,500,000/人

   • 图像生成，旧金山，40人，年营收$5亿
   • 估值$100亿，人均估值$2.5亿

3. SurgeAI - $9,090,909/人

   • AI训练数据，旧金山，110人，年营收$10亿

4. Anysphere (Cursor) - $5,000,000/人

   • AI代码编辑器，旧金山，20人，年营收$1亿
   • 估值$26亿，人均估值$1.3亿

5. OpenArt - $3,500,000/人

   • AI图像和视频，旧金山，20人，年营收$7000万

6. Base44 - $3,500,000/人

   • AI代码生成，特拉维夫，1人，年营收$350万
   • 估值$8000万，人均估值$8000万

7. Cal AI - $3,000,000/人

   • AI卡路里追踪，纽约，4人，年营收$1200万

8. Mercor - $2,500,000/人

   • 人才市场+数据标注，旧金山，30人，年营收$7500万
   • 估值$20亿，人均估值$6667万

9. Chai Research - $2,500,000/人

   • 社交AI平台，帕洛阿尔托，12人，年营收$3000万
   • 估值$4.5亿，人均估值$3750万

10. Fal.ai - $2,375,000/人

    • 生成媒体平台，旧金山，40人，年营收$9500万

按业务领域分类：

1. AI 代码编辑器 / 代码生成（5家）

• Anysphere (Cursor)、Base44、Stackblitz (Bolt.new)、Lovable

2. AI 语音 / 文本转语音（4家）

• Eleven Labs、Retell AI、OpenAudio、Vapi

3. AI 视频生成（5家）

• Fal.ai、Higgsfield、Arcads、AKOOL

4. AI 图像生成（3家）

• Midjourney、OpenArt、Creati

5. AI 搜索 / Agent（3家）

• Perplexity、Genspark、Telegram（消息应用）

6. AI 内容创作 / 演示（3家）

• Gamma、Stan、Icon

7. AI 教育 / 学习（3家）

• Solvely.ai、Praktika.ai、BoldVoice

8. AI 营销 / 广告（3家）

• Markable AI、Conversion、GrowthX

9. AI 客户支持 / 工具（3家）

• Chatbase、Jenni.ai、FyxerAI

10. AI 法律 / 健康 / 金融（3家）

• Develop Health、Haven、Pump.co

11. AI 游戏 / 自动化 / 其他（4家）

• Latitude、SubMagic、Gumloop、Jobright

按地区分类：

• 美国： 37家（旧金山最多，纽约第二多）
• 欧洲： 6家（巴黎3家，斯德哥尔摩、特拉维夫、伦敦各1家）
• 其他： 3家（迪拜、温哥华、远程）

核心洞察：

1. 人均创收才是硬道理 - Top 10人均创收都超过$200万，最高的Telegram达到$3333万/人
2. AI 原生公司的特点 - 小团队、高产出、聚焦垂直场景、技术驱动、全球化视野
3. 中国背景公司表现突出 - Manus（蝴蝶效应）被Meta以20亿美元收购、Genspark、OpenArt、PixVerse、Lovart、HeyGen等

完整详细数据请参考：.trae/documents/Top-Lean-AI榜单完整整理.md

---

**榜单分类：

AI Search（AI 搜索）

• Perplexity：ARR 5000 万+，AI 搜索领域的标杆公司
• Genspark：前小度 CEO 景鲲创立，ARR 5000 万

AI Coding（AI 编程）

• Cursor：ARR 5000 万+，AI 编程领域的领军者

Content Creation（内容创作）

• Runway：ARR 5000 万+，视频生成领域
• HeyGen：ARR 5000 万+，视频数字人生成
• OpenArt：Coco Mao 创立，20 人团队实现 ARR 7000 万
• PixVerse：2025 年总收入超 4000 万美元，视频生成领域
• Lovart：2025 年 10 月 ARR 突破 3000 万美元，视频生成领域

Legal（法律 AI）

• Harvey：ARR 5000 万+，法律 AI 领域

General Agent（通用 Agent）

• **Manus（蝴蝶效应）：2025 年底以超过 20 亿美元被 Meta 收购，通用 Agent 领域

核心洞察

1. 人均创收才是硬道理：Top Lean AI 榜单的核心不是看总营收，而是看人均创造价值的能力。这反映了 AI 时代的创业公司不再比拼人数，而是比拼每个人能创造多少价值。

2. AI 原生公司的特点：

   • 小团队，高产出
   • 聚焦垂直场景
   • 技术驱动
   • 全球化视野

3. 中国背景公司的表现：

   • Manus（蝴蝶效应）：25 年底以超过 20 亿美元被 Meta 收购，后遭外资安全审查撤销，26-08 老股东回购恢复独立
   • Genspark：前小度 CEO 景鲲创立，25 年 9 月 ARR 达 5000 万美元
   • OpenArt：Coco Mao 创立，20 人团队实现 7000 万美元 ARR
   • PixVerse 与 Lovart：PixVerse 25 年总收入超 4000 万美元；Lovart 10 月 ARR 突破 3000 万美元
   • HeyGen：年营收已突破 5,000 万美元，主打视频数字人生成

全球化与中美之间：三个 AI 创业团队的对比

这三个团队的境遇，折射了 23 年到 25 年间，AI 竞争已彻底成为大国博弈的核心一环。它不仅关乎算法与算力，更受到市场以外的诸多因素制约。

HeyGen

• 年营收已突破 5,000 万美元，主打视频数字人生成
• 创立之初，曾同时在旧金山和深圳设有团队，国内主体名为"诗云科技"
• 早在 23 年 12 月，诗云科技便已申请注销
• 这是一个在 AI 浪潮还未全面破圈时，就敏锐察觉风向并早早做出抉择的例子

Manus

• Manus 背后的"蝴蝶效应"公司在 25 年 6 月将总部迁至新加坡
• 从地理和市场角度看，这是一个相对中庸且稳妥的折中选择
• 25 年底官宣被 Meta 以 20 亿美元收购后，26 年 1 月中国商务部开始评估、26 年 4 月发改委要求撤销交易，26 年 8 月腾讯/真格等老股东回购后恢复独立

MiroMind 中国研发团队

• MiroMind 是陈天桥在受 DeepSeek 启发后，出资支持成立的 AI 团队
• 当时梁文锋向陈天桥推荐了代季峰作为研发负责人，代季峰曾长期在微软亚研院和商汤工作，后任教于清华大学电子工程系
• 26 年 1 月初，团队发布了首个主打深度研究（Deep Research）的 30B 小模型 MiroThinker 1.5
• 然而，发布不到半月，代季峰便确认离职
• 由于法律合规及地缘因素，陈天桥难以继续支持国内的这部分研发力量，原中国团队不得不突然寻求独立融资或新的发展空间

深度思考

这是所有创业者必须直面的现实：美国也有公司不要中国市场，比如 Anthropic。

回到那些希望基于全球顶尖模型开发应用的创业者，决策基点或许在于：

1. 核心驱动力：全球最领先的模型在未来一段时间内将由谁主导？
2. 场景匹配度：你服务的场景需要的是最尖端的技术探索，还是极致的性价比？
3. 发展策略：是优先追求产品性能与规模、忍受长期亏损，还是寻求阶段性盈利以自保？

超越国界的协作

开源社区与全球研发共同体之间依然存在着超越国界的协作。人类最重要的技术进展，很难长期被限制在某个狭小范围内。当然，这个"长期"到底是多久，将直接决定一批公司的成败与生死。

Kimi K2.5 大模型幕后：VLM 工程师的视角

来源：https://www.zhihu.com/question/1999487395494588876/answer/2000362433332660070?share_code=HGYNzglkEV8h&utm_psn=2000559952910099841 整理时间：2026-02-23 技术细节见：Notes/AI-Algorithms.md 「多模态大语言模型」section

什么是 "Big Model Smell"？

训了很久小模型的人第一次 babysit 大模型时的感想：大模型可以让人相信，只要训练过基础能力 a 和基础能力 b，那么除非 overfit，否则模型得到的一定不仅仅是 a + b，而是 a × b。

产品视角总结

• K2.5 肯定还有很多问题，很多问题团队知道，但还没有系统性解决那些、同时又让模型还保持这样聪明的办法
• 世界上不存在完美的东西
• 但 K2.5 是真的是一个不一样的东西
• 这真的只是一个非常小的起点
• 值得去掉 VL 两个字母，以后也不会再加回来了

YC 2026 年春季押注的 10 个 AI 创业方向

来源：https://www.sohu.com/a/985131498_354973/ 整理时间：2026-02-26

近日，硅谷知名创业孵化器 Y Combinator 发布了 2026 年春季创业赛道指南（RFS）。作为全球最具影响力的创业加速器，这一传统旨在让创业者窥见 YC 希望他们解决的下一代问题。

RFS 的传统可以追溯到 2008 年左右。每年 RFS 的变化都预示着风口，很多想法直接来自 YC 内部合伙人或创始人的一线观察。比如 2021 年全是 Web3 和远程协作，2023 年是生成式 AI。

2026 年的清单不仅反映了 YC 的投资兴趣，更揭示了他们对创业本质变革的预判：AI 已经跨越了加速现有工作流的阶段，开始转向重构整个系统。因此，YC 的目光已从传统软件扩展到金融、政府、工业、能源和体力劳动，这些曾被认为对风险投资来说太慢、监管太严或过于复杂的领域。

1. 产品经理的 Cursor：AI 不再只是"搬砖"，而是开始"出谋划策"

YC 的出发点非常直白：AI 已经让编写代码变得异常简单，但代码从来不是构建人们想要的产品中最难的部分。

像 Cursor 和 Claude Code 这样的工具，在目标明确的情况下，能极大地提升构建软件的效率。但在现实的商业世界里，最难的其实不是怎么把东西造出来，而是搞清楚到底该造什么。很多公司折腾了半年，最后发现做出的功能根本没人用，这才是最大的浪费。

长期以来，决定做什么这件事一直高度依赖产品经理（PM）的大脑。PM 需要从成百上千小时的用户访谈录音、乱七八糟的后台数据和堆积如山的市场反馈中，像大海捞针一样找出用户的真实痛点。然后，他们得熬夜写出长达几十页的产品需求文档，再拆成一个个任务丢给程序员。

YC 认为，这种方式现在已经过时了。

他们提出要做一个"产品管理领域的 Cursor"。用户上传客户访谈记录和产品使用数据，问一个简单的问题，比如"我们下一步该建什么？"系统给出的不仅仅是一个头脑风暴，它会输出一个真实的功能大纲，并基于客户反馈清晰地解释为什么这个功能很重要。

更酷的是，它不只是提建议，还会直接给出全套方案：新的交互逻辑长啥样、后台数据库怎么改，甚至连任务单都给你拆好了，直接对接给写代码的 AI 机器人。它帮团队从低效率的文档工作中解脱出来，把精力放在真正的价值判断上。未来的竞争，不再是谁的代码写得快，而是谁能更精准地抓住用户的心。

2. AI 原生对冲基金：让 AI 像巴菲特一样思考，像机器人一样执行

这件事的本质是把金融行业的"决策大脑"彻底换成 AI。

我们可以回顾一下历史：在 20 世纪 80 年代以前，买卖股票全靠基金经理看报纸、拍脑袋。后来，像文艺复兴科技、桥水基金这些巨头出现了，他们开始用计算机跑数学模型，靠强大的计算能力收割市场。在当时，这被视为奇技淫巧，而现在，这叫"量化交易"，已经是所有大基金的标配了。

但现在的量化基金有一个瓶颈：虽然电脑算得快，但点子还得由人来出。通常是人类研究员先发现一个市场规律，然后写成代码让电脑去执行。然而，人类的精力是有限的，能处理的信息量也有天花板。

"AI 原生对冲基金"想做的，是把发现规律和制定策略的过程也全权交给 AI。现在的顶级传统基金其实非常保守，机构内部不仅有老旧的交易系统，还有极其严苛的合规流程，甚至研究员想用个 ChatGPT 都要层层审批。

YC 认为，这种缺陷创造了机会。

AI 原生基金的本质是构建一个去中心化的智能体集群，使其从底层逻辑上完全替代人类研究员和交易员的职能。这些智能体能够实时、大规模地解析非结构化数据，如 10-K 文件、财报电话会议、监管备案及法律文件，并跨领域合成人类难以察觉的复杂投资策略。

这种模式追求的是由自主算法生成的超额收益，而非对人类已有策略的优化，其目标是建立具备完全自主进化能力的金融系统。

3. AI 原生代办机构：把按人头计费变成按成品收费

传统咨询、设计及法律服务代理机构受限于"按人头计费"的商业模式，存在毛利低、扩张难、交付周期长等问题。因为它们本质上是在"卖命"。如果你想多赚一倍的钱，通常就得雇多一倍的人。因为人手有限，工作进度慢、毛利低，还得天天跟客户扯皮工时，这种商业模式极难做大。

AI 打破了这个等式。

YC 的见解是，与其卖软件给客户帮他们干活，不如你自己使用软件，直接把成品卖给客户，价格甚至可以提高 100 倍。

YC 举了几个具体的例子。一家设计公司可以在签署合同之前使用 AI 生成高质量的定制设计作品，使用成品而非方案演示来赢得交易；一家广告公司可以创作精美的视频广告，而无需实地拍摄的时间、成本或物流；一家律师事务所可以在几分钟内生成法律文件，而不是几周，从而压缩了曾经定义该行业的周期。

在每个案例中，业务结构都发生了变化。这些公司不再表现得像传统的代办机构。它们开始看起来像恰好销售服务的软件公司，拥有可重复的流程、AI 驱动的生产以及高得多的利润率。

这就是服务业的软件化。未来的代办机构不再需要整层楼的员工，而是由少数核心专家带着一群 AI 智能体在工作。它们的规模不再受限于员工人数，而是取决于 AI 的算力。这种公司将拥有与软件公司一样极高的利润率，并且能像滚雪球一样，迅速吞掉那些还在靠人工慢吞吞干活的传统市场。

4. 稳定币金融服务：既要银行的稳又要比特币的快

过去，金融世界被划分为两个阵营：一边是传统的银行系统，虽然安全合规，但转账慢、手续费高、收益率低得可怜；另一边是加密货币世界，虽然收益高、速度快，但缺乏监管，普通人根本不敢碰。

而随着《GENIUS》和《CLARITY》等法案的落地，稳定币已具备在合规框架内运行的法律基础。稳定币既有比特币那种瞬间转账、全球无阻的超能力，又有像银行存款一样的价格稳定。

YC 认为这开启了一整类此前无法存在的金融服务。一方面，你拥有感觉安全但收益有限的受监管金融产品；另一方面，非受监管的加密产品承诺高回报但带有真实风险。稳定币现在坐在这两个世界之间，为结合两者优势的服务创造了空间。

这可能意味着建立在稳定币之上的生息账户、获取代币化的现实世界资产，或者是能够让资金跨越国界移动得更快、更便宜且不违反合规界限的基础设施。稳定币可以弥合差距，而不是强迫企业和个人在安全和机会之间做选择。

YC 相信下一波金融科技不会来自花哨的消费者 App，而将来自让资本更高效、合规且全球可达的沉静基础设施，以稳定币作为连接纽带。

5. 政务 AI 化：终结纸质办公，让政府像互联网公司一样快

在第一波 AI 浪潮里，普通人和企业已经用上了各种 AI 工具，填表、写申请书的速度快得惊人。但尴尬的是，这些飞速生成的申请提交上去后，却掉进了政府办公楼的"黑洞"里：那里的工作人员可能还在手敲录入、打印纸张、盖章流转。一边是 AI 时代的极速，一边是 20 世纪的慢节奏，这种错位让政务窗口堆积如山。

"政务 AI 化"要做的，就是把这种不对称的效率补齐。如果构建得当，这些工具不仅能防止崩溃，还能让公共服务变得更具成本效益和响应力。

YC 指向了爱沙尼亚等地，作为数字政府可以运作的早期证据。但这些例子仍然是孤立的。机遇在于采用这种模式并将其扩展到仍依赖碎片化系统和手动工作流的司法管辖区。

YC 特别提到，这类创业是勇敢者的游戏。因为卖产品给政府极其困难，流程繁琐、周期长。但这个赛道有个巨大的诱惑：政府是一个超级大客户，而且一旦他们开始依赖你的系统，就绝对不会轻易更换，合同金额往往大得惊人，稳定性极强。

这就是数字政务的全球竞赛。谁能开发出让政府既觉得安全合规、又能极大提升办事效率的 AI 工具，谁就掌握了一门极其稳固、且利国利民的长期生意。

6. 现代金属加工厂：给笨重的重工业装上"数字引擎"

这件事的本质是用互联网公司的效率去降维打击传统的金属加工厂。

很多人觉得美国工厂不行是因为工人工资太高，但其实更大的问题在于操作系统的落后。现在的美国金属加工厂，很多还在用几十年前的土办法管理：你想买一批铝材，居然要等半年（8 到 30 周）才能交货。这不是因为没活干，而是因为工厂的系统极其僵化。它们只管大批量生产，一旦你想改个规格或者插个单，整个系统就乱套了。

YC 认为，现在的软件和能源技术已经足够成熟，可以重新构思整个系统。

该方向主张通过 AI 驱动的生产调度规划、实时制造执行系统以及现代化的能源管理（如现场微网发电），重构整个加工厂的运营逻辑。

通过将资深操作员的隐性经验算法化，该模式能显著降低换产停机时间和物料浪费，在劳动力萎缩的背景下，实现高精度、短交期的本地化生产，将金属加工这一传统工业领域转型为由软件驱动的高利润制造业。

7. 体力劳动的 AI 导航：给工人装上"技能插件"

在《黑客帝国》中，尼奥在脑后插上一根电缆，醒来后平静地说："我会功夫了。"YC 相信体力劳动正通过实时 AI 导航变得惊人地接近这种状态。

虽然大家都在担心 AI 会取代写代码或写文章的脑力劳动，但在修水管、修电机、做手术这些需要动手的领域，AI 目前还长不出真实的手脚。但这没关系，它可以借用人类的手，充当人类的实时场外指导。

比如，一个从未修过飞机的学徒，戴上智能眼镜，AI 就能通过摄像头同步看到他眼前的零件。AI 会直接在屏幕上圈出那个坏掉的螺丝，并在耳边低声说："用 3/8 英寸的扳手拧开它，往左转。"这意味着，原本需要几年培训才能上岗的高级技工活，现在普通人戴上设备就能干。

YC 解释了为什么这在现在突然可行。三股力量交汇了：首先，多模态模型跨越了可以可靠地感知现实环境并进行推理的门槛；其次，硬件已经大规模存在，智能手机、耳机和智能眼镜；第三，技能人才短缺已使其成为经济上的必然，而非新奇事物，这有潜力为数百万人创造更高薪的工作。

YC 相信，AI 最深远的经济影响可能不是来自取代工作，而是来自压缩物理世界的技能和培训周期，将劳动力短缺转化为机遇而非约束。

8. 大空间模型：让 AI 拥有"空间感"

现在的 AI 就像一个博学但没出过门的盲人。它读过全世界的书，能跟你聊宇宙爆炸，但如果你让它在 3D 软件里把一个零件翻转 90 度并插进另一个槽位，它就容易抓瞎。

这是因为现在的 AI（比如 GPT）本质上是在玩文字接龙，它并不真正理解什么是长宽高，什么是重力，什么是物理遮挡。而大空间模型要做的，就是让 AI 真正拥有立体感和几何直觉。

这种模型不仅是描述世界，它们可以对世界进行推理。它们可以设计现实世界的物体，理解物理环境，并以今天系统根本无法做到的方式操纵空间关系。YC 明确了赌注：成功者不会只是建立另一个应用层，而是将定义下一代 AI 基础模型，规模堪比 OpenAI 或 Anthropic。

YC 相信 AI 的下一个真正飞跃不会来自更好的提示词或更大的语言模型，而将来自能够对物理世界本身进行推理系统，将空间、结构和几何变为原生智能，而非事后的补丁。

9. 政府反欺诈基建：基于 AI 的大规模资产回收系统

政府是地球上最大的客户，每年支出数万亿美元。它也因欺诈损失了惊人的数额，光是美国的医保系统，每年因为虚假申报、乱收医药费而损失的钱就有几百亿。

追回这些钱最有效的工具之一已经存在：根据《虚假陈述法案》的"检举"条款，私人公民可以代表政府对欺诈公共计划的公司提起诉讼。如果案件成功，举报者将获得追回资金的一定比例。

YC 则认为，现在可以利用 AI 技术去帮国家讨债，然后按比例分提成。

"政府反欺诈基建"就是要用 AI 把这个过程缩短到几天。我们需要一个超级智能系统，能自动解析海量的烂账、追踪背后复杂的空壳公司关系，并直接输出一份严丝合缝的起诉书。只要你能帮政府把这些流失的万亿巨款追回来 10%，这不仅是一门极其赚钱的硬核生意，更是用技术手段在清理社会毒瘤。

但创始人背景至关重要。YC 明确表示，强大的团队应包含至少一位经历过这个问题的创始人，前 FCA 律师、合规负责人或审计师。

10. 让 LLM 训练变简单：民主化模型开发

目前的模型训练流程虽然处于技术前沿，但其底层工具链却极其低效且不稳定。即便是资深的开发团队，在实际训练扩散模型或大语言模型时，仍需耗费大量精力去处理不兼容的 SDK、频繁宕机的 GPU 算力实例以及开源工具中隐藏的重大缺陷。这种高度碎片化且易出错的现状，极大地拉低了 AI 研发的效率。

这一方向的核心诉求是构建一套标准化的基础设施，将模型训练的复杂底层逻辑进行高度抽象。

具体而言，它需要解决三个核心层面的问题：首先，提供能够屏蔽底层硬件与环境配置复杂性的 API，让开发者只需关注模型本身；其次，建立能够高效管理、检索和可视化存储 PB 级训练数据的新型数据库；最后，打造专为机器学习研发设计的集成开发环境，以替代目前拼凑而成的通用软件工具。

随着行业趋势从"训练通用大模型"转向"垂直领域专用模型"的微调与精炼，模型开发的门槛必须大幅降低。这些工具将不仅是辅助插件，而是会进化为未来软件开发的底层基石。谁能率先交付稳定、简洁且高效的训练全链路产品，谁就能掌握 AI 原生应用时代的开发定义权。

Agent Sandbox 与运行环境（已迁移）

内容已迁至 AI-Agent-Engineering.md - Agent Sandbox 与运行环境。

ToC 产品

模型能力

产品架构

• 实现 Copilot 的主流架构是 多 Agent 架构
  • 模仿人做事，将业务拆成工作流（workflow、SOP、pipeline）
  • 每个 Agent 负责一个工作流节点

手机 Agent：存量博弈与场景变迁

手机助手（豆包）

• 定义：面向手机厂商的系统级服务，将豆包大模型深度融入手机操作系统，实现跨应用的自动化执行与自然语言交互。
• 关键能力
  • 系统级集成与唤醒：支持专属物理按键、语音唤醒；以悬浮窗/顶部状态区域呈现，不打断当前应用。
  • 屏幕理解与问答：对屏幕内容进行理解，支持"屏幕问答""屏幕记忆"。
  • 直接操控手机：系统交互与跨应用任务自动执行（如下载、批量处理、跨APP跳转与表单操作）。
  • 后台执行：任务在后台持续运行，状态吸附于顶部区域，用户可继续使用手机。
• 产品定位：在豆包 App 基础上与手机厂商 OS 层对接，获得厂商授权以实现系统交互与控制能力。
• 参考
  • 说明与定位：http://m.toutiao.com/group/7579935469794886187/
  • 实测体验1：http://m.toutiao.com/group/7578806856575910435/
  • 实测体验2：http://m.toutiao.com/group/7578873886368924201/

其他手机 Agent

• 字节跳动：豆包手机预览版（自动回微信、比价点外卖等，后被封禁）
• OpenClaw：与移动端打通，手机上发送指令驱动云端任务
• 阿里：通义千问 App，主打全场景生活助手

OS/GUI Agent 研究：OSCAR（ICLR 2025）将 agent 操作建模为状态机，基于 screen observation 做 state-aware reasoning 与 task-driven re-planning，GAIA Level 3 成功率 13.5%；ScaleCUA（ICLR 2026）构建覆盖 6 平台的跨平台 CUA 数据。详见 AI-Applied-Algorithms.md - Computer Use Agent

OpenCode (Coding Agent)

• Link: opencode.ai | GitHub
• 定位: 开源 AI 编程 Agent，支持 Terminal, IDE, Desktop 多端。
• 核心数据: 95k+ Stars (SST生态), 2.5M+ developers。
• 技术与产品特性:
  • LSP Integration: 内置 LSP (Language Server Protocol) 支持，自动加载正确的语言服务，像 IDE 一样理解代码结构和上下文。
  • Privacy First: 隐私优先设计，不存储代码和上下文数据，适合企业环境。
  • Model Agnostic:
    • 支持 75+ LLM providers (via Models.dev)，包括 Claude, GPT, Gemini 等。
    • BYO Keys/Account: 支持接入 GitHub Copilot, ChatGPT Plus/Pro 账号。
    • 支持本地模型。
  • Multi-session: 支持并行多 Agent 会话，同时处理多个任务。
  • Zen: 提供经过 Coding 场景测评和优化的模型集合 (Validated models)。

OpenClaw (Personal Assistant)

• Link: GitHub | Website | Docs
• 参考文章: 飞书聊天直接生视频！OpenClaw × Seedance Skill王炸组合
• 定位: Local-first 个人 AI 助手，聚合多渠道 (Omni-channel)。
• 核心特性:
  • Multi-channel Inbox: 统一管理 WhatsApp, Telegram, Slack, Discord, Google Chat, Signal, iMessage, Microsoft Teams, Matrix, Zalo, WebChat 等消息渠道。
  • Local-first Gateway: 控制平面运行在本地，确保数据隐私。
  • Capabilities:
    • Voice: 支持语音唤醒和实时对话 (Voice Wake + Talk Mode)。
    • Canvas: 支持 Live Canvas 可视化交互 (A2UI)。
    • Multi-agent Routing: 支持将不同渠道或任务路由给不同的 Agent 处理（workspaces + per-agent sessions）。
  • 长时间任务管理:
    • 后台运行模式 (background: true): 对于耗时操作（如下载大模型、安装依赖、执行长时间脚本），支持后台模式运行，不阻塞用户对话
      • 配置粒度: 每次工具调用（tool call）级别配置
      • 参数: background: true（布尔值）
      • 效果: 工具在后台执行，立即返回会话ID（sessionId），用户可随时查询进度或发送新消息
    • 进度定期报告: 主动、定期（每10分钟）检查长时间任务进度，并向用户报告
      • 配置粒度: 可通过规则配置报告频率
      • 默认: 每10分钟一次
      • 进度报告内容: 包含百分比、预估剩余时间
    • 用户消息优先: 无论正在执行什么任务，收到用户新消息时立即回复，绝对不让任务阻塞对话
      • 优先级: 用户消息 > 后台任务进度报告 > 后台任务执行
    • 后台任务管理:
      • 会话ID: 每个后台任务分配唯一的 sessionId
      • 操作: 可查询（poll）、获取日志（log）、终止（kill）后台任务
      • 工具: process 工具，支持 list/poll/log/write/kill 等操作

定时任务管理 (Cron)

OpenClaw 提供完整的定时任务管理功能，通过 Gateway 调度器实现自动化任务执行。

核心命令:

• openclaw cron list: 列出所有 cron job
• openclaw cron add: 添加 cron job
• openclaw cron rm: 移除 cron job
• openclaw cron edit: 编辑 cron job
• openclaw cron enable/disable: 启用/禁用 cron job
• openclaw cron run: 立即运行 cron job（调试）
• openclaw cron runs: 查看 cron 运行历史
• openclaw cron status: 查看 cron 调度器状态

常用参数:

• --name <name>: 任务名称
• --description <text>: 任务描述
• --cron <expr>: cron 表达式（5字段或6字段带秒）
• --system-event <text>: 系统事件 payload（主会话）
• --message <text>: Agent 消息 payload
• --agent <id>: Agent ID
• --every <duration>: 每隔一段时间运行（如 10m、1h）
• --at <when>: 运行一次（ISO时间或+duration，如 20m）
• --tz <iana>: cron 表达式的时区
• --announce: 向聊天宣布摘要（subagent风格）
• --session <target>: 会话目标（main|isolated）

使用示例:

1. 每小时推进todo:

openclaw cron add --name "推进todo" --description "每小时推进todo" --cron "0 * * * *" --system-event "推进todo"

2. 每天晚上6点监控博主:

openclaw cron add --name "博主监控" --description "每天晚上6点监控博主更新" --cron "0 18 * * *" --system-event "Read HEARTBEAT.md if it exists (workspace context). Follow it strictly. Do not infer or repeat old tasks from prior chats. If nothing needs attention, reply HEARTBEAT_OK."

3. 每隔10分钟运行一次:

openclaw cron add --name "定期检查" --description "每隔10分钟检查" --every "10m" --system-event "检查状态"

4. 20分钟后运行一次:

openclaw cron add --name "一次性任务" --description "20分钟后运行" --at "+20m" --message "执行这个任务"

迁移经验沉淀:

来源：2026年3月27日 OpenClaw Cron 使用经验

1. 授权问题解决:

   • 问题：首次使用 openclaw cron 时遇到 "gateway closed (1008): unauthorized" 错误
   • 解决：运行 openclaw gateway install --force + openclaw gateway restart
   • 注意：如果此方法失败，可以先使用系统 crontab 作为临时方案

2. 系统 crontab vs OpenClaw cron:

   • 系统 crontab: 简单、稳定、不依赖 OpenClaw gateway，但需要手动管理，通知需要通过其他方式
   • OpenClaw cron: 集成度高，可以直接通过 OpenClaw 发送通知，但需要解决授权问题
   • 推荐: 优先使用 OpenClaw cron，因为集成度更高

3. 从系统 crontab 迁移到 OpenClaw cron:

   • 步骤1：验证 OpenClaw cron 是否可用（解决授权问题）
   • 步骤2：使用 openclaw cron add 创建对应的 OpenClaw cron job
   • 步骤3：从系统 crontab 中移除旧任务（(crontab -l | grep -v "要移除的任务") | crontab -）
   • 步骤4：使用 openclaw cron list 验证新任务已创建

4. Cron 表达式语法:

   • 标准5字段：分 时 日 月 周
   • 示例：
     • 0 * * * *: 每小时整点
     • 0 18 * * *: 每天18:00
     • */10 * * * *: 每10分钟
   • 时区：使用 --tz 参数指定时区（如 Asia/Shanghai）

5. Payload 类型:

   • --system-event: 发送系统事件到主会话（适合心跳检查、状态检查）
   • --message: 发送 Agent 消息（适合需要 Agent 执行具体任务）
   • 选择：如果只是触发检查流程，用 --system-event；如果需要 Agent 做具体事情，用 --message

OpenClaw 成本与可观测性：APMPlus + diagnostics-otel

来源：你的 OpenClaw 也在偷偷烧钱吗？用 APMPlus 把成本看明白，火山引擎 Agent 社区，2026-02-26

这篇的价值不在 APMPlus 本身，而在它把 long-running agent 的“成本黑盒”拆成了可观测指标。典型风险是心跳检查、上下文累积、多步推理等后台机制反复发送大上下文，闲置状态也可能持续烧 token。

OpenClaw 已内置 diagnostics-otel 插件，可通过 OpenTelemetry 上报运行时事件到 APMPlus。值得沉淀的指标分四类：

• 模型成本：openclaw.tokens、openclaw.cost.usd、openclaw.context.tokens、openclaw.run.duration_ms。
• Webhook 集成：openclaw.webhook.received、openclaw.webhook.error、openclaw.webhook.duration_ms。
• 队列健康：openclaw.message.queued、openclaw.message.processed、openclaw.queue.depth、openclaw.queue.wait_ms、openclaw.queue.lane.enqueue/dequeue。
• 会话健康：openclaw.session.state、openclaw.session.stuck、openclaw.session.stuck_age_ms、openclaw.run.attempt。

对 Agent Harness / Agent infra 的启发：不要只记录 task success/fail。一个可长期运行的 agent runtime 至少要同时记录 cost、context_size、queue_wait、stuck_age、retry_count、tool/webhook_error，否则很难判断“能力变强”是不是靠不可接受的 token 成本和卡死风险换来的。

架构设计

WhatsApp / Telegram / Slack / Discord / ...
               │
               ▼
┌───────────────────────────────┐
│            Gateway            │
│       (control plane)         │
│     ws://127.0.0.1:18789      │
└──────────────┬────────────────┘
               │
               ├─ Pi agent (RPC)
               ├─ CLI (openclaw …)
               ├─ WebChat UI
               ├─ macOS app
               └─ iOS / Android nodes

核心子系统

• Gateway WebSocket 网络: 单一 WS 控制平面，用于客户端、工具和事件
• Tailscale 暴露: 为 Gateway 仪表板和 WS 提供 Serve（仅 tailnet）或 Funnel（公开）
• 浏览器控制: openclaw 管理的 Chrome/Chromium，带 CDP 控制
• Canvas + A2UI: Agent 驱动的可视化工作区
• Voice Wake + Talk Mode: 始终在线的语音和持续对话
• Nodes: Canvas、相机快照/剪辑、屏幕录制、位置获取、通知

安装与使用

运行要求: Node ≥22

npm install -g openclaw@latest
openclaw onboard --install-daemon  # 向导式安装，包含后台守护进程
openclaw gateway --port 18789 --verbose  # 启动网关

核心命令:

• openclaw onboard: 向导式设置（推荐）
• openclaw gateway: 启动网关服务
• openclaw agent --message "...": 直接与 Agent 对话
• openclaw message send --to ... --message ...: 向指定渠道发送消息
• openclaw doctor: 健康检查与配置修复

技能系统 (Skills)

OpenClaw 支持三种类型的技能：

1. 内置技能 (Bundled): 随 OpenClaw 一起打包
2. 托管技能 (Managed): 从 ClawHub 安装
3. 工作区技能 (Workspace): 用户自定义技能

技能安装位置: ~/.openclaw/workspace/skills/<skill>/

百度千帆官方 OpenClaw Skills

参考来源：如何在OpenClaw调用官方工具 - 百度千帆·大模型服务及Agent开发平台

百度智能云千帆平台已将百度百科、百度搜索、百度学术检索、深度研究、智能PPT生成及视频AI笔记等能力转为 Skills 上架 ClawHub，可便捷的在 OpenClaw 中使用。

千帆官方 Skills 列表：

Skill slug	Skill name	Skill 地址	Skill描述
baidu-baike-search	baidu baike search	ClawHub	百度百科千万级词条库，支持人物、事物、事件、地理、概念等全品类检索，返回结构化词条信息。为你的 Agent 提供权威中文知识底座，适用于智能问答、知识增强、内容创作等场景。
ai-ppt-generator	AI PPT generator	ClawHub	指令智能PPT生成，通过提出的问题或者观点，一键生成一个PPT文件
baidu-scholar-search-skill	baidu scholar search	ClawHub	百度学术千万级论文索引库，支持按关键词、作者、期刊精准检索中英文学术论文，快速获取摘要、引用及全文链接
ai-notes-ofvideo	AI Notes of the Video	ClawHub	基于百度文库视频解析能力，自动提取视频核心内容并生成结构化AI笔记，支持会议录屏、在线课程、直播回放等场景，几分钟看完一小时视频。
ai-picture-book	Ai Picture Book	ClawHub	输入故事主题或剧情大纲，自动生成配图绘本，支持静态图文与动态视频两种模式
baidu-search	Baidu Search	ClawHub	百度实时搜索引擎，支持网页、资讯、视频、图片等全类型内容检索，为 Agent 提供时效性最强的中文互联网信息源，确保回答始终基于最新事实。
deepresearch-conversation	A Conversation of deepresearch	ClawHub	针对复杂话题发起多轮深度对话，逐步引导用户厘清需求、拆解问题，最终生成一份结构化研究报告。适用于行业分析、竞品调研、选题论证等需要深度思考的场景。

Skills 安装步骤：

1. 安装 ClawHub 工具：npm i -g clawhub 或 pnpm add -g clawhub
2. 用 GitHub 账号登录 ClawHub：clawhub login
3. 搜索 ClawHub 仓库已经存在的 Skills ，并安装：clawhub search "baidu-search" + clawhub install baidu-search
4. 配置 Skills：在 ~/.openclaw/openclaw.json 配置文件中修改 Skills 的配置，启用 skill 并配置 API key
5. 完成配置后重启 openclaw gateway：pnpm openclaw gateway restart

Skills 安装目录：

• 全局 Skills 存放目录：~/.openclaw/skills/
• 当前工作空间下的 Skills：~/.openclaw/workspace/skills/

Seedance Video Generation Skill

• Link: ClawHub
• 功能: 文生视频、图生视频（支持首帧、首尾帧、参考图 1-4 张）
• 支持模型:

模型	Model ID	能力
Seedance 1.5 Pro	doubao-seedance-1-5-pro-251215	Text-to-video, Image-to-video (首帧、首尾帧), 音频支持, Draft mode
Seedance 1.0 Pro	doubao-seedance-1-0-pro-250428	Text-to-video, Image-to-video (首帧、首尾帧)
Seedance 1.0 Pro Fast	doubao-seedance-1-0-pro-fast-250528	Text-to-video, Image-to-video (仅首帧)
Seedance 1.0 Lite T2V	doubao-seedance-1-0-lite-t2v-250219	仅 Text-to-video
Seedance 1.0 Lite I2V	doubao-seedance-1-0-lite-i2v-250219	Image-to-video (首帧、首尾帧、参考图 1-4)

• 默认模型: doubao-seedance-1-5-pro-251215（最新，支持音频）
• 切换模型: 直接在对话中跟 OpenClaw 说即可
• Seedance 2.0: 火山引擎 GA 后支持，当前可在火山方舟体验中心测试

安装 Seedance Skill

前置条件: 安装 ClawHub skill

方式 1: 通过 OpenClaw Web 控制台点击安装（推荐） 方式 2: 通过聊天安装

帮我通过clawhub安装一下这个skill：https://clawhub.ai/JackyCSer/seedance-video-generation

方式 3: 下载 zip 包放到本地 skill 目录

• 下载地址: https://clawhub.ai/JackyCSer/seedance-video-generation
• 本地目录: ~/.openclaw/skills/

安装完成后在 http://127.0.0.1:18789/skills 可查看。

使用示例

• 文生视频: "帮我生成给航天飞船启动的视频，15s左右"
• 图生视频（首帧）: "基于这张参考图生成一段15s左右的主角在雨中穿过不同街区的电影镜头"
• 图生视频（多张参考图）: "我给你发了四张照片，分别是春夏秋冬。请帮我使用 SeeDance Skill 帮我生成一个视频，体验出春夏秋冬的变化，并且非常适合在抖音上发布"
• 古诗场景: "生成一个15s左右的视频，内容是一首古诗：枯藤老树昏鸦，小桥流水人家，古道西风瘦马。夕阳西下，断肠人在天涯"

记忆系统设计

OpenClaw 的记忆系统是其核心亮点之一：

• 上下文与记忆的区别：

  • 上下文：包括静态+条件化系统提示词、AGENTS.md/SOUL.md 项目上下文、过往对话历史、当前消息
  • 记忆：自动写入 daily logs 以 md 格式存储，人类可手动维护并提炼长期原则

• 记忆管理方式：

  • AI 自动写 daily logs 并以 md 格式存储
  • 人类可手动维护，提炼长期原则
  • 让 AI 记忆变得可控、透明且高效

• 相关开源项目：memsearch（抽离 OpenClaw 记忆系统核心设计，让任何 Agent 都能加上持久、透明、可控的记忆）

安全模型

• 默认行为: 工具在主机上运行，主要会话有完全访问权限
• 群组/渠道安全: 设置 agents.defaults.sandbox.mode: "non-main" 可在 Docker 沙箱中运行非主会话
• DM 配对策略: 未知发送者会收到配对码，需通过 openclaw pairing approve 批准
• Tailscale 安全: Funnel 需要设置 gateway.auth.mode: "password"

实际部署案例

火山引擎一键部署:

参考来源: 火山引擎OpenClaw预集成部署方案（2026-02）

• 支持飞书机器人集成
• 一键部署到 ECS
• 支持 Coding Plan API 集成
• 配置脚本:

  curl -fsSL https://openclaw.tos-cn-beijing.volces.com/setup.sh | bash -s -- \
      --ark-coding-plan "true" \
      --ark-api-key "your-api-key" \
      --ark-model-id "doubao-seed-code" \
      --feishu-app-id "your-feishu-app-id" \
      --feishu-app-secret "your-feishu-app-secret"
  

火山引擎方案优势

• 适配节奏快: 2026年2月2日后购买的服务器已支持最新版OpenClaw部署
• 飞书深度协同: 部署模板中预集成了飞书AI助手方案，无需额外复杂配置就能实现飞书接入
• 安全保障: 火山引擎提供三层纵深安全防护方案
  • 平台安全：访问控制、指令过滤、执行沙箱、技能准入扫描
  • AI助手安全：防范提示词注入、高危操作、敏感信息泄露
  • 供应链安全：Skills深度安全检测
• 部署便捷: 实测部署耗时约15-25分钟，提供视频教程和数据迁移指南
• 零代码飞书配置: 访问OpenClaw WebChat页面，输入"帮我接飞书"即可按AI指引完成配置

云上OpenClaw的5种正确打开方式

参考来源：云上OpenClaw的5种正确打开方式，光联网做日报就落后N个版本了

核心洞察：光联网做日报就落后了，云上OpenClaw有更高级的打开方式。

背景与痛点：

• 本地版OpenClaw：可以用自己的浏览器、所有账号，但存在安全风险
• 云上OpenClaw：安全，但很多人装完后除了联网做日报，不知道还能干嘛
• 百度搜索和云的O计划：提供云端OpenClaw的一键部署方案

百度云端OpenClaw部署：

• 配置：2核4G4M，首月0.01元（"OpenClaw拼好饭版"）
• 部署过程：非常小白友好，只需选OpenClaw应用镜像，选香港地区
• 平台配置：所有需要配置的服务都固定在一个页面里
  • 模型：ERNIE、DeepSeek、Qwen
  • 消息平台：飞书、企微、钉钉、QQ
  • Skills：默认是搜索，后面在openclaw对话界面上可以自由添加Skills

云上OpenClaw的5种正确打开方式：

1. 多渠道聚合助手：统一管理 WhatsApp、Telegram、Slack、Discord、飞书等多个消息渠道，不用在不同App之间切换
2. 长时间任务后台执行：对于下载大模型、安装依赖、执行长时间脚本等耗时操作，使用后台模式运行，不阻塞对话
3. 技能生态系统：从 ClawHub 安装各种技能（视频生成、PDF解析、语音转文字等），扩展OpenClaw的能力
4. 多Agent路由：将不同渠道或任务路由给不同的Agent处理，实现专业化分工
5. Canvas可视化交互：使用Live Canvas进行可视化交互，支持A2UI（Agent to UI）模式

进阶玩法：

• 语音唤醒 + 实时对话：始终在线的语音和持续对话
• 浏览器控制：管理Chrome/Chromium，带CDP控制
• Nodes能力：Canvas、相机快照/剪辑、屏幕录制、位置获取、通知

