06 2026 档案
摘要：
DSpark 通过半自回归生成和置信度调度，加速 speculative decoding。
阅读全文
DSpark 通过半自回归生成和置信度调度，加速 speculative decoding。
阅读全文
摘要：
一篇关于 LLM 参与编译器优化循环的研究
阅读全文
一篇关于 LLM 参与编译器优化循环的研究
阅读全文
摘要：
Google 给 Pixel 上的 Gemini Nano 装了个“先猜后验”的加速器
阅读全文
Google 给 Pixel 上的 Gemini Nano 装了个“先猜后验”的加速器
阅读全文
摘要：
回顾 AI 与开发者生态动态，涵盖产品更新、社区创意玩法与工具发布
阅读全文
回顾 AI 与开发者生态动态，涵盖产品更新、社区创意玩法与工具发布
阅读全文
摘要：
让 Agent 连接外部世界的那个技术
阅读全文
让 Agent 连接外部世界的那个技术
阅读全文
摘要：
Kimi 2.6 Swarm 搭配 Opus 4.8 的最佳实践
阅读全文
Kimi 2.6 Swarm 搭配 Opus 4.8 的最佳实践
阅读全文
摘要：
SkillOpt是微软开源的文本空间优化器，专为优化Agent的自然语言技能文档（如Markdown格式的skill.md）而设计。它不修改模型参数，而是通过“执行-反思-更新-验证”闭环，自动迭代出更鲁棒的`best_skill.md`，让技能持续适配真实任务，提升Agent在复杂流程、多源判断、跨项目迁移等场景中的稳定性与准确性。
阅读全文
SkillOpt是微软开源的文本空间优化器，专为优化Agent的自然语言技能文档（如Markdown格式的skill.md）而设计。它不修改模型参数，而是通过“执行-反思-更新-验证”闭环，自动迭代出更鲁棒的`best_skill.md`，让技能持续适配真实任务，提升Agent在复杂流程、多源判断、跨项目迁移等场景中的稳定性与准确性。
阅读全文
摘要：
Warp 团队提出“双循环驱动”AI Agent进化：内循环（Inner Loop）自动分诊GitHub Issue；外循环（Outer Loop）从人类反馈中提炼规则，生成PR更新技能文件（SKILL.md）。技能即SOP，可审查、可回滚、持续迭代，让Agent越用越懂团队。
阅读全文
Warp 团队提出“双循环驱动”AI Agent进化：内循环（Inner Loop）自动分诊GitHub Issue；外循环（Outer Loop）从人类反馈中提炼规则，生成PR更新技能文件（SKILL.md）。技能即SOP，可审查、可回滚、持续迭代，让Agent越用越懂团队。
阅读全文
摘要：
TokenPilot 的价值在于，它把 Agent 上下文管理从文本压缩推进到了缓存友好型上下文管理。之前谈上下文优化，重点一般是哪些内容保留、哪些内容删除、哪些历史总结；TokenPilot 增加了一个更工程化的视角：内容在上下文里的组织方式，也会影响推理成本。
阅读全文
TokenPilot 的价值在于，它把 Agent 上下文管理从文本压缩推进到了缓存友好型上下文管理。之前谈上下文优化，重点一般是哪些内容保留、哪些内容删除、哪些历史总结；TokenPilot 增加了一个更工程化的视角：内容在上下文里的组织方式，也会影响推理成本。
阅读全文
摘要：
UC San Diego 与 Google 合作推进“手机集群计算”：拆解退役手机主板，组建低碳小型计算集群。首期将部署 2000 台 Pixel 手机主板，替代传统服务器，为教学科研提供低成本云资源，兼顾环保与算力复用。
阅读全文
UC San Diego 与 Google 合作推进“手机集群计算”：拆解退役手机主板，组建低碳小型计算集群。首期将部署 2000 台 Pixel 手机主板，替代传统服务器，为教学科研提供低成本云资源，兼顾环保与算力复用。
阅读全文
摘要：
本期「周一上线」聚焦AI从“聊天框”走向真实行动：Cursor、Copilot深化AI编程，支付宝“阿宝”；墨水屏跑Claude Code、树莓派入Docker、GLM-5.2开源支持1M上下文，展现AI落地的多元创新。