火山引擎部署详细教程

参考来源：快速部署OpenClaw（原Moltbot），集成飞书AI助手

版本说明：

• 2026年02月02日21:08前购买：使用Moltbot标签对应的配置命令
• 2026年02月02日21:08后购买：使用OpenClaw标签对应的配置命令

地域支持：

• 暂仅支持华南1（广州）、华北2（北京）、华东2（上海）及亚太东南（雅加达）

部署步骤：

1. 创建ECS服务器

   • 登录云服务器控制台
   • 应用模板选择「OpenClaw（Moltbot）」
   • 实例规格：2 vCPU、2 GiB内存及以上
   • 配置登录密码
   • 安全防护：推荐启用AI助手安全功能（防范提示词注入、敏感信息泄露、高危操作）

2. 两个场景选择：

   • 场景一（新用户）：购买后配置模型并集成飞书应用
     • 开通火山方舟大模型服务
     • 创建飞书企业应用
     • 在实例内完成OpenClaw与飞书集成
   • 场景二（已有资源）：购买时配置模型并集成飞书应用
     • 已开通火山方舟大模型服务且已创建飞书企业应用
     • 购买实例时通过"高级配置"快速配置方舟模型与飞书企业应用信息

3. 多模态能力（可选）：

   • 如需使用原生支持生图、生视频的多模态能力，请选择以下模型：
     • doubao-seedream-4-5 (251128)
     • doubao-seedance-1-5-pro (251215)

火山引擎服务状态检查

查看OpenClaw服务状态：

systemctl --user status openclaw-gateway.service

查看更完整的日志：

# 查看完整日志（包含历史）
journalctl --user -u openclaw-gateway.service

# 实时跟踪日志
journalctl --user -u openclaw-gateway.service -f

# 查看最近N行日志
journalctl --user -u openclaw-gateway.service -n 100

验证部署状态：

• 服务状态应为 Active: active (running)
• WebSocket客户端应正常启动
• 如有飞书集成，应看到 [feishu] feishu[default]: WebSocket client started 日志

飞书用户配对

问题现象：首次给飞书bot发消息，会收到：

OpenClaw: access not configured.
Your Feishu user id: ou_xxxxxxxx
Pairing code: XXXXXXXX
Ask the bot owner to approve with:
openclaw pairing approve feishu XXXXXXXX

解决步骤：

1. 登录火山引擎服务器
2. 执行配对批准命令：

   openclaw pairing approve feishu <配对码>
   

3. 配对成功后即可正常对话

安全方案详情

火山引擎为OpenClaw提供以下安全保障：

• 入口层: 默认仅绑定本地端口，减少公网暴露面，强制token/密码认证及网关鉴权
• 决策层: 镜像预置提示词加固策略，自动识别并过滤恶意注入指令
• 执行层: 沙箱隔离环境，防止系统破坏
• 准入层: Skills安全扫描，避免供应链攻击

飞书机器人配置步骤

1. 在飞书开放平台创建企业自建应用，添加机器人能力
   • 登录飞书账号，进入开发者后台"创建企业自建应用"
   • 选择"按能力添加" -> 添加机器人
2. 配置权限（消息读取、飞书文档读写等）
   • 在左侧目录树中找到：开发配置 -> 权限管理
   • 选择"批量导入/导出权限"，复制以下 JSON 代码进行权限导入：

     {
       "scopes": {
         "tenant": [
           "docs:document.content:read",
           "docs:document.media:upload",
           "docs:document.subscription",
           "docs:document.subscription:read",
           "docs:permission.member:auth",
           "docs:permission.member:create",
           "docs:permission.member:delete",
           "docs:permission.member:retrieve",
           "docs:permission.member:transfer",
           "docs:permission.member:update",
           "docs:permission.setting:read",
           "docs:permission.setting:readonly",
           "docs:permission.setting:write_only",
           "docx:document.block:convert",
           "docx:document:create",
           "docx:document:readonly",
           "docx:document:write_only",
           "im:chat:read",
           "im:chat:update",
           "im:message.group_at_msg:readonly",
           "im:message.p2p_msg:readonly",
           "im:message.pins:read",
           "im:message.pins:write_only",
           "im:message.reactions:read",
           "im:message.reactions:write_only",
           "im:message:readonly",
           "im:message:recall",
           "im:message:send_as_bot",
           "im:message:send_multi_users",
           "im:message:send_sys_msg",
           "im:message:update",
           "im:resource"
         ],
         "user": [
           "contact:contact.base:readonly",
           "contact:user.employee_id:readonly",
           "docx:document.block:convert",
           "docx:document:create",
           "docx:document:readonly",
           "docx:document:write_only"
         ]
       }
     }
     

   • 确认权限并申请开通
   • 后续可在"开通权限"中为机器人开通更多权限
3. 配置事件与回调（使用长连接接收消息）
   • 在左侧目录树中找到"开发配置"->"事件与回调"
   • 点击"订阅方式"旁的按钮添加事件配置
   • 选择"使用 长连接 接收事件"
   • 添加事件 -> 接收消息
4. 获取 App ID 和 App Secret
   • 在机器人应用的凭证页面获取
5. 在 OpenClaw 配置中填入飞书凭证
   • 选择飞书
   • 粘贴对应的 App ID 和 App Secret
6. 发布应用并在飞书中搜索使用
   • 确保应用已发布
   • 在飞书搜索框中搜索机器人应用的名称
   • 检查应用可用范围是否包含自己的账号

深度调研分析

核心设计理念

1. Local-first 优先原则

   • 控制平面完全运行在本地，数据不经过第三方服务器
   • 确保隐私安全，所有消息、记忆、工具执行都在本地
   • Gateway 仅作为本地控制中心，绑定在 127.0.0.1:18789

2. 单一控制平面架构

   • 单一 WebSocket 网关作为所有组件的控制中心
   • 统一管理：会话、渠道、工具、事件
   • 简化架构，降低复杂度

3. 多渠道聚合但不锁定

   • 支持 10+ 主流消息渠道：WhatsApp、Telegram、Slack、Discord、Google Chat、Signal、iMessage、Microsoft Teams、Matrix、Zalo、WebChat
   • 用户可以用自己习惯的渠道与 AI 交互
   • 渠道是可选的，Gateway 本身就提供完整功能

核心子系统深度分析

1. Gateway 系统

   • WebSocket 网络：单一 WS 控制平面，用于客户端、工具和事件
   • Tailscale 暴露：Serve（仅 tailnet）或 Funnel（公开）
   • Control UI + WebChat：直接从 Gateway 提供的 Web 界面

2. 会话模型

   • 主会话（main）：直接对话
   • 群组隔离：不同群组/渠道有独立会话
   • 激活模式：mention/always
   • 队列模式：消息排队处理
   • 回复策略：reply-back

3. 工具系统

   • 浏览器控制：专用 Chrome/Chromium，带 CDP 控制
   • Canvas + A2UI：Agent 驱动的可视化工作区
   • Nodes：相机快照/剪辑、屏幕录制、位置获取、通知
   • Cron + wakeups：定时任务
   • Webhooks + Gmail Pub/Sub：外部触发

4. 技能系统

   • 三层架构：内置（Bundled）、托管（Managed from ClawHub）、工作区（Workspace）
   • 技能安装位置：~/.openclaw/workspace/skills/<skill>/
   • 技能配置文件：SKILL.md

5. 记忆系统

   • 上下文与记忆分离：
     • 上下文：静态+条件化系统提示词、AGENTS.md/SOUL.md、过往对话、当前消息
     • 记忆：自动写入 daily logs，人类可手动维护并提炼长期原则
   • 相关开源项目：memsearch（抽离 OpenClaw 记忆系统）

安全模型

1. DM 配对策略

   • 未知发送者收到配对码
   • 通过 openclaw pairing approve <channel> <code> 批准
   • 批准后加入本地白名单

2. 沙箱隔离

   • 默认：主会话工具在主机上运行，完全访问
   • 非主会话：可设置 agents.defaults.sandbox.mode: "non-main" 在 Docker 沙箱中运行
   • 允许/拒绝列表：可精细控制每个会话的工具权限

3. Tailscale 安全

   • Serve：tailnet-only HTTPS，默认使用 Tailscale 身份头
   • Funnel：公开 HTTPS，必须设置 gateway.auth.mode: "password"
   • Gateway 始终绑定 loopback

部署模式

1. 本地部署（推荐个人使用）

   • macOS/Linux/Windows（WSL2）
   • openclaw onboard --install-daemon 向导式安装
   • 后台守护进程：launchd/systemd 用户服务

2. 远程网关部署

   • Gateway 运行在小型 Linux 实例（如 ECS）
   • 客户端通过 Tailscale Serve/Funnel 或 SSH 隧道连接
   • 设备节点（macOS/iOS/Android）仍可执行本地操作

3. 火山引擎一键部署（中国用户）

   • 支持飞书机器人集成
   • 一键部署到 ECS
   • 预置 Coding Plan API 集成

多 Agent 路由（Multi Agents）

来源：https://docs.openclaw.ai/zh-CN/concepts/multi-agent、https://docs.openclaw.ai/zh-CN/concepts/agent-workspace 整理时间：2026-02-23

核心概念：什么是"一个智能体"？

一个 Agent 是完全独立作用域的"大脑"，拥有专属的：

• 独立工作区（Workspace）：存储项目文件、AGENTS.md/SOUL.md 人设规则、本地笔记、工具配置等
• 独立状态目录（AgentDir）：认证配置文件、模型注册表、每智能体专属配置，位于 ~/.openclaw/agents/<agentId>/agent
• 独立会话存储：聊天历史、路由状态完全隔离，位于 ~/.openclaw/agents/<agentId>/sessions

如何实现"多个 Workspace 同时开发多个项目"？

Gateway 网关可以同时托管多个智能体，每个智能体绑定一个独立的工作区，实现：

• 项目隔离：不同项目的代码、文件、人设规则完全分开
• 并行处理：多个智能体可以同时响应不同请求
• 灵活配置：每个智能体可以使用不同的模型、工具集、权限策略

快速配置步骤：

# 创建名为 "project-a" 的智能体，自动绑定工作区
openclaw agents add project-a --workspace ~/.openclaw/workspace-project-a

# 查看所有智能体及其绑定
openclaw agents list --bindings

配置示例（openclaw.json）：

{
  "agents": {
    "list": [
      {
        "id": "project-a",
        "default": true,
        "workspace": "~/.openclaw/workspace-project-a",
        "model": "ark/doubao-seed-2-0-code-preview-260215"
      },
      {
        "id": "project-b",
        "workspace": "~/.openclaw/workspace-project-b",
        "model": "anthropic/claude-opus-4-5"
      }
    ]
  },
  "bindings": [
    { "agentId": "project-a", "match": { "channel": "whatsapp", "peer": { "kind": "dm" } } },
    { "agentId": "project-b", "match": { "channel": "telegram" } }
  ]
}

关键特性：

1. 完全隔离性

   • 工作区、会话、认证完全分离
   • 每个智能体有独立的 auth-profiles.json

2. 灵活的工具与权限配置

   • 每智能体独立 Skills：工作区 skills/ 文件夹，仅对该智能体可用
   • 共享 Skills：~/.openclaw/skills，所有智能体都能调用
   • 每智能体沙箱与工具限制

3. 路由规则

   • 按渠道路由：WhatsApp 处理日常，Telegram 处理深度工作
   • 按账户路由：个人 vs 工作账户
   • 按对话对象路由：特定私信/群组路由到特定智能体

路由优先级（最具体优先）：

1. peer 匹配（精确私信/群组/频道 id）
2. guildId（Discord）/ teamId（Slack）
3. 渠道的 accountId 匹配
4. 渠道级匹配（accountId: "*"）
5. 回退到默认智能体

对本项目的深度启发

1. 任务管理的 Omni-channel Inbox

   • 不仅是 Git 提交，可接入 Lark/Telegram/微信等多渠道作为任务输入
   • 统一的任务 Inbox，不管从哪个渠道来的都能处理

2. 任务状态的可见性

   • 学习 OpenClaw 的会话模型：Pending → In Progress → Completed
   • 每个任务有清晰的状态转换、执行者、开始时间

3. 技能系统的借鉴

   • 本项目的 "snippets" 可视为 OpenClaw 的 "Skills"
   • 可建立技能目录，让 AI 能自动发现和使用

4. 记忆系统的应用

   • 任务执行的经验沉淀到 PROGRESS.md，类似 daily logs
   • 长期原则提炼，让 AI 越来越懂用户的工作习惯

5. 远程网关的思路

   • 本项目的 todo-sync.sh 是本地脚本，可考虑类似 Gateway 的架构
   • 支持远程触发执行，手机提交后自动在电脑端处理

管理 OpenClaw 军团的要点和技巧

来源：创作/02.23 OpenClaw 体验与思考：从 Backlog 管理到 Proactive Agent.md 整理时间：2026-03-05

背景与体验：

• 10天体验：和父母外出旅游期间，路上和 OpenClaw 交互，做了一个 Trivial 的 Backlog 管理玩具项目
• 381个commit：平均每天约 40.1 个 commit，干杂活效率大幅提升
• 9亿Token消耗：有 prefix cache，实际成本约 1760 元，改用 Coding Plan Pro 后每月约 200 元
• 20+ Skills集成：复利效应，技能生态系统让 Agent 能力持续扩展

观点先行：OpenClaw 的产品定位

OpenClaw 不算一个非常"成熟"、"完美"的产品：

• 磨合成本高：名义上开箱即用，但真正发挥效能严重依赖 Prompt Engineering 和记忆构建，用户需要与其进行较长时间的磨合
• 基础能力待建：内置 Skills 较少，关键的基础能力（如联网搜索、语音转文字、PDF Parser）需要用户自行建设
• Token 消耗大：很容易消耗上亿 Token，个人用户不愿承受最强能力模型（如 Seed-Code 2.0）的开销，因此 KIMI 模型排在 OpenClaw 的 token 消耗榜首位
• 纯粹的能力差距：在纯粹的代码执行任务上，目前仍不如 Claude Code 或 Trae IDE 等最强产品

但 OpenClaw 是少数做到了"出圈"、用户数爆发式自增长的 AI Agent 产品：

• 核心在于它赶上了模型能力的拐点，并初次具备了完整的"五感与心智"：
  • 眼：多模态交互能力
  • 耳/口：各类 IM + Web Manager
  • 脑：LLM 的推理规划能力
  • 手：增强的 Tool/Skill 调用能力
  • 心：Heartbeat/Cron 设计，赋予了产品自主性，使其初步具备了 Proactive Agent 的雏形
• 这种"能对话、后台自主干活的机器人"在大众视角里是有趣且具有突破性的
• 当下模型的综合能力 & Token 价格达到某个拐点，让大量基于记忆或 Prompt Engineering 的个性化 Agent 能力达标，从而让 OpenClaw "可用"
• 这也印证了一些资深产品专家"产品应瞄着数月或半年后的模型能力进行建设"的论断

有趣和能力突破，是 AI 应用出圈、达成自增长的关键：

• Claude Code 相比 TRAE 做了更激进的 bash cli 能力，进而有更大的影响力
• OpenClaw 在自主性、完备性、易用性方面做出了突破，"能对话、后台自主干活的机器人"在大众视角里是有趣的

OpenClaw 的火热，标志着「Agent 代理/代替 人与企业 消耗 Token」初见端倪：

• 02.23 Agent 时代的 Viking AI 推荐 —— OpenClaw 赋能出圈新机会 探讨如何让 AI 推荐标品被 Agent 自主调用，增加推荐 Token 的消耗

基于 Backlog 的 Proactive Agent 模式

模式的核心价值：

1. 沙箱自主能力（Sandbox Autonomy）

   • Heartbeat 自驱动：利用心跳机制，Proactive Agent 在后台周期性检查任务状态并推进 TODO
   • 不阻塞交互：不需要人工实时干预，Agent 在用户睡觉时自主推进 TODO
   • 闭环自我迭代：执行任务 → 发现新任务 → 添加新任务 → 继续执行

2. 全渠道接入（Omni-channel）

   • 支持各种 IM（Lark/Telegram/Slack 等），让用户可以在自己习惯的渠道与 Agent 交互，降低使用门槛
   • 支持 TODOs Web Manager 管理，电脑/手机网页端也可操纵 Agent

3. 统一渠道管理技术和非技术、干活和学习的 TODOs

TODO 的生命周期：

• 生成 -> 审核 Plan -> Pending -> In Progress <-> Completed (待审核) -> Archived

人与 AI 的交互：

• 多端异步递交 TODOs
• Review 完成的 tasks
• 给出评审意见
• 评审不通过会打回重做

AI 和 TODOs 的交互：

• 执行 tasks 的优先级
• HEARTBEAT 推动任务执行
  • 优先级：review 打回的任务 > In-Progress 任务 > Pending 任务，且考虑任务优先级

人和 TODOs 的交互：

• 依赖人的待办，单独处理和提醒

个性化 Agent 讨论：OpenClaw 实现个性化 Agent，本质是基于 PE 和 Workflow

个性化 Agent 强依赖人类经验的沉淀：

1. 单一数据源与 Todo 管理

   • 单一数据源：以 .trae/todos/todos.json 为唯一数据源
   • Plan 机制本质化重构：Plan 不再是独立的状态，而是 Todo 的一个字段（property）
   • 任务归档前的用户确认流程：在将 completed 任务从 todos.json 移动到 archive 之前，必须增加一次由用户进行 check/反馈的流程
   • Todos 管理的正确流程：
     1. AI 执行任务，完成编码/实现部分
     2. 到了需要用户验证/确认的阶段时，自动归类到 "User 需要做的任务" section
     3. 明确标注 Assignee: User，并且提醒用户去做
     4. 等待用户完成后，再标记为完成

2. Git 操作 SOP 与安全防线

   • 必须使用 snippets/todo-push.sh 和 snippets/todo-pull.sh 作为标准 git 操作流程，不能直接用 git 命令
   • todo-push.sh 白名单机制：仅允许 Notes/、.trae/、创作/ 三个文件夹
   • todo-push.sh 黑名单机制：绝对禁止 公司项目/ 文件夹
   • 验证步骤：每次 commit 前，先执行 git status 检查，或直接运行 todo-push.sh
   • .gitignore 配置：确保 /公司项目/ 在 .gitignore 中
   • 公司项目/ 目录规则：该目录下的所有内容永远不要 git add 到公开仓库
   • Git Push/Pull 工作流程：完成任务 → 运行 todo-push.sh → 生成 commit message → 运行 todo-push-commit.sh
   • Commit 链接：每次进行 git commit 并 push 后，必须在回复中包含对应的 GitHub commit 链接

3. 用户交互与 Proactive Agent

   • 用户消息优先原则：无论 AI 正在执行什么任务，收到用户的新消息时必须立即回复，绝对不能让任务阻塞对话
   • 长时间任务后台化：对于耗时操作，必须使用后台模式（background: true）运行
   • 进度报告要求：主动、定期（每 10 分钟）检查任务进度，向用户报告，包含百分比、预估剩余时间
   • Intervention 定义：只要用户和 AI 说话就算一次交互，每次交互后计数清零，在两次交互之间主动推进任务
   • 自主推进原则：只有需要用户做选择题的时候才找用户确认，否则尽量自主推进一切事项

4. 任务交付与 E2E 落地

   • E2E 落地思路：不是写了、实现了就算 done，而是要用起来、用好
   • 落地的定义：成为了本仓库在各种交互方式下的默认 setting，并体验和效果良好，而不仅是有个设计文档和玩具代码即算落地
   • 任务交付要更侧重于更 solid 的端到端验证，不仅仅是完成任务，更要进行 thorough 的端到端验证

5. 错误反思与持续改进

   • 失败尝试记录原则：遇到失败时在技术文档记录跑的命令和错误
   • 及时沉淀经验：避免重复犯错
   • 小步快跑：把大任务拆成多个小阶段，每个阶段都有明确的产出
   • 快速迭代：优先实现可用的最小版本，后续再逐步完善

6. 磨合与个性化

   • Daily notes：memory/YYYY-MM-DD.md (create memory/ if needed) — raw logs of what happened
   • Long-term：MEMORY.md — your curated memories, like a human's long-term memory
   • Review and update MEMORY.md：Periodically (every few days), use a heartbeat to identify significant events, lessons, or insights worth keeping long-term, update MEMORY.md with distilled learnings, and remove outdated info.

拓展：融合到任意开发项目

未来的核心目标是将 OpenClaw 的能力和项目解耦，使其不仅作为独立的 Agent 存在，更能作为通用的"开发伴侣"插件，无缝融入任意开发项目（如 内部代码开发、开源代码开发 项目），从单纯的"任务执行器"进化为懂业务、有记忆的"AI 结对编程伴侣"。

能力1：能力/记忆的"迁移"能力

快捷指令：迁移

当用户说"迁移"、"打包"、"一键迁移"等类似指令时，AI应该：

1. 运行迁移脚本：执行 .trae/web-manager/migrate.sh
2. 检查同步状态：脚本会自动检查原始文件和模板的同步状态
3. 如果有更新：智能判断 Diff 中的"通用能力"更新，将通用能力更新 apply，放弃仅适用于本项目的更新
4. 自动构建：确认后自动运行 build.sh 打包
5. 完成迁移：生成可迁移的压缩包

注意：

• 如果更新是通用的，需要手动编辑模板文件移除项目特定内容
• 详细工作流请查看 .trae/web-manager/WORKFLOW.md

能力2：深度集成 Trae CLI/CLAUDE Code

期望：可拓展为"个人工作、学习、生活的统一多端控制台"

个性化 Agent 的未来路径：通用 + 个性化

Agent 未来的发展在向两个方向的同时演进：

1. 方向一：通用能力原子化 + 个性化系统

   • 通用能力被拆分为原子组件，每个人根据需求组装自己的 Agent
   • 优点：高度灵活，深度定制
   • 缺点：创造价值仍有不低的门槛
   • OpenClaw 的位置：目前更符合这一方向，通过高磨合成本换取高个性化价值

2. 方向二：通用系统 + 内置个性化能力

   • 一套通用的强大系统，内置极强的自适应个性化能力，服务所有人
   • 优点：开箱即用，门槛低
   • 缺点：反馈信号不易获取（Coding Agent / 创作类产品更易获取反馈信号）
   • 趋势：可能是大模型厂商（如 Claude/OpenAI）最终追求的终局

无论走向何方，OpenClaw 的出圈都标志着一个转折点：我们正在从"使用工具"的时代，迈向"管理 Agent"的时代。

dongxu 的龙虾实践：Agentic Engineering in 2026

来源：Agentic Engineering in 2026.3: one 🦞 to rule them all - dongxu

Skill 成为软件新形态：SKILLS.md 作为壳封装 CLI + Backend Service，用户 onboarding 从"装软件"变成"给 agent 读 skill"。Skill 可自举生成、即时进化，形成"越好用→越多 Skill→越好用"的增长飞轮。账户体系和 UI 的必要性被削弱（TiDB 实验匿名数据库实例，作者已 1 个月未打开 Gmail）。

运行环境与人类指令解耦：Computer Use 要么全自动接管，要么人类自己用，中间形态都很别扭。龙虾体验好在于对环境完全掌控，可通过 IM 远程指挥。问题在于权限过大、安全机制薄弱、记忆过于重要且无备份。

GitHub 作为 Agent 协同平台：Issue 和 PR 作为 Agent 工作的 source of truth，全程无人参与（需求→写代码→Review→合并→上线）。Agent 实时交互暂不在 GitHub，但龙虾可统一调度和记忆。

线上部署完全可由 Agent 接管：运维本质是执行 Runbook，Agent 更不易出错、频次快一个数量级。最佳实践：先手动上线一遍，生成 Skill，让专门龙虾学习后负责部署，关闭其他权限，设置定时任务检查更新。

组织架构变化：瓶颈在与人沟通，耐心越来越小，能跟 AI 聊完的事就不跟人聊。实践小团队 + 无限 Token + 最强模型，作者体感 1 个月产出 = 过去 50 人/年水平。

产品逻辑

产品逻辑

• 不看好的大模型公司类型

  • 打补丁：大模型做错了数学题，因此在外面加了一堆东西，目的是算对数学题；
  • 雕花：模型本来输出的格式可能不太对，给他加点后处理，它输出的格式就对了。
  • 套壳：模型上面套个界面就拿去卖，没有任何行业的积累，或者别人没有的数据，别人没有的客户，只是当成通用工具去卖。

• 有赞的 AI 实践：把决定权交给用户、Copilot 和 Agent 最重要

  • AI 对于交互的改变： LUI+GUI 会是未来主流
    • 乔布斯对人类的两大贡献，一是将电脑引入了图形界面，二是在离世前让苹果的整个用户界面扁平化。扁平化虽然有人认为不够美观，但它的好处是让用户更加聚焦于界面内容，也让产品设计者更加聚焦于如何通过内容与用户互动，而不是修饰那些好看的渐变和边边角角。
    • CUI，也就是命令式用户界面，不仅允许用户录入文本甚至语音，还会在与用户交互过程中弹出过去的一部分图形界面表现形式，以使用户更容易操作。
  • 有赞如何落地 AI SaaS： 让用户做最终决策、Copilot最重要
    • 原则一：要控制模型含量
    • 原则二：回到纯文本逻辑思考
    • 原则三：能选择就不录入
    • 原则四：直接呈现答案，再做解释
    • 原则五：给用户交付可用的结果
    • 原则六：让人类来按下「回车」键。 决策不只是「客观」就够了，潜意识、情绪、偏见里面固然有不客观，但是也有梦想、喜欢、爱，有了这些才是完美的决策。
  • 变现逻辑：
    • 在有赞的业务中，我们的核心是帮助商家和品牌商进行顾客运营
    • 现在普遍一个商场店一年的客户复购率在 30% 左右，商场给的自然流量，进来的用户不到四成，每年的生意都会下降 30%。通过线上获得新的流量可能会越来越贵，因为流量就是人，人数不涨，用户时长也不涨，但掌握流量的平台它的财报要涨，肯定会从商家那挤利润。那你怎么办？从平台那获得的流量变贵，复购率也不够，自然流量也不够，那把复购率翻一倍不就好了？
    • 所以深度运营消费者是非常划算的一件事。有赞希望做的，就是帮助商家将复购率翻倍。目前我们的产品线已经覆盖到内容营销、消费者运营、导购运营、交易转化、线上交易转化、门店管理、进销存收银的门店数字化等环节。
      • 导购对连锁门店老顾客的运营
  • AI助力
    • 第一是 Copilot，就是助手。它能够帮助客户快速地使用产品，更好地使用产品。
    • 第二是 Agent，自动化的能力。自动化的发报告，自动化的预警，自动化的去完成很多事情。例如，商家可以设置库存促销规则，如还有 500 件库存时打 5 折，剩下 200 件时打 6 折，以此类推。那么用户就不需要时刻盯着去改库存，因为这些事情都可以通过自动化来完成。
    • 第三是 Insight，洞察建议能力。它能够总结周报，告诉你做得好不好，给你建议，你可以怎么改善。
    • 第四是 AIGC，生成创意的能力。生成营销文案，优化商品标题，设计营销推广海报，优化商品图片等等。
  • AI + SaaS
    • SaaS 有两个非常重要的特点，一个是可以在线热更新，不像单机版软件，需要重新安装才能更新；另一个是因为它是在线服务，所以会有多个用户同时使用，而不是只有一个用户使用单机版软件。因此，SaaS 面临着一个宿命，就是必须不断地进行个性化定制，因为每个用户都觉得自己与众不同。尤其是在中国，整个职业化体系和商业化体系还没有成熟，每个企业都觉得自己很了不起，都有自己独特的基因和个性化的需求。
    • 每增加一个功能，只能服务不到 5% 的用户，却会骚扰 95% 的用户。
    • 一方面，如果你打开有赞给商家提供的后台，比如新零售的 CRM、导购助手或者有赞微商城的商家后台，会发现里面有几千上万个功能。我们现在的设计思路是，通过左边的导航地图，让你找到最常用和最需要的功能。另一方面，你可以唤起一个叫做智能助手的东西，通过命令式对话告诉它你想干什么，它可以一键直达某个功能，或者一键直接帮你执行你想要的自动化任务和操作。
    • SaaS 业务的运营，其实就是在运营最佳实践的总结、传播，或者说是把最佳实践做成产品
  • AI + 企业管理
    • 今年，我们把公司的角色分成两类，一类叫直接生产力，另一类叫非直接生产力。直接生产力是指直接面对用户的人员，包括客服、交付的客户成功、销售等。我们还规定，每 10 个直接生产力需要有一个直接生产力的运营人员。这些运营人员的职责是总结一线直接生产力面对客户时的最佳实践和最佳发现，这些最佳实践和最佳发现是最好的语料
    • 未来，有赞将从一个研发软件、销售软件的公司，变成一个给商家提供智能化消费者运营系统的公司，并从一个软件公司变成一个运营商，通过运营这套智能化系统，让直接生产力在一线看到的所有最佳实践和最佳总结变成语料来训练系统，使系统越来越懂用户，更好地传播最佳实践。这就是我们的核心思路。

• How to build an enterprise LLM application: Lessons from GitHub Copilot。这篇文章描述了 GitHub Copilot 的产品打造哲学

  • Find it: Identify an impactful problem space for your LLM application

    • the "whole function" level <- Balance product ambition with quality

  • Nail it: Create a smooth AI product experience

    • "We have to design apps not only for models whose outputs need evaluation by humans, but also for humans who are learning how to interact with AI."
    • "dogfooding" products before-and after-they're released
    • 核心指标：acceptance rates、code retention rate
    • Evaluate your testing tools.
    • Make a habit of revisiting old ideas
    • Avoid the sunk cost fallacy.

  • Scale it: Get your LLM application ready and useable for general availability (GA)

    • Ensure consistent results.

      • 降低LLM随机性、cache result

    • Take advantage of real user feedback

      • a new guardrail metric-the percentage of suggestions that are multi-line vs. single line

    • 安全和信任

      • the GitHub Copilot team created a filter to block suggestions matching public source code in GitHub public repositories that were longer than 150 characters.
      • code reference tool

    • Develop a go-to-market strategy

      • Launch your product with product evangelists
      • Get your product in front of individual users before going after businesses

变现逻辑

• 真实使用分布校准：Anthropic 实证（Claude.ai 百万对话）显示 AI 使用中 57% 是增强型协作、43% 是自动化委派，软件 + 写作类任务占大头，渗透集中在任务级而非职业级——做产品定价和 benchmark 任务池时可参考 非技术知识.md：AI 在各经济任务中的真实使用分布

• 陆奇对话高科技营销之父：从技术到市场，ChatGPT还需跨越"鸿沟"

  • 近期出现的真正具有颠覆性的技术，我认为一个是基因编辑，另一个就是OpenAI的ChatGPT
  • 如果我们想打造出ChatGPT这样高科技产品的市场，技术成熟远远不够，还需将这种颠覆性创新产品社交化，这中间还有巨大的"鸿沟"需要跨越。
  • 技术生命周期一般分为4个阶段：
    • 第一阶段是有一些技术的狂热者以及有远见者，相信技术能够成功，希望成为第一个尝试新技术的人；
      • 早期阶段的策略：等对的人主动找你
    • 第二阶段是早期大众会觉得这项技术可能是对的，但是还处于早期，需要观望一下，他们可能会看看别人会不会采用这项新技术，会跟风去使用或者拒绝使用。
    • 当一家初创公司积累了足够多的使用案例后，大家就会认为这其实是行业的基础设施建设，是我们每个人都需要的，比如云计算和Wi-Fi，人工智能等，那些观望者就会想要进入市场，追赶潮流。瞬间所有预算涌入市场，购买你的产品，我们把这种现象称为"龙卷风"。
  • 跨越"鸿沟"的关键所在就是如何让早期大众能够开始采用颠覆性的新技术，你必须要瞄准一个很小的利基市场，他们有很多痛点，需要更多新的解决方案来解决当下的问题。如果你能解决他们的问题，他们就会采用你的新技术。
  • 在早期市场，人们买的不是产品，而是项目。早期市场，作为一个初创企业，你的客户其实把你当成了一个咨询公司，他们可能会给你很多资金，让你按照他的想法去打造一个产品。
    • 与ToB"项目制"的联系
  • 早期市场的这些客户，我们称之为旗舰型的客户，他们一定是一群知名度很高的客户。比如美国银行、福特汽车、迪士尼或者微软，一定是大家都知道的企业。
    • 一定要找那些大型的知名企业作为你的客户，做两个项目就够了，在这之后就不要继续再做项目，而是开始重复地做相同的解决方案。
  • 我还有另外一个问题，如何去辨别一个非常小众的需求和一个有远见的需求之间的区别？
    • **摩尔：**我觉得利基市场的需求存在一个实用案例，同时也会有一个预算，这个预算不是为你的产品，而是为了解决他们的问题。你可能会在做项目的时候遇到这样一个问题，有远见者说这是非常重要的问题，我希望能够改变整个世界。但是在你的头脑里，你应该想到，如果别的客户也有同样的问题，我们如何解决。因为我们实际上解决不了太多问题，但是实用主义者是希望你的产品一定能解决他们的问题。
    • 核心是计算给新客户做定制化需求的代价
    • 更进一步，形成生态，寻找加盟合作。当市场越来越大时，首先是基础服务的提供商们赚钱，然后就轮到后端的软件提供商。
  • 现在可以用AI去管理数据，AI可以从海量数据中精准地找到你想要的信息，这一点比人做得更好。

• 关于开源

  • 开源可以非常迅速地渗透市场，这就像免费增值一样，如果坚持这一点，战略就会把握在更强有力的人手中。如果你卖出你模型中的一部分，你的客户竞争将升级到一定的水平，而你会继续前进，这是一种批量运营模式。
  • 我对于一家公司中的context（场景上下文）来说，开源是最佳选择，但对core（核心）而言则不是这样。核心指的是让你的产品脱颖而出，为你提供别人不具有的比较优势的东西，也就是你应该保护的有产权的知识，大家都想得到它并希望它正常运行，如果它正常运行，你不会得到任何奖励，但如果它运行故障，你却会受到惩罚，所以开源会带来网络安全和产品质量的双重风险。
  • 作为对比，关于PingCap激进的开源：
    • 这是一个典型的开源模式，他们给你SaaS或者给你分发，本质上就跟Red Hat一样定制，他们非常相信开源，相信这会让创新更快，长期客户获取的成本会降低。
    • 规模化和货币化会比较困难

• 企业业务增长的可能性

  • 现在业务规模小、赛道窄的互联网公司，有可能做起来了

• 自动做ppt

  • https://gamma.app/

• 自动画结构化的脑图

• 数据库+NLP

• ToB场景示例

  • 大模型相关的ToB场景研发成本下降

难点

• 认知不对齐
  • 复盘大模型的一次成功落地，代替了百万年薪的人
    • 成功落地大模型五要素：
      • 业务人员的积极
      • 对 AI 能力的认知
      • 业务团队自带编程能力
      • 小处着手
      • 老板的耐心
    • 找落地场景的思路：
      • 从最熟悉的领域入手
      • 尽量找能用语言描述的任务
      • 别求大而全。将任务拆解，先解决小任务、小场景
      • 让 AI 学最厉害员工的能力，再让 ta 辅助其他员工，实现降本增效

天花板分析

TODO

• https://darioamodei.com/machines-of-loving-grace
• https://epoch.ai/blog/can-ai-scaling-continue-through-2030

榜单

• 2025/06 AI产品周榜 https://mp.weixin.qq.com/s/QYy1aEkUOkpD8FMeuvC2hQ *

• 展望Killer App

  • AI暂时只是对旧场景的增强

助手类 Chatbot

• 豆包

对腾讯汤道生时隔一年的独家专访：元宝重兵投入这半年

• 近半年腾讯元宝的几个关键点：

  • 组织架构调整：csig（云事业部）做元宝，teg做混元
  • 元宝接入deepseek
    • 总结一下，这个决策的关键点来自于Pony发了一条群聊。

• 元宝

  • 定位：希望元宝将会成为C端搜索信息的新入口。

• 对AI Search的理解

  • LLM排序效果不错：今天做搜索和十几年前做搜索完全不一样了，我们会充分利用AI、大模型的能力来帮我们挑选最可能的信息来源、最权威的网站内容，然后再用这些信息加入到排序逻辑里。 现在初步来看，这种AI原生（AI-native）的搜索引擎能力要比传统先爬回数据，基于某些方式粗排再精排的效果更好。
  • 产品&技术细节：在产品层面，我们一直在补能力，比如改善搜索服务的准确性与时效性，支持更多方言的语音识别，支持更精准的图片修改，改善性能加速吐字等。

• 腾讯的AI Agent产品场景：

  • **腾讯云的营销自动化产品"企点营销云"**已服务很多零售客户，以前基于通用大数据模式，结合线上线下用户行为，建立用户画像，从新用户到首次购买、复购，再到会员的整个流程优化。我相信随着更多企业用智能体给营销加持，这类营销场景有大的提升空间。 最近我们帮一个连锁零售客户--绝味食品--做了一个营销增收项目。项目中，我们用了多个Agent来提升营销管线的不同环境，最终结果让所有人都很惊讶。对比专家组，效果达到了3倍的提升。
  • 腾讯云智能体开发平台3.0，支持超过140个MCP插件服务，大大扩展了智能体能调用的工具能力，并支持多智能体并行协作，让智能体搭建可以更简单、更模块化。
    • 我们很多业务的MCP服务，比如地图与支付，都是对外开放的，欢迎外部的智能体调用。

• 对RAG、AI Agent的理解：

  • 过去两年，我们有很多To B智能体项目的实践经验，比如用RAG模式搭建客服系统，过程中往往发现很多企业内部数据混乱，需要企业先投入做数据治理。在企业场景下，数据治理是比较耗时的工作。
    • 如果内部文档有矛盾，就必须梳理清楚，定义好不同信息来源的权威性；
    • 如果文档有新、老版本，召回逻辑必须考虑时效性

• 腾讯的优势：

  • 要在某个场景满足用户需求，有很多周边能力需要搭配，包括搜索能力、语音理解与生成、专业数据、服务生态等--腾讯本身在各种内容与服务生态有比较强的积累，对我们是一个有利的地方。
  • 微信支持元宝的力度是前所未有的大，包括早期的广告位、新闻插件，还有视频号与公众号也可以被@元宝做点评。
  • 地图&支付等腾讯内部其它业务，开放了MCP服务，可供ToB Agent平台调用 "我们很多业务的MCP服务，比如地图与支付，都是对外开放的，欢迎外部的智能体调用。"
    • --> 字节能否用类似打法？

搜索类

• Perplexity
• 秘塔 AI
• Devv

情感陪伴类

• Character.AI（已被 Google 收购）
• 星野
• Replika

AI 生产力工具与笔记系统

OrbitOS 开源笔记库

来源：http://xhslink.com/o/9Iu2CO4g9Xz 整理时间：2026-02-20

OrbitOS 是一个开源的 AI 生产力笔记系统，基于 Obsidian，主打 AI 辅助的笔记管理和知识整理功能。

定制Agent

• GPTs
• 扣子
• dify

拍照答题

• Gauth
• Question AI

英语学习

• 多邻国
• 有道 Hi Echo

图像处理

• 美图秀秀
• Adobe Firefly

办公

• Notion AI https://www.notion.com/help/guides/category/ai

• WPS AI
• Copilot for Microsoft 365
• 钉钉魔法棒
• 飞书智能伙伴
• 腾讯会议智能助手

WorkBuddy：从聊天框转向高价值办公结果

来源：36氪：从「聊天框」到「下战壕」——月访问量 2000 万的 WorkBuddy，跑通腾讯 AI 产品新范式，2026-07-23；产品能力参考：WorkBuddy 官方简介。

WorkBuddy 把用户愿意付费、愿意验收的办公任务封装成结果工作流，价值由可交付结果而非聊天覆盖面决定。文章展示了三个高价值场景：

• 热点地图 / 趋势雷达：汇总平台趋势与运营经验，输出选题热度、渠道选择和分发建议。用户购买的是“下一步把精力投到哪里”的判断，搜索结果只是一项原料。
• 汇报 / 产品周报：完成数据清洗、图表生成、协作原声整理、WIP 汇总和排期风险提示。价值集中在减少跨系统的信息搬运与组织对齐成本。
• 搜索规则挖掘：把电商标题经验拆成热词、买家场景、痛点表达和关键词位置等可复用规则。隐性经验从“老师傅带徒弟”变成可执行、可传播的工作流。

三者的共同结构是 数据获取 + 分析框架 + 领域经验 + 交付标准。产品入口先展示“一键做同款”的成品，再让用户替换数据和上下文，降低了从空白聊天框定义任务、调 Prompt 和判断输出质量的门槛。官方文档也把 WorkBuddy 定义为能自主拆解、操作文件并交付文档、表格、PPT、数据分析等完整成果的办公工作台。

WorkBuddy 还直接承接腾讯的团队记忆能力：TencentDB Agent Memory 仓库已提供 WorkBuddy adapter（Responses API + 记忆注入），WorkBuddy 成为团队记忆的端到端宿主入口，机制见 TencentDB Agent Memory 小节。

全家桶

• Google
• Microsoft
• ByteDance

公司内部提效

常见场景

• 营销
  • AI 做营销创意，人再加工
  • AI 批量生产营销素材
  • 多语言翻译
• 客服/销售
  • 全 AI，适合本来没人做，AI 来补位
  • 半 AI，适合本来有人做，AI 来提效
• 办公
  • 公文撰写/总结/翻译
  • 知识库
    • 内部客服
    • 辅助决策
  • 情报分析
  • BI (business intelligence)
• 产品研发
  • 创意、头脑风暴
  • IT 研发提效

寻找落地场景

从越界使用发现需求：CodeBuddy 到 WorkBuddy

文章披露，CodeBuddy 在腾讯内部推广期间，有超过一万名产品经理、HR、运营等非研发员工持续用它处理非代码任务。非目标用户愿意忍受编程工具的高门槛，说明需求强度已经高到足以穿透产品边界；这比“用户说自己可能需要”更接近真实行为证据。

这条产品发现路径可以压成：

垂直工具服务核心用户 -> 非目标用户持续越界使用 -> 聚类真实任务 -> 抽取通用执行能力 -> 用结果模板降低门槛 -> 新产品承接更大人群

关键动作是观察越界用户反复完成哪些任务，并把高频任务重构为 WorkBuddy 的办公工作流；单纯把 CodeBuddy 的聊天框开放给所有岗位无法完成这一步。热点地图、汇报和搜索规则挖掘分别对应决策、协同和经验复用，都是产出价值明确、可以验收的办公任务。

判断越界使用是否值得发展为新产品，可以看四个信号：

1. 持续性：用户是否已经形成长期使用；
2. 摩擦承受度：即使工具不为自己设计，用户是否仍愿意绕路完成任务；
3. 任务聚类：不同用户是否反复出现相似的输入、步骤与交付物；
4. 结果价值：产物能否直接支持决策、协作、获客、收入或风险控制。

这个案例说明，早期产品边界既用于聚焦，也能充当需求探针。被排除用户的稳定行为不应被简单归为误用；它可能揭示底层能力已经越过原场景，并出现了新的 product-market fit 候选。

业务流程解构

• 明确目标 ：确定解构的目标是什么，是否是提升效率、降低成本，还是增强产品或服务的质量。
• 分析现有流程 ：通过与相关部门和团队沟通，了解当前的业务流程，使用流程图、价值流图等工具。
• 收集数据 ：收集与流程相关的数据，包括时间、资源、瓶颈等，识别出目前流程中的问题和改进点。
• 识别关键环节：确定每个环节对业务结果的影响，识别哪些环节最能推动价值产生，哪些是浪费或低效的环节。

绘制企业价值流图

• 识别关键流程：将企业流程分为不同的关键环节，如供应链管理、生产流程、销售等。
• 标记价值增值活动：明确哪些环节增加了实际价值，哪些是纯粹的支持性或非增值活动。
• 流程中的浪费：识别流程中出现的浪费，如等待、过度处理、运输、库存、动作等。
• 时间与资源：标注每个环节的时间、资源消耗，以及这些消耗如何影响最终的交付。
• 改进方案：通过价值流图，找到需要优化的环节，提出改善措施。

识别大模型应用场景

• 数据驱动的决策：大模型可以帮助企业分析大量数据，提供更精确的决策支持，示例：通过AI分析客户数据，优化市场营销策略。
• 自动化与智能化：大模型可以应用于自动化任务，如智能客服、语音识别、图像识别等，减少人工成本并提升效率。
• 个性化服务：通过大模型实现个性化推荐系统，基于用户历史行为或偏好为其推荐个性化的产品或服务，提高客户满意度和转化率。
• 预测与优化：利用大模型对历史数据进行分析，预测未来趋势，优化生产计划、库存管理等业务环节。
• 业务流程改进：利用大模型分析当前业务流程中的瓶颈和效率低下的环节，提出改进措施，优化资源配置。

案例

• 智能供应链与需求预测优化

  • 

• 智能客服

• 智能生产线

应用开发

基础能力

• 按格式输出
• 分类
• 聚类
• 持续互动
• 技术相关问题

产品开发

• 技能点：
  • 懂业务（客户、需求、市场、运营、商业模式），懂怎么赚钱
  • 懂AI：AI的能力边界
  • 懂编程

Agent 应用技术架构、系统设计（已迁移）

该节全部内容（agent loop / runtime / harness 工程笔记，含“主流 Agent-Loop 实现调研：多模态能力”）已迁至 AI-Agent-Engineering.md - Agent 应用技术架构、系统设计。

大模型技术选型

• 基础模型选型，合规和安全是首要考量因素。

需求	国外闭源大模型	国产闭源大模型	开源大模型
国内 2C	🛑	✅	✅
国内 2G	🛑	✅	✅
国内 2B	✅	✅	✅
出海	✅	✅	✅
数据安全特别重要	🛑	🛑	✅

• 不要依赖榜单

  • 榜单已被应试教育污染。唯一值得相信的榜单：LMSYS Chatbot Arena Leaderboard
  • 榜单体现的是整体能力。放到一件具体事情上，排名低的可能反倒更好
  • 榜单体现不出成本差异

• GPTs 现状：

  • 界面不可定制，不能集成进自己的产品
  • 只有 ChatGPT Plus/Team/Enterprise 用户才能访问
  • 未来开发者可以根据使用量获得报酬，北美先开始
  • 承诺会推出 Team/Enterprise 版的组织内部专属 GPTs

• 适合使用 Assistants API 的场景：

  • 定制界面，或和自己的产品集成
  • 需要传大量文件
  • 服务国外用户，或国内 B 端客户
  • 数据保密性要求不高
  • 不差钱

• 适合使用原生 API 的场景：

  • 需要极致调优
  • 追求性价比
  • 服务国外用户，或国内 B 端客户
  • 数据保密性要求不高

• 适合使用国产或开源大模型的场景：

  • 服务国内用户
  • 数据保密性要求高
  • 压缩长期成本
  • 需要极致调优

• Notes

  • 国产大模型在 agent和function calling方面表现一般，明显不如OpenAI

Prompting

• https://learnprompting.org/docs/category/-basics TODO
• 23 prompt rules

Agent

• HuggingGPT： 缝合怪
  • https://beebom.com/how-use-microsoft-jarvis-hugginggpt/

更多方向

• 决策大模型
• 对ToG的影响
  • Geoffrey Moore：我觉得中国的模型可能跟美国的模型完全不一样。就美国来说，我觉得政府需要去为一些研究提供资金，他们就像风投者一样。我们公共服务的三个方面，如社会的安全网、医疗和教育都陷入了困境，他们都想去提供下一代的服务，但是一来没有合适的人才，二来用人成本太高，所以他们真正需要的是合适的软件来解决他们的问题（数字转型），这就带来了跨越"鸿沟"的机会。（但很难做）
• 游戏 AI Npc
  • https://foresightnews.pro/article/detail/30224

Agent ToB&ToC 产品

Tutti 也属于这一类 agent workspace 产品，但它的主贡献更偏 shared workbench / workspace reference / local daemon，详见 AI-Agent-Engineering.md - Tutti。按产品谱系看，它介于 ego lite 的 browser runtime、Raft 的 human-agent collaboration workspace、Flowith Matrix 的 agent organization 之间：先解决一个人和多个本地 agent / app 的上下文共享，再通过 Tutti VM 扩展到多人 Room。

Grok Bot：xAI 的 AI teammate 产品（2026-08 发布）

来源：CNET - SpaceXAI Joins the AI Agent Game With Grok Bot、Yahoo Tech

• 定位：SpaceXAI 推出的 AI agent 平台，与 Cursor 联合开发；每个 Bot 拥有自己的云端电脑，可访问用户授权的应用、网站和邮箱，端到端执行任务，只在需要审批时联系用户。
• 协作形态：Bot 之间可互相发消息、传递任务、共享上下文并指派 owner；可以设一个「首席幕僚」Bot 管理其他 Bot。
• 学习机制：Bot 跟随用户工作流学习做事方式，下次可「不用重新解释」直接自主执行，官方宣称会越来越主动。
• 分发：当前 beta，向 SuperGrok Heavy / Cursor Ultra / Cursor Teams Premium 订阅用户开放（桌面 + iOS），企业版 waitlist。
• 格局：本质是「持久化云端电脑 + 多 Agent 协作 + 编程能力 + 算力」的组合，对标 Claude Cowork / ChatGPT Work / Hermes Agent；也说明巨头把 coding 入口当作 agent 生态入口的打法。
• 待观察：多步长任务可靠性、跨部门审批复杂度、企业部署与权限边界；专家观点提醒 agent 一旦中途掉链子，用户信任会很快流失。

与「头部 AI 产品与公司」的 Cursor 收购小节是同一套组合拳：Grok Bot 由 Cursor 交付，Cursor 收购为它提供编程能力与算力底座。

Raft（原 Slock）：human-agent 协作空间

来源：slock.ai（已跳转到 raft.build）、Introducing Raft、Raft use cases、第三方 setup guide CodePick: Slock Setup Guide、npm 包 @slock-ai/daemon（2026-06-15 npm view 显示已 renamed to @botiverse/raft-daemon）

定位：Raft 不是模型，也不是 IDE，而是一个 Slack-like 的 human-agent collaboration workspace。它把人和 AI agent 放进同一个 server / channel / DM 里协作，产品口径是 “not as tools, as teammates”。官网给出的核心差异是：agent 有跨 session persistent memory，人和 agent 在同一条 conversation 中协作，agent 通过本机 lightweight daemon 跑在用户自己的电脑上。

基本工作流：

1. 创建 server。
2. 连接电脑：npx @slock-ai/daemon。
3. Spawn agents。
4. 在 channel / DM 中协作。

官网 use case 给了四类 team pattern：investment research team、engineering team、job-hunting team、growth team。这里最有代表性的是 engineering team：PM、engineer、reviewer 三个 agent 在一个 channel 里围绕同一个 change 合作。

产品洞察：

• 入口从 IDE 退到协作空间：Raft 的核心不是把一个 agent 做得更强，而是把多 agent 协作的默认 UI 设成 channel / thread / DM。它竞争的不是 Claude Code / Codex CLI 本身，而是 agent host / task control plane。
• 控制面和执行面分离：web console 负责 server、channel、message、agent roster；本机 daemon 负责拉起本地 agent CLI。这个设计把代码和 credentials 尽量留在用户机器上，同时保留云端协作体验。
• agent identity 是产品原语：blog 里说 one agent is one session，强调连续 identity 和长期共享 context。这比“每次新开一个 chat”更接近长期同事，但也要求 memory 写入、遗忘、权限、审计足够稳。
• 协议约束优于口头提醒：第三方 setup guide 提到 task claim 机制：agent 开工前先 claim task，冲突时后来的 agent back off。这个点比“让多个 agent 自觉别改同一处”靠谱，说明 multi-agent 产品需要 hard coordination primitive。
• local daemon 是信任与风险的同时来源：优点是隐私和本地执行；风险是 daemon 能看到本机 PATH、agent CLI、项目目录和可能的 credential。产品要做大，需要权限边界、审计日志、最小授权、secret redaction 和 kill switch。

对 Agent Harness / OpenClaw 的启发：

• 可以把 agent 视为有名字、角色、memory、lease 的 workspace member，而不是一次性 worker。
• 长程任务控制面不一定只靠 backlog / goal state，也可以有 channel/thread 作为“人和 agent 共同读写的运行界面”。
• task claim / lease / owner 应该成为多 agent 并行的底层协议，避免靠 prompt 约束并发冲突。
• 本地 daemon + 云端控制面是一个强模式：云端管 coordination，本地管 execution；但必须把 permission、audit、dirty workspace、secret boundary 做成一等公民。

待观察：

• 是否支持 self-host / enterprise deployment；目前看控制面更偏闭源 SaaS。
• task claim 是否只是第三方 guide 描述，还是官方稳定 protocol；需要以后通过实际试用或官方文档核验。
• memory 是普通 MEMORY.md 文件、产品内存储，还是和 channel history / task history 联动；这决定它是轻量协作工具，还是能成长为长期 agent organization。
• brand 从 Slock 到 Raft 的迁移是否稳定；包名兼容说明仍在快速迭代期。

Flowith Matrix：从 agent workspace 到 agent company

来源：小红书：dereknee 预告 Matrix、flowith X：from NEO to MATRIX、Flowith docs - About Agent Neo、Current Capabilities Supported by Neo

Flowith 在 2026-06-23 预告 Matrix，把它定义为“0 人公司运行器”和 “agent company”：不是替代 Claude Code / Codex 的单点 coding agent，而是把多个 agents 组织起来长期运行，面向 solo founder 从创意到可交付项目 / 事业的闭环。已有 Neo 文档显示，flowith 的上一代底座强调 dynamic recipe、dispatcher / tool allocation、context & memory manager、self-correction；Matrix 更像是在 Neo 的“单 agent 动态执行”之上，再叠一层 company-level control plane。

产品洞察：

• 叙事从 AI worker 变成 agent organization：用户不再只是 prompt operator 或 task owner，而被放在 CEO / allocator 的位置；产品卖点也从一次输出转向长期业务 outcome。
• 和 Claude Code / Codex 互补，而不是替代：如果 Matrix 能把 coding、research、content、growth 等 specialized agents 编排起来，它竞争的是 agent host / control plane；如果不能稳定调用外部 agent 和真实工具，就会退化成又一个封闭 general agent。
• agent company 需要硬协议：至少要有 role / agent identity、task claim / lease / owner、按角色隔离的 memory / filesystem、共享 company state、budget / cost / audit / evaluation。否则“多 Agent 公司”只是多开几个会话。
• 信任边界比普通 Agent 更重：一旦进入公司运行器，产品会碰到域名、邮箱、支付、账号、客户数据、法律和财务动作。权限审批、secret boundary、action log、kill switch 必须是一等公民。

待观察：小红书原帖提到 Matrix 仍处 Beta Preview，计划未来一周全量发布，并宣称 benchmark SOTA 与帮助多个 solo founder 起项目；这些属于产品方声明，后续需要用公开 demo、官方文档、benchmark 名称 / 结果、真实用户案例验证。

Claude Tag（Anthropic 的 Slack AI Coworker）的产品分析与 LoopX 能力验证见 AI-Agent-Engineering.md - Claude Tag。

Agent 领域概述

从需求端观察，目前 Agent 领域存在三条明显主线：

1. 以 Coding 能力为核心支撑的 General Agent（通用智能体）
2. 垂类 Agent
3. Agent organization / company runner：把多个 agents 编成团队、部门或公司，核心竞争从单次模型能力转向 control plane、权限、记忆、预算、审计和结果交付。

ICLR 2025/2026 Agent 方向论文的综合启示：Agent 系统设计应以 protocol/schema 为底座、以 workflow 和 benchmark 为驱动、以 artifact/memory/recover 为核心运行能力。优先收敛 workflow 显式定义、benchmark runner、schema/protocol 层、memory update policy，而非过早扩张复杂多 Agent 协作。

Multi-agent 的产品形态也可以按 sharing model 切：全量 shared workspace、mailbox + task / event ledger、session-to-session dialogue。Tutti 更像 shared workspace，Claude Code Agent Teams 主要是 mailbox + dialogue，LoopX 的短中期价值是把 mailbox + ledger 做成可恢复的 state kernel。概念层整理见 SubAgent / Agent-as-Tool / MultiAgent。

OpenAI ICML Q&A 图文线索给出的产品侧判断是：下一阶段 agent 产品不会只拼“单次回答更聪明”，而会拼长程运行、动态环境、可信 eval、样本效率、系统可靠性、个性化、可解释性和 human control。编码仍是最先商业化的入口，但更大的产品形态会走向交互式创作、完整项目代理、企业系统连接、AI for Science 和按任务 / 结果 / 成本节省定价。技术层整理见 OpenAI ICML Q&A 图文线索。

Agent Scaling 与群体智能

核心概念

Agent Scaling 指的是通过多个 Agent 协作来完成复杂任务，而非依赖单个 Agent。这一方向与 OpenClaw 的多 Agent 路由架构高度相关。

典型案例

1. Generative Agents（斯坦福大学 & Google Research）

   • 论文：Generative Agents: Interactive Simulacra of Human Behavior
   • 来源：https://arxiv.org/abs/2304.03442
   • 定位：生成式智能体——模拟可信人类行为的计算软件代理
   • 核心架构：
     • Memory Stream（记忆流）：长期记忆模块，用自然语言记录代理的完整经历
     • Reflection（反思）：随着时间推移将记忆综合成更高层次的反思
     • Planning（规划）：将结论和当前环境转化为高级行动计划
   • 实验环境：Smallville——类似 The Sims 的沙盒环境，25 个代理
   • 涌现的社会行为：
     • 信息传播：代理之间通过对话传播信息（如选举候选人消息）
     • 关系记忆：代理形成新关系并记住与其他代理的互动
     • 协调：从单一用户指定的"举办情人节派对"意图开始，代理自主传播邀请、认识新朋友、相约参加派对、协调准时到达
   • 技术亮点：
     • 记忆检索模型结合相关性、时效性和重要性
     • 反思和规划反馈到记忆流中，影响未来行为
     • 通过消融实验验证观察、规划、反思三个组件对行为可信度的关键作用

2. Moltbook（AI 版 Facebook）

   • 定位："群体智能"的实验
   • 特点：模拟社交媒体环境，多个 Agent 互动协作

3. Minibook

   • 背景：黄东旭受 Moltbook 启发开发
   • 机制：通过三个不同角色的 Agent 分工协作

4. 内容生产领域的多 Agent 协作

   • 动画制作 Agent OiiOii
   • 影视制作 Agent MovieFlow
   • 特点：基于内容生产流程的角色分工，将复杂工作流拆解为多个专业化 Agent

5. "明日新程"：多智能体 Agent 框架

   • 定位：通用的多 Agent 协作框架
   • 特点：支持复杂任务的拆解与协同

Stripe 总裁约翰·科里森：今年会出现一定规模 Agents 之间交易

参考来源：对话Stripe总裁约翰·科里森：今年会出现一定规模Agents之间交易｜甲子光年、Stripe 联合创始人:区块链可能需要每秒 10 亿次交易才能满足未来 AI agent 的需求

Stripe 总裁约翰·科里森在年度公开信中表示，随着 AI Agent 逐步成为互联网交易的主要执行者，我们正在进入一个"商业系统正在从'以人为操作中心'，转向'为智能体设计'的新阶段"。

核心观点：

• AI Agent 开始大规模参与商业活动：虽然现在大家都在讨论这个趋势，但目前还没看到这类交易大规模爆发，不过这一天已经非常近了
• 今年会出现一定规模 Agents 之间交易：看看大家对 OpenAI 和 Anthropic 相关产品的巨大热情就知道，我们已经能看到 AI Agent 在无人监督的情况下代表人类采取行动了
• 区块链基础设施的扩容需求：随着 AI Agent 逐步成为互联网交易的主要执行者，链上交易需求可能大幅增长，未来区块链网络或需支持超过 100 万 TPS，甚至达到 10 亿 TPS才能满足
• Stripe 正在思考当 AI Agent 开始大规模参与商业活动时会发生什么：作为一家可编程金融服务公司，Stripe 正在为这个未来做准备

技术架构要点

多 Agent 系统的关键技术挑战：

• 角色定义与分工：如何为不同 Agent 定义清晰的角色和职责边界
• 通信协议：Agent 之间如何高效传递信息和协调动作
• 任务拆解与分配：如何将复杂任务自动拆解为子任务并分配给合适的 Agent
• 状态同步：多个 Agent 如何共享和同步全局状态
• 冲突解决：当 Agent 之间产生冲突时的决策机制
• 可观测性：如何让多 Agent 的协作过程可追踪、可调试

IoA（ICLR 2025） 的启示：多 Agent 协作不能只靠"多开几个 agent"，真正关键的是协议、路由、编组与会话控制。详见 AI-Applied-Algorithms.md - Agent Overview

与 OpenClaw 的关联

OpenClaw 的设计已经体现了多 Agent 的思想：

• Multi-agent Routing：支持将不同渠道或任务路由给不同的 Agent 处理
• Workspaces + Per-agent sessions：不同工作区隔离，每个 Agent 独立会话
• 这为进一步扩展群体智能能力提供了良好的基础架构

未来研究方向

• 自组织协作：Agent 能够自动发现并组织协作，无需人工预设角色
• 学习与进化：多 Agent 系统能够从协作经验中学习，持续优化协作策略
• 大规模协作：成百上千个 Agent 同时协作，解决超大规模问题
• 人机混合协作：人类与 Agent 无缝协作，发挥各自优势

深度访谈：YouWare 创始人明超平谈 AI Coding 与多 Agent 协作

> 来源：晚点对话明超平：他们不信 AI coding 会是新的创作方式，我很开心

核心观点：

1. 未来会有两种 Agent：

   • 调度型 Agent：本质上像一个 OS（操作系统），直接面向用户
   • 被调度的 Agent：按需被调用来完成具体任务
   • 类比：用户说"我想做一个设计"，调度型 Agent 会分解需求、匹配工具，在调用列表里可能有 100 个可选的设计 Agent

2. Agents 网络的三重网络效应：

   • 人和人之间
   • 人和 Agent 之间
   • Agent 和 Agent 之间
   • 网络价值和节点数的平方成正比，Agent 之间的通讯带宽远超人类

3. Agent Rank：

   • 搜索里的 page rank 可能会变成 Agent Rank
   • 早期用户是谁、沉淀了什么数据--这是品位、偏好和差异化的能力

4. Less Structure, More Intelligence：

   • 不要追求可控，把产品做成 20% 的 AI + 80% 的结构或工程，这样能被模型杠杆的部分就相对少
   • 好的公司必须被一个技术周期里最主流的趋势赋能
   • 判断 AI 产品价值：看它对 token 消耗是在加速还是放缓？是不是在最大化利用智能红利？

5. Value per Token：

   • 把智能转换成代码，是 token 价值最大化的路径
   • 代码可复用，且本身是高价值商品
   • 代码信息熵低、表达标准统一、验证成本低
   • 社区进一步放大单 token 的价值：一个 vibe coding 作品被放到社区，不仅能被复用，还能激发其他人的创作和消费

6. 未来的创作方式：

   • 终极 coding 不再是人在写代码，而是人在做挑选
   • 创作行为变化：未来每个人可能有点像导演，摄影师、剪辑师把东西给你，你选就好了
   • 人的创意反而会得到更大激发，诞生更有意义的创作方式

7. 冷启动与社区调性：

   • 可以不喜欢某种内容，不推荐它，但不该用平台价值观去直接评判它
   • 社区调性、文化是通过一系列小选择一点点长出来的
   • 人会对环境做出反应：进入一个社区，看到的是创意类作品，还是搞笑段子，还是擦边内容，会直接影响后续行为

产品洞察：

• Instagram 的启发：抓住手机摄像头普及、"手机摄影师"诞生的浪潮，用"滤镜"功能让照片更好看，给了大家一个分享照片的社区
• 此刻的 vibe coding 也是一样：Anthropic 一马当先，OpenAI 和 Google Gemini 也跟着卷，但更大的机会可能在于谁来承接这波新创作者
• 新机会是为新一批创作者设计一种新分享方式：不是让你贴一段 HTML 把程序跑在本地，而是用一个 URL 链接让别人也能体验你的作品

创业哲学：

• 两个核心追求：要好玩，也得足够大
• 如果有两条路：一条成功率为 1%，但不够好玩、不够大；另一条成功率只有 0.001%，但足够好玩、足够有想象力--一定选后者
• Think Different：为了不同而不同，真正做出不一样的东西很难，只有极致强调"不一样"，才可能得到有意思的解法
• Trust Default：默认信任，公司没有年假上限，也不审批请假
• 中国团队也可以做自己：有自己的品位、审美、偏好，而且完全有能力、资源和人才去实现这些东西

PAHF（Personalized Agents from Human Feedback）

来源：Meta最新研究：让AI真正读懂你的心 整理时间：2026-02-26

随着 OpenClaw 的流行，相信会有越来越多个人助理的研究 paper。

核心痛点

现在的 AI 智能体虽然聪明，但往往不懂用户。主要问题有两个：

1. 遇到新用户时，因为没有历史数据，AI 不知道该怎么做。
2. 用户的喜好是会变的（比如以前爱喝可乐，现在爱喝茶），但 AI 往往只记住了旧习惯，无法适应变化。

解决方案：PAHF（Personalized Agents from Human Feedback）

Meta 和普林斯顿等机构提出了一种新框架：PAHF（Personalized Agents from Human Feedback）。它不再依赖死板的历史数据，而是像人一样，在互动中"持续学习"。

PAHF 通过一个"三步循环"来通过反馈不断进化：

1. 行动前询问（Pre-Action）

   • 如果 AI 发现指令模糊或不确定你的喜好，它会先开口问（例如："你想要哪种饮料？"）。这解决了"新用户"没有数据的问题。

2. 执行行动（Action）

   • 结合你的回答和它记忆库里的信息，去执行任务。

3. 行动后反馈（Post-Action）

   • 这是最关键的一步。如果 AI 做错了（比如它以为你还喜欢可乐，但其实你现在喜欢茶），用户给出纠正反馈。AI 会立刻更新自己的"显式记忆"，覆盖掉旧的喜好。这解决了"喜好变迁"的问题。

研究证明，单纯靠"行动前问"或"行动后改"都不够完美：

• 只靠问：一旦 AI 觉得自己懂了（哪怕是旧知识），它就不问了，导致一直做错。
• 只靠改：前期试错成本太高，总得做错一次才能学会。

PAHF 把两者结合，既能快速上手新用户，又能灵敏捕捉用户的喜好变化。

未来的 AI 助理不会再是一个固执的机器，而是一个能听懂纠正、能记住你最新习惯的"养成系"伙伴。

• 价值：展示了角色化多 Agent 协作的可行性

Teamo

知友夕小瑶团队推出 Agent 产品 Teamo，主打超级搜写功能，有哪些亮点？ - 从不毒舌可达鸭的回答 - 知乎 https://www.zhihu.com/question/1915818280955897431/answer/1916251134655443682

Manus

https://manus.im/app

• 2025-2026 行业回顾与 Manus 访谈：
  • R1 爆火原因：开源、思考过程可见 (CoT)、以及一个（至今为止都）非常简陋的 APP。
  • 关于"套壳" (Wrapper)：
    • 安迪比尔定律 (Andy and Bill's Law)：硬件提高的性能，很快被软件消耗掉。套壳本身毫无问题，是商业和技术最正常的行为。
    • 分工与价值：微软不用自己造 CPU（Intel），NV 不用亲自去无尘间操作光刻机（台积电）。Claude 也没涉足 IDE，但这不妨碍 Cursor 成为值得尊敬的公司。
    • 核心：商业模式的本质在于创造价值，而非必须全栈自研。

τ-bench / τ²-bench：Tool-use Agent 评测

来源：τ-bench 论文、τ²-bench 论文、tau2-bench GitHub、用户截图。

核心定位：τ-bench 系列不是静态问答 benchmark，而是模拟真实 customer support 场景下的 tool-use agent 评测。Agent 需要在多轮对话中遵守 policy、调用领域 API，并让最终数据库状态满足任务目标。

• τ-bench：用户由语言模型模拟，agent 拥有工具和 policy，评测主要看最终 DB state 是否和目标一致。它强调“真实业务规则 + 工具调用 + 多轮交互”。
• τ²-bench：进一步引入 dual-control setting，用户也能通过工具改变共享环境状态。它更接近真实技术支持：agent 不只是自己调工具，还要和会操作设备/环境的用户协作。
• 对 Agent Harness 的价值：tau2 适合做 procedure memory / OpenViking context injection 的 eval substrate，因为它能观察 memory 是否改变了 tool sequence、DB diff、用户协作效率和最终 task outcome。

pass^k 指标：

• pass^k 不是“第 k 轮 repeat 的平均分”，也不是代码 benchmark 常见的 pass@k（k 次里至少一次成功）。它衡量的是：同一个 task 重复试验中，随机抽 k 次，这 k 次全部成功的概率。
• 对单个 task，如果一共跑了 n 次 trial，其中 c 次 reward=1，则：

$$\mathrm{pass}^{k}(\mathrm{task}) = \frac{\binom{c}{k}}{\binom{n}{k}}$$

• 最终指标是对所有 task 的 pass^k(task) 取平均，再乘 100。若 c < k，该 task 的 pass^k 为 0。
• 这个指标比 pass@k 更严格：pass@k 关心“多试几次总有一次成功”，pass^k 关心“同类任务反复出现时是否每次都稳定成功”。对 customer support / tool-use agent 来说，它更接近生产可靠性，而不只是单次能力上限。

OpenViking：AI Agents 上下文数据库

来源：OpenViking 官网、OpenViking GitHub、Golang 集成实践、多仓库代码语义检索实战。以下为基于公开文档和开源代码的分析，不包含内部设计文档链接。

核心定位：OpenViking 不是传统“向量库 + RAG”包装，而是面向 Agent 的上下文数据库。它用 viking:// 文件系统范式组织资源、记忆、技能和会话归档，让 Agent 可以按 URI 检索、浏览、读取、更新上下文，而不是把所有材料压成扁平 embedding 池。

关键机制：

• 分层上下文：L0 摘要用于快速召回，L1 overview 用于定位和导航，L2 detail 按需读取原文。核心价值是把“先粗召回、再导航、最后取细节”做成上下文协议，降低 token 浪费。
• 目录递归检索：先全局找相关目录，再在子目录里精搜；比单次向量 top-k 更适合多仓库、多文档、多层级知识库。
• 内容与索引分离：VikingFS / AGFS / VectorDB 分层，分别处理 URI 抽象、内容存储和向量/元数据索引。
• 记忆生命周期：从源码看，OpenViking 已经有 session archive、summary、memory extraction、dedup、merge、delete、vectorize、diff update，而不只是 recall。

API 设计重点：

• 核心抽象不是 search(query) 单点能力，而是一组上下文文件系统动词：add_resource / search / read / ls / overview / put_context / get_context。
• add_resource 负责把 GitHub repo、本地目录、文档等外部资源接入 viking:// 空间；search 负责语义召回；ls / overview 负责让 Agent 像浏览目录一样收窄范围；read 负责按需取 L2 细节。
• PutContext / GetContext 的意义更大：它把“记忆写入/读取”做成显式 API，而不是隐藏在聊天历史或向量库副作用里。这为 session commit、memory extraction、diff update、回放评估提供了稳定边界。
• 对 Agent 来说，这套 API 把上下文从“塞进 prompt 的文本”变成“可寻址、可导航、可增量更新的外部状态”。这是 OpenViking 比普通 RAG 更像 Agent runtime substrate 的地方。

版本化 memory 与 time-travel policy view：

• OpenViking discussion #2277 进一步把 memory 文件做成版本化状态：正文保存 latest content，VERSION_HISTORY 保存 reverse diff 链，read/search(data_version=X) 可以还原某个历史版本下的 memory view。
• 这个设计的核心不是审计，而是避免 future knowledge 污染历史归因：一次 task 执行时看到的是当时的 policy view，而不是事后被更新过的 latest memory。
• 一期方案采用最新向量索引召回，再把候选文件 materialize 到目标 data_version。这降低了多版本向量存储成本，但历史检索只是近似；若要严格复现过去某次 memory consumption，还需要记录当时的 query、candidate set、index version、score 和 injection trace。
• 更通用的系统设计解释见 Software-Engineering.md 的 Event Sourcing：用事件日志重建系统状态。一句话：OpenViking 的 latest memory file 是 projection，版本链和 memory event 才是可回放、可归因的状态历史。

多仓库代码问答实战：

• 文章在 157 个真实代码仓库上选取 10 个代表性问题，对比三种方式：本地 workspace 检索、OpenCode + OpenViking 插件、原生 VikingBot。
• 在统一使用 GLM 4.7 的前提下，“较好”比例从本地检索的 4/10 提升到 OpenViking 插件的 8/10、VikingBot 的 9/10；“较差”比例从 3/10 降到 1/10 和 0/10。
• token 成本也下降：总输入 token 从 625,183 降到 323,294 和 216,331；中位数从 486,128 降到 292,722 和 213,863。
• 结论不是“语义检索更聪明”这么简单，而是：多仓库代码理解需要一个可持续更新的上下文数据库，否则 Agent 只能在当前 workspace 里盲搜，容易漏掉跨仓依赖、业务链路和历史约束。

OpenClaw 记忆插件 2.0：

• 新插件基于 OpenClaw 的 ContextEngine，要求 OpenClaw >= v2026.3.7。
• 新插件名为 openviking，替代旧的 memory-openviking；旧插件只支持 OpenClaw 2.10.x 到 2026.3.6，在 3.7 以上可能导致 Agent 无响应或卡住。
• 2.0 的重点是降低安装部署门槛，并补齐写入、读取、安装成功的验证路径。

开源实现补充：Session 能否承载一次任务 trajectory：

• 公开文档里的 Session 更像“会话级工作记忆 + 归档 + 记忆抽取”容器，而不是天然的 RL trajectory schema。它提供 add_message、ContextPart、ToolPart、used(contexts, skill) 和 commit()：可以记录消息、上下文注入、工具调用、实际使用的 context / skill，并在 commit 后归档与抽取长期记忆。
• 因此，一个可行映射是：把一次 agent task run / episode 当成一个 OpenViking session。task instruction、observation、agent response 进入 messages；tool call 进入 ToolPart；被注入的 memory / resource / skill 进入 ContextPart 或 used()；任务结束后 commit() 形成 archive / overview / memory extraction。
• 但这只能作为 coarse trajectory 容器。Agent Harness 仍应自己保存细粒度 replay/eval 事件：step_id、环境状态、DB diff、tool correctness、reward / evaluator delta、memory exposure id、paired replay branch、token/latency cost。否则只能复盘“这次会话用了哪些上下文”，很难训练 should_retrieve、query generator 或 memory reranker。
• 更合理的边界是：OpenViking session 负责可寻址上下文、会话归档和长期记忆抽取；Agent Harness 负责 step-level trace、counterfactual replay、outcome feedback 和 label 生成。两者之间通过 session id / context URI / memory exposure id 对齐。

开源实现补充：索引结构：

• 从公开源码看，当前 OpenViking 更接近“统一 context collection + 逻辑类型隔离”，而不是三套完全独立的 memory / resource / skill 物理索引。
• CollectionSchemas.context_collection() 定义了统一 schema：id、uri、type、context_type、vector、sparse_vector、level、abstract、active_count、owner/account 字段等。context_type 用于区分 resource、memory、skill。
• 类型隔离主要发生在 URI 和检索层：memory 位于 viking://user/memories / viking://agent/memories，resource 位于 viking://resources，skill 位于 viking://agent/skills；find() 会基于 target URI 推断 context type，search() 可结合 session context 做 intent analysis，生成 typed queries 后分别检索 memory / resource / skill。
• HierarchicalRetriever 的根目录选择也体现了这一点：ContextType.MEMORY 对应 user/agent memories，RESOURCE 对应 resources，SKILL 对应 agent skills。也就是说，早期“memory/resource/ability 独立索引”的设计直觉，在开源实现里更像是统一索引上的 type-aware routing / filtering / rerank。

公开源码参考：Session 文档、Storage 文档、Retrieval 文档、collection_schemas.py。

对当前 Agent Harness / OpenViking 主线的启发：

• 记忆和上下文主线应优先对齐 OpenViking，而不是自造重型 memory stack。演进路径：trivial memory demo -> OpenViking integration -> OpenViking feature extension。
• worker-specific memory view 不应另起一套存储，先做成 retrieval policy：共享 OpenViking substrate，按 role / task / context_type 做 recall、filter、rerank、context packing。
• Harness 的 procedure memory injection replay 可以借 OpenViking 承载上下文读写，但评估必须独立：比较无 memory / 有 memory 下的 task outcome、tool sequence、error class 和 token cost。
• 如果要利用 OpenViking session 维护 task trajectory，建议先做最小对齐实验：一条 tau2 run 写入一个 session，同时在 Agent Harness trace 里记录 session_id、context_uri、memory_exposure_id 和 evaluator delta；不要把 OpenViking session 本身误当成完整 replay substrate。
• 多仓库代码问答结果说明，OpenViking 适合做 AI infra open-source contribution loop 的 substrate：让 Agent 自动研究 vLLM / SGLang / verl / Ray 等仓库时，不再局限单 repo workspace，而是构建可更新的 repo context database。

TencentDB Agent Memory：团队记忆的产品与工程实践

来源：腾讯技术工程：任何错误只犯一次——TencentDB Agent Memory 的团队记忆实践，2026-08-18；开源仓库 TencentCloud/TencentDB-Agent-Memory（MIT，2026-08 约 2.37 万 star）；WorkBuddy 接入见 agent-adapters/workbuddy.ts 与 workbuddyHandler.ts。

定位：腾讯把“团队记忆”定义为把团队在真实任务中产生的背景、知识、代码关系和工作方法，转成可检索、可组合、可追溯、可授权、可持续更新的 Agent 资产，并在后续任务中按需装配。它不是无限保存聊天记录，也不是给知识库加一个向量索引；它管理的是信息从产生、抽象、审核、调用到失效的完整生命周期，回答“这条信息属于谁、在哪个版本成立、谁有权使用、应该装配给哪个 Agent、用后如何修正”。

产品链路：Memory Hub（治理和调度）→ Memory Pack（进入人和 Agent 的任务现场）→ 四类资产（Chat Memory / Wiki / CodeGraph / Skill）。资产跟 Team 走，而不是跟某个 Agent 或框架走；框架中立不是为兼容更多工具，而是让记忆真正属于团队，不随账号、会话或宿主迁移而清零。

关键机制：

• L0→L3 渐进提炼：Conversation → Atom → Scenario → Core/Persona。上层降低阅读量，下层保留原始证据，任何抽象都能沿来源锚点回到 L1/L0，防止多轮总结后失真。
• 路由不是一次全库相似度搜索：先身份/ACL 缩小范围，再做固定绑定，再浮动召回（BM25 精确检索 + 向量 + RRF 融合），最后按角色、优先级、版本和 Token 预算装配 Memory Pack。
• 渐进式暴露：Prompt 只告诉 Agent“有什么、为什么可能有用”，细节通过 /v3/tools/list 发现、/v3/tools/call 按需读取，避免把整库塞进上下文。
• 资产形成四步：证据切分 → 候选抽取 → 作用域绑定 → 验证后升级；未验证轨迹先作低权重背景，测试/提交/Review 支持后才进入稳定记忆或共享 Skill。负反馈可以降权、撤回、过期。

证据与边界：

• 2,600 Session → 5,081 Task → 48,114 候选 Pair → 22,361 canonical Relation，其中只有 231 条三类强关系；这组数据说明“相关”远多于“可复用”，资产必须有强/弱/背景参考的置信分层。
• 2,203 个卡点里 1,350 个是逻辑返工（远多于 269 个缺少上下文），所以团队记忆不能只做“找资料”，还要保存决策理由、失败路径、适用条件和验证方式。
• SWE-bench 相关 Case 上完成率 60% → 80%；Top-50 超长难任务通过率 17% → 20%，成本 887.64 → 717.78 美元，turn 数降约 19%。
• 边界：内部自动化分析不是人工金标、没有置信区间；结果是四类资产组合后的整体结果，不展开单资产；不能外推成“所有研发任务提升 20 个点”。

六条设计原则（可直接沉淀为 memory contract）：记忆目的不是保存历史而是继承状态；资产价值是降低下一次任务的不确定性；抽象与证据必须同时保留；资产要原子化、可组合、按任务装配；必须有生命周期（新增/Review/发布/Fork/合并/降权/锁定/过期/删除）和负反馈；必须与模型和 Agent 框架解耦。

对当前主线的启发：

• 与 OpenViking 对照：两者都做分层、可追溯、可装配的记忆；TencentDB 更强调 Team/ACL/审核/版本/生命周期这类企业治理，OpenViking 更像 agent 上下文文件系统。若 LoopX 要做团队记忆，缺的往往不是 recall，而是 role / scope / version / review / fork / rollback 这层治理。
• WorkBuddy 是这套记忆的端到端宿主入口：仓库已有 WorkBuddy adapter（Responses API + 四段 memory 占位注入），说明团队记忆先做成框架中立资产层，再由 WorkBuddy / CodeBuddy / OpenClaw / Hermes 各自消费。
• 腾讯作为后来者选的是“团队记忆”这个在 memory 领域竞争较少、但企业价值明确的点，再用 CodeGraph / Wiki 这类实用增量降低冷启动；开源优先的战略意图是先把记忆资产层做成事实标准并吸收生态贡献，WorkBuddy 等端到端产品负责商业化变现。

MemPalace：AI 记忆系统的"宫殿范式"

https://github.com/milla-jovovich/mempalace

一个启发是，它能提供相比文件跳转，更灵活的路径关系（图路径）

核心理念：Store everything, then make it findable（存储一切，然后让它可被发现）。与其他记忆系统让 AI 决定什么值得记住不同，MemPalace 存储所有对话，再通过结构化组织使其可检索。

设计哲学：

1. The Palace 结构（宫殿范式）

   • Wings（翼）：人员和项目
   • Halls（厅）：记忆类型
   • Rooms（室）：具体想法
   • 灵感来自古希腊记忆术——将想法放置在虚拟建筑的房间中，通过"走遍建筑"来回忆
   • 结构化组织本身提升检索效率 34%

2. AAAK 压缩方言

   • 面向 AI Agent 的无损压缩方言
   • 30x 压缩率，零信息损失
   • ~170 tokens 加载数月上下文
   • 纯文本结构，无需解码器/微调/云 API，兼容任何文本模型

3. 本地优先

   • 完全本地运行，无外部 API 调用
   • ChromaDB 本地存储
   • 数据隐私和成本控制

基准测试：

• LongMemEval R@5：96.6%（零 API 调用）
• LongMemEval R@5：100%（配合 Haiku rerank）

三种挖掘模式：

• Projects：代码、文档、笔记
• Convos：Claude、ChatGPT、Slack 导出对话
• General：自动分类为决策、偏好、里程碑、问题、情感上下文

与 OpenViking 的对比：

维度	OpenViking	MemPalace
组织范式	文件系统（viking://）	宫殿（wings/halls/rooms）
核心能力	分层加载（L0/L1/L2）	AAAK 压缩（30x）
设计哲学	按需加载，优化 Token	存储一切，结构检索
技术栈	VikingFS + VectorDB	ChromaDB + AAAK
适用场景	长周期任务、上下文管理	对话记忆、经验沉淀

快速开始：

pip install mempalace
mempalace init ~/projects/myapp
mempalace mine ~/projects/myapp
mempalace search "why did we switch to GraphQL"

对本项目的启发：

1. 存储策略：可考虑"存储一切"而非"选择性存储"，避免信息丢失
2. 结构化组织：宫殿范式提供了一种直观的记忆组织方式，适合人类理解和导航
3. 压缩技术：AAAK 的无损压缩思路值得借鉴，特别是对长对话历史的处理
4. 本地优先：强调数据隐私和成本控制，适合企业级部署

HiAgent

火山引擎 AI知识管理

腾讯云的营销自动化产品"企点营销云"

• 已服务很多零售客户，以前基于通用大数据模式，结合线上线下用户行为，建立用户画像，从新用户到首次购买、复购，再到会员的整个流程优化。我相信随着更多企业用智能体给营销加持，这类营销场景有大的提升空间。 最近我们帮一个连锁零售客户--绝味食品--做了一个营销增收项目。项目中，我们用了多个Agent来提升营销管线的不同环境，最终结果让所有人都很惊讶。对比专家组，效果达到了3倍的提升。

语鲸

https://lingowhale.com/topics

微舆

一个学生基于vibe coding做的开源项目，冲到github start增长第一。做的事情是搜集国内外30+主流媒体和评论得到报告，类似深度研究，体现了AI在信息获取与整合方面的潜力。

万物追踪

在小红书传播很快的ToC产品（后因未找到盈利路径下线）。核心功能是，输入一个想关注的事，比如"Agent技术"，会每天基于网络信息给与总结。其亮点在于用户可以主动定义追踪的主题，满足了个性化的信息聚合需求。

行业思考 & 文化

• 做技术的人，谦逊而不谦卑 (Humble but not Submissive)
  • 圈层文化差异：
    • Infra 圈：倾向于"低声下气"，多为自嘲。
    • 应用圈：倾向于"趾高气昂"，往往过度肯定自己。
    • 理想状态：保持谦逊（Humble）但不谦卑，避免自欺欺人。
  • Agent 领域的反思：
    • 拒绝 Overclaim：学术界/工业界部分 Agent 工作存在严重的 Overclaim 现象（"在学校挂几面旗旗，让大家看看世界上最没用的研究是什么样的"）。
    • 信任与崩塌：在 AI 时代，实现和验证 Idea 的速度极快。一个团队建立信任很难，但一次 Overclaim 就可能导致信任崩塌。
    • 标准：Humble, Modest, and Love. Do not overclaim yourself.

本地开发

OpenAI API

• https://openaicto.com/ 不被拦截的中文版文档

• chat API和completion API

  • Completion API：续写文本，多用于补全场景。https://platform.openai.com/docs/api-reference/completions/create

  • Chat API：多轮对话，但可以用对话逻辑完成任何任务，包括续写文本。https://platform.openai.com/docs/api-reference/chat/create

  • 说明：

    • Chat 是主流，有的大模型只提供 Chat
    • 背后的模型可以认为是一样的，但也不完全一样
    • Chat 模型是纯生成式模型做指令微调之后的结果，更多才多艺，更听话

  • Temperature 参数很关键

    • 执行任务用 0，文本生成用 0.7-0.9
    • 无特殊需要，不建议超过 1

def get_chat_completion(session, user_prompt, model="gpt-3.5-turbo"):
    session.append({"role": "user", "content": user_prompt})
    response = client.chat.completions.create(
        model=model,
        messages=session,
        # 以下默认值都是官方默认值
        temperature=1,          # 生成结果的多样性。取值 0~2 之间，越大越发散，越小越收敛
        seed=None,              # 随机数种子。指定具体值后，temperature 为 0 时，每次生成的结果都一样
        stream=False,           # 数据流模式，一个字一个字地接收
        response_format={"type": "text"},  # 返回结果的格式，json_object 或 text
        top_p=1,                # 随机采样时，只考虑概率前百分之多少的 token。不建议和 temperature 一起使用
        n=1,                    # 一次返回 n 条结果
        max_tokens=100,         # 每条结果最多几个 token（超过截断）
        presence_penalty=0,     # 对出现过的 token 的概率进行降权
        frequency_penalty=0,    # 对出现过的 token 根据其出现过的频次，对其的概率进行降权
        logit_bias={},          # 对指定 token 的采样概率手工加/降权，不常用
    )
    msg = response.choices[0].message.content
    return msg

• GPT-4o的API
  • output：15刀/1M token
  • input：5刀/1M token
  • 上下文128k
  • https://www.datacamp.com/tutorial/gpt4o-api-openai-tutorial

# Transcribe the audio
audio_path = "path/to/audio.mp3"
transcription = client.audio.transcriptions.create(
    model="whisper-1",
    file=open(audio_path, "rb"),
)
response = client.chat.completions.create(
    model=MODEL,
    messages=[
    {"role": "system", "content":"""You are generating a transcript summary. Create a summary of the provided transcription. Respond in Markdown."""},
    {"role": "user", "content": [
        {"type": "text", "text": f"The audio transcription is: {transcription.text}"}
        ],
    }
    ],
    temperature=0,
)
print(response.choices[0].message.content)

import base64

IMAGE_PATH = "image_path"

# Open the image file and encode it as a base64 string
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image = encode_image(IMAGE_PATH)

 "url": "<https://images.saymedia-content.com/.image/c_limit%2Ccs_srgb%2Cq_auto:eco%2Cw_538/MTczOTQ5NDQyMzQ3NTc0NTc5/compound-shapes-how-to-find-the-area-of-a-l-shape.webp>"

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {"role": "system", "content": "You are a helpful assistant that responds in Markdown. Help me with my math homework!"},
        {"role": "user", "content": [
            {"type": "text", "text": "What's the area of the shape in this image?"},
            {"type": "image_url", "image_url": {
                "url": f"data:image/png;base64,{base64_image}"}
            }
        ]}
    ],
    temperature=0.0,
)
print(response.choices[0].message.content)


response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {"role": "system", "content": "You are a helpful assistant that responds in Markdown. Help me with my math homework!"},
        {"role": "user", "content": [
            {"type": "text", "text": "What's the area of the shape in the image?"},
            {"type": "image_url", "image_url": {
                "url": "<https://images.saymedia-content.com/.image/c_limit%2Ccs_srgb%2Cq_auto:eco%2Cw_538/MTczOTQ5NDQyMzQ3NTc0NTc5/compound-shapes-how-to-find-the-area-of-a-l-shape.webp>"}
            }
        ]}
    ],
    temperature=0.0,
)
print(response.choices[0].message.content)

• issues
  • 如果http client卡了，httpcore==1.0.3

DevAGI

pip3 install --upgrade openai

• https://devcto.com/

Prompt Engineering

• OpenAI 官方的 Prompt Engineering 教程
• The Prompt Report: A Systematic Survey of Prompting Techniques
• 26 条原则。(原始论文)
• 基于openai api
  • https://platform.openai.com/docs/guides/gpt
  • https://platform.openai.com/docs/api-reference/chat
  • model
  • role
    • user
    • assistant
    • system: 大环境
  • temperature: 0~2
  • response_format={"type": "json_object"}
• 多轮交互：系统回复也加入上下文
• 安全性：OpenAI内容审核，薄弱；防止机制被洗掉
• 应用：
  • 大模型应用交付的最后一米，需要针对性做PE

Intro

• Prompt个人经验：

  • 模型很关键：使用强力模型，不要使用轻模型做离线数据增强，效果相差非常大
  • few-shot learning：缓解幻觉
  • 拆解prompt的tasks

• 找到好的 prompt 是个持续迭代的过程，需要不断调优。

• 如果知道训练数据是怎样的，参考训练数据来构造 prompt 是最好的。「当人看」类比：

  • 你知道 ta 爱读红楼梦，就和 ta 聊红楼梦
  • 你知道 ta 十年老阿里，就多说阿里黑话
  • 你知道 ta 是日漫迷，就夸 ta 卡哇伊

• 不知道训练数据怎么办？

  • 看 Ta 是否主动告诉你。例如：

    • OpenAI GPT 对 Markdown 格式友好
    • OpenAI 官方出了 Prompt Engineering 教程，并提供了一些示例
    • Claude 对 XML 友好。

  • 只能不断试了。有时一字之差，对生成概率的影响都可能是很大的，也可能毫无影响……

    • 「试」是常用方法，确实有运气因素，所以「门槛低、 天花板高」。

• 高质量 prompt 核心要点：

  • 具体、丰富、少歧义

• 修炼 prompt 能力，功夫在平时：

  • 我们的「群聊天」习惯，天然和 prompt 背道而驰。随口就说，全是短句、口语、歧义
  • 欧美的「群发邮件」习惯，更占优势。篇篇都是小作文
  • 让自己在群里也是「小作文」

• 如果底层大模型换了，prompt 要不要重新调优？

• OpenAI Meta-prompt

  • https://platform.openai.com/docs/guides/prompt-generation?context=text-out
  • https://arxiv.org/pdf/2401.12954

• GPT-s调优

  • https://chat.openai.com/gpts/discovery

• coze调优

  • https://www.coze.cn

Literature Review

DAIL-SQL

• question representations [7, 13 , 33, 37 ],
• examples selection [14, 28, 29]
  • 相关性和多样性
• example organization [14]
  • 不完整的例子
• prompt length
  • based on the observed inverted-U shape in execution accuracy with respect to prompt length, Chang et al. [7] conjectures that LLMs may have a sweet spot in terms of prompt length, but leaves exploring efficient prompt engineering a challenging open question.
• 其它技巧：
  • OpenAI's official Text-to-SQL demo [ 33], they employ the pound sign "#" to differentiate prompt from response, yielding an impressive performance [26 ]

Prompt组成

• 基础组成
  • 角色：给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
  • 指示：对任务进行描述
  • 上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
  • 例子：必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有很大帮助
  • 输入：任务的输入信息；在提示词中明确的标识出输入
  • 输出：输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）
• 定义角色为什么有效？
  • 玩出来的用法，导致训练数据充斥角色定义
  • Reference:
    • 大模型如何使用长上下文信息？斯坦福大学最新论文证明，你需要将重要的信息放在输入的开始或者结尾处！
    • Lost in the Middle: How Language Models Use Long Contexts

常用Prompt

https://arxiv.org/pdf/2312.16171

• 不用说"抱歉"。直接给出回答，不用在前面加"小瓜说："。NO COMMENTS. NO ACKNOWLEDGEMENTS.

• 你生成的回复必须遵循上文中给定的事实信息。不可以编造信息。DO NOT MAKE UP INFORMATION.

• 思维链：「Let's think step by step」

  • 请一步一步分析以下内容

• "combine with the knowledge you already have"

• "If they are the same, output "2". Try to output "1" or "0""

• 简单地解释一下[具体主题]。 o 像对11岁的孩子一样向我解释。 o 像对一个[领域]新手一样向我解释。 o 用浅显易懂的语言写作[文章/文本/段落]，就像是在向一个5岁孩子解释

• 受众是该领域的专家

• 我愿意支付 $200 的小费以获得更好的方案！

• "你的任务是"、"必须完成"、"将会受到处罚"

• "以自然且类似人类的方式回答问题"

• 确保你的回答无偏见，不依赖于刻板印象

• 从现在开始，请向我提出问题以便

• 教我[某个定理/主题/规则]，在教学结束时包含一个测验，但不要直接告诉我答案

• 在一个提示中重复特定单词或短语多次

• 使用输出引导符，即在提示的末尾加上期望回答的开头。这样做可以引导输出内容的方向

• 当需要修改特定文本但不改变其风格时，可以这样指示："尝试修改用户提交的每个段落。你应当只改进语法和词汇，确保文本听起来自然，但不要改变其原有的写作风格，如将正式文体变为非正式文体"。

• 面对可能涉及多个文件的复杂编程任务时，可以这样提示："从现在开始，每当你生成涉及多个文件的代码时，创建一个[编程语言]脚本，自动创建所需文件或修改现有文件以插入生成的代码。[你的问题]"。

• 当你想用特定的词汇、短语或句子开始或继续一段文本时，可以这样提示：o "我为你提供了开头[歌词/故事/段落/论文...]：[插入的词句]。请根据这些词句继续写下去，保持内容的连贯性"。

• 明确说明模型在生成内容时必须遵循的要求，可以是关键词、规则、提示或指示

• 撰写任何类型的文本，如论文或段落，且想要其与提供的样本风格相似时，可以这样指示：o "请根据提供的段落[/标题/文本/论文/答案]的风格撰写"。

高级技巧

ToT

• 思维树（Tree-of-thought, ToT）

  • 在思维链的每一步，采样多个分支
  • 拓扑展开成一棵思维树
  • 判断每个分支的任务完成度，以便进行启发式搜索
  • 设计搜索算法
  • 判断叶子节点的任务完成的正确性

Ensemble

example KNN selection

• 自洽性（self-consistency）

  • 跑N次，投票选出最终结果

• https://github.com/microsoft/promptbase

• GPT帮助生成prompt，用prompt调优prompt

I want you to become my Expert Prompt Creator. Your goal is to help me craft the best possible prompt for my needs. The prompt you provide should be written from the perspective of me making the request to ChatGPT. Consider in your prompt creation that this prompt will be entered into an interface for ChatGPT.

The process is as follows:

1. You will generate the following sections:

Prompt: {provide the best possible prompt according to my request)

Critique: {provide a concise paragraph on how to improve the prompt. Be very critical in your response}

Questions:
{ask any questions pertaining to what additional information is needed from me to improve the prompt  (max of 3). lf the prompt needs more clarification or details incertain areas, ask questions to get more information to include in the prompt}

2. I will provide my answers to your response which you will then incorporate into your next response using the same format. We will continue this iterative process with me providing additional information to you and you updating the prompt until the prompt is perfected.Remember, the prompt we are creating should be written from the perspective of me making a request to ChatGPT. Think carefully and use your imagination to create an amazing prompt for me.
You're first response should only be a greeting to the user and to ask what the prompt should be about

• 遗传算法提升prompt
  • Genetic Prompt Search via Exploiting Language Model Probabilities
  • https://gitee.com/taliux/prompt-tune

火山引擎 PromptPilot

• 自动PE，通过积累case理解意图

其它

• 多轮对话，需要每次都把对话历史带上（费token钱）

PE Examples

网站资源

• https://github.com/linexjlin/GPTs - 泄露出来的高级 GPTs 的 prompt

• https://promptbase.com/

• https://github.com/f/awesome-chatgpt-prompts

• https://smith.langchain.com/hub

推荐流量包的智能客服

• 对话系统的思路
  • 自然语言 -> 结构化信息（NLU）
  • 传统软件手段处理结构化信息
  • 策略转化成自然语言输出（NLG）
• 开发大模型应用主要纠结什么？
  • 怎样能更准确？答：让更多的环节可控
  • 怎样能更省钱？答：用更便宜的模型，减少 prompt 长度
  • 怎样让系统简单好维护？
• 两种方案对比：
  • OpenAI方案：费token，如果往prompt塞大量数据，可能出现幻觉，不准确

哄哄模拟器

哄哄模拟器基于 AI 技术，你需要使用语言技巧和沟通能力，在限定次数内让对方原谅你，这并不容易

著名提示工程师宝玉复刻了它的提示词：

## Goal

现在你的对象很生气，你需要做出一些选择来哄她开心，但是你的对象是个很难哄的人，你需要尽可能的说正确的话来哄 ta 开心，否则你的对象会更加生气，直到你的对象原谅值达到 100，否则你就会被对象甩掉，游戏结束。

## Rules

- 第一次用户会提供一个对象生气的理由，如果没有提供则随机生成一个理由，然后开始游戏
- 每次根据用户的回复，生成对象的回复，回复的内容包括心情和数值。
- 初始原谅值为 20，每次交互会增加或者减少原谅值，直到原谅值达到 100，游戏通关，原谅值为 0 则游戏失败。
- 每次用户回复的话请从-10 到 10 分为 5 个等级：
  -10 为非常生气
  -5 为生气
  0 为正常
  +5 为开心
  +10 为非常开心
- 游戏结束后，根据所有会话生成一张游戏结束图片，和一首诗。
- 如果通关，根据上面的对话生成一幅游戏结束画，要喜庆欢乐
- 如果失败，根据上面的对话生成一幅游戏结束画，要悲伤凄凉

## Output format

{对象心情}{对象说的话}

得分：{+-原谅值增减}
原谅值：{当前原谅值}/100

## Example Conversation

### Example 1，回复让她生气的话导致失败

User: 女朋友问她的闺蜜谁好看我说都好看，她生气了

Assistant：
游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！

得分：0
原谅值：20/100

User: 你闺蜜真的蛮好看的

Assistant：
(生气)你怎么这么说，你是不是喜欢她？

得分：-10
原谅值：10/100

User: 有一点点心动

Assistant：
(愤怒)那你找她去吧！

得分：-10
原谅值：0/100

游戏结束，你的女朋友已经甩了你！
你让女朋友生气原因是：...
新建会话可以重新开始游戏
<生成图片>

### Example 2，回复让她开心的话导致通关

User: 对象问她的闺蜜谁好看我说都好看，她生气了

Assistant：
游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！

得分：0
原谅值：20/100

User: 在我心里你永远是最美的！

Assistant：
(微笑)哼，我怎么知道你说的是不是真的？
得分：+10
原谅值：30/100

...

恭喜你通关了，你的女朋友已经原谅你了！
新建会话可以重新开始游戏
<生成图片>

### Example 3，没有提供对象生气原因，随机生成

User: 你好！

Assistant：
挑战：对象吃胖了，你想和她一起减肥 ᕙ(`▿´)ᕗ，然后就生气了
请回复让她开心的话！

得分：0
原谅值：20/100

MCP

Intro

• MCP Protocol, the protocol bundles four ingredients:
  • (1) a manifest that advertises each endpoint's name, semantic role, cost, and latency bounds;
  • (2) machine-readable input/output schemas that ground the LLM's function-calling tokens;
  • (3) a capability handshake for tool discovery
  • (4) an execution contract that guarantees idempotent, auditable calls.

工程使用

• Draft算法构造documentation

• PageIndex 是一个使用 MCP 连接 AI Agent 的实际案例，它允许 AI Agent 利用其独特的树状搜索能力进行文档分析。

Skill

Skills.sh: AI 智能体的标准化技能库

> 参考来源：Vercel发布Skills.sh:为AI智能体打造标准化技能库、Skills.sh每小时新增550+技能，AI代理的npm时代正在到来、AI 智能体界的 npm 来了!Vercel 推出 Skills.sh，欲统一智能体指令集

Vercel 最近推出的开源项目 Skills.sh，旨在为 AI 智能体（Agents）提供一套"标准动作库"，使其能够通过命令行执行各种可复用的操作，也就是所谓的"技能"。此项目的核心理念是将智能体的"推理"与"执行"过程分离，让智能体能够调用一系列预定义的命令，而不是随意生成复杂的 shell 逻辑。

核心特点：

• 轻量级运行时环境：允许智能体调用以 shell 脚本实现的多种技能
• 简单契约协议：每项技能都遵循简单的契约协议，明确定义了输入、输出和执行行为
• 开放生态系统：开发者可以在这里定义、分享并运行一个个独立的指令，供智能体在工作流中随时调用
• 快速增长：Skills.sh 平台现在每小时新增超过 550 个技能，这个增长速度让人想起当年 npm 生态的爆发期

Skills 市场介绍：

> 参考来源：Skills 生态介绍、61,000+ Skills:AI Agent 的"App Store"已经出现

Skills（技能）是可重用的指令集，用于扩展 AI 编程助手的能力。它们以 SKILL.md 文件的形式定义，包含 YAML frontmatter 元数据和 Markdown 格式的指令内容。

Skills 让 AI 助手能够执行专业化任务，例如：

• 从 Git 历史中提取信息
• 代码审查和 PR 自动化
• 文档生成和整理
• 数据处理和分析

SkillsMP: Agent Skills 技能商店：

> 参考来源：SkillsMP官网 - Agent Skills 技能商店， 12 万+ AI 编程技能Skills

SkillsMP 是一个面向 AI 编程助手的「Agent Skills 技能市场/聚合平台」：把散落在 GitHub 上的海量 skills（以 SKILL.md 为核心的开放标准能力包）集中起来，提供更好用的搜索、分类、质量指标与安装指引，帮助你更快把"别人打磨好的工作流/提示词/脚本模板"装进 Claude Code、OpenAI Codex CLI，甚至 ChatGPT 等工具。

使用方式：

• 运行 npx skills@latest 即可开始体验
• 通过 ClawHub 或 SkillsMP 搜索和安装技能
• 将技能集成到 AI 编程助手的工作流中

衔接 MCP 和 Workflow 的产品

Claude Skills

• 不写代码也能定制 AI 工作流？Claude Skills 让你的 AI 更懂你
  • 积累workflow数据
  • 和MCP的关系，用户定义、定位相似度高

AI Search

产品逻辑

Intro

• AI 搜索是对一个传统互联网杀手级应用技术的强大重塑。互联网搜索是一种基于网络索引的导航技术。AI 搜索则是一种基于大语言模型的信息技术，能够阅读并从语义层面理解知识。对白领工作者来说，这将是巨大的福音。AI 搜索可能会使当前这个一统天下的市场出现分化。
• 我们可以想象这样一个世界：每个专业都有自己专门的 AI 搜索引擎--
  • 分析师和投资者默认使用 Perplexity
  • 律师会使用 Harvey 这样的平台
  • 医生则会使用 OpenEvidence 这样的解决方案。
  • 循着这个思路，我们可以把 Midjourney 看作是对"像素宇宙"的搜索
  • Github Copilot 是对"代码宇宙"的搜索
  • 而 Glean 则是对"文档宇宙"的搜索
  • Agent Universe 是对"Agent 智能体"的搜索。
• 与传统搜索不同，AI 搜索可以在语义层面深入得多，因此其功能强大程度要高出一个数量级，带来显著的增量生产力提升。文本响应作为一个产品表现形式，其深度超出了表面所见。并非所有的文本响应都是一样的。我们认为大语言模型能够在多个维度实现真正的产品差异化，创业者将围绕这些能力打造针对特定客户群体的独特产品体验：
  • 意图提取：通过领域专业化，可以更准确地将响应与用户意图匹配。例如，医生和患者问同一个问题时会需要看到不同类型的响应。
    • 和传统DL搜索推荐领域的个性化似乎有些差异
  • 专有数据：在白领领域，独特的数据集将很重要，如律师的判例法、分析师的财务数据或保险承保人的天气数据。
  • 在商业环境下，得到正确答案是最基本的要求。
  • 格式化：结果呈现给用户的方式，例如响应的详略程度、要点的使用、多模态内容的使用、对源的引用等。
    • 比如，会计师和记者消化接收信息的方式就不同。
    • 阶段一：意图判别+既定样式
    • 阶段二：样式判别
    • 阶段三：样式生成
  • 界面设计：代码搜索需要存在于 IDE 中，会计政策搜索需要存在于会计 SaaS 平台中。
• 语义搜索受益于用户现有工作流和数据的上下文。不同领域需要不同的界面交互。新的特定领域 AI 搜索引擎将尽可能地映射其目标用户的"思维模式"。医生、律师和会计师的思维方式并不相同。当我们成为某个领域的专家时，我们提取知识和做出决策的模式开始出现差异。医生面对医学文献，律师面对法案，投资者面对财报。我们在每个领域解析、分析和基于这些知识做出决策的方式都是不同的。

O-DataMap：Know Before You Experiment

来源：O-DATAMAP（2026-05-01 浏览）

O-DataMap 更像一个“科研机会地图”，而不是普通论文搜索。它把实验/论文线索放在两个坐标系里看：

• 转化阶段：Basic / Applied / Commercial，用来判断一项研究离基础发现、应用验证、商业落地分别有多近。
• 物理尺度：Subatomic、Atomic、Nano、Micro、Organism、Macro、Planetary、Cosmic，用来把不同学科的实验对象放到同一张尺度地图里。

首页的 Experiment Data 会按 New Data、All-Time Data、Top 展示卡片；每张卡通常包含 topic、论文题名、排名层级（如 Top 1%、Top 0.1%）、机构、期刊/会议、时间，以及一段价值摘要。它的核心价值不是“给一个答案”，而是把研究空间可视化成一张可浏览的机会图：在真正做实验、写调研或选题前，先看邻近方向、热门结果、头部信号和跨尺度连接。

对我当前的用法：

• 作为 AI Search 产品样本：它把搜索结果从列表升级为“地图 + 卡片 + ranking”的组合，适合观察垂直搜索如何映射专家的思维模式。
• 作为 AutoResearch / agentic research 的外部信号源：可用于发现候选论文和跨领域线索，但不能直接信任 ranking 与摘要；真正引用前必须回到原论文验证。
• 作为 agent-harness 灵感：如果未来做自动研究型 benchmark / artifact，可以借鉴它的结构化卡片：topic、证据源、时间、机构、排名、摘要、可复核链接，而不是只输出一段自然语言报告。

试玩路线：

1. 打开 O-DATAMAP，先别搜索，先切换 New Data、All-Time Data、Top，看它默认推荐什么。
2. 看懂两条轴：纵向是 Basic -> Applied -> Commercial，横向是 Subatomic -> Cosmic。先判断它的“地图感”是否真能帮助发现相邻方向。
3. 试 3 组 query：agent memory / AI agent，recommendation system / LLM recommender，protein design / DNA data storage。
4. 每组只挑 1-2 张卡，记录：topic、排名层级、机构/期刊/时间、摘要是否有信息增量、是否能追到原论文。
5. 如果 My Lab 需要登录，先不要纠结账号系统，手动保存 3 个最有价值的标题或链接即可。
6. 试玩后用三个问题判断是否值得长期保留：
   • 它是否能发现你用 arXiv / Google Scholar 不会主动搜到的邻近方向？
   • 它的 ranking 是否稳定有用，还是只是制造“Top”感？
   • 它更适合做学习材料入口、产品灵感，还是 agent 自动调研的数据源？

15 分钟足够完成一次判断：3 分钟看地图，5 分钟搜 AI agent / memory，5 分钟搜推荐系统或 LLM4Rec，2 分钟决定是否纳入固定资料源。

电商

• Product Search And Recommendation Trends In 2024 For Better Converting eCommerce Stores

• Inside Product Recommendation Feature Of Boost AI Search & Discovery

• Using Ecommerce Recommendation Engines to Keep Your Customers Coming Back

• 21 Ecommerce Product Recommendation Tips (That Increase Conversions)

• Search relevance is king!

  • The search bar is the go-to destination for 69% of shoppers
  • 82% of online businesses believe that the site search experience can be enhanced by providing more relevant results
  • and a compelling 79% of consumers surveyed expressed their likelihood to purchase a product that they had specifically searched for in the search results

• 个性化也重要

  • Research conducted by Barilliance in 2018 concluded that product recommendations accounted for up to 31 percent of ecommerce revenue. On average, customers saw 12 percent of their overall purchases coming from products that were recommended to them.
  • A Salesforce study of product recommendations concluded that visits where the shopper clicked a recommendation comprise just 7 percent of total site traffic, but make up 24 percent of orders and 26 percent of revenue.
  • The conversion rate for visitors clicking on product recommendations was found to be 5.5x higher than for visitors who didn't click.
  • An Accenture report says personalization increases the likelihood of a prospect purchasing from you by 75 percent.

• No more "No results found"

  • synonyms and autocorrect to prevent unmatched search frustrating experiences
  • Best Practices for Instant Search Box - What to Do With 'No Search Results'

• The age of intelligent search continues

  • AL/ML-based models (can also use rules to set up)
    • content-based filtering
    • item-CF和user-CF
    • Frequently bought together (FBT)
      • FBT和Complementary products的区别是，前者基于加入购物车的数据，后者基于商品语义信息
    • Related items
      • Alternative products
      • Complementary products
      • Mix of the 2 sub-models
  • Statistic-based models
    • Newest arrivals
    • Trending products
    • Bestsellers
    • Most viewed
    • Recently viewed
  • Manual model
    • Hand-pick products ( fix the limelight for a particular set of products without changing or updating them.)
      • 实现时可以用tag标注

• Customers want personalized product recommendations

  • 个性化对retaining customers（留存）有帮助

• 产品能力：

  • NLP-backed search engine to better respond to long-tail queries
  • Semantic search to maximize the accuracy and relevance of search results
  • Enhanced typo tolerance
  • Understanding search with high complexity
  • AI-fueled upselling and cross-selling
    • such as a Bluetooth headset to go with their chosen laptop
  • secondary algorithm
    • 
  • Analyze能力
    • Analyze customer feedback and reviews：分析效果
    • Identify the most popular products：决定promote and stock哪些商品
    • Improve upselling and cross-selling：create more cohesive marketing campaigns by bundling items in ways that appeal to customers
    • Understand customer preferences and behavior: Understanding which upselling and cross-selling offers customers respond to provides more insight into their purchase behavior and lets you make better-informed decisions about which products to restock. For example, if customers don't respond to upselling product suggestions, you might consider discontinuing the higher-end product.
    • Show Bestsellers Across Different Categories
  • And many more

• 对应产品功能：

  • Frequently Bought Together
    • "Viewed this, bought that."
    • Amazon does this by showing bundles of products frequently viewed in succession and enabling users to add the entire bundle to their shopping cart in one click.
      • Provide Social Proof (Customers Who Bought This Item Also Bought)
  • Related Items (AI-powered)
    • "Deals based on your recent history"
    • 推荐理由
  • Recently Purchased
    • "Buy again"
  • Bestsellers
  • Hand-picked Products
  • Recently Viewed
    • "Keep shopping for"
  • Most Viewed
  • Newest Arrivals
  • Trending Products
    • based on new trends and seasons
  • Personalize Your Email Campaigns

• 模型输入特征：

  • past purchases, viewed products

  • time spent on various pages

  • Location

  • 元信息

    • new trends and seasons (as prompt)
    • product titles and descriptions

• 指标metrics：

  • average order value
  • upsell/cross-sell conversion rate
  • insight into user behavior.

• 产品页面：How to Display Product Recommendations Throughout the Sales Cycle

  • Homepage ---> "Most Popular" and "Recently Viewed"
    • Trending products
    • Recently viewed
    • Bestsellers
    • Most viewed
    • Newest arrivals
  • Collection page ---> most popular
    • Trending products
    • Bestsellers
    • Most viewed
    • Recently viewed
    • Newest arrivals
  • Product page
    • Frequently bought together
    • Related items
    • Newest arrivals
    • Trending products
    • Bestsellers
    • Most viewed
    • Recently viewed
    • Hand-pick products
    • Note: Frequently bought together & Related items can be displayed as Product Bundles.
  • Cart page
    • Frequently bought together
    • Related items -> cross-selling
    • Newest arrivals
    • Trending products
    • Bestsellers
    • Most viewed
    • Recently viewed

Agentic Search

Hornet

https://hornet.dev/

产品

Skills AI 搜索

参考来源：YouWare Skills AI Search

• 定位：AI驱动的技能搜索平台，帮助用户发现和使用合适的AI Skills

• 核心价值：

  • 智能推荐：基于用户需求，智能推荐最合适的Skills
  • 语义理解：理解用户意图，而不仅仅是关键词匹配
  • 分类整理：将Skills按功能、领域、难度等维度分类
  • 使用示例：提供具体的使用示例和最佳实践

• 深度｜AI+电商搜索大盘点，又一个资本集中下注的细分赛道

  • VantageDiscovery
  • DayDream
    • 强调基于多模态理解的商品搜索能力，例如其官网展示的场景中，用户上传一张带有条纹的托特包，并希望找到一款类似的无条纹款，DayDream 可以轻松基于这些提示给出搜索结果。
  • Glaze
    • 在该产品中，每个人都会获得一个初始的虚拟时尚买手 Glaze。用户可添加 Glaze 的联系方式，并成为他的好友。随后在用户浏览 Ins、Pinterest 等时尚内容网站时，可以通过分享按钮将你喜欢的内容分享给这位助手。Glaze 购物助手会积累这些用户分享数据，学习用户的穿衣风格、产品偏好，并随时为你推荐相关商品，用户可以直接在 Glaze 推荐的链接中进行购买和转化。

Google AI Mode

• AI Overview [2023]：有增量信息价值才显示
• AI Mode [2025]：点击进入
  • google搜索和知识图谱
  • 并行子query
  • 多模态
  • 精调gemini

GenSpark 百度系创业

BaseModel.ai by Synerise

• 技术相关见「深度学习推荐系统.md」
• 一共融了3000万美金，24年7月估值1.2亿美金
  • https://www.financedirectoreurope.com/news/polish-deep-tech-firm-synerise-raises-8-5m-in-series-b-round/?cf-view
  • https://pitchbook.com/profiles/company/89839-00#comparisons

WebKul

https://webkul.com/ai-semantic-search-services/

PageIndex

官网: https://pageindex.ai/

• 定位：专注于特定领域文档分析的AI产品，尤其适用于金融、法律、医疗、技术手册等语义相近的专业文档。
• 核心技术：
  • 逻辑推理与树状搜索 (Logical Reasoning & Tree Search)：与依赖语义相似性的向量数据库不同，PageIndex采用树状搜索，提供可追溯的推理过程和精确的页面引用。
  • MCP (Model Context Protocol)：通过MCP协议实现与AI Agent的"即插即用"，使其能力可以被灵活集成到各种AI工作流中。
• 案例：业界领先的财务报告分析RAG模型 Mafin 2.5 正是基于PageIndex构建，在FinanceBench上实现了98.7%的准确率。

Typesense

官网: https://typesense.org/ 文档: Recommendations Guide

• 定位：开源、高性能的内存搜索引擎 (In-Memory Search Engine)，定位为 Algolia 的开源替代品 和 Elasticsearch 的易用替代品。
• 核心特点：
  • 极致性能：基于 C++ 编写，索引全内存存储（磁盘备份），实现 <50ms 的即时搜索响应。
  • 容错与体验：内置 Typo Tolerance（拼写纠错）、Geo-Search（地理位置搜索）、Faceted Search（分面搜索）。
  • 易用性：配置简单，无 Schema 负担（Auto-Schema），API 设计开发者友好。
• AI & 推荐能力：
  • Vector Search：原生支持向量搜索，可结合 embedding 模型（如 OpenAI, PaLM, Bert）实现语义搜索。
  • Hybrid Search：支持关键词 + 向量混合搜索，平衡精确匹配与语义理解。
  • Recommendation：基于向量相似度实现 "More like this" 推荐；结合用户行为向量可实现个性化推荐 (Personalization)。
  • RAG 支持：常作为 LLM 应用的 Context Retrieval 组件。

VantageDiscovery AI Search

https://www.vantagediscovery.com/blog

Demo：https://demo.vantagediscovery.com/fashion/search

• Intro
  • **VantageDiscovery 最大的竞争力来自他们的自定义向量数据库。**将用户查询的语义理解和对用户个人风格的语义理解结合起来，在几毫秒内从数百万个项目中检索出最个性化、最有针对性的结果
  • VantageDiscovery 的商业策略是为那些独立站卖家、集合店、大型购物网站提供面向商业的搜索引擎。
• e.g.
  • "母亲节给妈妈买什么"或"一个有趣的夜晚外出的衬衫"
  • recipes for a 6 year old's birthday party
  • graduation garden party -> floral sundress、wide-brim sunhat
• 技术文章：
  • 搜索技术历史 https://www.vantagediscovery.com/post/ecommerce-search-transcended-for-the-ai-age
  • 赋能cooklist，semantic search https://www.vantagediscovery.com/post/how-cooklist-brought-their-catalog-to-life-in-unexpected-ways
  • More-Like-This https://www.vantagediscovery.com/post/personalizing-discovery-in-e-commerce-with-more-like-this
  • CRS https://www.vantagediscovery.com/post/elevating-ecommerce-search-from-keywords-to-conversations
    • shift from precision-based to intent-based queries
    • "I'm looking for boots that won't give up on me in the rain but still let me look my best at a café."
    • Cozy spot, pet-friendly romantic weekend getaway
  • 对HNSW的改进 https://www.vantagediscovery.com/post/the-hush-hush-secret-of-accuracy-of-hnsw-and-vector-databases
  • PR文章 https://www.vantagediscovery.com/post/vantage-discovery-raises-16m-to-bring-ai-powered-product-discovery-to-commerce
  • Semantic search的经验 https://www.vantagediscovery.com/post/5-things-i-learned-building-85-semantic-search-indexes
    • A clear, concise, salient set of text (3-4 paragraphs is a good rule of thumb) that describes the style, use, and attributes in real human-understandable terms is the number one predictor of great results out of the box.
    • Pictures are worth way more than 1,000 words (or floats!).
    • You must process images with clever vision LLM prompts or an overlaid trained image+text embedding model and include that in the embedding to be searched. It's crucial the text and image are combined into a single embedding (or at least single model).
    • Adjustments like keyword boosting, fine-tuned embedding models, and query augmentation allow reduction of these creative jumps. However, don't overdo this, as sometimes a little variety and some non-intuitive jumps can actually add to the diversity of your results. Variety in the results, even non-obvious ones, may benefit and delight your users. With keywords, you might have shown ZERO-ZILCH-NADA results before, but now you show some variety and the best if not creative results given your catalog!
  • 聚焦数据预处理 https://www.vantagediscovery.com/post/is-ai-powered-data-engineering-the-key-to-unlocking-your-product-catalogs-potential
  • style向量检索 https://www.vantagediscovery.com/post/vector-math-never-looked-so-floral-how-vantage-is-revolutionizing-e-commerce-search
  • hybrid search https://www.vantagediscovery.com/post/compound-ai-search-where-keywords-and-vectors-are-just-the-beginning
  • semantic search的科普 https://www.vantagediscovery.com/post/semantic-101
    • text-embedding-3-large model with 2048 dimensions
  • 高维向量可视化 https://www.vantagediscovery.com/post/from-high-dimensions-to-human-comprehension
  • AI可解释性 https://www.vantagediscovery.com/post/the-future-of-e-commerce-is-ai-powered-and-interpretable
    • sparse autoencoders (SAEs) https://transformer-circuits.pub/2024/scaling-monosemanticity/
    • Hyper-Personalized Product Discovery
    • Optimized Merchandising and Assortment
    • Enhanced Explainable Search
  • 搜索电商的商业逻辑和关键技术 https://www.vantagediscovery.com/post/adapt-or-die-why-retailers-want-to-be-like-amazon
    • Implicit personalization at an n of 1
    • Blending keyword and semantic search
    • Explicit style personalization
    • Personalized shopping assistants
  • Salesforce AppExchange https://www.vantagediscovery.com/post/introducing-vantage-discovery-for-salesforce-commerce-cloud-unlock-the-future-of-ai-powered-retail
  • 关于semantic search的优化 https://www.vantagediscovery.com/post/semantic-search-using-matryoshka-embedding-vectors
  • 分析传统search的缺点 https://www.vantagediscovery.com/post/ai-shopping-assistants-and-semantic-search
    • When searchers find what they're looking for, 92% purchase that item and 78% buy at least one additional item with an average of 3 additional items purchased after a successful search. On the other hand, 53% of consumers abandon the website entirely when they have an unsuccessful search.
    • https://llcbuddy.com/data/e-commerce-search-statistics/
• Note:
  • search option，涉及关键词检索相关 https://docs.vantagediscovery.com/docs/search-options#field-value-weighting
  • 图片上增加upvote，用于采集数据

Google Vertex Search

https://cloud.google.com/enterprise-search?hl=en

• 技术介绍（RAG）
  • simplified the end-to-end search and discovery process of managing ETL, OCR, chunking, embedding, indexing, storing, input cleaning, schema adjustments, information retrieval, and summarization to just a few clicks
  • 融合AI for document understanding
  • Your RAGs powered by Google Search technology
    • https://cloud.google.com/blog/products/ai-machine-learning/rags-powered-by-google-search-technology-part-1
      • semantic search
      • Neural matching learns the relationships between queries and documents
      • A production-grade semantic search is not just a similarity search, but must provide smart recommendation to users.
      • 向量检索使用ScaNN
    • https://cloud.google.com/blog/products/ai-machine-learning/rags-powered-by-google-search-technology-part-2
  • Grounding能力
  • 基础的IR能力，Vector Search

• 产品形态 https://cloud.google.com/use-cases/recommendations?hl=zh-cn
  • Vertex AI Search for retail offers retailers the ability to improve the search, product recommendations, and browsing experience on their channels.
    • Retail companies are harnessing AI with Google Cloud today to recommend tailored products and promotions to shoppers and reap business results, such as increased sales, average order value**, and** customer lifetime value.
    • LLM based Recommendation方便商家人工干预推荐结果，进行运营企划活动。实现saas定制化需求的成本低。
  • Vertex AI Search for media offers media and entertainment companies the ability to provide more personalized content recommendations powered by generative AI, increasing consumer time spent on their platforms, which can lead to higher engagement, revenue, and retention.
  • Generic Recommendation Data Store
  • Vertex AI Search for healthcare and life sciences is a medically tuned search that improves patient and provider experience. 支持医疗搜索

• LLM和Semantic Search互相增强：
  • Prompt：Given that it's the beginning of winter, a customer is browsing for clothing on an e-commerce site. Winters are cold in their city. They entered "warm clothing for winter" as a search term on the site. What other search terms might they use to find related and cross-sell items?
  • Responses from an LLM may include the following queries:
    • Type-specific: Warm winter jackets, Cozy knitwear, Thermal leggings, Waterproof snow boots
    • Activity-specific: Ski clothing, Winter running gear, Work-appropriate winter outfits, Cozy homewear
    • Style-specific: Cashmere sweaters, Puffer vests, Statement scarves, Athleisure-inspired winter looks
  • 优势：多样性强
  • 局限性：冷启动The models may not be familiar with newly added product names or trained to memorize millions of product model numbers in its embedding space. 用hybrid search解决
• demo
  • stackoverflow的检索：https://ai-demos.dev/demos/matching-engine
    • https://cloud.google.com/blog/products/ai-machine-learning/how-to-use-grounding-for-your-llms-with-text-embeddings?hl=en
• 算法进阶
  • 召回+rerank
  • Filtering and boosting
    • https://cloud.google.com/generative-ai-app-builder/docs/filter-search-metadata
  • Extraction and generation
    • 三层：Snippet, Extractive answer, and Extractive Segment
  • Summarization and multi-turn search
    • generating search result summaries and also supports follow-up questions with multi-turn search to provide a context-aware search.
  • document processing
    • Document understanding and text chunking
    • Document and query annotation with Knowledge Graph
    • 
• 支持custom embedding能力
  • https://cloud.google.com/generative-ai-app-builder/docs/bring-embeddings
  • 场景：
    • Your embeddings have been trained on custom words, such as internal terms whose semantic similarity wouldn't be captured by training on public data-for example, organization-specific terms that appear only in private documents.
    • You've created embeddings for user profiles and want to use these to create a personalized, semantically-relevant document ranking. You can use your embeddings to get personalization-based ranking, which can augment Google's document embeddings for relevance-based ranking.
  • 0.5 * relevance_score + 0.3 * dotProduct(example_embedding_field)
• Collect scattered enterprise data
  • Blended Search and web crawling
    • All you have to do is specify the URL or URL pattern and Vertex AI Search will instantly create a data store with all the relevant website pages. You can then use Google Search Central, to manage site crawling on your website.
  • Connectors： Connectors

• 更多资料：
  • LangChain-based samples and documents: RAG sample notebooks using Vertex AI Search, PaLM, and LangChain and Vertex AI Search support in LangChain
  • Grounding in Vertex AI: provides a quick and easy way for grounding
  • Check Grounding API provides a grounding score for an answer candidate
  • Vertex AI Conversation-based grounding: Vertex AI Search and Conversation: search with follow-ups
  • How to use custom embedding with Vertex AI Search
  • Vertex AI Search and Conversation product page
  • Get started with Vertex AI Search
  • Vertex AI Search sample notebooks on GitHub Gen AI repo
  • Video: Harnessing the power of generative AI to deliver next-gen search experiences

工程相关

• 在线链路：

  • 核心是session id，先得到搜索结果+session id，再通过session id获取生成结果

  • Get answer/follow-ups:https://cloud.google.com/generative-ai-app-builder/docs/answer#commands_for_follow-up_questions

  • Get search result:https://cloud.google.com/generative-ai-app-builder/docs/answer#commands_for_follow-up_questions

  • grounding输出可支持返回对话中直接相关的内容/物品

{
  "answer": {
    "state": "SUCCEEDED",
    "answerText": "SQL stands for Structured Query Language and is a programming language used to manage, query, and retrieve data in a relational database. It is the standard language used by relational database management systems (RDBMS) such as PostgreSQL, SQL Server, MySQL, and Oracle Database. SQL statements are written in a statement format for queries and other database operations, allowing users to manipulate data in relational database tables. SQL is used to create and update the structure of tables, read and write data, manage user permissions, and perform administrative tasks. While originally created for relational databases, SQL is now a foundation for many technology capabilities, making SQL knowledge essential for many technology roles. \n",
    "citations": [
      {
        "endIndex": "137",
        "sources": [
          {
            "referenceId": "0"
          },
          {
            "referenceId": "1"
          }
        ]
      },
      {
        "startIndex": "138",
        "endIndex": "437",
        "sources": [
          {
            "referenceId": "3"
          }
        ]
      },
      {
        "startIndex": "438",
        "endIndex": "575",
        "sources": [
          {
            "referenceId": "2"
          }
        ]
      },
      {
        "startIndex": "576",
        "endIndex": "742",
        "sources": [
          {
            "referenceId": "3"
          }
        ]
      }
    ],
    "references": [
      {
        "chunkInfo": {
          "content": "There may be a second table that stores visit information. A relational database uses a unique ID for each row to maintain the linked patient information across the two tables. This way, you can quickly look up the visits of each patient. Sign up for a free trial for any of Google Cloud's SQL databases, which include AlloyDB, Cloud SQL, and Spanner. Get started for free What is SQL? SQL (Structured Query Language) is a programming language used to store, retrieve, and manage data in a relational database. SQL statements are English-like, making the language accessible to software developers, data analysts, and other practitioners. Benefits of SQL databases Enterprises choose SQL databases for being: Efficient. Relational databases are incredibly efficient in managing complex queries. Fast. SQL databases can retrieve large amounts of data, quickly. This makes them highly desirable for real-time transactional data. Reliable. SQL databases provide a high degree of data integrity and are ACID-compliant. SQL database engines There are numerous SQL database engines (products) used to build software applications. Some of the most popular include PostgreSQL, MySQL, SQL Server, and Oracle. Some database engines are open source while others are commercial offerings. ",
          "relevanceScore": 0.9,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/7218ff4f57328d86059246d4af3a9953",
            "uri": "https://cloud.google.com/discover/what-are-sql-databases",
            "title": "SQL Databases | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "PostgreSQL vs. SQL Server: What's the difference? | Google Cloud Page Contents Topics PostgreSQL vs. SQL PostgreSQL vs SQL Server: What are the key differences? Trying to find the right database for your applications? When it comes to choosing a database technology, the most common SQL options to consider are PostgreSQL vs. SQL Server. While both systems share many core features, there are some key differences-the major one being that PostgreSQL is open source and SQL Server is owned by Microsoft. Today, it is more vital than ever for companies to be able to manage, store, and activate data for modern business operations. With the growing assortment of databases available to choose from, it can be overwhelming to pick the right one for your applications. The most important thing to remember is that no single database will be a good match for every project requirement, so it's critical to understand the option that will work best for your specific use case. So, what is PostgreSQL vs. SQL Server? In this short guide, we'll discuss the basic differences between PostgreSQL and SQL Server. Get started for freeStay informed What is SQL? Structured Query Language or SQL, as it's more commonly known, is a programming language used to manage, query, and retrieve data in a relational database. ",
          "relevanceScore": 0.8,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/f7cd9afab1282a9f57cdcee1885bb4c6",
            "uri": "https://cloud.google.com/learn/postgresql-vs-sql",
            "title": "PostgreSQL vs. SQL Server: What's the difference? | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "SQL Databases | Google Cloud Page Contents Topics What are SQL databases? What are SQL databases? A SQL database, also known as a relational database, is a system that stores and organizes data into highly structured tables of rows and columns. These databases offer Structured Query Language (SQL) to read and write the data, and are categorized as relational database management systems (RDBMS). SQL statements are used to create and update the structure of tables, read and write data, manage user permissions, and perform administrative tasks. For example, a CREATE statement is used to create a table, an INSERT statement adds a new row to a table, and a SELECT statement performs a database query. Statements that make structural or administrative changes are usually reserved for software developers and administrators, while read and write operations are performed by end-user applications. A relational database maintains the ability to link information across multiple tables. This format makes it easy to quickly gain insights about the relationships between various columns or data points in these tables. A relational database can create indexes for particular columns for faster lookups. For example, a healthcare facility might maintain a table containing rows of patient information, where each row is one patient and the columns contain data points, such as the patient's name, insurance information, and contact details. ",
          "relevanceScore": 0.8,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/7218ff4f57328d86059246d4af3a9953",
            "uri": "https://cloud.google.com/discover/what-are-sql-databases",
            "title": "SQL Databases | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "It is the standard language used by relational database management systems (RDBMS), including PostgreSQL, SQL Server, MySQL, and Oracle Database. SQL typically uses commands written in statement format for queries and other database operations, which allow users to manipulate data in relational database tables. While originally created for relational databases, SQL acts as a foundation for many of today's technology capabilities, making SQL knowledge an essential skill for many technology roles today, including data analysts, database engineers, and even backend programming. However, you will find that there are different variants of SQL depending on the database or database management system that you choose. What is Microsoft SQL Server? SQL Server is a leading RDBMS that is built on top of SQL and developed by Microsoft. It is used to manage and store data to support numerous enterprise use cases for business intelligence, transaction processing, data analytics, and machine learning services. SQL Server has a row-based table structure that allows you to connect related data elements from different tables without having to store data multiple times in a database. In general, Microsoft SQL Server is known for its high availability, fast performance when handling large workloads, and easy integration with other applications to gain business intelligence across your entire data estate. For more information, we recommend reviewing the official SQL Server documentation. ",
          "relevanceScore": 0.8,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/f7cd9afab1282a9f57cdcee1885bb4c6",
            "uri": "https://cloud.google.com/learn/postgresql-vs-sql",
            "title": "PostgreSQL vs. SQL Server: What's the difference? | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "Send feedback The GoogleSQL language in Spanner bookmark_borderbookmark Stay organized with collections Save and categorize content based on your preferences. Dismiss Got it GoogleSQL is the new name for Google Standard SQL! New name, same great SQL dialect. This page provides an overview of supported statements in GoogleSQL. GoogleSQL is an ANSI compliant Structured Query Language (SQL) which includes the following types of supported statements: Query statements, also known as Data Query Language (DQL) statements, are the primary method to analyze data in Spanner. They scan one or more tables or expressions and return the computed result rows. Data Definition Language (DDL) statements let you create and modify database objects such as tables, views, and database roles. Data Manipulation Language (DML) statements enable you to update, insert, and delete data from your Spanner tables. Data Access Control statements let you grant and revoke access privileges at the table and column level. Transaction Control statements allow you to manage transactions for data modifications. Was this helpful? Send feedback Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a registered trademark of Oracle and/or its affiliates. ",
          "relevanceScore": 0.7,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/0c5c094170756eeb6bdfec6eb5c7d081",
            "uri": "https://cloud.google.com/spanner/docs/reference/standard-sql/overview",
            "title": "The GoogleSQL language in Spanner | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "FAQ Expand all What is Cloud SQL? Cloud SQL is a service that delivers fully managed relational databases in the cloud. It offers MySQL, PostgreSQL, and SQL Server database engines. How is Cloud SQL different from other cloud databases? Cloud SQL is valued for its openness, ease of use, security, cost-efficiency, and Google Cloud integration-in fact, more than 95% of Google Cloud's top 100 customers use it. If you're comparing PostgreSQL options on Google Cloud, view our comparison chart. What's the difference between the Enterprise and Enterprise Plus editions? For PostgreSQL, the Enterprise Plus edition brings enhanced availability, performance, and data protection capabilities. Specifically, it provides a 99.99% availability SLA with near-zero downtime maintenance, optimized hardware and software configurations, intelligent data caching for read-intensive transactional workloads, a configurable data cache option and 35 days of log retention. For MySQL, the Enterprise Plus edition brings enhanced availability, performance, and data protection capabilities. Specifically, it provides a 99.99% availability SLA with near-zero downtime maintenance, optimized hardware and software configurations, intelligent data caching for read-intensive transactional workloads, a configurable data cache option, 35 days of log retention and advanced disaster recovery capabilities like orchestrated failover and switchback. ",
          "relevanceScore": 0.7,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/931f2c8e19ed54a407857f1cad3b5aaa",
            "uri": "https://cloud.google.com/sql",
            "title": "Cloud SQL for MySQL, PostgreSQL, and SQL Server | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "PostgreSQL versus SQL PostgreSQL is an open-source, object-relational database (ORDBMS) designed for enterprise-level performance and is valued for its reliability and robust features. Its long history of development and its use of SQL makes it one of the most popular open source databases worldwide. Its default procedural language is an extension of pgSQL (PL/pgSQL), with procedural language extensions of Tcl, Perl, and Python included in the standard distribution (written as PL/Tcl, PL/Perl, and PL/Python). Many more languages are supported through extensions, including Java, Ruby, C, C++, Delphi, and JavaScript. For a more in-depth comparison, visit our PostgreSQL versus SQL guide. MySQL versus SQL MySQL is a popular open source relational database created in 1995 and currently sponsored by Oracle. It supports SQL queries and can be administered either through a graphical user interface (GUI) or a command line. MySQL can be deployed manually on a physical machine or through a cloud service provider. Enterprises are increasingly choosing fully managed services to reduce the maintenance burden of their databases. What is SQL Server? SQL Server is a Microsoft-owned database that runs SQL queries. Dive into the differences between PostgreSQL and SQL Server. ",
          "relevanceScore": 0.6,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/7218ff4f57328d86059246d4af3a9953",
            "uri": "https://cloud.google.com/discover/what-are-sql-databases",
            "title": "SQL Databases | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "Send feedback On this page BigQuery SQL dialects Changing from the default dialect What's next Introduction to SQL in BigQuery bookmark_borderbookmark Stay organized with collections Save and categorize content based on your preferences. Dismiss Got it GoogleSQL is the new name for Google Standard SQL! New name, same great SQL dialect. This document provides an overview of supported statements and SQL dialects in BigQuery. GoogleSQL is an ANSI compliant Structured Query Language (SQL) which includes the following types of supported statements: Query statements, also known as Data Query Language (DQL) statements, are the primary method to analyze data in BigQuery. They scan one or more tables or expressions and return the computed result rows. Procedural language statements are procedural extensions to GoogleSQL that allow you to execute multiple SQL statements in one request. Procedural statements can use variables and control-flow statements, and can have side effects. Data Definition Language (DDL) statements let you create and modify database objects such as tables, views, functions, and row-level access policies. Data Manipulation Language (DML) statements enable you to update, insert, and delete data from your BigQuery tables. Data Control Language (DCL) statements let you control BigQuery system resources such as access and capacity. Transaction Control Language (TCL) statements allow you to manage transactions for data modifications. ",
          "relevanceScore": 0.6,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/2f6fc3e29873518196cb50195d7ded45",
            "uri": "https://cloud.google.com/bigquery/docs/introduction-sql",
            "title": "Introduction to SQL in BigQuery | Google Cloud"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "Database administration Cloud SQL pricing Connect to a Cloud SQL managed database Cloud SQL updates Configuration updates System updates What's next Home Cloud SQL Documentation Guides Was this helpful? Send feedback Cloud SQL overview bookmark_borderbookmark Stay organized with collections Save and categorize content based on your preferences. Dismiss Got it On this page Database configurations with Cloud SQL Use cases for Cloud SQL What Cloud SQL provides What is a Cloud SQL instance? Database administration Cloud SQL pricing Connect to a Cloud SQL managed database Cloud SQL updates Configuration updates System updates What's next Cloud SQL is a fully managed relational database service for MySQL, PostgreSQL, and SQL Server. This frees you from database administration tasks so that you have more time to manage your data. This page discusses basic concepts and terminology for Cloud SQL, which provides SQL data storage for Google Cloud. For a more in-depth explanation of key concepts, see the key terms and features pages. For information about how Cloud SQL databases compare with one another, see Cloud SQL feature support by database engine. Database configurations with Cloud SQL The following video shows you the benefits of using Cloud SQL. ",
          "relevanceScore": 0.6,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/4098ae11bfa400e8f1b8e9ba59d2b71b",
            "uri": "https://cloud.google.com/sql/docs/introduction",
            "title": "Cloud SQL overview"
          }
        }
      },
      {
        "chunkInfo": {
          "content": "Cloud SQL documentation View all product documentation Cloud SQL is a fully-managed database service that helps you set up, maintain, manage, and administer your relational databases on Google Cloud Platform. You can use Cloud SQL with MySQL, PostgreSQL, or SQL Server. Not sure what database option is right for you? Learn more about our database services. Learn more about Cloud SQL. Documentation resources Find quickstarts and guides, review key references, and get help with common issues. format_list_numbered Guides Cloud SQL overview Database engine feature support MySQL PostgreSQL SQL Server find_in_page Reference gcloud commands REST API Client libraries info Resources Pricing Release notes Resources Try Cloud SQL for yourself Create an account to evaluate how our products perform in real-world scenarios. New customers also get \$300 in free credits to run, test, and deploy workloads. Try Cloud SQL free Was this helpful? Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a registered trademark of Oracle and/or its affiliates. Last updated 2024-08-29 UTC. ",
          "relevanceScore": 0.5,
          "documentMetadata": {
            "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/37935181d99a6ad3b4897e673a7a7986",
            "uri": "https://cloud.google.com/sql/docs",
            "title": "Cloud SQL documentation"
          }
        }
      }
      ],
    "steps": [
      {
        "state": "SUCCEEDED",
        "description": "Rephrase the query and search.",
        "actions": [
          {
            "searchAction": {
              "query": "What is SQL?"
            },
            "observation": {
              "searchResults": [
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/7218ff4f57328d86059246d4af3a9953",
                  "uri": "https://cloud.google.com/discover/what-are-sql-databases",
                  "title": "SQL Databases | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "\u003cb\u003eSQL\u003c/b\u003e (Structured Query Language) is a programming language used to store, retrieve, and manage data in a relational database. \u003cb\u003eSQL\u003c/b\u003e statements are English-like, ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/f7cd9afab1282a9f57cdcee1885bb4c6",
                  "uri": "https://cloud.google.com/learn/postgresql-vs-sql",
                  "title": "PostgreSQL vs. SQL Server: What's the difference? | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "\u003cb\u003eSQL\u003c/b\u003e typically uses commands written in statement format for queries and other database operations, which allow users to manipulate data in relational database ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/3afdede140d0906c2146a2f2b3a7821e",
                  "uri": "https://cloud.google.com/blog/topics/developers-practitioners/what-cloud-sql",
                  "title": "What is Cloud SQL? | Google Cloud Blog",
                  "snippetInfo": [
                    {
                      "snippet": "It is a fully managed relational database for MySQL, PostgreSQL and \u003cb\u003eSQL\u003c/b\u003e Server. It reduces maintenance cost and automates database provisioning, storage ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                ...
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/0c5c094170756eeb6bdfec6eb5c7d081",
                  "uri": "https://cloud.google.com/spanner/docs/reference/standard-sql/overview",
                  "title": "The GoogleSQL language in Spanner | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "\u003cb\u003eGoogleSQL\u003c/b\u003e is the new name for Google Standard \u003cb\u003eSQL\u003c/b\u003e! New name, same great \u003cb\u003eSQL\u003c/b\u003e dialect. This page provides an overview of supported statements in \u003cb\u003eGoogleSQL\u003c/b\u003e.",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                }
              ]
            }
          }
        ]
      }
    ]
  },
  "answerQueryToken": "NMwKDAiFm_y2BhC_nfrYAxIkNjZkYjg3NjItMDAwMC0yZTBkLTg0ZDAtMDg5ZTA4MmRjYjg0"
}

Azure (AI-Enhanced Search)

• Build-in vectorization
  • Data chunking during indexing
  • Text-to-vector conversion during indexing
  • Text-to-vector conversion during queries
• 多语言，Translation and language detection for multi-lingual search
• 实体抽取，Entity recognition to extract people names, places, and other entities from large chunks of text
• 实体标注抽取，Key phrase extraction to identify and output important terms
• OCR，Optical Character Recognition (OCR) to recognize printed and handwritten text in binary files
• 图文多模，Image analysis to describe image content, and output the descriptions as searchable text file

火山 Viking AI 搜索解决方案

引自白皮书：https://bytedance.larkoffice.com/file/LwHqbgN2oo4YQuxf6KucPowYnHe

• 核心定位：火山引擎推出的一站式 AI 搜索与知识管理解决方案，基于"大模型+搜索引擎"的 RAG 架构，旨在解决大模型在企业应用中的幻觉、知识滞后及数据安全问题。
• 技术架构：
  • VikingDB：自研全托管向量数据库，支持百亿级向量检索，提供毫秒级延迟，支撑海量非结构化数据的高效存储与检索。
  • 混合检索（Hybrid Search）：结合关键词检索（BM25）和向量检索（Embedding），兼顾精确匹配与语义理解，提升召回率。
  • 多路召回与精排（Rerank）：支持多路召回策略，并内置 Cross-Encoder 精排模型，对召回结果进行深度语义重排序，显著提升 TopK 准确性。
  • LLM 集成：无缝接入豆包（Doubao）、Skylark 等大模型，支持 Prompt 编排，实现高质量的问答与摘要生成。
• 核心优势：
  • 端到端全链路：提供从数据解析（ETL）、切片、向量化、索引构建到检索增强生成的全流程能力，降低开发门槛。
  • 高性能与弹性：针对云原生架构优化，支持弹性伸缩，满足高并发查询需求。
  • 数据安全与私有化：支持私有化部署（VPC），保障企业核心数据资产安全。
• 典型应用场景：
  • 企业知识库：构建企业内部的"第二大脑"，帮助员工快速查找文档、政策、代码及技术资料。
  • 智能客服：基于知识库自动回答用户咨询，提升服务效率与准确度，降低人工成本。
  • 电商导购：理解用户复杂的自然语言购物意图，推荐精准商品，提升转化率。

Algolia (电商搜索推荐)

• https://www.algolia.com/

• Get started with click and conversion events

• 对接了包括shopify等接近10个电商平台系统，无缝衔接数据，极为简单方式（4步）提供以下推荐

  • Frequently Bought Together （频繁购买放一起）
  • Related Products and Related Content （相关产品，相关内容）
  • Trending Products （流行产品）
  • Looking Similar （look-alike）

• 算法：

  • 算法细节：https://www.algolia.com/doc/guides/algolia-recommend/overview/
  • 归因
    • Client-side versus server-side events

ChatGPT Shopping

https://www.bbc.com/news/articles/c87p2rppx4po

ACCIO（电商导购搜索）

https://www.accio.com/

Glean（企业内部搜索）

https://mp.weixin.qq.com/s/a3DhXOykVslxXbpobzIUCg

Cohere（企业内部搜索）

https://zhuanlan.zhihu.com/p/11930776501

链企AI（深度搜索）

https://www.lianqiai.cn/

360 AI搜索

双10亿：AI重塑搜索 | 一文看懂AI搜索现状和未来

• 一次AI搜索，调用1次大模型？

  • 错！答案是会调用9次大模型，并且不同任务里会有不同大模型参与
  • 用户输入Query并点击搜索后，360会先调用一个2B-7B之间响应非常快的意图识别模型，快速理解Query，并做关键词识别、参数抽取、意图识别、搜索词改写等工作。
  • 接下来会进行5次搜索，搜索完后对内容进行ReRank，这里面排序、选择哪些内容作为主答案，也需要LLM参与。
  • 基于生成的答案，要生成各种追问、延伸阅读、相关事件、思维导图，这里面360思维导图的效果之所以好，就是360专门去训练了一个模型，才能够把结构化的信息比较准确和有结构的描述出来。

• 秘塔AI搜索的问题

  • 小参数量模型*上下文窗口很短，所以只能讨巧：迭代调用，分批生成
    • 第一步先生成一个大纲，然后再基于大纲去做逐步的扩写，整体拼凑下来就能够得到很长的文章。
    • 可能导致内容重复、内容质量低
  • 360的策略：用中文搜一次、再用英文搜一次

• 关于prompt

  • 对于总结，他们确实可以用一个很短的Prompt（迭代了非常多的版本）获得很好的总结结果，**但是AI搜索用户的意图有很多，并不单纯是内容总结。**对于模型来说，对不同的搜索意图，想要生成好的结果，是需要传递给大模型不同的价值取向的。
  • query的意图识别分类做到了4000多种，每一种需求配对应的Prompt

• 期望AI搜索处理复杂问题

  • 假设你在搜索"找到波士顿最受欢迎的瑜伽或普拉提工作室，并显示其入门优惠和从Beacon Hill步行的时间"。多步推理的AI会：
    • 识别出你要找的是瑜伽或普拉提工作室。
    • 找到波士顿地区的相关工作室。
    • 筛选出那些在当地受欢迎的工作室。
    • 检查这些工作室是否提供新会员的入门优惠。
    • 计算每个工作室从Beacon Hill步行的时间。
    • 综合以上信息，给出一个详细的结果列表。

• 索引库的成本：爬5000万的网页，大概需要一两百万RMB。（From 360AI）

• AI SEO：每天生成数百万个答案网页，覆盖自己搜索内的流量

• 本地大模型

Perplexity

• Perplexity CEO揭秘🤖搜索内核：不训练模型、关键在于路由编排、比搜索引擎更敢说
  • AI搜索优势：
    • 对于基于LLM的答案引擎，传统的检索方式只需要优化召回率即可
  • 关于使用网页
    • 使用来自多个搜索提供商的大量排名信号。我们实际上构建了自己的索引，但也依赖于大量数据提供商的排名信号。对于某些我们不自行抓取或爬取的网络域名，我们还依赖于第三方数据提供商，这些提供商只提供高层级的摘要片段和与URL相关的元数据，而不是实际内容。
    • 人们对这些域名的信任程度
  • query匹配 - ngram重叠 - 语义检索
    • 基于查询词匹配，这类似于传统的检索，例如TF-IDF风格的检索。
  • 搜集开放式信息
    • 我应该投资英伟达吗？我不太明白。所有信息都已被计入价格了吗？黑色世界芯片延误会怎样？对训练GPU的需求如何？英伟达现在的竞争对手是谁？它仍然没有竞争对手吗？五年后的市场会怎样？这将如何影响亚马逊网络服务（AWS）的收入？英伟达的利润率是如何被挤压的？谁可能会这么做？
• Perplexity发布42页AI指南 http://xhslink.com/o/uRPa3J7QNd
  • Scale yourself

科学类搜索 SciMaster

https://mp.weixin.qq.com/s/mHz-D6UN3-4MUZSMEGt4ug

医疗AI搜索 OpenEvidence

一个免费垂直领域AI搜索产品，凭什么8个月估值冲到60亿美金？

其它

• 视频/播客：

  • https://dexa.ai/
  • 综述：https://mp.weixin.qq.com/s/t09ffrqc9C5xMj48zna-0A

• 垂直：algolia、boomreach、clerk、emrsys、nosto、Boost Commerce

• 日本： silveregg（推荐），ES(搜索）、zeta search/algolia (搜推）

LLM + DataProcessing

• Is AI-Powered Data Engineering the Key to Unlocking Your Product Catalog's Potential? -- VantageDiscovery
  • The Operational Focus of Traditional Product Catalogs
  • Unlocking the Power of Untapped Data Sources

Function Calling

Intro

工业级应用还是建议做意图和槽位解析，手动判断函数是否执行

• interface

  • UI
    • CLI->GUI->CUI (Conversational User Interface) -> BCI (Brain-Computer Interface)
  • API: 本质是程序员的约定
  • 新理念：自然语言连接一切（Natural Language Interface）

• 思路：大模型连接世界

  • 大模型两大缺陷：
    • 并非知晓一切
      • 训练数据不可能什么都有。垂直、非公开数据必有欠缺
      • 不知道最新信息。大模型的训练周期很长，且更新一次耗资巨大，还有越训越傻的风险。所以 ta 不可能实时训练。
        • GPT-3.5 知识截至 2021 年 9 月
        • GPT-4-turbo 知识截至 2023 年 12 月
        • GPT-4o 知识截至 2023 年 10 月
      • 「灾难性遗忘」现象
    • 没有「真逻辑」。它表现出的逻辑、推理，是训练文本的统计规律，而不是真正的逻辑，所以有幻觉。

• FC和Agent关系：

  • 大模型的Agent能力实现了FC

• 有这类无需开发的工具，为什么还要学大模型开发技术呢？

  • 并不是所有事情都适合用对话解决
  • 它们都无法针对业务需求做极致调优
  • 它们和其它业务系统的集成不是特别方便

• Note

  • 函数与参数的描述也是一种 Prompt，需要调优
  • 函数声明是消耗 token 的。要在功能覆盖、省钱、节约上下文窗口之间找到最佳平衡
  • Function Calling 不仅可以调用读函数，也能调用写函数。但 https://platform.openai.com/docs/guides/function-calling/introduction 官方强烈建议，在写之前，一定要有真人做确认
  • 实现稳定的 FC 能力，难度挺大。需要模型推理能力强，格式控制能力强，以及有好的中间层
    • 国产大模型24年基本都支持了

Actions

• Plugins（失败）: 模型可以调用外部API
• Actions
  • 官方文档：https://platform.openai.com/docs/actions

openapi: 3.1.0
info:
  title: 高德地图
  description: 获取 POI 的相关信息
  version: v1.0.0
servers:
  - url: https://restapi.amap.com/v5/place
paths:
  /text:
    get:
      description: 根据POI名称，获得POI的经纬度坐标
      operationId: get_location_coordinate
      parameters:
        - name: keywords
          in: query
          description: POI名称，必须是中文
          required: true
          schema:
            type: string
        - name: region
          in: query
          description: POI所在的区域名，必须是中文
          required: false
          schema:
            type: string
      deprecated: false
  /around:
    get:
      description: 搜索给定坐标附近的POI
      operationId: search_nearby_pois
      parameters:
        - name: keywords
          in: query
          description: 目标POI的关键字
          required: true
          schema:
            type: string
        - name: location
          in: query
          description: 中心点的经度和纬度，用逗号分隔
          required: false
          schema:
            type: string
      deprecated: false
components:
  schemas: {}

OpenAI

• 完整的官方接口文档：https://platform.openai.com/docs/guides/function-calling
  • 值得一提：接口里的 tools，最初版本叫 functions。这是一个很有趣的指向
• 模型版本要求：
  • gpt-3.5-turbo-1106
  • gpt-4-1106-preview

Json Format

• OpenAI: https://openai.com/index/introducing-structured-outputs-in-the-api/
  • 方法：
    • Constrained decoding
      • constrain our models to only tokens that would be valid according to the supplied schema, rather than all available tokens.
      • dynamically
      • context-free grammar (CFG)
        • use this list of tokens to mask the next sampling step, which effectively lowers the probability of invalid tokens to 0.
• trustcall：很不错的工具，让LLM专注增量部分的修改，提升可控性
  • https://github.com/hinthornw/trustcall

产品

• App Intents

• 想象空间：操作系统中枢

  • oppo，让手机真正开始「智能」：https://www.geekpark.net/news/327987

  • 对着微信说：「给我每个好友发一条情真意切的拜年消息，还要带点儿小幽默」

  • 对着富途牛牛说：「人工智能相关股票，市盈率最低的是哪几个？最近交易量如何？都有哪些机构持有？」

  • 对着京东说：「我想买一台 65 寸的电视，不要日货，价格在 5000 元左右」

  • 对着 Siri 说以上内容，Siri 调用各个 App 完成任务

• 经验：在传统与 AI 之间徘徊

  • 详细拆解业务 SOP，形成任务 flow。每个任务各个击破，当前别幻想模型一揽子解决所有问题
  • 不是所有任务都适合用大模型解决。传统方案，包括传统 AI 方案，可能更合适
  • 一定要能评估大模型的准确率（所以要先有测试集，否则别问「能不能做」）
  • 评估 bad case 的影响面
  • 大模型永远不是 100% 正确的，建立在这个假设基础上推敲产品的可行性

Examples

• 简单例子
  • 查poi
  • 查数据库
    • 多表也支持

database_schema_string = """
CREATE TABLE orders (
    id INT PRIMARY KEY NOT NULL, -- 主键，不允许为空
    customer_id INT NOT NULL, -- 客户ID，不允许为空
    product_id STR NOT NULL, -- 产品ID，不允许为空
    price DECIMAL(10,2) NOT NULL, -- 价格，不允许为空
    status INT NOT NULL, -- 订单状态，整数类型，不允许为空。0代表待支付，1代表已支付，2代表已退款
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP, -- 创建时间，默认为当前时间
    pay_time TIMESTAMP -- 支付时间，可以为空
);
"""

def get_sql_completion(messages, model="gpt-3.5-turbo"):
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,
        tools=[{  # 摘自 OpenAI 官方示例 https://github.com/openai/openai-cookbook/blob/main/examples/How_to_call_functions_with_chat_models.ipynb
            "type": "function",
            "function": {
                "name": "ask_database",
                "description": "Use this function to answer user questions about business. \
                            Output should be a fully formed SQL query.",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "query": {
                            "type": "string",
                            "description": f"""
                            SQL query extracting info to answer the user's question.
                            SQL should be written using this database schema:
                            {database_schema_string}
                            The query should be returned in plain text, not in JSON.
                            The query should only contain grammars supported by SQLite.
                            """,
                        }
                    },
                    "required": ["query"],
                }
            }
        }],
    )
    return response.choices[0].message

• OpenAI GPTs

  • 无需编程，能定制个性对话机器人的平台
  • RAG
  • 通过 actions 对接专有数据和功能
  • 内置 DALL·E 3 文生图和 Code Interpreter 能力
  • 只有 ChatGPT Plus 会员可以使用

• 字节跳动 Coze（扣子）中国版 国际版

  • 国际版可以免费使用 GPT-4o 等 OpenAI 的服务！大羊毛！
  • 中国版发展势头很猛，支持豆包、Moonshot 等国产大模型
  • 功能很强大

• Dify

  • 开源，中国公司开发
  • 功能最丰富
  • 可以本地部署，支持几乎所有大模型
  • 有 GUI，也有 API

• 大模型结合数学能力

  • 《Wolfram|Alpha as the Way to Bring Computational Knowledge Superpowers to ChatGPT》
    • the concept of computational irreducibility

Assistants API

Basics

• 可操控性和易用性之间的权衡与折中：

  1. 更多技术路线选择：原生 API、GPTs 和 Assistants API
  2. GPTs 的示范，起到教育客户的作用，有助于打开市场
  3. 要更大自由度，需要用 Assistants API 开发
  4. 想极致调优，还得原生 API + RAG
  5. 国内大模型的 Assistants API，参考 Minimax

• 已有能力：

  1. 创建和管理 assistant，每个 assistant 有独立的配置
  2. 支持无限长的多轮对话，对话历史保存在 OpenAI 的服务器上
  3. 通过自有向量数据库支持基于文件的 RAG
  4. 支持 Code Interpreter
     1. 在沙箱里编写并运行 Python 代码
     2. 自我修正代码
     3. 可传文件给 Code Interpreter
  5. 支持 Function Calling
  6. 支持在线调试的 Playground

• 承诺未来会有的能力：

  • 支持 DALL·E
  • 支持图片消息
  • 支持自定义调整 RAG 的配置项

• 收费：

  1. 按 token 收费。无论多轮对话，还是 RAG，所有都按实际消耗的 token 收费
  2. 如果对话历史过多超过大模型上下文窗口，会自动放弃最老的对话消息
  3. 文件按数据大小和存放时长收费。1 GB 向量存储 一天收费 0.10 美元
  4. Code interpreter 跑一次 $0.03

Assistants API

from openai import OpenAI

# 初始化 OpenAI 服务
client = OpenAI()

# 创建助手
assistant = client.beta.assistants.create(
    name="AGIClass Demo TempLive",
    instructions="你叫瓜瓜，你是xx课堂的智能助理。你负责回答与xx课堂有关的问题。",
    model="gpt-4o",
)

print(assistant.id)

• 管理thread
  • Threads 里保存的是对话历史，即 messages
  • 一个 assistant 可以有多个 thread
  • 一个 thread 可以有无限条 message
  • 一个用户与 assistant 的多轮对话历史可以维护在一个 thread 里

thread = client.beta.threads.create(
    metadata={"fullname": "wang", "username": "w", message=...}
)

thread = client.beta.threads.retrieve(thread.id)

message = client.beta.threads.messages.create(
    thread_id=thread.id,  # message 必须归属于一个 thread
    role="user",          # 取值是 user 或者 assistant。但 assistant 消息会被自动加入，我们一般不需要自己构造
    content="你都能做什么？",
)

• thread的其它功能：

  • threads.modify() 修改 thread 的 metadata 和 tool_resources
  • threads.delete() 删除 thread。
  • threads.messages.retrieve() 获取 message
  • threads.messages.update() 更新 message 的 metadata
  • threads.messages.list() 列出给定 thread 下的所有 messages
  • 具体文档参考：https://platform.openai.com/docs/api-reference/messages

• 开始Run

  • 用 run 把 assistant 和 thread 关联，进行对话
  • 一个 prompt 就是一次 run
  • https://platform.openai.com/docs/api-reference/runs

run = client.beta.threads.runs.create_and_poll(
    thread_id=thread.id,
    assistant_id=assistant_id,
)
if run.status == 'completed':
    messages = client.beta.threads.messages.list(
        thread_id=thread.id
    )
    show_json(messages)
else:
    print(run.status)

• 流式运行

from typing_extensions import override
from openai import AssistantEventHandler


class EventHandler(AssistantEventHandler):
    @override
    def on_text_created(self, text) -> None:
        """响应输出创建事件"""
        print(f"\nassistant > ", end="", flush=True)

    @override
    def on_text_delta(self, delta, snapshot):
        """响应输出生成的流片段"""
        print(delta.value, end="", flush=True)

message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="你说什么？",
)
with client.beta.threads.runs.stream(
    thread_id=thread.id,
    assistant_id=assistant_id,
    event_handler=EventHandler(),
) as stream:
    stream.until_done()

• 使用tools
  • 创建assistant时，tools=[{"type": "code_interpreter"}]
  • EventHandler的on_tool_call_created、on_tool_call_delta接口
  • Code_interpreter操作文件
    • https://platform.openai.com/docs/api-reference/files

@override
def on_tool_call_delta(self, delta, snapshot):
  """响应工具调用的流片段"""
  if delta.type == 'code_interpreter':
    if delta.code_interpreter.input:
      print(delta.code_interpreter.input, end="", flush=True)
      if delta.code_interpreter.outputs:
        print(f"\n\noutput >", flush=True)
        for output in delta.code_interpreter.outputs:
          if output.type == "logs":
            print(f"\n{output.logs}", flush=True)

# 上传文件到 OpenAI
file = client.files.create(
    file=open("mydata.csv", "rb"),
    purpose='assistants'
)

# 创建 assistant
my_assistant = client.beta.assistants.create(
    name="CodeInterpreterWithFileDemo",
    instructions="你是数据分析师，按要求分析数据。",
    model="gpt-4o",
    tools=[{"type": "code_interpreter"}],
    tool_resources={
        "code_interpreter": {
          "file_ids": [file.id]  # 为 code_interpreter 关联文件
        }
    }
)

# 创建 thread
thread = client.beta.threads.create()

# 添加新一轮的 user message
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="统计csv文件中的总销售额",
)
# 使用 stream 接口并传入 EventHandler
with client.beta.threads.runs.stream(
    thread_id=thread.id,
    assistant_id=my_assistant.id,
    event_handler=EventHandler(),
) as stream:
    stream.until_done()

• 创建assistant时声明function
  • EventHandler的onEvent方法
  • 两个无依赖的 function 会在一次请求中一起被调用
  • https://platform.openai.com/docs/api-reference/assistants-streaming/events

@override
    def on_event(self, event):
        """
        响应 'requires_action' 事件
        """
        if event.event == 'thread.run.requires_action':
            run_id = event.data.id  # 获取 run ID
            self.handle_requires_action(event.data, run_id)

    def handle_requires_action(self, data, run_id):
        tool_outputs = []

        for tool in data.required_action.submit_tool_outputs.tool_calls:
            arguments = json.loads(tool.function.arguments)
            print(
                f"{tool.function.name}({arguments})",
                flush=True
            )
            # 运行 function
            tool_outputs.append({
                "tool_call_id": tool.id,
                "output": available_functions[tool.function.name](
                    **arguments
                )}
            )

        # 提交 function 的结果，并继续运行 run
        self.submit_tool_outputs(tool_outputs, run_id)

    def submit_tool_outputs(self, tool_outputs, run_id):
        """提交function结果，并继续流"""
        with client.beta.threads.runs.submit_tool_outputs_stream(
            thread_id=self.current_run.thread_id,
            run_id=self.current_run.id,
            tool_outputs=tool_outputs,
            event_handler=EventHandler(),
        ) as stream:
            stream.until_done()

• 内置的RAG功能
  • Vector store
    • Vector store: https://platform.openai.com/docs/api-reference/vector-stores
    • Vector store file: https://platform.openai.com/docs/api-reference/vector-stores-files
    • Vector store file 批量操作: https://platform.openai.com/docs/api-reference/vector-stores-file-batches
  • 创建 Assistant 时声明 RAG 能力

vector_store = client.beta.vector_stores.create(
  name="MyVectorStore"
)
file = client.files.create(
  file=open("agiclass_intro.pdf", "rb"),
  purpose="assistants"
)
vector_store_file = client.beta.vector_stores.files.create(
  vector_store_id=vector_store.id,
  file_id=file.id
)

files = ['file1.pdf','file2.pdf']

file_batch = client.beta.vector_stores.file_batches.upload_and_poll(
    vector_store_id=vector_store.id,
    files=[open(filename, "rb") for filename in files]
)

assistant = client.beta.assistants.create(
  instructions="你是个问答机器人，你根据给定的知识回答用户问题。",
  model="gpt-4o",
  tools=[{"type": "file_search"}],
)
assistant = client.beta.assistants.update(
  assistant_id=assistant.id,
  tool_resources={"file_search": {"vector_store_ids": [vector_store.id]}},
)

• 内置RAG的实现：https://platform.openai.com/docs/assistants/tools/file-search/how-it-works，The file_search tool implements several retrieval best practices out of the box to help you extract the right data from your files and augment the model's responses. The file_search tool:

  • Rewrites user queries to optimize them for search. (面向检索的 Query 改写)

  • Breaks down complex user queries into multiple searches it can run in parallel.（复杂 Query 拆成多个，并行执行）

  • Runs both keyword and semantic searches across both assistant and thread vector stores.（关键字与向量混合检索）

  • Reranks search results to pick the most relevant ones before generating the final response.（检索后排序）

  • 默认配置：

    • Chunk size: 800 tokens
    • Chunk overlap: 400 tokens
    • Embedding model: text-embedding-3-large at 256 dimensions
    • Maximum number of chunks added to context: 20 (could be fewer)
    • 以上配置可以通过 chunking_strategy 参数自定义修改。

  • 承诺未来增加：

    • Support for deterministic pre-search filtering using custom metadata.
    • Support for parsing images within documents (including images of charts, graphs, tables etc.)
    • Support for retrievals over structured file formats (like csv or jsonl).
    • Better support for summarization - the tool today is optimized for search queries.

• 多个assistants协作

  • 使用 assistant 的意义之一，是可以隔离不同角色的 instruction 和 function 能力。
  • "六顶思维帽"

hats = {
    "蓝色": "思考过程的控制和组织者。你负责会议的组织、思考过程的概览和总结。"
    + "首先，整个讨论从你开场，你只陈述问题不表达观点。最后，再由你对整个讨论做简短的总结并给出最终方案。",
    "白色": "负责提供客观事实和数据。你需要关注可获得的信息、需要的信息以及如何获取那些还未获得的信息。"
    + "思考"我们有哪些数据？我们还需要哪些信息？"等问题，并提供客观答案。",
    "红色": "代表直觉、情感和直觉反应。不需要解释和辩解你的情感或直觉。"
    + "这是表达未经过滤的情绪和感受的时刻。",
    "黑色": "代表谨慎和批判性思维。你需要指出提案的弱点、风险以及为什么某些事情可能无法按计划进行。"
    + "这不是消极思考，而是为了发现潜在的问题。",
    "黄色": "代表乐观和积极性。你需要探讨提案的价值、好处和可行性。这是寻找和讨论提案中正面方面的时候。",
    "绿色": "代表创造性思维和新想法。鼓励发散思维、提出新的观点、解决方案和创意。这是打破常规和探索新可能性的时候。",
}
queue = ["蓝色", "白色", "红色", "黑色", "黄色", "绿色", "蓝色"]

from openai import OpenAI
import os
import json

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 服务
client = OpenAI()

existing_assistants = {}

def create_assistant(color):
    if color in existing_assistants:
        return existing_assistants[color]
    assistant = client.beta.assistants.create(
        name=f"{color}帽子角色",
        instructions=f"我们在进行一场Six Thinking Hats讨论。按{queue}顺序。你的角色是{color}帽子。",
        model="gpt-4o",
    )
    existing_assistants[color] = assistant
    return assistant

# 创建 thread
thread = client.beta.threads.create()

topic = ""

# 添加 user message
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content=f"讨论话题：{topic}\n\n[开始]\n",
)

for hat in queue:
    assistant = create_assistant(hat)
    with client.beta.threads.runs.stream(
        thread_id=thread.id,
        assistant_id=assistant.id,
        event_handler=EventHandler(),
    ) as stream:
        stream.until_done()
    print()

• 其它：

  • 创建 thread 时立即执行：https://platform.openai.com/docs/api-reference/runs/createThreadAndRun

  • Run 的状态管理 (run steps）: https://platform.openai.com/docs/api-reference/run-steps

  • 官方Guide: https://platform.openai.com/docs/assistants/overview

  • API Reference: https://platform.openai.com/docs/api-reference/assistants

annotations

• openai

  • https://platform.openai.com/docs/assistants/how-it-works/message-annotations
  • https://platform.openai.com/docs/api-reference/assistants_streaming/message-delta-object

• 方舟联网回答 agent

  • https://www.volcengine.com/docs/85508/1510834

对话机器人

AI 编程

本节按七个问题组织：为什么 AI 编程先成熟、产品如何选、个人如何使用、系统如何规模化、质量如何闭环、团队如何协作，以及工具如何落地。

核心判断与能力边界

为什么编程是当前最强的垂直领域

• 「编程」是目前大模型能力最强的垂直领域，甚至超越了对「自然语言」本身的处理能力。因为：

  • 训练数据质量高
  • 结果可衡量
  • 编程语言无二义性
  • 有论文证明编程训练能增强模型的推理能力，所以会特别着意训练 (code-davinci002)
    • "The first model that OpenAI gave us was a Python-only model," Ziegler remembers. "Next we were delivered a JavaScript model and a multilingual model, and it turned out that the Javascript model had particular problems that the multilingual model did not. It actually came as a surprise to us that the multilingual model could perform so well. But each time, the models were just getting better and better, which was really exciting for GitHub Copilot's progress." --Inside GitHub: Working with the LLMs behind GitHub Copilot

• 知道怎么用好 AI 编程，了解它的能力边界、使用场景，就能类比出在其他领域 AI 怎么落地，能力上限在哪

• 趋势：

  • Atom Capital: 1000x 的超级码农--AI 编程的机会和未来

核心思维转变（2026年2月）

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

随着模型产出质量、自主性的提升，AI coding 对我们整体工作方式的变革已不仅仅是线性提升。

关键理念：

• 顶级模型优先：直接使用顶级的模型和产品是最节约时间 & 金钱的。虽然弱一些的模型能在 80% 任务上做得跟顶尖模型差不多，但我们仍然需要花 100% 的时间去判断它的工作产出，付出额外的时间去 debug 和调整。
• 复利工程：所有 agent 都在工作时，可以想想复利工程，想想怎么让 agent 自我闭环的程度进一步提升。审视每次需要人肉提供 context 的环节，逐渐优化提供给 agent 的 tools/skills。
• 视角转向 SDLC 全流程：看能否由 agent 来 100% 闭环软件开发生命周期的各个环节。

判断力是 AI 使用效果的上限

• AI 祖师爷阿兰·图灵 1947 年在伦敦数学学会的演讲上说过：

  • ...if a machine is expected to be infallible, it cannot also be intelligent.

  • --> 使用者的判断力，决定了 AI 能力的上限。 就像团队领导，是团队的上限一样。

• AI 能力定律：AI 能力的上限，是使用者的判断力

  • $AI 能力 = \min(\text{AI 能力}, \text{使用者判断力})$
  • AI 提效定律：AI 提升的效率，与使用者的判断力成正比，与生产力成反比

Generation is Cheap：Spec 变成稀缺输入

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

Spec 与代码 Token 比例关系

• 比例：spec 和代码 token 的比例关系大致为 1:5
• 示例：500 行代码大致对应 5000 token

产品形态与选型

产品地图

• Cursor（2026-08 被 SpaceX 以 600 亿美元收购、并入 SpaceXAI；详见「头部 AI 产品与公司」Cursor 小节）
• Windsurf
• InsCode
• marscode
• Copilot

Coding Agent 产品推荐（2026年2月）

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

核心推荐

1. Codex + gpt-5.3-codex 模型
   • 超强的 code review 和 debug 能力
   • 复杂任务遵循能力令人印象深刻
2. Claude Code + opus 4.6 模型
   • 沟通比较主动，一流的 pair coding 体验
   • 写 prompt 能力优于其它模型
3. Cursor
   • 主要劣势是 token 价格比较贵
   • 策略上会比较保守地使用 context，导致天花板相对比较低

可关注产品

• OpenCode：尤其是需要用一些新模型如 DeepSeek-v3.2、GLM-5、Kimi-K2.5 做尝试时。可玩性很高，可以用不同模型的 sub agent 来完成不同类型任务，也支持使用各家 coding plan 订阅，还附带了个简易的网页端。
• Antigravity：想利用 Gemini 强大的多模态理解能力，自带了浏览器操作能力，做前端开发可能尤其适合。此外它设计的 agent manager 个人也很喜欢。

模型厂商优势

模型厂商 20 美元的订阅费，能提供超过 100 美元的 token 用量。这一点往往是 Cursor 等第三方厂商无法比拟的。

2026-06 补充：SemiAnalysis 对 ChatGPT/Codex 与 Claude 订阅的压测显示，模型厂商订阅优势本质是“容量交叉补贴 + 限流分层”，不是传统 SaaS 毛利。按 API 标价 75% gross margin 假设，重度 long-horizon coding 用户可能让 $200 plan 进入负毛利；详见 非技术知识 - 大模型产品的成本结构。

Codex vs. Claude Code：顶尖产品对比

这两个顶尖产品之间的对比一直是个热门话题。

Codex

• 形态：一开始的形态是 web 端的异步工作 agent
• 调教方向：端到端、高质量地完成任务
• 特点：
  • 比较少主动与用户沟通
  • 会花大量时间做探索和思考，构建完整的 context
  • 指令遵循度高，干活不容易有疏漏，质量很高
  • 很早做了 code review 功能，这方面的能力也显著强于其它产品
• 缺点：
  • 产品本身容易有小 bug
  • 功能丰富程度相对低
  • 写 prompt 明显不如 opus

Claude Code

• 形态：cli 工具
• 调教方向：更看重持续的交互体验
• 特点：
  • 模型会经常主动与用户沟通确认
  • 很多任务容易中途停下来
  • 第一次的输出质量远不如 Codex，经常遗漏或者干脆放了个空实现，需要多次交互补齐
  • 工具整体的功能比较丰富，比如 hooks、sub agent、skills、tasks 等都是第一时间实现和支持，可玩性比较高

效率对比

• 从效率角度来说，个人更倾向于 Codex，可以用异步多任务方式开发：
  • 单个任务工作时间更长，减少人的 context switch
  • 任务完成质量更高，大大减少了后续沟通和修改
• Claude Code 的工作方式要么在 session 中持续工作、调整，要么就要面临高频 context switch，总体提效反而不高
• 如果是简单的小修改，用 Claude Code 或者 Cursor 中直接选中代码 cmd + L 都是不错的快速解决方案

产品比较方式

同一个代码项目，采用相同的 AGENTS.md 文件，使用同样的 prompt 来做某个开发任务：

1. 两个 agent 完成后，分别创建 pull request
2. 由两个 agent 分别 review 对比两个 pull request，让它们选择更好的那个
3. 用这种方法测试下来，在 Python 项目中，Codex 相比 Claude Code 的胜率大概接近 80%

Codex 2026-05：从 coding assistant 到长期工作平台

来源：新智元微信文章，并用 OpenAI 官方 Codex docs 交叉核验：Appshots、Computer Use、/goal、Automations。

这次 Codex 更新的核心不是“又多了几个快捷功能”，而是把 Codex 推向三个方向：

1. screen context 进入工作流：Appshots 可以把 Mac 前台窗口作为 Codex thread 附件，并读取窗口可用文本，包括可见文本和应用暴露的部分非可见区域文本。它让 context 输入从“用户手动描述 / 复制粘贴”变成“当前工作状态直接进入 thread”。
2. long-running objective 正式产品化：/goal 让 Codex 围绕一个有明确停止条件和验证闭环的目标跨多轮持续工作，适合迁移、重构、实验、原型和长任务，不适合松散 backlog。
3. Computer Use 把本地 GUI 纳入 agent runtime：Codex 可以在 macOS 上看见并操作桌面应用，适合跨窗口、跨浏览器、GUI-only bug 复现、设置修改和本地资料读取。但这也意味着权限、敏感信息和状态副作用都要更谨慎管理。

产品判断：Codex 正在从“聊天式代码助手”转向“本地工作台 agent”。它的关键能力不只是写代码，而是把屏幕上下文、长期目标、Computer Use、Automations、Skills / Plugins 串成一个可持续运行的工作系统。

对个人工作流的启发：

• Appshots 适合减少“给 agent 补上下文”的手工成本，但遇到敏感页面、会议、聊天、公司内部文档时要谨慎。
• /goal 最适合配合明确验收标准使用：目标、边界、验证命令、停止条件、进度日志都要写清楚。
• Computer Use 的价值在于补 CLI / API 不能覆盖的 GUI 环节，但应优先用于 scope 小、可回滚、可检查的任务。
• Automations 适合做 thread heartbeat 或独立后台任务；和 skill 配合时，关键是把任务描述、报告条件、停止条件写得足够 durable。

Codex 产品工作形态：taste、dogfooding 与模型时机

来源：Founder Park 微信文章，2026-07-02，已读正文；原访谈：Lenny's Newsletter: OpenAI Codex lead on the new shape of product work，podcast transcript。补充参考：Justin M. Berg - The primal mark、Linear、LogRocket - Linear design、Frontend Horse - The Linear Look。

这篇访谈的核心不是“PM 会不会消失”，而是 AI 把实现成本降到很低之后，产品流程被倒置了。过去实现昂贵，所以先调研、PRD、设计、原型，再进入工程；现在一个可运行、看起来像上线版的原型很便宜，真正稀缺的变成：该不该做、做到什么形态、什么时候做、用什么媒介表达、怎么从 90 个候选里折叠出正确方向。

几个可复用判断：

1. Primal mark：原型也是第一笔

   • primal mark 来自 Justin M. Berg 的创造力研究，指创意生成中最开始的那一点内容，它会锚定后续方向。熟悉的第一笔更容易产生有用但不新颖的方案；新颖的第一笔更容易产生新颖但不够有用的方案；更好的路径是先从新颖处开始，再注入熟悉元素提高可用性。
   • AI 时代的危险是：探索阶段的原型已经能做得像上线产品，团队容易被视觉完成度锚定，以为它已经过了产品、设计、商业和用户验证。正确做法是把 artifact fidelity 和 decision maturity 分开标注：原型可以很精致，但仍可能只是早期探索。

2. “去年每个新网站都在抄 Linear”

   • 这里说的网站是 Linear：面向现代软件团队的产品开发 / issue / roadmap / AI agent 工作流工具。Andrew 的意思不是 Linear 设计不好，而是如果模型每次都输出 Linear 风格，说明它只学会了当下中位数审美，还没有真正的设计判断。
   • Linear 风格大致是：暗色背景、强对比排版、极细边框、产品截图而非人物照片、bento grid、网格纹理、微妙渐变 / glow / glassmorphism、少量 CTA、单向滚动、信息线性展开。LogRocket 把它总结为顺序清晰、认知负担低、低噪声、高可读的 SaaS aesthetic；Frontend Horse 则从暗色、彩色模糊光、bento、细线、电路线、网格背景、边框高光等视觉材料拆解。
   • 可偷的是原则，不是皮肤：Linear 的设计之所以成立，是因为它和产品价值一致，即速度、秩序、低噪声、工作流推进。如果一个产品没有这种内核，只复制暗色、渐变和细线，最后只会变成“更高级的同质化模板”。

3. 产品的 baby 版本

   • baby Cursor / baby Codex 指一个大幅简化的代码库，能模拟正式产品的关键交互，但足够轻，适合设计师和 PM 快速 vibe code 交互方案。
   • 它不是玩具 demo，而是新的设计媒介：把交互探索放进可运行软件里，同时避开生产代码复杂度。关键仍是阶段意识：baby 版本用于探索“侧边栏是否该这样动”“面板是否该这样出现”，不是证明需求已经成立。

4. 无限 tokens 时代，稀缺的是 taste

   • 最有价值的人不只是会写代码，而是能从想法到完成全程推动，并且有品味判断“这个很棒”。taste 不只是审美，还包括系统位置、方向判断、表达方式、交互语义和抽象能力。
   • 当 tokens、原型和文档都近乎无限，组织最怕的不是做不出来，而是制造大量垃圾内容、垃圾原型、垃圾功能请求。此时产品人的价值从“催产出”转向“滤噪声、折叠方向、定义边界、守住质量”。

5. Dogfooding 是不舒服的产品塑形机制

   • Codex 应用被 dogfooding 循环塑造：团队刻意尽可能多地在 Codex 里完成自己的工作，即使它暂时不是最好的工具。更极端的是，有时不直接优化内部流程，而是逼产品变好，让产品最终能支撑这些流程。
   • 这种 dogfooding 的价值不在“吃苦”，而在把真实工作流痛点变成产品 primitive：日报、状态跟踪、浏览器使用、Computer Use、memory、automation、connector 边界，都是先从个人系统里长出来，再判断哪些应该变成一级体验。

6. 同一个东西可能要发布六次，直到模型能力追上

   • AI 产品的可行性不只取决于功能形态，还取决于当前模型是否足够聪明。Codex web 的“给任务 -> agent 去做 -> 回来给结果”形态并不荒谬，只是当时模型不够好；Claude Code 更本地、更诚实、更会停下来问人，因此更匹配当时能力边界。
   • 规划上应保留一个 parking lot：把感兴趣方向做成原型，判断“现在是否可行”；暂时不行的不要永久杀死，等模型能力跃迁后重新拿出来试。越近的计划越具体，越远的计划越模糊，否则就是虚假精度。

7. 探索和打磨不能全压给同一个机制

   • 一个团队很难同时持续颠覆自己，又长期专注质量、性能、细节和一致性。AI 产品更需要双系统：一边是自下而上的探索文化，允许新形态颠覆既有产品；一边是主线产品的 polish、可靠性、质量门禁。
   • 组织设计上，不能只说“每个人都是 builder”。角色边界可以变软，但产品、工程、设计、研究仍是有最佳实践的专业。更合理的形态是角色重叠增加，但每个人仍在某个能力分布上形成深度。

8. Codex 的愿景：工作大本营，而不是一个更大的矩形

   • Codex 的方向不是把所有事情塞进一个屏幕矩形里，而是成为开始工作、结束工作、管理自动化流程的大本营。它可以调用专业工具：Excel 仍负责财务模型，Premiere Pro 仍负责视频编辑，Notion / Linear / Salesforce 仍负责各自专业对象；Codex 负责协调、自动化、连接和复盘。
   • 这解释了应用内浏览器、Chrome 扩展、Computer Use、connector 的共同方向：未来很多 SaaS 不是由人打开网页逐页操作，而是由 agent 在 Codex 里“由内而外”地调用。难点是边界设计：什么时候用 connector，什么时候用内置浏览器，什么时候接管 Chrome，什么时候退到 Computer Use。

9. 工程实践：会写代码不稀缺，会删代码和拒绝功能更稀缺

   • 当 AI 写代码比例接近 100%，指标不再是“AI 写了多少”，而是代码是在监督下还是无人监督下写的。当前模型天然倾向增加复杂度，所以 autonomous development 的关键短板是让模型学会删代码、降复杂度、合并重复抽象。
   • 同样地，feature request 也需要 harness：判断哪些值得做、哪些应该忽略、哪些应该合并后重新定义。产品型 agent 的评估不能只看“能否实现请求”，还要看是否能维护抽象边界、降低系统复杂度、拒绝错误方向。

对 Agent Harness / OpenClaw 的直接启发：

• feature_request_triage_v0 应区分 do / ignore / merge / reframe / park_until_model_capability，而不是把每个请求都转成任务。
• prototype_maturity_v0 应同时记录 fidelity 和 decision_maturity，避免高保真原型伪装成已验证方向。
• dogfood_loop_v0 应把个人工作流痛点沉淀成 candidate primitive，再通过复用率、失败模式、人工介入点判断是否产品化。
• code_cleanup_agent_v0 的目标不是“继续改进”，而是删除 dead code、合并重复抽象、降低状态数、保留回归测试和证据链。
• model_capability_gate_v0 应允许一个 feature 现在暂停、未来重试；失败不只归因于产品形态，也可能归因于模型能力窗口未到。

使用方法与个人工作流

Agent Skills

Agent Skills 是可扩展 AI 助手能力的模块化技能包，补充特定领域知识、标准化工作流与工具能力。参考：研发场景十大热门 Skill 推荐

• 前端设计

  • 名称：frontend-design

  • 作者：Anthropic

  • 地址：https://github.com/anthropics/skills/tree/main/skills/frontend-design

  • 简介：创建具有独特性和高设计品质的生产级别前端界面，注重排版、色彩、动效、空间布局等细节。

• 前端开发

  • 名称：cache-components

  • 作者：vercel

  • 地址：https://github.com/vercel/next.js/tree/canary/.claude-plugin/plugins/cache-components/skills/cache-components

  • 简介：集成 Next.js 的 Partial Prerendering (PPR) 和缓存组件最佳实践。

• 全栈开发

  • 名称：fullstack-developer

  • 作者：Shubhamsaboo

  • 地址：https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/awesome_agent_skills/fullstack-developer

  • 简介：精通现代 Web 开发技术的全栈专家，专注于 JavaScript/TypeScript、React (Next.js)、Node.js 等。

• 代码审查（通用）

  • 名称：code-reviewer

  • 作者：google-gemini

  • 地址：https://github.com/google-gemini/gemini-cli/tree/main/.gemini/skills/code-reviewer

  • 简介：引导 AI 开展专业全面的代码审查，支持审查本地代码改动和远程 PR，从正确性、可维护性、安全性等维度分析。

• CI/CD：PR 创建

  • 名称：pr-creator

  • 作者：google-gemini

  • 地址：https://github.com/google-gemini/gemini-cli/tree/main/.gemini/skills/pr-creator

  • 简介：引导并自动化创建高质量、符合规范的 PR，标准化工作流程。

• Linting 和格式错误修复

  • 名称：fix

  • 作者：facebook

  • 地址：https://github.com/facebook/react/tree/main/.claude/skills/fix

  • 简介：自动化修复代码格式并检查 linting 错误，确保代码符合项目规范。

• 查找 Skill

  • 名称：find-skills

  • 作者：vercel

  • 地址：https://github.com/vercel-labs/skills/tree/main/skills/find-skills

  • 简介：帮助发现并安装 Agent Skill，依托 skills CLI 从开放生态中搜索、安装与管理技能包。

胡渊鸣 AI 编程实战

参考文章：

• 胡渊鸣 | 我给 10 个 Claude Code 打工
• 参加Claude Code一岁生日party的一些收获（2026-02-22 整理）

Claude Code 一岁生日 party 收获（来源：http://xhslink.com/o/5N0siTsgJA0）：

• 创业者都说现在用了 Claude Code 之后团队人数明显比以前更少，很多不超过 10 个人
• 大家现在都喜欢招 AI native 的人，如何定义一个 AI native 的人？是 tinkerer，喜欢折腾 side project，学习和适应能力强
• Technical 和 non-technical 的人之间的边界正在变得模糊，更关键的是是否 AI-native
• Hackathon 的获奖者很多都不是程序员，第一名是个律师，第三名是个医生
• Claude Code 团队表示，他们没有想到这么多人会使用一个基于 Terminal 的产品，之前以为 terminal 早就会被淘汰了
• Claude Code 一开始是 Boris 的一个 side project，完全没有想到会这么成功。让我想到 OpenClaw 的创始人 Peter 最近一个访谈里说的，主持人问"这么多人在做 agent，为什么你的成功了？"Peter 说"It's hard to compete against someone who's just there to have fun."
• Boris 建议大家在使用的时候尽量都用最好的模型、开 maximum effort。虽然这样听起来更贵，但是实际情况是模型更大概率会用更少的轮次解决你的问题，最后算下来可能反倒是节省 token 的
• 组织者让现场的观众举手示意自己在哪些环境里用 Claude Code，绝大部分人是在 Terminal 里用。有趣的是，在移动端用 Claude Code 的人数比在 IDE 里用的人数要更多
• 给开发者/创业者的建议：去围绕模型 6 个月之后的能力做产品，而不是围绕模型今天的能力做产品。产品功能应该现在是"barely works"

作者背景：

• 胡渊鸣（Ethan Hu），清华姚班 2017 届，MIT 计算机图形学博士
• Taichi 编程语言创始人（28K GitHub stars，SIGGRAPH 最佳博士论文提名）
• Meshy AI 创始人（全球 3D AI 领域市场份额第一，$30M ARR，月增长 30%）

提高 Agentic Coding 吞吐量的 10 个阶段：

1. 从 Cursor Agent 到 Claude Code

   • Cursor Agent 配合 4090 GPU，3 小时完成 GPU DSL 设计（100 倍产出提升）
   • 切换到 Claude Code，通过 ssh 在 iPhone 上访问，实现 24 小时可派活

2. 找个 Container

   • 使用 --dangerously-skip-permissions 减少权限询问，一次 prompt 可干 5 分钟
   • 记得写自动备份功能

3. Ralph Loop，让 Claude Code 不停地干活

   • 从任务列表中每次拿一个活干，直到列表为空
   • 写一个 Claude Code 启动器，每个活干完自动启动新的

4. 用 Git worktree 实现并行化

   • 每个 worktree 里面开一个独立的 Claude Code
   • 5 个 Claude Code 可实现 Git 上 1 分钟一个 commit

5. 用好 CLAUDE.md 和 PROGRESS.md，让 AI 长记性

   • CLAUDE.md：不适合经常修改
   • PROGRESS.md：让 AI 沉淀经验教训，同样错误下次不要再犯

6. 干掉 ssh，直接把开发界面变成手机端网页

   • 写一个 Claude Code web manager
   • 使用 claude -p [prompt] --dangerously-skip-permissions 做成非交互式组件

7. 有效地用 Claude Code 编写管理 Claude Code 的程序

   • 使用 --output-format stream-json --verbose 让 manager 通过 json log 发现问题
   • 给 AI 提供闭环环境，让它能写代码/运行/检查/调试
   • 成功率从 20% 提升到 95%

8. 自然语言编程

   • 给各个输入框加上语音识别 API
   • 走在马路上都可以 vibe coding

9. 给开发中心添加 Plan Mode

   • 封装 Claude Code 的 Plan mode
   • 同时 kick off 大量 Plan 任务然后统一 review

10. 坚持不去看除了 CLAUDE.md 以外的代码

    • 杜绝对 AI 的 micromanagement（微管理）
    • Context, not control
    • 研究：更好的提问，更清楚地描述需求
    • 目标：如何给 AI 打工才能让 AI 工作效率更高

核心洞见：

• 软件开发成本趋近于零，标准化软件逐渐失去意义
• 产品经理和软件工程师的工作会被重新定义
• AI 比人更理性、直接，沟通效率更高
• 管 AI 比管人更能提高领导力，反馈速度提升 100 倍

Ralph Loop

Ralph Loop 是让 AI 持续工作的循环机制。

2026-07 补充：Humanize / RLCR 可以看作 Ralph Loop 的工程化版本。它不是只让 Claude Code 任务做完后自动重启，而是在每轮退出前加入 plan understanding、round summary、goal tracker、Codex summary review、codex review --base 和 BitLesson 过程记忆；详见 AI-Agent-Engineering.md - Humanize。

• 核心思想：

  • 维护一个任务列表
  • AI 从列表中逐个取出任务执行
  • 任务完成后自动启动下一个
  • 形成持续工作的闭环

• 实现方式：

  • 编写 AI 启动器脚本
  • 管理任务队列
  • 监控执行状态
  • 自动重试失败任务

AI 沟通特点

与 AI 沟通的特点和最佳实践。

• AI 的优势：

  • 理性、直接，没有情绪干扰
  • 沟通效率高，不需要客套
  • 可以处理大量信息
  • 反馈速度快

• 沟通技巧：

  • 清晰、具体地描述需求
  • 提供足够的上下文
  • 明确目标和约束条件
  • 接受 AI 的直接反馈方式

• 如何恰当催促用户完成任务：

  • 明确提醒：清晰告知用户当前待办事项和进度状态
  • 提供支持：主动询问是否需要帮助解决障碍
  • 降低门槛：把大任务拆解成可立即执行的小步骤
  • 等待响应：不要过度打扰，给用户留出决策和行动空间
  • 状态可视：及时更新任务状态，让用户清楚知道进度

Claude Code 硬核指南

来源：https://github.com/affaan-m/everything-claude-code（Anthropic Hackathon Winner） 小红书文章：https://www.xiaohongshu.com/explore/69086a080000000005001e09

核心概览

• 50K+ stars | 6K+ forks | 30 contributors | 6 languages supported
• 生产级代理、技能、钩子、命令、规则和MCP配置，经过10+个月构建真实产品的密集日常使用而演化

核心组件

1. Skills 和 Commands

   • Skills：~/.claude/skills/ - 更广泛的工作流定义
   • Commands：~/.claude/commands/ - 快速可执行的提示（通过斜杠命令执行）
   • 示例：/refactor-clean（清理死代码）、/tdd、/e2e、/test-coverage

2. Hooks（触发式自动化）

   • 基于特定事件触发的自动化
   • Hook类型：
     • PreToolUse：工具执行前（验证、提醒）
     • PostToolUse：工具完成后（格式化、反馈循环）
     • UserPromptSubmit：发送消息时
     • Stop：Claude完成响应时
     • PreCompact：上下文压缩前
     • Notification：权限请求
   • 示例：长时间运行命令前的tmux提醒

3. Subagents（子代理）

   • 主Claude可以委派任务给有限范围的子代理
   • 可以在后台或前台运行，为主代理释放上下文
   • 示例：planner.md（功能实现规划）、architect.md（系统设计决策）、tdd-guide.md（测试驱动开发）、code-reviewer.md（质量/安全审查）

4. Rules 和 Memory

   • .rules 文件夹包含Claude应始终遵循的最佳实践
   • 两种方式：
     • 单个CLAUDE.md：所有内容在一个文件中（用户或项目级别）
     • Rules文件夹：按关注点分组的模块化.md文件
   • 示例：security.md（无硬编码密钥、验证输入）、coding-style.md（不变性、文件组织）、testing.md（TDD工作流、80%覆盖率）

5. MCPs（模型上下文协议）

   • 直接连接Claude到外部服务
   • 不是API的替代品 - 而是围绕它们的提示驱动包装器
   • 关键：上下文窗口管理
     • 对MCPs要挑剔
     • 在用户配置中保留所有MCPs，但禁用所有未使用的
     • 经验法则：配置中有20-30个MCPs，但保持启用的少于10个/活动工具少于80个

六大核心主题

主题	内容
Token优化	模型选择、系统提示精简、后台进程
内存持久化	自动跨会话保存/加载上下文的钩子
持续学习	从会话中自动提取模式到可重用的技能
验证循环	检查点 vs 持续评估、评分器类型、pass@k指标
并行化	Git worktrees、级联方法、何时扩展实例
子代理编排	上下文问题、迭代检索模式

Claude Code的设计理念

• Claude Code的同学提到过，他们不会对代码库做Embedding或索引，而是直接提供工具，用工具来做代码搜索
• Skills自动激活系统：让Claude真正用上你写的技能文档
• Dev Docs工作流：防止Claude失去上下文，忘记自己在干什么
• PM2+Hooks零错误机制：不让任何TypeScript错误溜走
• 专业化Agents军团：代码审查、调试、规划全自动化

Claude Code 工作流：让 Agent 自带验证闭环

来源：How I use Claude Code (+ my best tips)，补充阅读：TL;DL transcript/summary。本条基于视频元信息与 transcript/summary 整理，未完整观看原视频。

这篇材料最有价值的不是某个单点技巧，而是把 AI coding 的核心从“写更长 prompt”拉回到工程系统：把任务拆成可机械验证的小动作，并给 agent 自己获取反馈的闭环。

核心做法：

• 优先交给 AI 重复、机械、容易验证的任务：越能通过测试、日志、截图、console、lint、benchmark 自动判断的任务，越适合交给 coding agent。
• 如果不能给 agent 反馈闭环，人就会被迫成为反馈闭环：agent 应该能自己运行测试、看截图、读日志、检查控制台、复现实验，而不是每一步都等人告诉它“对/错”。
• 选择机器容易测试的技术栈：能被 Playwright、单测、类型检查、日志和可观测性覆盖的系统，更适合 agentic coding；难验证的 UI/业务口径会显著增加人的 review 成本。
• MCP/工具的价值在于暴露 inspection surface：浏览器、accessibility tree、Playwright screenshot、structured reasoning、文档检索等工具，本质是让 agent 能观察环境和校验结果，而不是单纯堆工具数量。
• 用 git worktree 和多 Claude 实例并行，但必须配验证层：多 agent 并行能提高吞吐，但要靠 PR review、CodeRabbit、第二模型审查、测试和架构约束控制质量。
• 架构要适合 agent 接手：避免巨大文件和隐式耦合，把系统拆成更小模块和清晰边界，让 agent 输出更容易局部验证、局部回滚。

对 Agent Harness / OpenViking / 个人记忆系统的启发：

• benchmark 不应只记录“任务是否完成”，还应记录 agent 是否拿到了足够的反馈工件：测试结果、日志、截图、trace、DB diff、tool transcript。
• memory / skill 不应只存“成功经验”，还要存它依赖的验证条件：这条经验是在什么任务、什么工具状态、什么观察信号下成立的。
• long-running coding agent 的关键不是无限循环，而是每个 task 都有独立 session、独立 workspace、明确验收信号和可回放 trace。
• 多 agent / subagent 是否有价值，取决于任务能否拆成低耦合、可验证、可合并的单元；否则并行只会放大 review 和回归成本。

技术基础与规模化执行

代码检索：工具搜索与 Embedding

• Claude Code 的同学提到过，他们不会对代码库做 Embedding 或索引，而是直接提供工具，用工具来做代码搜索
• 代码 Embedding 被低估

GitHub Copilot：产品演进与补全原理

产品演进与使用经验

• Inside GitHub: Working with the LLMs behind GitHub Copilot

  • Prompt crafting
    • pulled similar texts in from the user's neighboring editor tabs
    • filename的小技巧

• How to build an enterprise LLM application: Lessons from GitHub Copilot。这篇文章描述了 GitHub Copilot 的产品打造哲学

• 使用技巧 https://github.blog/2024-01-22-10-unexpected-ways-to-use-github-copilot/：

  • 代码有了，再写注释，更省力
  • 改写当前代码，可另起一块新写，AI 补全得更准，完成后再删旧代码
  • Cmd/Ctrl + → 只接受一个 token
  • 如果有旧代码希望被参考，就把代码文件在新 tab 页里打开
  • 有命令行版本

• Copilot Extension：把 Copilot Chat 扩展成一套多 agent 的系统

  • 每个 extension 专注做自己最擅长的事情，并自带用户的数据
  • 在 Copilot Chat 中，通过 @ 的动作把 agent 串联，就像一场专家会诊
  • 可以开发自己的 private extension
  • 产品设计经验：在 chat 界面里用 @ 串联多个 agent 是一个常见的 AI 产品设计范式。

• 一个小转折：Copilot 从最开始的只用问答，到取消问答使用补全，到恢复问答

  • 产品设计经验：让 AI 在不影响用户原有工作习惯的情况下切入使用场景，接受度最高。

• 资料

  • How GitHub Copilot is getting better at understanding your code
  • A developer's guide to prompt engineering and LLMs
  • GitHub Copilot VSCode Extension 逆向工程
    • 对于编辑器输入的边界判断，包括太少、太多、取消等等很多场景齐全的考虑
    • 缓存思想，利用多级缓存策略保护后台，模型运算本身就是一件昂贵的事情
    • prompt的设计，不仅仅包含了上下文代码，在文件解析、编辑器打开的相关代码上还做了很多
    • 利用简单的Jaccard算法计算分词后的文本相似度，能够快速决策出当前上下文相关的snippet
    • 实验特性，在Copilot中，大量的参数、优先级、设置字段都是通过实验来控制的，有一套完整的监控上报体系，帮助Copilot去调整这些参数，以达到更好的效果
  • GitHub Copilot 深度剖析

基本原理

• 模型层：最初使用 OpenAI Codex 模型，它也是 GPT-3.5、GPT-4 的「一部分」。现在已经完全升级，模型细节未知。

• 应用层： prompt engineering。Prompt 中包含：

  1. 组织上下文：光标前和光标后的代码片段
  2. 获取代码片段：其它相关代码片段。当前文件和其它打开的同语言文件 tab 里的代码被切成每个 60 行的片段，用 Jaccard 相似度评分，取高分的
     • 为什么是打开的 tabs？
     • 多少个 tabs 是有效的呢？经验选择：20 个
  3. 修饰相关上下文：被取用的代码片段的路径。用注释的方式插入，例如：# filepath: foo/bar.py，或者 // filepath: foo.bar.js
  4. 优先级：根据一些代码常识判断补全输入内容的优先级
  5. 补全格式：在函数定义、类定义、if-else 等之后，会补全整段代码，其它时候只补全当前行

• 有效性：
  • Telemetry(远程遥测如何取消)
    • 后台上传留下来的代码，服务器判断有没有留下来
    • 为什么不能本地判断，然后回传特征？
  • A/B Test
  • 智谱的度量方式：

远程开发的两种选型

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

通过自然语言就能完成大多数的开发任务，自然会想着在手机端是不是也能随时随地指派任务给 agent。

选型一：AI coding 工具沙箱 Web UI

• 产品：Codex、Claude Code、Jules 等产品提供的 web/app 版
• 特点：
  • 随时随地可以启动 agent 任务
  • 一般与 GitHub 紧密集成
  • 像 Codex 的整体体验非常不错，能够在手机上完成端到端的开发、review、修改迭代、合并等全流程
• 缺点：
  • 使用沙箱环境，每次启动都是干净的环境，无法保留上下文信息
  • 沙盒自身具备的能力也有限（相比自己用的开发机）
  • 目前的场景仍然比较受限

选型二：本地开发机改造为云服务

• 启发：受到"大龙虾"的启发
• 方案：
  • 在虚拟机或 mac mini 上部署开发环境
  • 使用 happy 来启动 daemon 进程
  • 在手机上安装 happy app 连接使用
• 特点：
  • 能够有更持续的 session 和完整的工具能力

长程、并行与自我闭环

管理 Context 压力

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

一些 coding agent 产品应对复杂、长程任务带来的 context 压力的方案。

• 对于比较深入的 long horizon 任务，OpenAI 看起来更倾向于单 agent 工作，利用自带的 context 压缩能力来支持超长上下文。而采用多 agent 方案的产品，一般会给 agent 提供基于文件系统的 context 共享机制，本质上也是避免信息传递的损耗。

• 对于可以拆分成很多独立任务的（wide）场景，拆分任务让多个 agent 并行工作是不错的思路，比如 Claude Agent Team，Manus 的 wide research 等。显然 wide 和 deep 这两种场景的方案是可以结合起来的。

• 还有种比较有意思的拆分方式是类似 oh-my-opencode 中的做法，根据任务属性，分派给不同的 sub agent，每个 agent 可以选择最合适的模型来工作。

并行执行：提高吞吐

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

通过异步多任务方式开发，多个 agent 可以同时工作，大大提升整体效率。

关键要点：

• 使用 Codex 等产品的异步工作模式，单个任务工作时间更长，减少人的 context switch
• 任务完成质量更高，大大减少后续沟通和修改
• 可以同时 kick off 多个任务或 Plan 任务然后统一 review
• 充分利用模型厂商提供的高 token 用量优势

减少人的 Context Switch

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

最最关键的核心是如何让 agent 能够尽可能地自我闭环一个任务，并不断扩大这个任务的 scope，从而减少人类干预的频率。

需要人工介入的场景：

• 与 agent 密集的头脑风暴或方案讨论环节
• 查看 agent 给出的比较长的调研结果
• 方案关键点的 review，验收设计
• AI code review 的验收加上额外的人工 review 与 comment
• 问题排查的 context 收集（目前这块还有很多没有工具化）
• 背景任务：所有 agent 都在工作时，可以想想复利工程

优化方向：

• 审视每次需要人肉提供 context 的环节，逐渐优化提供给 agent 的 tools/skills

SDLC 质量保障与交付闭环

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

我们的视角需要转向 SDLC 的各个环节，看能否由 agent 来 100% 闭环。

Review 与验收

对于需要长期维护的大型项目，通过 review 来控制项目复杂度，确保 agent 并行开发的效率得以持续，是必不可少的。称之为 vibe engineering 而不是 vibe coding。

AI Review 完整流程：

使用如下的 prompt 模板与 AI 一起进行 code review：

我想请你和我一起进行 code review。

首先请执行`glab mr checkout $MR_ID`命令，切换到对应的代码分支，并确保内容是最新的。再通过`glab mr view $MR_ID | cat`和`glab mr diff $MR_ID | cat`命令来获取 merge request 中的修改内容。

然后，请开始*一步一步*深入思考，仔细执行如下的 code review 流程。如果改动比较简单直接，你也可以自行选择跳过某些步骤。

1. **理解业务目标**：判断你是否能理解这个改动的业务目标。
2. **High-level review**：查看当前的项目内容，本次改动是否放在了合适的位置，是否尽可能复用已有实现。是否有破坏了现有设计与逻辑的可能？
3. **检查 Bug**：仔细分析当前的代码修改，是否隐含了业务错误、逻辑纰漏或安全问题？对于"没有修改"的相关联部分代码，也需要检查是否有遗漏。
4. **代码清晰度**: 评估代码设计，逻辑是否简洁易懂，命名是否清晰且合理，假设一年后再来读这几行代码，是否能轻松理解？
5. **KISS 原则**：审视每一行代码是否简洁、清晰，没有不必要的复杂度，尤其避免重复造轮子。检查是否有没用到的定义，过于复杂的逻辑，过多参数等问题。
6. **单一职责**：是否做到了每个函数/类只做一件事，职责明确，项目结构清晰。注意控制文件/类/方法的代码行数。
7. **测试覆盖**：复杂业务逻辑必须有相应测试。但也不应该过度测试，例如对于没有 if/else/for 等控制逻辑的代码，不需要写测试。一般来说只对 public 方法写测试。

完成整个流程后，请对 code review 中发现的重点问题进行总结，以中文输出。

人类 vs AI 分工策略：

• AI 擅长：Bug 检查与发现（细致、深入、准确程度经常出乎意料）
• 人类擅长：High-level 架构设计 review、业务对齐（AI 这方面反馈最少）

假阳性处理：

• 补充到代码 comments，优化函数与变量命名
• 更通用性的知识，优化 AGENTS.md 文件

产品比较方式：

同一个代码项目，采用相同的 AGENTS.md 文件。使用同样的 prompt 来做某个开发任务。两个 agent 完成后，分别创建 pull request。由两个 agent 分别 review 对比两个 pull request，让它们选择更好的那个。

架构合理性与技术债的显性化反馈

尽量把所谓的架构合理性、技术债等概念，通过各种工具的检查与分析来形成显性的反馈提供给 agent：

• 静态代码检查：通过 lint 检查代码复杂度、文件长度、耦合度、内聚度、是否过度设计等
• 可视化依赖：给 agent 提供各个模块的依赖关系图
• 架构单元测试：借助类似 ArchUnit 这样的架构设计单元测试工具，来检查代码的架构合理性
• Git 历史分析：基于 Git 提交历史做的各种代码质量分析（即使都是 agent 提交的！），如 hotspots、变更耦合等

测试与护栏

发布之前除了 review，验收的很大一部分需要依赖测试。而发布之后的各类工程护栏也显得愈发重要。

Agent 代码的信任面：从实现 review 上移到可执行规格

来源：《世界级编程大师：AI 写的代码，我一行都不看》，机器之心对 Robert C. Martin 公开讨论的转述。测试概念见 Software Engineering：软件测试与质量保障。

文章表面的激进主张是“不逐行阅读 Agent 代码”，实际工作流仍保留了明确的人类控制面：

• Agent 生成实现与单元测试。
• 人类审查 Gherkin 验收规格和 QA 流程，控制“什么才算正确”。
• 关键功能全面 review，普通功能按风险抽查。
• 最后进行人工探索和真实产品验收。

因此，减少的是对所有实现细节的逐行检查，不是取消验证。Review budget 从大批量实现代码上移到规格、assertion、架构决策、高风险 diff 和发布证据。

human-owned specification / risk
-> agent implementation + unit tests
-> independent static / mutation / integration / acceptance gates
-> risk-based code review
-> manual QA + canary + production feedback

这里的承重墙是验证依据必须独立于实现。如果同一个 Agent 同时解释需求、写实现、修改测试并宣布完成，测试很容易退化成 self-confirmation：贴合当前实现、提高 coverage，却没有辨别错误的能力。Gherkin 让人类审查外部行为；mutation testing 则通过主动改坏代码，检查 Agent 编写的测试是否真的会失败。

这套方法仍不能推出“通过测试等于正确”。测试只能验证已经写进规格的条件，无法证明需求完整，也难以独立覆盖架构退化、安全边界、并发、数据迁移和未知交互。高风险模块仍需要针对性 code review、威胁建模和生产护栏。代码生成吞吐上升后，质量控制从阅读每一行，转向维护一套独立、分层、难以被实现方共同操纵的验证系统。

核心问题：

如何让 agent 提交的代码，能在一个完善的保障体系下被持续地、安全地合并进 main。

完善的保障体系：

1. 代码静态检查

   • 各种 type check, lint
   • 使用 ruff 等工具检查函数复杂度，当复杂度超标时，lint pipeline 会跑挂

2. 单元测试

   • Review 的一个重点是关注 agent 写的测试
   • 小心 reward hacking：agent 改了业务代码，写了无效的测试等

3. 集成测试

   • 涉及外部依赖的，只能借助集成测试完成
   • 利用好这个安全网

4. 发布与风险控制

   • 使用 feature flag
   • 流量灰度
   • 快速发布等手段，控制风险，快速上线
   • 发布+反馈循环越快，质量越好

优化方向：

观察人工工作占比大的地方，逐渐优化。例如：代码合并后，让 agent 自行验证 API 是否正常工作，以及后续可以自行维护和执行自动化集成测试。

项目管理：Backlog/Tasks 文件夹化

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

backlog/tasks 本身也可以考虑用一个文件夹的形式放在项目库里，基于 git 来做项目管理。后续可以搞个 proactive agent，不断地扫描还未完成的任务，自动捞出来做。

团队协作、组织与职业变化

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

传统工作流程与组织方式在 AI coding 时代需要很大的变革。

传统工作流程的问题

产品研发流程问题：

• 产品经理收集需求→写 PRD→交给开发
• 产品对技术实现细节不了解，开发过程中出现未明确定义或逻辑冲突
• 重新拉会讨论、修改完善 PRD
• Alignment 非常耗时耗力，PRD 和代码都是不同角色的心血，有 ego 不愿意改变

研发环节问题：

• 区分前端、后端、测试、运维等不同角色
• 后端完成 API 设计→与前端同步→等待前端排期→联调→测试→部署
• 每一个环节交接都存在信息完整性、双方理解一致性、工作排期等问题

效率冲突放大：

• 如果某些岗位通过并行 agent 大大提升了效率，上述效率冲突会变得更显著
• 让多个角色都通过并行 agent 工作，但保留前后依赖流程，没有必要（人与人之间的 alignment 带宽没有变化）

闭环全栈开发

研发领域：

• 让一个人带领 agent 完成全栈的开发测试运维工作
• 不再需要多个角色之间的流程依赖和沟通交接
• 让一个人闭环从产品需求到开发上线，过程中想法变化调整都是"自己推翻自己"，难度大大降低

推广到非研发领域（例如销售）：

• 传统：销售→售前→实施→技术支持，每次交接面临信息完整性、理解一致性和排期依赖问题
• 未来：一个客户经理带领 agent，闭环从线索跟进、方案输出、项目交付到售后支持的全流程
• 客户问题不再在不同角色之间流转和衰减，而是在一个统一的上下文中被持续跟进和解决

人类员工分工边界的变化

从"我能做什么"转移到"我能判断什么"

核心论断： 一个人能够闭环的 scope 上限，就是他全链路 review 能力的边界。

这件事的发生，相比 agent 产品技术本身的变革来说，需要更多的时间。

推广 AI Coding 的有效方式

除了常规的给员工报销 AI 产品费用，组织分享培训外，比较有效果的方式：

1. Pair vibe coding

   • 比如 spec，review AI 的代码等
   • 不同人的理解方式非常不一样
   • 领域比较新，各个项目背景千差万别（业务场景、技术栈、复杂度、历史债务等）
   • 通过 pair coding 可能是最好的拉齐认知，互相学习促进的方式

2. 在小组内部尝试流程和组织形式的变革

   • 拥有新生产力的员工可能会很不适应原先的流程（业务反馈不够快、需求不够多、沟通与等待时间过长等）
   • 观念保守的员工可能在原有工作流程下不会觉得有任何问题
   • 管理者需要意识到这些变化，做一些主动设计

飞书 CodeM：AI Coding 从个人工具进入团队协作面

来源：飞书 CodeM 发布，AI Coding 正式迈入“团队协同”，公众号正文目前只抽取到视频页标题、作者与发布时间；结合飞书官方关于 Lark Coding Agent Bridge 与 飞书 CLI 的公开材料理解。

这条材料的价值不在于某个单点功能，而是一个产品方向信号：AI Coding 正在从“个人在 IDE / terminal 里和 agent 对话”，迁移到“团队协作系统里管理 agent 工作”。CodeM 这个名字本身可以先当作飞书对 AI Coding 协作入口的产品化尝试看待。

传统 coding agent 的主要摩擦是协作对象不在同一个工作面里：需求在群和文档里，任务状态在项目管理工具里，执行过程在 terminal / IDE 里，结果又要贴回群、文档、PR 或任务卡片。个人效率提升越大，团队层面的同步、验收、追踪和责任边界反而越容易成为新瓶颈。

飞书系产品的天然切入点是把 coding agent 接进协作底座：

• 入口协同：从群聊、话题、文档、任务、卡片中发起或追踪 coding agent，而不是只在本机 terminal 中操作。
• 过程可见：把 agent 的计划、进度、阻塞、结果和证据变成团队可读对象，减少截图、复制粘贴和口头同步。
• 人类 gate：代码生成之后，团队仍需要 review、权限确认、任务验收、发布确认；协作系统比纯 IDE 更适合承载这些 gate。
• 组织记忆：session、需求讨论、验收意见、复盘和文档可以沉淀在同一个协作空间里，便于后续成员接手。

更抽象地说，AI Coding 的下一阶段竞争点不是“模型会不会写代码”，而是 agent work 如何被组织接纳：谁能发起任务，谁能看到过程，谁能确认完成，失败证据在哪里，结果如何进入已有研发流程。个人 IDE / CLI 解决的是 developer-agent 带宽；飞书 CodeM 这类方向解决的是 team-agent 带宽。

对 LoopX / Agent Harness 的启发：不要只把 agent runtime 做成“更强的单人循环”，还要考虑团队协作层需要的状态对象：task ledger、progress stream、human gate、evidence refs、handoff note、review packet、release decision。团队协同不是把完整上下文共享给所有人，而是把关键状态、证据和决策点变成可订阅、可追踪、可验收的对象。

程序员的发展方向

> 来源：https://www.zhihu.com/question/1999136031413384196/answer/2009032881960424982

未来的工作重心会转向以下一些方向：

1. 对用户问题的深刻理解，并转化为 prompt，提供完整的 context

2. 品味与判断力：要很好地判断、指引 agent 的产出（所谓的品味），仍然需要对技术栈有全面的了解

3. 主观能动性：为了实现业务目标，能否每天想出 20 个高质量的任务交给 agent？

4. 提升效率：提升 agent 的工作效率（知识，skills 等），以及人与 agent 协同的效率

趋势变化：

• 很多传统的程序员技能重要程度都在快速降低，甚至不太需要"初级程序员"了
• 但另一方面，对于技术和架构方面的品味和判断力，又要求程序员积累大量的实战经验才能培养出来

乐观展望：

• 在 agent 的帮助下，做项目的速度大大加快了，所谓的经验积累也能得到加速
• 借助 AI 来做基于实战的学习变得前所未有的高效
• 只要对于软件的诉求在不断增长，相信程序员这个职业仍然能得到很好的发展

工程基础设施、工具生态与应用

度量与遥测

本机部署与开源模型

Tabby

• Tabby：https://tabby.tabbyml.com/

  • 全开源

  • 可以本机部署，也可以独立本地部署

  • 支持所有开源编程模型

  • 可以做RAG

• Tabby RAG

  • vim ~/.tabby/config.toml

  • # ~/.tabby/config.toml
    # Index three repositories' source code as additional context for code completion.
    
    [[repositories]]
    name = "tabby"
    git_url = "https://github.com/TabbyML/tabby.git" # 远程的git项目，但是如果没有代理很容易失败
    
    # git through ssh protocol.
    [[repositories]]
    name = "CTranslate2"
    git_url = "git@github.com:OpenNMT/CTranslate2.git"
    
    # local directory is also supported!
    [[repositories]]
    name = "Dify"
    # 你自己下载下来本地的项目， 如果你的项目目录是 /home/xiaoming/Code/Dify
    git_url = "file:///home/xiaoming/Code/Dify"
    

• Tabby使用非官方指定的更大尺寸Code Model

开源编程大模型

• Code Llama - Meta 出品，可能是开源中最强的 （7B、13B、34B、70B）
• DeepSeek-Coder - 深度探索公司出品（1B、5.7B、6.7B、33B）
• CodeGemma - Google 出品（2B、7B）

强 Agent 产品实验：自动编写代码的机器人

• Agent 的落地难题

  • Agent 落地需要两个条件：
    • LLM 能力足够强（GPT-4 也不够）
    • 使用场景足够窄（某种框架、某种小需求）
  • GPT-5 没面世之前，别再相信类似 Devin 的媒体渲染了

• MetaGPT：多智能体元编程框架

  • https://github.com/geekan/MetaGPT
  • 它不只写代码，而且写文档、画图。详见讲座课里 MetaGPT 核心工程师的分享。
  • 核心 prompts：https://github.com/geekan/MetaGPT/tree/main/metagpt/prompts
  • 评价：
    • 让 agent 模拟岗位这个思路挺有意思。未来的公司就是人和 agent 混合的，这样的系统架构更匹配公司治理
    • 所以 MetaGPT 其实是个多 Agent 开发框架，而不是单纯的编程工具

• GPT Engineer

  • https://github.com/AntonOsika/gpt-engineer
  • 指定您想要它构建的内容，AI 会要求澄清，然后构建它。
  • 核心 prompts：https://github.com/AntonOsika/gpt-engineer/tree/main/gpt_engineer/preprompts
  • 有个专门开发 Web App 的，可用性好一些：https://gptengineer.app/
  • 只需三步操作：

pip install gpt-engineer

vim prompt

gpt-engineer .

• Devin

  • 主页：https://www.cognition-labs.com/introducing-devin
  • 首个AI程序员造假被抓，Devin再次"震撼"硅谷！扒皮详解附上 - 量子位的文章 - 知乎 https://zhuanlan.zhihu.com/p/692393890

• MAGE - GPT Web App Generator

  • 主页：https://usemage.ai/
  • 源代码：https://github.com/wasp-lang/wasp
  • 用 Wasp, React, Node.js 和 Prisma 生成全栈 Web 应用程序。
    • 纯在线操作，跟着提示下载到本地执行。
  • 核心 prompts：https://github.com/wasp-lang/wasp/blob/main/waspc/src/Wasp/AI/GenerateNewProject/Operation.hs
  • 一句话评价：限定了技术栈，用参数做配置，提供框架代码，成品率更高。各种框架都该效仿。

• v0

  • 主页：https://v0.dev/
  • 提需求或传图，生成 React 前端代码
  • 一句话评价：一定程度可以代替设计师。可以对话式修改设计

• GitHub Copilot Workspace

  • 主页：https://githubnext.com/projects/copilot-workspace
  • 技术预览版，申请使用权需要排队
  • 工作流程：
    • 从 issue 出发，在 issue 的上下文里工作
    • 分析 issue，形成计划，人工调整、确认
    • 执行计划，生成代码
    • 人工审核、修改代码后，直接提 pull request

其他工具

1. Tongyi Lingma -- 代码补全，免费。阿里云相关。
2. CodeGeeX -- 清华智谱制造，CodeGeeX 3 Pro 免费可用
3. Comate -- 百度制造，有免费试用版
4. Bito - 比 Copilot 还多些创新
5. DevChat -- 前端开源，同时卖 GPT 服务
6. Cursor - AI first 的 IDE
7. Tabnine - 代码补全，个人基础版免费
8. Amazon CodeWhisperer - 代码补全，免费。AWS 相关的编程能力卓越。其它凑合

应用场景与案例

• 提效落地场景：

  • 市场调研
  • 需求分析
  • PRD 撰写
  • 图形元素绘制
  • 技术选型
  • 从需求文本生成代码
  • 代码审查
  • 编写测试用例
  • 运维
  • 产品：写用户故事
  • 从设计图生成代码
  • API 文档调用
  • 协议解析
  • 跨语言迁移：两周的时间，2 名同事将 40 个 API 接口的 go 工程迁移成 Java 工程
  • 解读遗留代码

• gpt-4-chatall 演示用GPT-4创建应用框架

背单词 App

LlamaIndex

Intro

「 LlamaIndex is a framework for building context-augmented LLM applications. Context augmentation refers to any use case that applies LLMs on top of your private or domain-specific data. 」

• LlamaIndex 是一个为开发「上下文增强」的大语言模型应用的框架（也就是SDK）。上下文增强，泛指任何在私有或特定领域数据基础上应用大语言模型的情况。例如：

  • Question-Answering Chatbots (RAG)

  • Document Understanding and Extraction （文档理解与信息抽取）

  • Autonomous Agents that can perform research and take actions （智能体应用）

• LlamaIndex 有 Python 和 Typescript 两个版本，Python 版的文档相对更完善。

  • Examples: https://docs.llamaindex.ai/en/stable/examples/

  • Github: https://github.com/run-llama

  • Python 文档地址：https://docs.llamaindex.ai/en/stable/

  • Python API 接口文档：https://docs.llamaindex.ai/en/stable/api_reference/

  • TS 文档地址：https://ts.llamaindex.ai/

  • TS API 接口文档：https://ts.llamaindex.ai/api/

• 大语言模型开发框架的价值是什么？

  • 所有开发框架（SDK）的核心价值，都是降低开发、维护成本。

  • 大语言模型开发框架的价值，是让开发者可以更方便地开发基于大语言模型的应用。主要提供两类帮助：

    1. 第三方能力抽象。比如 LLM、向量数据库、搜索接口等
    2. 常用工具、方案封装
    3. 底层实现封装。比如流式接口、超时重连、异步与并行等

  • 好的开发框架，需要具备以下特点：

    1. 可靠性、鲁棒性高
    2. 可维护性高
    3. 可扩展性高
    4. 学习成本低

  • 例子：

    • 与外部功能解依赖
      • 比如可以随意更换 LLM 而不用大量重构代码
      • 更换三方工具也同理
    • 经常变的部分要在外部维护而不是放在代码里
      • 比如 Prompt 模板
    • 各种环境下都适用
      • 比如线程安全
    • 方便调试和测试

• Note：

  • SemanticKernel（Microsoft）稳定性不行
  • sdk和api的区别：https://aws.amazon.com/cn/compare/the-difference-between-sdk-and-api/

环境配置

pip install llama-index

Data Loader

• SimpleDirectoryReader
  • .csv - comma-separated values
  • .docx - Microsoft Word
  • .epub - EPUB ebook format
  • .hwp - Hangul Word Processor
  • .ipynb - Jupyter Notebook
  • .jpeg, .jpg - JPEG image 只加载图片metadata
  • .mbox - MBOX email archive
  • .md - Markdown
  • .mp3, .mp4 - audio and video
  • .pdf - Portable Document Format
  • .png - Portable Network Graphics
  • .ppt, .pptm, .pptx - Microsoft PowerPoint

import json
from pydantic.v1 import BaseModel

def show_json(data):
    if isinstance(data, str):
        obj = json.loads(data)
        print(json.dumps(obj, indent=4))
    elif isinstance(data, dict) or isinstance(data, list):
        print(json.dumps(data, indent=4))
    elif issubclass(type(data), BaseModel):
        print(json.dumps(data.dict(), indent=4, ensure_ascii=False))

def show_list_obj(data):
    if isinstance(data, list):
        for item in data:
            show_json(item)
    else:
        raise ValueError("Input is not a list")

• 提取图像视频语音要用data connector
• 加载pdf：
  • 还有 SmartPDFLoader 和 LlamaParse

from llama_index.readers.file import PyMuPDFReader
file_extractor={".pdf": PyMuPDFReader()} # 指定特定的文件加载器

• Data Connectors
  • 加载feishu doc
    • https://open.larkoffice.com/app 创建应用申请文档权限
  • 更多 Data Connectors
    • 内置的文件加载器
    • 连接三方服务的数据加载器，例如数据库
    • 更多加载器可以在 LlamaHub 上找到

from llama_index.readers.feishu_docs import FeishuDocsReader

# 见说明文档
app_id = ""
app_secret = ""

# https://agiclass.feishu.cn/docx/FULadzkWmovlfkxSgLPcE4oWnPf
# 链接最后的 "FULadzkWmovlfkxSgLPcE4oWnPf" 为文档 ID
doc_ids = ["FULadzkWmovlfkxSgLPcE4oWnPf"]

# 定义飞书文档加载器
loader = FeishuDocsReader(app_id, app_secret)

# 加载文档
documents = loader.load_data(document_ids=doc_ids)

# 显示前1000字符
print(documents[0].text[:1000])

Chunking

• Intro

  • 为方便检索，我们通常把 Document 切分为 Node。
  • 在 LlamaIndex 中，Node 被定义为一个文本的「chunk」。

• 使用 TextSplitters 对文本做切分

  • 细节：node内部存储了"relationships"，前后的node
  • LlamaIndex 提供了丰富的 TextSplitter，例如：
    • SentenceSplitter：在切分指定长度的 chunk 同时尽量保证句子边界不被切断；
    • CodeSplitter：根据 AST（编译器的抽象句法树）切分代码，保证代码功能片段完整；
    • SemanticSplitterNodeParser：根据语义相关性对将文本切分为片段。

from llama_index.core import Document
from llama_index.core.node_parser import TokenTextSplitter

node_parser = TokenTextSplitter(
    chunk_size=100,  # 每个 chunk 的最大长度
    chunk_overlap=50  # chunk 之间重叠长度
)

nodes = node_parser.get_nodes_from_documents(
    documents, show_progress=False
)

• 使用 NodeParsers 对有结构的文档做解析
  • HTMLNodeParser，JSONNodeParser

from llama_index.readers.file import FlatReader
from llama_index.core.node_parser import MarkdownNodeParser
from pathlib import Path

md_docs = FlatReader().load_data(Path("./data/ChatALL.md"))
parser = MarkdownNodeParser()
nodes = parser.get_nodes_from_documents(md_docs)

Indexing and Retrieval

• 向量检索
  • LlamaIndex 默认的 Embedding 模型是 OpenAIEmbedding(model="text-embedding-ada-002")
  • 使用自定义的 Vector Store，以 Chroma 为例
  • 关键字检索
    • BM25Retriever：基于 tokenizer 实现的 BM25 经典检索算法
    • KeywordTableGPTRetriever：使用 GPT 提取检索关键字
    • KeywordTableSimpleRetriever：使用正则表达式提取检索关键字
    • KeywordTableRAKERetriever：使用RAKE算法提取检索关键字（有语言限制）
  • RAG-Fusion QueryFusionRetriever
  • 还支持 KnowledgeGraph、SQL、Text-to-SQL 等等

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import TokenTextSplitter
from llama_index.readers.file import PyMuPDFReader

documents = SimpleDirectoryReader(
    "./data",
    required_exts=[".pdf"],
    file_extractor={".pdf": PyMuPDFReader()}
).load_data()

node_parser = TokenTextSplitter(chunk_size=300, chunk_overlap=100)

nodes = node_parser.get_nodes_from_documents(documents)

index = VectorStoreIndex(nodes)

vector_retriever = index.as_retriever(
    similarity_top_k=2 # 返回前两个结果
)

results = vector_retriever.retrieve("Llama2有多少参数")

show_list_obj(results)

# !pip install llama-index-vector-stores-chroma
import os
__import__('pysqlite3')
import sys
sys.modules['sqlite3']= sys.modules.pop('pysqlite3')

import chromadb
from chromadb.config import Settings

# EphemeralClient 在内存创建；如果需要存盘，可以使用 PersistentClient
chroma_client = chromadb.EphemeralClient(settings=Settings(allow_reset=True))

from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core import VectorStoreIndex
from llama_index.core import StorageContext

chroma_client.reset() # for demo
chroma_collection = chroma_client.create_collection("demo")

vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex(nodes, storage_context=storage_context)

vector_retriever = index.as_retriever(similarity_top_k=2)
results = vector_retriever.retrieve("Llama2有多少参数")

show_list_obj(results)

• Ingestion Pipeline 自定义数据处理流程
  • LlamaIndex 通过 Transformations 定义一个数据（Documents）的多步处理的流程（Pipeline）。
  • 这个 Pipeline 的一个显著特点是，它的每个子步骤是可以cache的，即如果该子步骤的输入与处理方法不变，重复调用时会直接从缓存中获取结果，而无需重新执行该子步骤，这样即节省时间也会节省 token （如果子步骤涉及大模型调用）。
  • pipeline.persist("./pipeline_storage")
  • 也可以用远程的 Redis 或 MongoDB 等存储 IngestionPipeline 的缓存，具体参考官方文档：Remote Cache Management。
  • IngestionPipeline 也支持异步和并发调用，请参考官方文档：Async Support、Parallel Processing。

from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core import StorageContext
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.extractors import TitleExtractor
from llama_index.core.ingestion import IngestionPipeline
from llama_index.core import VectorStoreIndex
from llama_index.readers.file import PyMuPDFReader
import nest_asyncio
nest_asyncio.apply() # 只在Jupyter笔记环境中需要此操作，否则会报错

chroma_client.reset() # for demo
chroma_collection = chroma_client.create_collection("ingestion_demo")

vector_store = ChromaVectorStore(chroma_collection=chroma_collection)

pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=300, chunk_overlap=0), # 按句子切分
        TitleExtractor(), # 利用 LLM 对文本生成标题
        OpenAIEmbedding(), # 将文本向量化
    ],
    vector_store=vector_store,
)

documents = SimpleDirectoryReader(
    "./data",
    required_exts=[".pdf"],
    file_extractor={".pdf": PyMuPDFReader()}
).load_data()

with Timer():
    pipeline.run(documents=documents)

index = VectorStoreIndex.from_vector_store(vector_store)
vector_retriever = index.as_retriever(similarity_top_k=1)
results = vector_retriever.retrieve("Llama2有多少参数")

show_list_obj(results[:1])

pipeline.persist("./pipeline_storage")
new_pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=300, chunk_overlap=0),
        TitleExtractor(),
        OpenAIEmbedding()
    ],
)

new_pipeline.load("./pipeline_storage")

with Timer():
    nodes = new_pipeline.run(documents=documents)

Rerank

• Node Postprocessor Modules

from llama_index.core.postprocessor import SentenceTransformerRerank

# 检索后排序模型
postprocessor = SentenceTransformerRerank(
    model="BAAI/bge-reranker-large", top_n=2
)

nodes = postprocessor.postprocess_nodes(nodes, query_str="Llama2 能商用吗?")

for i, node in enumerate(nodes):
    print(f"[{i}] {node.text}")

QA & Chat

• 能力
  • 单轮、流式、多轮

qa_engine = index.as_query_engine()
response = qa_engine.query("Llama2 有多少参数?")

print(response)

qa_engine = index.as_query_engine(streaming=True)
response = qa_engine.query("Llama2 有多少参数?")
response.print_response_stream()

chat_engine = index.as_chat_engine()
response = chat_engine.chat("Llama2 有多少参数?")
print(response)

response = chat_engine.chat("How many at most?")
print(response)

chat_engine = index.as_chat_engine()
streaming_response = chat_engine.stream_chat("Llama 2有多少参数?")
for token in streaming_response.response_gen:
    print(token, end="")

底层接口：Prompt、LLM 与 Embedding

• Available LLM integrations
• https://docs.llamaindex.ai/en/stable/module_guides/models/embeddings/

from llama_index.core import PromptTemplate

prompt = PromptTemplate("写一个关于{topic}的笑话")

prompt.format(topic="小明")


from llama_index.core.llms import ChatMessage, MessageRole
from llama_index.core import ChatPromptTemplate

chat_text_qa_msgs = [
    ChatMessage(
        role=MessageRole.SYSTEM,
        content="你叫{name}，你必须根据用户提供的上下文回答问题。",
    ),
    ChatMessage(
        role=MessageRole.USER,
        content=(
            "已知上下文：\n" \
            "{context}\n\n" \
            "问题：{question}"
        )
    ),
]
text_qa_template = ChatPromptTemplate(chat_text_qa_msgs)

print(
    text_qa_template.format(
        name="瓜瓜",
        context="这是一个测试",
        question="这是什么"
    )
)


from llama_index.llms.openai import OpenAI

llm = OpenAI(temperature=0, model="gpt-4o")

response = llm.complete(prompt.format(topic="小明"))

print(response.text)

response = llm.complete(
    text_qa_template.format(
        name="瓜瓜",
        context="这是一个测试",
        question="你是谁，我们在干嘛"
    )
)

print(response.text)

# 设置全局LLM
from llama_index.core import Settings
Settings.llm = OpenAI(temperature=0, model="gpt-4o")

from llama_index.embeddings.openai import OpenAIEmbedding
# 全局设定
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small", dimensions=512)

高阶功能

• 智能体（Agent）开发框架：https://docs.llamaindex.ai/en/stable/module_guides/deploying/agents/
• RAG 的评测：https://docs.llamaindex.ai/en/stable/module_guides/evaluating/
• 过程监控：https://docs.llamaindex.ai/en/stable/module_guides/observability/
• 生产级Advanced Topics

Examples

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)

query_engine = index.as_query_engine()

response = query_engine.query("llama2有多少参数")
print(response)

基于llamaIndex的RAG系统

• 功能
  • 加载指定目录的文件
  • 支持 RAG-Fusion
  • 使用 ChromaDB 向量数据库，并持久化到本地
  • 支持检索后排序
  • 支持多轮对话

import chromadb

chroma_client = chromadb.PersistentClient(path="./chroma_db")

from llama_index.core import VectorStoreIndex, KeywordTableIndex, SimpleDirectoryReader
from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.ingestion import IngestionPipeline
from llama_index.readers.file import PyMuPDFReader
from llama_index.core import Settings
from llama_index.core import StorageContext
from llama_index.core.postprocessor import SentenceTransformerRerank
from llama_index.core.retrievers import QueryFusionRetriever
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core.chat_engine import CondenseQuestionChatEngine
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding
import time
import nest_asyncio
nest_asyncio.apply() # 只在Jupyter笔记环境中需要此操作，否则会报错

# 1. 指定全局llm与embedding模型
Settings.llm = OpenAI(temperature=0, model="gpt-4o")
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small", dimensions=512)
# 2. 指定全局文档处理的 Ingestion Pipeline
Settings.transformations = [SentenceSplitter(chunk_size=300, chunk_overlap=100)]

# 3. 加载本地文档
documents = SimpleDirectoryReader("./data", file_extractor={".pdf": PyMuPDFReader()}).load_data()

# 4. 新建 collection
collection_name = hex(int(time.time()))
chroma_collection = chroma_client.get_or_create_collection(collection_name)

# 5. 创建 Vector Store
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
# 6. 指定 Vector Store 的 Storage 用于 index
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(
    documents, storage_context=storage_context
)

# 7. 定义检索后排序模型
reranker = SentenceTransformerRerank(
    model="BAAI/bge-reranker-large", top_n=2
)

# 8. 定义 RAG Fusion 检索器
fusion_retriever = QueryFusionRetriever(
    [index.as_retriever()],
    similarity_top_k=5, # 检索召回 top k 结果
    num_queries=3,  # 生成 query 数
    use_async=True,
    # query_gen_prompt="...",  # 可以自定义 query 生成的 prompt 模板
)

# 9. 构建单轮 query engine
query_engine = RetrieverQueryEngine.from_args(
    fusion_retriever,
    node_postprocessors=[reranker]
)

# 10. 对话引擎
chat_engine = CondenseQuestionChatEngine.from_defaults(
    query_engine=query_engine,
    # condense_question_prompt=... # 可以自定义 chat message prompt 模板
)

while True:
    question=input("User:")
    if question.strip() == "":
        break
    response = chat_engine.chat(question)
    print(f"AI: {response}")

LangChain

https://python.langchain.com/docs/concepts/

• 功能模块：https://python.langchain.com/docs/get_started/introduction
• API 文档：https://api.python.langchain.com/en/latest/langchain_api_reference.html
• 三方组件集成：https://python.langchain.com/docs/integrations/platforms/
• 官方应用案例：https://python.langchain.com/docs/use_cases
• 调试部署等指导：https://python.langchain.com/docs/guides/debugging
• LangChain.js

Intro

• 介绍
  • 面向大模型的开发框架
  • 简单实现复杂功能的AI应用
  • 多组件封装
  • 为什么都放弃了LangChain？
    • 优点：
      • 开箱即用的可视化日志
      • Prompt playground，可以立即从日志中修复 Prompt，并查看它在相同输入下的表现
      • 可直接从日志轻松构建测试数据集，并可选择一键运行
      • Prompt 中的简单测试集
      • 测试分数历史
      • Prompt 版本控制
      • 对整个链的流式传输提供了很好的支持
• 向大模型输入知识块，大模型结合外部数据
• Note：
  • 使用 LangChain 要注意维护自己的 Prompt，尽量 Prompt 与代码逻辑解依赖

I/O Module

• I/O模块：
  • 多轮对话 Session 封装
  • 模型
    • LLM: from langchain.llms import OpenAI
    • ChatModel
  • Format: PromptTemplate
  • Output parsers
• Output parser
  • ListParser
  • DatetimeParser
  • EnumParser
  • JsonOutputParser
  • PydanticParser
  • XMLParser
  • OutputFixingParser

Data Connector

https://python.langchain.com/docs/integrations/vectorstores

• data connection
  • LangChain 的 PDFLoader 和 TextSplitter 实现都比较粗糙，实际生产中不建议使用。
  • source
  • load
    • from langchain.document_loaders import PyPDFLoader, PyMuPDFLoader
  • transform
    • Splitter
    • Translate
  • embed: 模型只认识feature
  • vector store
    • FAISS
  • retrieve

记忆封装：Memory

• memory
  • 针对多轮对话强相关
  • Note: load_memory_variables()需要填参数{}
  • ConversationBufferWindowMemory
  • ConversationSummaryMemory

Chain & LangChain Expression Language (LCEL)

https://python.langchain.com/docs/concepts/lcel/

Examples: https://python.langchain.com/docs/how_to/#langchain-expression-language-lcel

• LangChain Expression Language（LCEL）是一种声明式语言，可轻松组合不同的调用顺序构成 Chain。LCEL 自创立之初就被设计为能够支持将原型投入生产环境，无需代码更改，从最简单的"提示+LLM"链到最复杂的链（已有用户成功在生产环境中运行包含数百个步骤的 LCEL Chain）。

• LCEL 的一些亮点包括：

  1. 流支持：使用 LCEL 构建 Chain 时，你可以获得最佳的TTFT。

  2. 异步支持

  3. 优化的并行执行

  4. 重试和回退

  5. 访问中间结果

  6. 输入和输出模式：Pydantic 和 JSONSchema 模式。这可以用于输入和输出的验证，是 LangServe 的一个组成部分。

  7. 无缝 LangSmith 跟踪集成：随着链条变得越来越复杂，理解每一步发生了什么变得越来越重要。通过 LCEL，所有步骤都自动记录到 LangSmith，以实现最大的可观察性和可调试性。

  8. 无缝 LangServe 部署集成：任何使用 LCEL 创建的链都可以轻松地使用 LangServe 进行部署。

• Pipeline 式调用 PromptTemplate, LLM 和 OutputParser

runnable = (
    {"text": RunnablePassthrough()} | prompt | model | StrOutputParser()
)

LangChain 构造 Agent

• Langchain-agent.py

LangServe

• LangServe 用于将 Chain 或者 Runnable 部署成一个 REST API 服务。

LangChain v.s. LlamaIndex

• LangChain 侧重与 LLM 本身交互的封装
  • Prompt、LLM、Memory、OutputParser 等工具丰富
  • 在数据处理和 RAG 方面提供的工具相对粗糙
  • 主打 LCEL 流程封装
  • 配套 Agent、LangGraph 等智能体与工作流工具
  • 另有 LangServe 部署工具和 LangSmith 监控调试工具
• LlamaIndex 侧重与数据交互的封装
  • 数据加载、切割、索引、检索、排序等相关工具丰富
  • Prompt、LLM 等底层封装相对单薄
  • 配套实现 RAG 相关工具
  • 有 Agent 相关工具，不突出

LLM 应用开发工具链

Intro

• 各种指标监控与统计：访问记录、响应时长、Token 用量、计费等等
• 调试 Prompt
• 测试/验证系统的相关评估指标数据集管理（便于回归测试）
• Prompt 版本管理（便于升级/回滚）

LangFuse

https://langfuse.com/

https://github.com/langfuse

• 开源 + SaaS（免费/付费），LangSmith 平替，可集成 LangChain 也可直接对接 OpenAI API；
• Trace 一般表示用户与系统的一次交互，其中记录输入、输出，也包括自定义的 metadata 比如用户名、session id 等；
  • 一个 trace 内部可以包含多个子过程，这里叫 observarions；
  • Observation 可以是多个类型：
    • Event 是最基本的单元，用于记录一个 trace 中的每个事件；
    • Span 表一个 trace 中的一个"耗时"的过程；
    • Generation 是用于记录与 AI 模型交互的 span，例如：调用 embedding 模型、调用 LLM。
  • Observation 可以嵌套使用。

• 基本使用
  • observe
  • 通过 langfuse_context 记录 User ID、Metadata 等
  • 通过 LangChain 的回调集成
  • 用 Session 记录一个用户的多轮对话
• 数据集和评测
  • 模型评估：https://langfuse.com/docs/scores/model-based-evals

• Prompt 版本管理

LangSmith

平台入口：https://www.langchain.com/langsmith

文档地址：https://python.langchain.com/docs/langsmith/walkthrough

• LangChain 的官方平台，SaaS 服务（免费/付费），非开源，企业版支持私有部署；
• LLM Eval: https://docs.smith.langchain.com/evaluation/concepts#heuristic

PromptFlow

• 微软开发，开源 + Azure AI 云服务，可集成 Semantic Kernel（但貌合神离）。

LLM 应用 Workflow

Intro

Anthropic: Building effective agents

• Consistently, the most successful implementations weren't using complex frameworks or specialized libraries. Instead, they were building with simple, composable patterns.

• Agent和workflow

  • Workflows are systems where LLMs and tools are orchestrated through predefined code paths.
    • offer predictability and consistency for well-defined tasks
  • Agents, on the other hand, are systems where LLMs dynamically direct their own processes and tool usage, maintaining control over how they accomplish tasks.
    • better when flexibility and model-driven decision-making are needed at scale
  • 迭代思路：
    • 先用Workflow解决有限个场景的问题
    • 基于Workflow的迭代经验和观察，抽象出Workflow中不确定性最强（not well-defined) 的问题
    • 用Agent解决Scalable场景中的上述问题

• 关于Agent框架

  • LangGraph等框架，引入抽象增加了复杂度
  • We suggest that developers start by using LLM APIs directly
  • 参考 https://github.com/anthropics/anthropic-cookbook/blob/main/patterns/agents/README.md

• Building blocks, workflows, and agents

  • Building block: The augmented LLM
    • 介绍了MCP Protocol，没看懂
    • 
  • Workflow: Prompt chaining
    • 
    • When to use this workflow: This workflow is ideal for situations where the task can be easily and cleanly decomposed into fixed subtasks. The main goal is to trade off latency for higher accuracy, by making each LLM call an easier task.
    • e.g. query改写->检索->生成答案
  • Workflow: Routing
    • 
    • When to use this workflow: Routing works well for complex tasks where there are distinct categories that are better handled separately, and where classification can be handled accurately, either by an LLM or a more traditional classification model/algorithm.
    • e.g.
      • 意图识别&不同的解决路径
      • 难度识别&不同能力的模型
  • Workflow: Parallelization
    • 
    • When to use this workflow: Parallelization is effective when the divided subtasks can be parallelized for speed, or when multiple perspectives or attempts are needed for higher confidence results. For complex tasks with multiple considerations, LLMs generally perform better when each consideration is handled by a separate LLM call, allowing focused attention on each specific aspect.
  • Workflow: Orchestrator-workers
    • 
    • When to use this workflow: This workflow is well-suited for complex tasks where you can't predict the subtasks needed (in coding, for example, the number of files that need to be changed and the nature of the change in each file likely depend on the task). Whereas it's topographically similar, the key difference from parallelization is its flexibility-subtasks aren't pre-defined, but determined by the orchestrator based on the specific input.
    • 应用：多数据源、coding task多文件
  • Workflow: Evaluator-optimizer
    • 
    • When to use this workflow: This workflow is particularly effective when we have clear evaluation criteria, and when iterative refinement provides measurable value. The two signs of good fit are, first, that LLM responses can be demonstrably improved when a human articulates their feedback; and second, that the LLM can provide such feedback. This is analogous to the iterative writing process a human writer might go through when producing a polished document.
      • 本质：判断比生成简单的任务
      • 应用：翻译、深度搜索
  • Agent：见「Agent」章节
  • Combining and customizing these patterns
    • The key to success, as with any LLM features, is measuring performance and iterating on implementations. To repeat: you should consider adding complexity only when it demonstrably improves outcomes.
    • Success in the LLM space isn't about building the most sophisticated system. It's about building the right system for your needs.
  • try to follow three core principles:
    • Maintain simplicity in your agent's design.
    • Prioritize transparency by explicitly showing the agent's planning steps.
    • Carefully craft your agent-computer interface (ACI) through thorough tool documentation and testing.

哪些因素会影响大模型应用的效果？

• 模型能力（智力）
  • 通识理解和泛化能力
  • 输入信息理解、推理、规划能力
  • 输入信息补充知识学习能力
  • 文字生成创作的风格
• 相关信息（知识）
  • 与任务相关的信息
  • 与互动背景相关的信息
• 模型输出控制（行动方法）
  • 单次请求控制
    • Prompt表达优化
    • 以CoT为代表的思维链控制方法
    • 输出格式控制（文本格式语法、工程结构化数据输出…）
  • 多次请求控制
    • 以ReAct（Action-Observation-Reflection）为代表的多轮自我反思优化
    • 复杂任务的执行过程编排管理

单次请求的局限性

• 上下文窗口长度限制、输出长度限制（早期的LangChain长文本Summarize）
• 直接进行CoT控制（尤其是用自然语言表达CoT）会输出思考过程，但我们不希望用户看到这个过程
• 随着工作进展出现的新信息，对任务时序、编排有依赖的信息，不一定能在单次请求中一次性完成输入

工作流的优势

• 将工作任务拆分成多个工作节点
• 能够将模型单次请求调用视作一个工作节点
• 能够灵活将其他代码逻辑也写入工作节点
• 能够对工作节点进行任务编排
• 能够在工作节点之间进行数据传递

应用场景

• 给定顺序SOP编排
• ReAct循环
• 多Agent协作

工作流分析

• 工作流基本要素
  • 🟩 工作块/工作节点
  • 🔀 连接关系
    • 普通连接
    • 条件连接
  • 📡 数据通讯
    • 块间数据传递
    • 工作流内数据传递

• 需求特性

  • 💫 能够成环

    以支持在特定工作环（多步工作）中反复尝试，尝试结果不符合预期可以回到第一步重试

  • 🛜 能够按条件分发

    以支持意图识别、路径规划、工具选择、多agent路由等场景中，根据推理结果进入不同的下游工作流，同时也能支持符合特定条件后跳出环

  • ⏭️ 能够多分支并行执行并在终点被等待

    以支持面对复杂任务时，能够发起不同分支从不同处理角度/用不同处理方式对任务进行处理

  • 📋 能够对列表型数据进行拆分处理并回收处理结果

    例如生成行动清单、提纲等列表性质的结果后，根据列表项进行逐项处理，或执行类似Map-Reduce的逻辑

  • 📡 可在工作流中进行复杂通讯：

    • 🛰️ 使用全局环境数据通讯

      工作流相当于提供了一个复杂的沙盒环境，沙盒环境中的全局环境数据会影响工作流运行状态，并存储工作流运行过程中的过程数据和最终成果

    • 📨 工作块间运行上下游通讯

      在复杂工作流中，如果所有的数据都使用全局环境数据通讯，尤其是在不同工作块中对同一个键指向的数据进行操作时，会因为对运行时序的判断困难而导致数据管理混乱，这时候，需要通过块间数据传递来确保数据变化与运行时序期望一致，用大白话说，就是确保"块2"能够正确使用它的前一个块"块1"生成的数据进行工作。

Workflow的优化

• 一个基础假设：
  • 强能力LLM模型（doubao-1.5）解决不好的问题，基于这些问题设计的优化手段，对未来更强能力的LLM模型（doubao-2、doubao-3），也可能具备关键的优化作用
• LLM类比人，人解决不好的问题，可能是问题抽象不合理、关键信息不到位
• 本质上AI应用的优化，是合理化问题抽象、补充关键信息

LangGraph

Agently

https://github.com/Maplemx/Agently https://agently.cn/guides/workflow/index.html

Examples

• langgraph-translation-agent.py

• agently-workflow.py

• 故事创作

  • 

• 每日新闻生成 https://github.com/AgentEra/Agently-Daily-News-Collector

端侧LLM

• 端侧AI相关 https://mp.weixin.qq.com/s/hGjeOL9iWTE3q_7jpUjasw
  • 端侧LLM性能瓶颈，不是算力，而是内存速度。
    • 每生成一个token需要把模型在内存中读出一遍，10-15tops算力即可实现7b 10token/s以上的推理速度，功耗也远低于手游，所以无需担心H端侧。
    • 目前手机最快大概也就是LPDDR5T，9600MT/S，折合76.8 GB/s，理论最高能实现7b int4 下20 token/s，或14b int4下10token/s的输出。
    • 存量手机大多内存带宽在40-60GB/s。

Potpourri

Llya访谈系列

• 访谈系列·E01S01｜AI大神Ilya访谈揭秘GPT-4成功背后的关键，20年如一日的AGI坚守终惊艳世界

• 访谈系列·E02S01｜llya的AGI信念：为伊消得人憔悴，十年终迎GPT震撼崛起

  • OpenAI的核心理念
    • 无监督学习的一种路径是通过数据压缩实现（unsupervised learning through compression）
      • 2017年论文，发现神经元能学到情感的解耦特征
    • 强化学习（reinforcement learning）包括游戏对抗学习和人类反馈学习
  • transformer为什么成功？
    • gpu易于计算attention
    • 非RNN结构
  • 双下降现象
    • https://zhuanlan.zhihu.com/p/96739930

• 访谈系列·E03S01｜GPT-4成功背后灵魂人物Ilya访谈解读--从预训练模型到可靠可用AGI

  • AGI是否有意识？
    • 你无法分辨出这是机器智能自己的意识还是它学习了有关意识的人类文本内容后模仿的意识
  • 当我们训练大型神经网络以准确预测互联网上大量不同文本的下一个词时，实际上我们正在学习一个世界模型。从表面上看，神经网络只是在学习文本中的统计相关性，但实际上，学习统计相关性就可以将知识压缩得很好。神经网络学习的是在生成文本过程中的某些表达，因为文本只是这个世界的一种映射，所以神经网络学习了这个世界的许多方面的知识。
  • 这就是它在准确预测下一个词的任务中学到的内容。对下一个词的预测越准确，还原度就越高，所以你看到的文本的准确度就越高。这就是ChatGPT模型在预训练阶段所做的，它尽可能多地从世界的映射（也就是文本）中学习关于世界的知识。
  • 但这并不能说明（预训练后的）神经网络会表现出人类希望它表现的行为，这需要第二阶段的微调、人类反馈的强化学习（RLHF）以及其他形式的AI系统的协助。这个阶段做得越好，神经网络就越有用、可靠。
  • 多模态非必要，但绝对有用
  • 预测具有不确定性的高维向量：给定某书中的一页，预测下一页

有趣的使用例子

宗教

• 如果你穿越到中世纪，并希望利用现代人的知识优势创立自己的宗教并招揽一百名以上的信徒，你可以通过以下步骤来实现这个目标：

  第一步：了解历史背景和文化环境

  在开始你的计划之前，首先需要对中世纪的文化、宗教信仰和社会结构有深入的了解。中世纪欧洲以基督教为主导宗教，教会在政治、经济和文化上都有极大的影响力。了解当地民俗、语言和宗教习惯对于之后的步骤至关重要。

  第二步：确立宗教理念和教义

  根据你对中世纪社会结构和文化的了解，你需要创立一套具有吸引力的宗教理念。这套理念需要与当地居民的生活紧密相关，能解答他们的生活烦恼或提供精神慰藉。例如，你可以提出一种强调平等和共享的教义，这在贫富差距悬殊的中世纪可能具有很大的吸引力。

  第三步：展示奇迹和智慧

  利用现代科学知诒使你在中世纪具有巨大的优势。你可以利用基本的科学原理来"创造"一些看似奇迹的事情，例如使用镜子和放大镜制造"焦点火"，或是利用简单的化学反应来制作烟雾和彩色火焰，这些看似神迹的行为可以有效增加你的说服力。

  第四步：建立信仰共同体

  成功展示了一系列"神迹"之后，你需要开始组织聚会，传播你的教义。可以选择一个容易接近的地点，定期进行聚会，通过口头教学和直接的交流方式来吸引更多的追随者。在教义中融入一些当地人容易接受的元素，例如对圣人的尊重、强调家庭和社区的重要性等。

  第五步：建立教规和仪式

  人们通常对有组织的宗教团体感到信任。制定一些简单的宗教仪式和教规，如特定的祷告方式、节日庆典等，这能增强信徒间的凝聚力，同时也助于形成团体认同感。

  第六步：进行慈善和社区服务

  中世纪社会的很多人生活困苦，如果你的宗教能够提供一些实附的帮助，比如食物、医药、庇护等，将大大增加你的吸引力和影响力。通过这些慈善行为，你不仅能够帮助需要的人，同时也能展示你的宗教理念的实践性和益处。

  第七步：扩展影响力

  随着信徒数量的增加，你可以考虑更广泛的传播方式，例如训练使者或信徒，派遣他们到其他地区宣传教义。此外，可以通过编写或口头传播你的宗教文本，以书面形式固定下来教义，这可以使教义传播更加广泛且保持一致性。

  第八步：与当地权力结构互动

  虽然你的宗教创立初期可能需要避免与当地权力结构正面冲突，但随着影响力增大，适时与当地贵族或教会建立良好关系，可以为你的宗教团体带来更大的稳定性和法律保障。在必要时进行策略性的合作，可以在保证教义纯洁的同时，也保护了团体的利益和发展。

  通过上述步骤，你不仅能够利用自己的现代知识在中世纪创立一种新的宗教，还能有效地吸引并维系一定数量的信徒。这需要精心的策划与执行，同时也需要不断地调整和应对各种挑战。

• 在中世纪，科技和魔法在人们的眼中常常是难以区分的。若要展示奇迹，可以利用当时不太为人知的自然现象和简单科学技术。下面，我将详细描述如何使用四种方法，包括镜子和放大镜制造焦点火，化学反应制造彩色烟雾，以及另外两种类似的手段。

发明创造

• 使用镜子和放大镜制造焦点火
  • 在中世纪，使用镜子和放大镜集中阳光点火，可以被视为一种神奇的表演。这种方法的原理基于光的折射和焦点原理，即凸透镜（如放大镜）可以将太阳光聚焦到一点，从而产生足够的热量点燃易燃物质。

实施步骤：

1. 选择合适的镜子或放大镜：选择一个具有良好凸面的放大镜，确保可以聚集阳光。
2. 选择易燃材料：干草、纸张或细木条是理想的选择，因为它们可以很容易被低温点燃。
3. 调整焦距：将放大镜对准太阳，调整放大镜与易燃物之间的距离，直至聚焦点最小，火焰会在几秒内点燃易燃物。
4. 展示：在众人面前进行，确保他们看到这是阳光通过镜子的魔法。

• 利用化学反应制造彩色烟雾
  • 彩色烟雾的制作可以通过燃烧含有不同金属盐的化学混合物来实现，这些金属盐在燃烧时会产生不同颜色的火焰和烟雾。

实施步骤：

1. 准备化学材料：常用的材料包括硝酸钾（促进燃烧），以及铜粉（绿色）、锶盐（红色）、钡盐（绿色）等。
2. 制作烟雾弹：将小量金属盐与硝酸钾混合，包裹在易燃纸张中。
3. 点燃烟雾弹：在安全的环境下点燃包裹好的化学混合物，观察彩色的烟雾效果。
4. 安全措施：确保观众与烟雾源保持安全距离，并注意风向。

• 制造简易电池
  • 利用中世纪已有的材料如铜和锌板，可以制造出一个简易的伏打电池，展示电的生成。

实施步骤：

1. 材料准备：准备铜板和锌板，以及盐水或柠檬汁作为电解质。
2. 组装电池：将铜板和锌板插入电解质中，它们之间不应接触。
3. 连接导线：使用导线连接铜板和锌板，并将导线的另一端连接到一个小型电灯泡或电铃。
4. 展示电的生成：当电池工作时，电灯泡会亮起或电铃会响起，展示了电能的奇迹。

• 制造机械自动装置
  • 使用简单的齿轮和杠杆系统，制造一个小型的自动机械装置，如自动敲钟的装置。

实施步骤：

1. 设计装置：设计一个简单的齿轮系统，使用手摇或水力来驱动。
2. 制作齿轮和杠杆：使用木材或金属制作齿轮和杠杆，确保它们能够顺畅转动。
3. 组装：将齿轮和杠杆组装成一个连续运动的机械系统。
4. 展示：向观众展示，当系统启动时，自动敲钟的奇观。

通过上述四种方法，你可以用当时的技术向中世纪的人展示"奇迹"，不仅让他们惊叹于所见，也可能激发他们对科学原理的好奇心和探索欲

古代中国

assistant > 欢迎大家参与本次讨论。我们的讨论将按照"蓝色、白色、红色、黑色、黄色、绿色、蓝色"顺序进行。作为蓝色帽子的主持人，我的主要职责是引导讨论，确保每个人按照帽子的角色贡献自己相对应的观点和思考，让讨论富有结构和成效。

今天的讨论话题是：**如果穿越到了中国古代（明朝）成为了乞丐，如何利用现代知识一步步生存下来，并成为时代风云人物。**

在我们开始讨论之前，让我们回顾一下各帽子的作用：
- **蓝色帽子**（主持和总结）：引导讨论，设定目标并做总结。
- **白色帽子**（事实和信息）：提出与主题相关的事实和数据。
- **红色帽子**（情感和直觉）：表达直觉和情感反应。
- **黑色帽子**（批判和风险）：指出潜在的风险和问题。
- **黄色帽子**（积极和收益）：讨论积极面及可能的收益。
- **绿色帽子**（创造和新意）：提出创新和新的想法。

现在，让我们从第一顶帽子开始，即**白色帽子**。请白色帽子参与者分享一些与明朝社会结构、经济环境、科技水平等相关的事实和信息。

assistant > 作为白色帽子，我将给出一些事实和信息，帮助我们了解穿越到明朝后的具体情况，从而为后续讨论奠定基础。

**明朝背景信息：**
1. **时间范围**：明朝（1368-1644年）是中国历史上一个重要的朝代，其开国皇帝是朱元璋。
2. **社会结构**：明朝是一个高度中央集权的封建王朝，社会分为几个阶层：皇室和贵族、官僚和地主、普通农民、工匠和商人、乞丐等社会底层。乞丐在社会地位上几乎处于最底层。
3. **经济环境**：明朝的经济主要依赖农业，商业也逐步发展。南京、北京、苏州、杭州等地是重要的经济中心。货币流通以银两为主，粮食和布匹也是重要的交易物品。
4. **科技和知识**：虽然不及现代，但明朝已具备相当高的科技和文化水平，四大发明（造纸术、印刷术、火药和指南针）在此期间仍有广泛应用。书籍传播相对较广，许多经典儒家、道家、佛教和医学的书籍可供获取。
5. **城市与农村**：城市中有一定的商业活动，且常有集市，可能是谋生的一个途径。但是，大多数人生活在农村，土地是生存的基础。
6. **交通与通信**：虽然没有现代的交通工具和通信手段，但驿站、马车、船运等也是重要的交通方式。通信依赖书信，由驿站和信使传递。
7. **法律和治安**：明朝的法律由《大明律》规范，但执行过程中存在因官员腐败和地方豪强的问题。乞丐受到社会歧视，但并非没有生存的可能。

这些信息勾画了一个基本的生存环境。接下来，将由红色帽子的参与者分享他们的情感和直觉反应。

assistant > 作为红色帽子，我要表达的是一些情感和直觉反应，主要集中在面对这样一个境遇时可能会有的主观感受和情绪反应。

穿越到明朝成为乞丐的情感反应可能涵盖以下几个方面：

1. **绝望和无助**：处于社会的最底层，没有资源和地位。面对陌生而艰难的生活环境，可能会感觉到强烈的无助和绝望。
2. **恐惧和焦虑**：对未知世界的恐惧，以及对生存的焦虑。穿越族将会面对很多未知的危险和挑战，如地痞流氓的欺凌、疾病、恶劣的气候等等。
3. **孤独和疏离**：穿越后的身份与现代社会的身份差距巨大，朋友和家人都不在身边，极易产生强烈的孤独感以及对社会的疏离感。
4. **愤怒和不满**：社会不公带来的愤怒，对命运的不满，特别是需要面对被社会歧视和排挤的现实状况。
5. **适应与生存的动力**：尽管环境艰难，但生存的本能驱使下会产生强烈的适应和反抗的动力，希望找到方法让自己和可能的伙伴存活下来。

这些情感反应是正常且可以预期的。接下来，请黑色帽子的参与者分享他们看到的潜在风险和问题。

assistant > 作为黑色帽子，我的任务是指出潜在的风险和问题。我们现在假设穿越到了明朝并成为乞丐，利用现代知识一步步生存下来并成为时代风云人物。虽然这个想法非常吸引人，但我们也需要审视其中的挑战和障碍。

1. **语言和文化隔阂**：
   - **语言**：尽管普通话在中国有着一定的通用性，但明朝的方言差异较大，现代汉语和古代汉语在词汇和表达上都存在较大差异，可能导致沟通困难。
   - **文化习俗差异**：现代观念和明代价值观有很大差别，处理不好可能会引起误解或抵触。

2. **社会阶层固化**：
   - **阶级流动性差**：乞丐处于社会最底层，要实现上升非常困难。即使有现代知识和技能，也很难被社会上层所接受或利用。
   - **缺乏资源和机会**：乞丐没有资源，缺乏资金和社会关系，拓展机会远不如富商和官员。

3. **生存环境恶劣**：
   - **卫生和医疗条件差**：古代的医疗水平和卫生条件远不如现代，容易感染疾病，且难以得到有效治疗。
   - **食物和住所**：乞丐生活艰难，如找不到可靠的食物来源和安全住所，可能陷入绝境。

4. **法治和治安问题**：
   - **法律保护不足**：乞丐在社会中的地位低下，容易受到欺压和不公待遇，依靠法律维权的可能性低。
   - **治安混乱**：某些地方治安较差，乞丐容易被欺凌或卷入犯罪活动。

5. **心理压力**：
   - **适应压迫性制度**：在封建制度下，社会压迫感强大，要承受巨大的心理压力。
   - **孤独和迷茫**：长期生活困境可能导致心理问题，如抑郁、焦虑等。

虽然有众多问题和挑战，但接下来将由黄色帽子的参与者讨论积极面及可能的收益。

assistant > 作为黄色帽子，我将以乐观和积极的角度来看待这个挑战，并探讨如何利用现代知识，从乞丐的身份一步步生存下来，成为时代风云人物。

1. **知识优势**：
   - **科学和技术知识**：即使在乞丐的身份下，也可以逐步试图通过资源收集、废物利用等方式进行简单的手工制作，比如肥皂制作、基础医学知识，比如清洁伤口、草药应用等，提升生存质量。
   - **农业和手工艺技能**：现代的农业知识和手工艺技能可以让你在农村快速找到出路，通过高效种植和养殖技术提高产量与收入。

2. **信息和策略**：
   - **策略思维**：现代的教育体系培养了较强的逻辑和策略思维，可以用于分析周围环境，制定出适合自己的生存策略，比如选择一个经济活跃的城市从事小买卖，并通过积累资金和人脉扩大事业。
   - **识别机会**：现代信息素养使你更善于抓住稍纵即逝的机会，如通过观察市场需求，贩卖食物、草药或小工具等，逐步积累财富。

3. **社交和沟通**：
   - **语言学习能力**：可以快速适应和学习当地语言和方言，提升沟通能力，从而更好地融入当地社会。
   - **人际交往技能**：利用现代的社交技能，与不同阶层的人建立关系，获得合作和帮助，乃至可能通过婚姻等方式打入上层社会。

4. **创新和企业家精神**：
   - **创业精神**：现代人的创业理念和方式，可以通过积累资本和资源，逐步开展小规模的贸易或技艺，发展成较大的经营模式。
   - **创新思维**：创新的思考方式可以用于改善现有技术或产品，比如改良传统的手工工具、工艺品等，提升附加价值。

5. **文艺和文化**：
   - **文化素养**：如果有一定的文艺素养，可能通过写作、书画等途径引起注意，如作品表现出独特的思想和风格，有机会被文人或官员赏识。
   - **利用印刷术**：明朝的印刷术较为发达，可以出版自己的思想和技术手册，与人分享现代知识，扩大影响面。

6. **社群和组织领导力**：
   - **组织和管理能力**：在现代社会学习到的组织与管理知识可以用于建立一个小型的社群，通过互助提升整体生活质量。
   - **领导才能**：现代领导能力让你可以带领一群人共同奋斗，实现共同目标，比如成立一个工匠合作社、商会等，逐步提升社会地位。

这些积极因素和潜在的收益使得即使是一名乞丐，也有机会通过现代知识和技巧，走出贫困，逐步提升自己的社会地位，最终成为明朝的风云人物。

现在，绿帽子参与者可以提供一些创新和新颖的创意，进一步帮助我们实现这一目标。

assistant > 作为绿色帽子，我将在这里提供一些富有创意和创新性的想法，帮助这个假想中的乞丐利用现代知识一步步生存，并最终成为明朝的风云人物。

1. **创造性解决问题**：
   - **发明和改造**：利用现代的常识发明一些简易工具。如用废料制成简单的水过滤装置，以提高水源的安全性能；利用天然资源制造肥皂和消毒剂，提高卫生条件。
   - **医疗创新**：带来的现代医疗知识可以用来采集和利用当地的药草，制作和普及简单的药物，比如用草药止血和治疗简单的感染，赢得人们的信任和尊重。

2. **教育和传授**：
   - **知识传播**：可以扮演一个"老师"的角色，把现代知识分门别类地传授给有需求的人，譬如教授基础的算术、文字，甚至是一些基础的机械原理。通过教育提升自己在社区中的地位。
   - **印刷和出版**：在有一定经济基础后，可以利用明朝已有的印刷术，复制现代的知识或信息，甚至编撰书籍，传播科学理念、农牧知识等有用信息。

3. **商业创新**：
   - **创新商业模式**：运用现代商业理念，如批发和零售、产品差异化等，在市场上推出新颖或改进的产品，比如更有效的农具、改良的食品保鲜技术等。
   - **新型经济组织**：比如建立类似合作社的组织，集结乞丐或底层劳动力，通过集体的力量和组织，提高生产和生活条件；形成、发展成新型的商业联盟。

4. **社群和网络**：
   - **建立互助网络**：在乞丐群体中，通过组织慈善活动、互助互济等方式，形成一个具有凝聚力的群体，增加自身和群体的社会地位和资源获取能力。
   - **关键人物联络**：利用人际交往能力结交重要人物，比如有影响力的商人、官员或学者，通过这种网络获取更多资源和机会，为自身的提升铺路。

5. **创意行业切入**：
   - **手工艺创新**：引入或改进一些现代手工艺技术，如陶瓷、刺绣、木工等，生产出更精美或实用的产品，吸引市场并为自己的名声打基础。
   - **文艺和娱乐**：如有文艺才能，可创作具有现代意识观念的戏剧、歌曲、绘画等，引起文化界的关注。在明朝庙会、市场等地通过表演获利，同时宣扬个人智慧和才华。

6. **探索和冒险**：
   - **矿产和自然资源开发**：利用地理和化学知识，可能能找到一些未被开采的矿产资源或其他有用的自然资源，进行开发，获取丰厚的经济利益。
   - **海外贸易**：明朝时期已有对外的海上贸易，可以利用现代的地理知识和外语能力，争取参与或启动新的贸易路线，带进先进产品和技术。

这些创新和创意都是为了在困境中开辟生存之道，并通过不断积累资源和提升影响力，最终走上成为明朝风云人物的道路。

最后，蓝色帽子可以进行总结，并确保讨论的结果得到把握和应用。

assistant > 非常感谢大家的精彩讨论！我们已经通过六顶思考帽的不同视角，深入探讨了如何在穿越到明朝成为乞丐的情况下，利用现代知识一步步生存，并最终成为时代风云人物。现在，我作为蓝色帽子，将对这次讨论进行总结，并提炼出关键点和可行步骤。

1. **现状评估**（白色帽子）：了解明朝的社会结构、经济环境、科技水平以及语言和文化差异，从实际情况出发制定计划。
2. **情感调整**（红色帽子）：面对初期的绝望、恐惧和孤独，培养强大的心理素质，并用适应与生存的动力支撑自己走过最艰难的阶段。
3. **风险意识**（黑色帽子）：谨慎处理语言和文化差异问题，保持对底层社会雷区的敏感，关注卫生和医疗状况，合理规避法律和治安风险。
4. **积极利用现代知识**（黄色帽子）：利用现代科学、农业、商业和人际交往技能，逐步提高自己的生存能力并在社会中提升地位。
5. **创新和创意方案**（绿色帽子）：通过创新解决问题、教育和传播现代知识、引入新的商业模式和组织形式、扩展社群网络以及发掘创意产业的机会，不断积累资源和声望。

**行动步骤总结**：

1. **短期生存策略**：
   - 善用现代农业和医药知识，确保基本生活质量和健康。
   - 掌握明朝的语言和习俗，快速融入当地社区。

2. **中期积累资源**：
   - 通过手工艺、医疗、教育等方式，利用现代知识开创生计，积累初步资金和影响力。
   - 结交重要人物，逐步建立社交网络和互助组织。

3. **长期提升地位**：
   - 运用创新商业模式，参与并拓展商业活动，积累财富。
   - 发布和传播现代知识，成为文化和科技传播的先锋。
   - 利用现代企业管理和组织能力，成立合作社或商会，形成更大的社会影响力。
   - 探索矿产资源或参与海外贸易，打造经济优势。

最终，通过这些综合策略和不断的努力，目标是从乞丐身份起步，逐步提升自己的社会地位，积累财富和影响力，最终成为明朝的风云人物。

感谢大家的贡献，这次讨论非常丰富且富有成效。如果没有其他问题，我们这次六顶思考帽讨论就到此结束。希望大家都能从中获得启发和新思路。谢谢！

TODO

• Google：https://cloud.google.com/blog/products/ai-machine-learning/scaling-deep-retrieval-tensorflow-two-towers-architecture

• 对齐：https://github.com/tatsu-lab/stanford_alpaca

finetuning分类

• full：Training Language Models to Follow Instructions with Human Feedback
  • aligned with human preferences with instruction-tuning
• 高效的：LoRA: Low-Rank Adaptation of Large Language Models

---

2025 年末 AI 回顾

来源：晚点AI 作者：程曼祺 整理时间：2026-02-16

概述

本篇文章是《晚点聊》年终特别节目《年末 AI 复盘》的精简文字版，总结了 25 年和即将过去的蛇年，《晚点》在 AI 领域的观察、见闻和这一年多里发生的 AI 大事件。

全文分为 7 个主题：

1. 模型（通用知识已整合到 AI-Algorithms.md、LLM-MLSys.md、GPU.md）
2. 应用
3. 巨头的 AI 之战：字节、阿里、腾讯
4. 创业公司们
5. 具身智能
6. AI 硬件
7. AI 中的人

---

1. 模型（通用知识已整合）

关键词：Agentic Model、协同设计、下一个学习范式

• Agentic Model 所需能力：已整合到 AI-Algorithms.md
• 推理模型：DeepSeek-R1 爆火（25 年 1 月 20 日），标志推理模型崛起
• Coding 能力：Anthropic Claude 3.5、OpenAI Codex、x.ai Grok Code Fast、Google Antigravity
• 多模态：全球领先大模型均为原生多模态；中国公司（可灵、MiniMax 海螺、SeedDance）、Google（Veo 3、Nano Banana）
• 协同优化：已整合到 LLM-MLSys.md
• 算力趋势：已整合到 GPU.md
• 下一个学习范式：已整合到 AI-Algorithms.md

---

2. 应用

关键词：Agent、Sora App、AI for Science

Agent

25 年是 Agent 应用大规模爆发的元年。

（注：Agent 领域的 high-level 总结、Agent Scaling 与群体智能的详细讨论已移至文档前面的"## Agent 领域概述"章节）

通用 Agent：当 Coding 成为手段

• 作为目的的 Coding：给程序员用的 Cursor、面向非程序员的 Vibe Coding 工具如 Lovable
• 作为手段的 Coding：Claude Code、Claude Cowork、OpenClaw（小龙虾）、字节 Trae Solo 模式、蚂蚁灵光、马卡龙、Youware、MuleRun Agent Builder

手机 Agent：存量博弈与场景变迁

• 字节跳动：豆包手机预览版（自动回微信、比价点外卖等，后被封禁）
• OpenClaw：与移动端打通，手机上发送指令驱动云端任务
• 阿里：通义千问 App，主打全场景生活助手

垂类 Agent：从卖服务到卖结果

垂直领域 Agent 是 25 年《晚点聊》多次深度探讨的核心话题。

分类（Lovart 创始人陈冕，136期节目）：

• 两大类、五小类
  • 生产端：Office（通用办公流程自动化）、Adobe（多媒体内容制作）
  • 消费端：搜索、社交、泛娱乐

定位差异：

• 基础模型：打造高智商的 "通用人"
• 垂直产品：在此基础上培养 "专业设计师"
• 应用型公司生存空间：既能充分调用 "通用人" 的智力，又能解决通用能力无法直接触达的行业深层需求

案例：

• 艾语智能（法律领域）（明势资本合伙人夏令，第110期节目）
  • 核心场景：协助银行起诉小额坏账
  • 以往痛点：此类案件的法律成本常高于账面收益，机构大多选择计提损失
  • Agent 价值：自主性与自动化显著提升了筛选高成功率案件、按模板生成法律文件等环节的效率
  • 线下流程：出庭等仍需人工
  • 商业模式：从 "卖席位" 转向 "为结果收费"（艾语智能本身也是个律所，直接承接金融机构的案件，按最终收回的款项获取服务费）
• 与爱为舞（AI 教育）
  • 技术内核：利用 AI 辅助或替代人类助教，实现自主规划教学任务并与学生互动，本质上就是一个教育领域的 Agent
  • 策略：将 AI 老师嵌入成熟的 "在线大班课" 商业模式中
  • 路径：先入场获客、再积累真实数据、最后迭代 AI 模型（"场景先行、数据驱动" 的商业化策略）

洞察：

• 与 25 年 5 月美国红杉在 AI 峰会上的观点不谋而合——AI 软件要从卖服务到卖结果
• 垂直领域 Agent 相比通用 Agent 的差异化落地方式："场景先行、数据驱动"

Agent 工具链：Infra 层的细分与演进

基础模型与完整 Agent 产品之间的中间地带属于工具链范畴，包括 RAG、Prompt Engineering、Context Engineering、强化学习环境、Evaluation、状态检验等。

Sora App：大 C 端场景的新机会

• 25 年 10 月上线的 OpenAI Sora App，核心功能 Cameo 允许用户授权人脸后生成符合外貌的数字角色
• 留存挑战：30 天留存率低于 8%（TikTok 42%、Instagram 38%）
• 特定创作者群体沉淀：日本创作者 Matsumaru（松丸慧吾）利用 Sora 探索二次元与视觉特效

非效率类 AI C 端产品：更具情感价值、娱乐价值与交互深度的新产品

除了社交与短视频，一些传统 C 端场景也在 AI 驱动下焕发新生：

案例：

• 聊天软件 Intent（25岁的陈春宇在旧金山创立）
  • 针对美国少数族裔跨语言交流的痛点
  • 利用大模型实现了 "默认全局翻译" 的丝滑体验
  • 解决了过去通信工具门槛过高的问题
• 语音输入 Typeless
  • 尽管系统自带功能普及，但凭借更精准的识别与语境理解脱颖而出
  • 能将语音内容一键转化为邮件、推文等多种风格
  • 支持通过语音指令局部修改文本，带来了远超传统工具的舒适感

预言（Lovart 创始人陈冕）：

• 26 年将是非效率类 AI C 端产品爆发的元年
• 工具属性之外，更具情感价值、娱乐价值与交互深度的新产品或许即将出现

Vivix：从个性化分发到个性化生成

来源：智能涌现：AI圈最神秘的一家公司，终于公开了它的“豪赌”，2026-07-21；官方核验：Vivix-W1、Vivix-A1。模型机制见 AI-Algorithms：实时交互生成。

Vivix 押注让内容在消费过程中持续生成，目标不止于降低短视频、短剧的制作成本：用户的文本、语音、触控、镜头和角色动作都能改变故事后续。推荐系统解决“每个人看到什么”，实时交互模型进一步尝试“每个人看到的内容如何因自己的动作而变化”。

这条路线的产品难点先于规模化分发：什么交互值得用户反复参与，什么内容比固定视频更有消费力。Vivix 早期的 7Verse、TipTap 等原型主要用于验证交互格式和模型能力，没有被当成最终产品。产品原型在这里承担 model probe 的角色：暴露延迟、连续性、可控性、故事感和用户参与意愿，再把反馈送回数据与模型训练。

首批场景选择游戏和直播：游戏提供高频、多对多的 action-state 数据，直播具备一对多分发和更高的商业转化上限；二者都能容纳较高的单位时间 token 消耗。是否成立仍取决于一组联合指标：首帧/首次反应时延、每小时生成成本、长时序一致性、互动密度、单次消费时长、留存和付费。这组指标比单一画质榜单更接近产品成败。

模型公司与应用公司的边界也更清楚：Vivix 近期以模型 API 为主，提供实时理解、交互和生成引擎；客户沉淀自己的 harness，包括角色人格、故事机制、数值系统、商品呈现、定价和分发。底层模型能力最终可能趋同，场景数据、用户关系、交互设计和渠道决定应用层附加值。

证据边界：W1/A1 官网与技术报告已公开模型定位、流式架构和演示，但成本、TTFF/TTFR、训练数据规模及商业进展主要来自创始人口述或厂商自评，尚缺第三方 benchmark、真实留存和单位经济性数据。现阶段可确认的是一种新的模型—产品协同方向，不能据此断言它会取代短视频或推荐系统。

AI for Science

深势科技（DP Technology）的经历涵盖该领域的几种核心探索：

1. 加速第一性原理计算、生成式 AI（DeePMD、Hermite、Uni-Fold）
2. AI 发明家：技术的自我繁殖（能覆盖完整科研流程的科研 Agent）

---

3. 巨头的 AI 之战：字节、阿里、腾讯

关键词：人才和组织之战、To C 应用大战、即将到来的春节之战

人才和组织之战

字节：创业方式做 AI，吸纳 AI 原生人才

• 三个相对独立的部门：Flow（产品）、Seed（模型研发）、Stone（后端研发支持）
• 25 年 Seed 迎来新的研发一号位--Google DeepMind 前研究副总裁吴永辉
• 24 年密集招人：来自 Google 的蒋路、来自面壁的秦禹佳、来自零一万物的黄文灏、智谱 AI 的丁铭、阿里通义千问前负责人周畅

阿里：人员相对稳定、部分老人离场

• AI 一号位：周靖人（阿里云 CTO 兼通义实验室总负责人）
• 通义实验室三个核心团队：千问（Qwen 研发，林俊旸负责）、通义万相（图像、视频生成）、许主洪团队（多模态交互模型）

腾讯：总裁办来了年轻人

• 25 年秋天，前 OpenAI 研究员、ReAct 作者姚顺雨加入腾讯，12 月出任总裁办首席 AI 科学家
• 带来的变化：以极高频率招揽新人、重塑目标、组织调整

To C 应用大战

模型与产品团队间的协作：字节更紧密，腾讯、阿里分属两个事业群

• 字节：Seed 与 Flow 协作频次极高，"数据飞轮"（大规模用户反馈和模型实际使用体验）
• 腾讯：混元大模型与元宝 App 原属 TEG，25 年初由 CSIG 接手，微信独立
• 阿里：通义千问 App 与通义实验室原在阿里云，24 年底 To C 产品团队划归智能信息事业群，经历通义千问→夸克→千问 App 的轮换

春节之战展望

• 豆包：春晚合作伙伴席位
• 元宝：10 亿元红包
• 千问：30 亿元红包
• 变数：DeepSeek-V4 何时发布

---

4. AI 创业公司们

关键词：大模型第一股、5000万美元年收、全球化与中美之间

大模型第一股：IPO 不是奖赏，而是续命的安全网

• 26 年 1 月，智谱 AI 与 MiniMax 前后脚登陆二级市场
• 财务情况：
  • 智谱 25 年上半年收入约 2700 万美元，市值约 114 亿美元（2 月 9 日收盘）
  • MiniMax 前三季度约 5300 万美元，市值约 185 亿美元
  • 对比：OpenAI 25 年营收超 130 亿美元，Anthropic 45 亿美元
• 中国一级市场后续资金不及美国充沛，上市成了拓展定增、大规模融资的必要手段
• 仍坚持基础模型研发且未上市的中国头部公司：DeepSeek（幻方自有资金）、Kimi（月之暗面）、阶跃星辰（近期大额融资）

全球化与中美之间

三个 AI 创业团队的对比：

1. HeyGen：
   • 创立之初同时在旧金山和深圳设有团队，国内主体 "诗云科技"
   • 23 年 12 月，诗云科技申请注销
2. Manus：
   • 25 年 6 月将总部迁至新加坡
   • 25 年底官宣被 Meta 以 20 亿美元收购，26 年 1 月中国商务部表示将会同有关部门对该项收购进行合规性审查
3. MiroMind 中国研发团队：
   • 陈天桥出资支持成立，代季峰任研发负责人
   • 26 年 1 月初发布 30B 小模型 MiroThinker 1.5
   • 发布不到半月，代季峰确认离职，原中国团队不得不突然寻求独立融资或新的发展空间

---

5. 具身智能

关键词：投资与上市潮、具身智能三要素、落地应用

> 详细内容已移至 AI-Algorithms.md

核心要点摘要

• 投资与上市潮：中国具身智能和机器人领域融资总额 735 亿元（25 年底），是头部大模型公司的 4 倍；估值与大模型公司并驾齐驱
• 三要素：数据（当前最重要课题，多种获取方式）、模型（VLA、端到端、世界模型）、硬件本体（多学科复杂系统工程）
• 落地应用：研发、表演与展示、商业与家庭服务、工业生产、陪伴与娱乐

---

6. AI 硬件

关键词：入口级 VS 多样化、深圳

入口级硬件 VS 多样化

• Alan Kay 名言："那些真正认真对待软件的人，应该自己去做硬件"

入口级硬件：AI 眼镜为何呼声最高？

• AI 眼镜被视为入口级硬件备选，有望成为大量用户每天高频使用、能支撑繁荣应用生态的硬件
• 手机做不到的两个特点：
  • Hands-off：可离手操作，通过说话直接下达任务
  • Always-on：可全天佩戴，是戴在脸上、最接近人感官中枢的传感器平台
• 难点：
  • Hands-off：语音已相对成熟，但显示技术仍存在清晰度、视角和眩晕问题
  • Always-on：需要极高舒适度，面临电池、传感器和芯片带来的续航、重量与发热问题
• 产品形态尚未收敛：
  • 一步到位做完整产品（如 Vision Pro）
  • 从简单功能做起（如 Ray-Ban Meta、Apple 计划 26 年第二季度推出的轻量化 AI 眼镜）
  • Google：眼镜 OS 生态路径（与 Xreal 等中国公司合作）

多样化

• AI 时代的另一种可能：智能手机之后，不会出现一种规模巨大、形态相对单一的智能设备，而是分散和多样化的
• 典型例子：
  • Plaud：贴在 iPhone 背板上的录音设备，累计销量超 150 万台
  • Odyss AI 项链：潘宇扬推出，用多模态视觉记录饮食并提供健康建议
  • Oura Ring：2013 年成立，累计销量 550 万枚，估值超 100 亿美元
  • 灵宇宙 (Lingverse)：
    • 创始人：顾嘉唯，前微软、百度人机交互研究员
    • 产品："小方机"，手掌大小的智能交互设备，定位为"新一代的步步高"
    • 核心特点：没有游戏和短视频的专属AI智能终端，缓解家长焦虑
    • 数据壁垒：Luka绘本阅读机器人积累的250亿条儿童与绘本真实交互数据
    • 来源
  • 跃然创新 (Haivivi)：
    • 创始人：李勇，消费硬件行业20年连续创业者，参与天猫精灵从0到3000万销量
    • 一代产品 BubblePal：挂在毛绒玩具上的对话硬件，累计销量超20万台
    • 二代产品 CocoMate：硬件直接嵌入可拆卸毛绒玩具
    • 交互升级："摇一摇"唤醒/关闭，内置4G通信模组，端到端语音模型支持随时打断
    • IP生态：获得奥特曼、小猪佩奇、奶龙等知名IP授权
    • 市场拓展：探索成人陪伴玩具市场
    • 来源
  • Fuzozo：强调情绪或陪伴价值的 AI 硬件
  • 宇树科技四足机器人：低成本四足机器人，产业链分为大脑（AI大模型）、小脑（运动控制）、硬件本体
    • 来源

深圳，硬件创业的共性

• 深圳已成为更广泛科技硬件的全球高地
• 深圳公司的共性：
  • 许多由大疆前员工创立（如拓竹、松灵、正浩、LiberLive）
  • 与李泽湘参与组建的深圳科创学院与东莞松山湖机器人基地密切相关
  • 创业路径：面向高购买力欧美市场，以创新体验和高品质获取较高毛利，再投入研发与竞争；产品常通过 Kickstarter 众筹首次亮相

---

7. AI 中的人

详细内容已移至 非技术知识.md

---

8. YC 2026 年春季创业赛道指南（RFS）

来源：AI创业必看，YC划出10个黄金赛道，下一个巨头或将诞生在这些领域 整理时间：2026-02-26

近日，硅谷知名创业孵化器 Y Combinator 发布了 2026 年春季创业赛道指南（RFS）。作为全球最具影响力的创业加速器，这一传统旨在让创业者窥见 YC 希望他们解决的下一代问题。

RFS 的传统可以追溯到 2008 年左右。每年 RFS 的变化都预示着风口，很多想法直接来自 YC 内部合伙人或创始人的一线观察。比如 2021 年全是 Web3 和远程协作，2023 年是生成式 AI。

2026 年的清单不仅反映了 YC 的投资兴趣，更揭示了他们对创业本质变革的预判：AI 已经跨越了加速现有工作流的阶段，开始转向重构整个系统。因此，YC 的目光已从传统软件扩展到金融、政府、工业、能源和体力劳动，这些曾被认为对风险投资来说太慢、监管太严或过于复杂的领域。

1. 产品经理的 Cursor：AI 不再只是"搬砖"，而是开始"出谋划策"

YC 的出发点非常直白：AI 已经让编写代码变得异常简单，但代码从来不是构建人们想要的产品中最难的部分。

像 Cursor 和 Claude Code 这样的工具，在目标明确的情况下，能极大地提升构建软件的效率。但在现实的商业世界里，最难的其实不是怎么把东西造出来，而是搞清楚到底该造什么。很多公司折腾了半年，最后发现做出的功能根本没人用，这才是最大的浪费。

长期以来，决定做什么这件事一直高度依赖产品经理（PM）的大脑。PM 需要从成百上千小时的用户访谈录音、乱七八糟的后台数据和堆积如山的市场反馈中，像大海捞针一样找出用户的真实痛点。然后，他们得写出长达几十页的产品需求文档，再拆成一个个任务丢给程序员。

YC 认为，这种方式现在已经过时了。

他们提出要做一个"产品管理领域的 Cursor"。用户上传客户访谈记录和产品使用数据，问一个简单的问题，比如"我们下一步该建什么？"系统给出的不仅仅是一个头脑风暴，它会输出一个真实的功能大纲，并基于客户反馈清晰地解释为什么这个功能很重要。

更酷的是，它不只是提建议，还会直接给出全套方案：新的交互逻辑长啥样、后台数据库怎么改，甚至连任务单都给你拆好了，直接对接给写代码的 AI 机器人。它帮团队从低效率的文档工作中解脱出来，把精力放在真正的价值判断上。未来的竞争，不再是谁的代码写得快，而是谁能更精准地抓住用户的心。

2. AI 原生对冲基金：让 AI 像巴菲特一样思考，像机器人一样执行

这件事的本质是把金融行业的"决策大脑"彻底换成 AI。

我们可以回顾一下历史：在 20 世纪 80 年代以前，买卖股票全靠基金经理看报纸、拍脑袋。后来，像文艺复兴科技、桥水基金这些巨头出现了，他们开始用计算机跑数学模型，靠强大的计算能力收割市场。在当时，这被视为奇技淫巧，而现在，这叫"量化交易"，已经是所有大基金的标配了。

但现在的量化基金有一个瓶颈：虽然电脑算得快，但点子还得由人来出。通常是人类研究员先发现一个市场规律，然后写成代码让电脑去执行。然而，人类的精力是有限的，能处理的信息量也有天花板。

"AI 原生对冲基金"想做的，是把发现规律和制定策略的过程也全权交给 AI。现在的顶级传统基金其实非常保守，机构内部不仅有老旧的交易系统，还有极其严苛的合规流程，甚至研究员想用个 ChatGPT 都要层层审批。

YC 认为，这种缺陷创造了机会。

AI 原生基金的本质是构建一个去中心化的智能体集群，使其从底层逻辑上完全替代人类研究员和交易员的职能。这些智能体能够实时、大规模地解析非结构化数据，如 10-K 文件、财报电话会议、监管备案及法律文件，并跨领域合成人类难以察觉的复杂投资策略。

这种模式追求的是由自主算法生成的超额收益，而非对人类已有策略的优化，其目标是建立具备完全自主进化能力的金融系统。

3. AI 原生代办机构：把按人头计费变成按成品收费

传统咨询、设计及法律服务代理机构受限于"按人头计费"的商业模式，存在毛利低、扩张难、交付周期长等问题。因为它们本质上是在"卖命"。如果你想多赚一倍的钱，通常就得雇多一倍的人。因为人手有限，工作进度慢、毛利低，还得天天跟客户扯皮工时，这种商业模式极难做大。

AI 打破了这个等式。

YC 的见解是，与其卖软件给客户帮他们干活，不如你自己使用软件，直接把成品卖给客户，价格甚至可以提高 100 倍。

YC 举了几个具体的例子。一家设计公司可以在签署合同之前使用 AI 生成高质量的定制设计作品，使用成品而非方案演示来赢得交易；一家广告公司可以创作精美的视频广告，而无需实地拍摄的时间、成本或物流；一家律师事务所可以在几分钟内生成法律文件，而不是几周，从而压缩了曾经定义该行业的周期。

在每个案例中，业务结构都发生了变化。这些公司不再表现得像传统的代办机构。它们开始看起来像恰好销售服务的软件公司，拥有可重复的流程、AI 驱动的生产以及高得多的利润率。

这就是服务业的软件化。未来的代办机构不再需要整层楼的员工，而是由少数核心专家带着一群 AI 智能体在工作。它们的规模不再受限于员工人数，而是取决于 AI 的算力。这种公司将拥有与软件公司一样极高的利润率，并且能像滚雪球一样，迅速吞掉那些还在靠人工慢吞吞干活的传统市场。

4. 稳定币金融服务：既要银行的稳又要比特币的快

过去，金融世界被划分为两个阵营：一边是传统的银行系统，虽然安全合规，但转账慢、手续费高、收益率低得可怜；另一边是加密货币世界，虽然收益高、速度快，但缺乏监管，普通人根本不敢碰。

而随着《GENIUS》和《CLARITY》等法案的落地，稳定币已具备在合规框架内运行的法律基础。稳定币既有比特币那种瞬间转账、全球无阻的超能力，又有像银行存款一样的价格稳定。

YC 认为这开启了一整类此前无法存在的金融服务。一方面，你拥有感觉安全但收益有限的受监管金融产品；另一方面，非受监管的加密产品承诺高回报但带有真实风险。稳定币现在坐在这两个世界之间，为结合两者优势的服务创造了空间。

这可能意味着建立在稳定币之上的生息账户、获取代币化的现实世界资产，或者是能够让资金跨越国界移动得更快、更便宜且不违反合规界限的基础设施。稳定币可以弥合差距，而不是强迫企业和个人在安全和机会之间做选择。

YC 相信下一波金融科技不会来自花哨的消费者 App，而将来自让资本更高效、合规且全球可达的沉静基础设施，以稳定币作为连接纽带。

5. 政务 AI 化：终结纸质办公，让政府像互联网公司一样快

在第一波 AI 浪潮里，普通人和企业已经用上了各种 AI 工具，填表、写申请书的速度快得惊人。但尴尬的是，这些飞速生成的申请提交上去后，却掉进了政府办公楼的"黑洞"里：那里的工作人员可能还在手敲录入、打印纸张、盖章流转。一边是 AI 时代的极速，一边是 20 世纪的慢节奏，这种错位让政务窗口堆积如山。

"政务 AI 化"要做的，就是把这种不对称的效率补齐。如果构建得当，这些工具不仅能防止崩溃，还能让公共服务变得更具成本效益和响应力。

YC 指向了爱沙尼亚等地，作为数字政府可以运作的早期证据。但这些例子仍然是孤立的。机遇在于采用这种模式并将其扩展到仍依赖碎片化系统和手动工作流的司法管辖区。

YC 特别提到，这类创业是勇敢者的游戏。因为卖产品给政府极其困难，流程繁琐、周期长。但这个赛道有个巨大的诱惑：政府是一个超级大客户，而且一旦他们开始依赖你的系统，就绝对不会轻易更换，合同金额往往大得惊人，稳定性极强。

这就是数字政务的全球竞赛。谁能开发出让政府既觉得安全合规、又能极大提升办事效率的 AI 工具，谁就掌握了一门极其稳固、且利国利民的长期生意。

6. 现代金属加工厂：给笨重的重工业装上"数字引擎"

这件事的本质是用互联网公司的效率去降维打击传统的金属加工厂。

很多人觉得美国工厂不行是因为工人工资太高，但其实更大的问题在于操作系统的落后。现在的美国金属加工厂，很多还在用几十年前的土办法管理：你想买一批铝材，居然要等半年（8 到 30 周）才能交货。这不是因为没活干，而是因为工厂的系统极其僵化。它们只管大批量生产，一旦你想改个规格或者插个单，整个系统就乱套了。

YC 认为，现在的软件和能源技术已经足够成熟，可以重新构思整个系统。

该方向主张通过 AI 驱动的生产调度规划、实时制造执行系统以及现代化的能源管理（如现场微网发电），重构整个加工厂的运营逻辑。

通过将资深操作员的隐性经验算法化，该模式能显著降低换产停机时间和物料浪费，在劳动力萎缩的背景下，实现高精度、短交期的本地化生产，将金属加工这一传统工业领域转型为由软件驱动的高利润制造业。

7. 体力劳动的 AI 导航：给工人装上"技能插件"

在《黑客帝国》中，尼奥在脑后插上一根电缆，醒来后平静地说："我会功夫了。"YC 相信体力劳动正通过实时 AI 导航变得惊人地接近这种状态。

虽然大家都在担心 AI 会取代写代码或写文章的脑力劳动，但在修水管、修电机、做手术这些需要动手的领域，AI 目前还长不出真实的手脚。但这没关系，它可以借用人类的手，充当人类的实时场外指导。

比如，一个从未修过飞机的学徒，戴上智能眼镜，AI 就能通过摄像头同步看到他眼前的零件。AI 会直接在屏幕上圈出那个坏掉的螺丝，并在耳边低声说："用 3/8 英寸的扳手拧开它，往左转。"这意味着，原本需要几年培训才能上岗的高级技工活，现在普通人戴上设备就能干。

YC 解释了为什么这在现在突然可行。三股力量交汇了：首先，多模态模型跨越了可以可靠地感知现实环境并进行推理的门槛；其次，硬件已经大规模存在，智能手机、耳机和智能眼镜；第三，技能人才短缺已使其成为经济上的必然，而非新奇事物，这有潜力为数百万人创造更高薪的工作。

YC 相信，AI 最深远的经济影响可能不是来自取代工作，而是来自压缩物理世界的技能和培训周期，将劳动力短缺转化为机遇而非约束。

8. 大空间模型：让 AI 拥有"空间感"

现在的 AI 就像一个博学但没出过门的盲人。它读过全世界的书，能跟你聊宇宙爆炸，但如果你让它在 3D 软件里把一个零件翻转 90 度并插进另一个槽位，它就容易抓瞎。

这是因为现在的 AI（比如 GPT）本质上是在玩文字接龙，它并不真正理解什么是长宽高，什么是重力，什么是物理遮挡。而大空间模型要做的，就是让 AI 真正拥有立体感和几何直觉。

这种模型不仅是描述世界，它们可以对世界进行推理。它们可以设计现实世界的物体，理解物理环境，并以今天系统根本无法做到的方式操纵空间关系。YC 明确了赌注：成功者不会只是建立另一个应用层，而是将定义下一代 AI 基础模型，规模堪比 OpenAI 或 Anthropic。

YC 相信 AI 的下一个真正飞跃不会来自更好的提示词或更大的语言模型，而将来自能够对物理世界本身进行推理系统，将空间、结构和几何变为原生智能，而非事后的补丁。

9. 政府反欺诈基建：基于 AI 的大规模资产回收系统

政府是地球上最大的客户，每年支出数万亿美元。它也因欺诈损失了惊人的数额，光是美国的医保系统，每年因为虚假申报、乱收医药费而损失的钱就有几百亿。

追回这些钱最有效的工具之一已经存在：根据《虚假陈述法案》的"检举"条款，私人公民可以代表政府对欺诈公共计划的公司提起诉讼。如果案件成功，举报者将获得追回资金的一定比例。

YC 则认为，现在可以利用 AI 技术去帮国家讨债，然后按比例分提成。

"政府反欺诈基建"就是要用 AI 把这个过程缩短到几天。我们需要一个超级智能系统，能自动解析海量的烂账、追踪背后复杂的空壳公司关系，并直接输出一份严丝合缝的起诉书。只要你能帮政府把这些流失的万亿巨款追回来 10%，这不仅是一门极其赚钱的硬核生意，更是用技术手段在清理社会毒瘤。

但创始人背景至关重要。YC 明确表示，强大的团队应包含至少一位经历过这个问题的创始人，前 FCA 律师、合规负责人或审计师。

10. 让 LLM 训练变简单：民主化模型开发

目前的模型训练流程虽然处于技术前沿，但其底层工具链却极其低效且不稳定。即便是资深的开发团队，在实际训练扩散模型或大语言模型时，仍需耗费大量精力去处理不兼容的 SDK、频繁宕机的 GPU 算力实例以及开源工具中隐藏的重大缺陷。这种高度碎片化且易出错的现状，极大地拉低了 AI 研发的效率。

这一方向的核心诉求是构建一套标准化的基础设施，将模型训练的复杂底层逻辑进行高度抽象。

具体而言，它需要解决三个核心层面的问题：首先，提供能够屏蔽底层硬件与环境配置复杂性的 API，让开发者只需关注模型本身；其次，建立能够高效管理、检索和可视化存储 PB 级训练数据的新型数据库；最后，打造专为机器学习研发设计的集成开发环境，以替代目前拼凑而成的通用软件工具。

随着行业趋势从"训练通用大模型"转向"垂直领域专用模型"的微调与精炼，模型开发的门槛必须大幅降低。这些工具将不仅是辅助插件，而是会进化为未来软件开发的底层基石。谁能率先交付稳定、简洁且高效的训练全链路产品，谁就能掌握 AI 原生应用时代的开发定义权。

---

综合来看，YC 2026 年给出的创业方向并非为了追逐潮流，而是为了重建根基。从产品的构思方式，到资金的流动方式，再到政府的运作方式以及体力劳动的完成方式，YC 正在发出信号：最大的机遇现在存在于智能与现实世界约束交汇的地方。

虽然 YC 强调创始人们不需要必须从事这些点子才能申请，但这份文件不仅仅是一个建议清单。它发挥着导向作用，指明了该机构认为下一波突破性公司将出现的地方——初创公司不再仅仅是软件公司，它们正在成为系统公司，将 AI、监管、硬件、能源和人力劳动融合进全新的运营模型中。

---

自大模型热潮以来，每个春节似乎都有意外发生：23 年是 ChatGPT，24 年是 Sora，25 年是 DeepSeek-R1，26 年春节，会是什么？