阅读全文
本期「周一上线」聚焦AI从“聊天框”走向真实行动：Cursor、Copilot深化AI编程，支付宝“阿宝”；墨水屏跑Claude Code、树莓派入Docker、GLM-5.2开源支持1M上下文，展现AI落地的多元创新。
阅读全文
摘要：
本文以世界杯进球瞬间的流量高峰为切入点，剖析体育App背后的高并发工程体系：通过流量分层（静态/热点/动态/互动）、事件驱动、多模式数据更新（WebSocket/SSE/轮询）、分层缓存、消息队列削峰解耦、视频智能分发及精细化降级限流等策略，系统性保障核心体验。
阅读全文
本文以世界杯进球瞬间的流量高峰为切入点，剖析体育App背后的高并发工程体系：通过流量分层（静态/热点/动态/互动）、事件驱动、多模式数据更新（WebSocket/SSE/轮询）、分层缓存、消息队列削峰解耦、视频智能分发及精细化降级限流等策略，系统性保障核心体验。
阅读全文
摘要：
世界杯进球被吹？背后是VAR+AI的精密协作：摄像机追踪29个身体点、球内传感器锁定传球瞬间、AI自动生成越位线与3D动画，再经VAR复核、主裁终裁。AI负责“测得准”，裁判负责“判得明”——技术让判罚更透明，却未消除规则语境下的争议。
阅读全文
世界杯进球被吹？背后是VAR+AI的精密协作：摄像机追踪29个身体点、球内传感器锁定传球瞬间、AI自动生成越位线与3D动画，再经VAR复核、主裁终裁。AI负责“测得准”，裁判负责“判得明”——技术让判罚更透明，却未消除规则语境下的争议。
阅读全文
摘要：
一边，模型和开发者工具还在继续往真实工作流里走：Gemini 3.5 Live Translate 开始做近实时语音翻译，Kimi-K2.7-Code 开源，DiffusionGemma 探索更快的文本生成，Codex 和 Chrome DevTools 也在继续给 Agent 补浏览器能力。
另一边，社区里照样很会玩：有人把咖啡下单做成 CLI，有人把股票走势变成摩托赛道，有人给终端塞进会吞文字的黑洞，还有一张“前端兄弟快回来吧”的梗图讲完了全栈开发的精神状态。
阅读全文
一边，模型和开发者工具还在继续往真实工作流里走：Gemini 3.5 Live Translate 开始做近实时语音翻译，Kimi-K2.7-Code 开源，DiffusionGemma 探索更快的文本生成，Codex 和 Chrome DevTools 也在继续给 Agent 补浏览器能力。
另一边，社区里照样很会玩：有人把咖啡下单做成 CLI，有人把股票走势变成摩托赛道，有人给终端塞进会吞文字的黑洞，还有一张“前端兄弟快回来吧”的梗图讲完了全栈开发的精神状态。
阅读全文
摘要：
长上下文模型的能力越来越强，能读的内容也越来越长。但一到真实推理服务里，问题很快就会落到显存上。更准确地说，是 KV Cache。
在大模型自回归生成过程中，模型每生成一个 token，都需要参考此前已经读过的上下文。为了避免每一步都重新计算历史内容，推理系统会把历史 token 对应的 Key 和 Value 缓存下来。上下文越长，这部分缓存就越大。到了 128K、500K 甚至更长的上下文，KV Cache 往往会成为长上下文服务里最沉重的一笔显存开销。
阅读全文
长上下文模型的能力越来越强，能读的内容也越来越长。但一到真实推理服务里，问题很快就会落到显存上。更准确地说，是 KV Cache。
在大模型自回归生成过程中，模型每生成一个 token，都需要参考此前已经读过的上下文。为了避免每一步都重新计算历史内容，推理系统会把历史 token 对应的 Key 和 Value 缓存下来。上下文越长，这部分缓存就越大。到了 128K、500K 甚至更长的上下文，KV Cache 往往会成为长上下文服务里最沉重的一笔显存开销。
阅读全文
摘要：
这次用 Codex 读 Typer，最重要的一点是：面对一个新项目，第一步先别急着让它写代码。比较稳妥的做法，是先让 Codex 读目录、找入口、解释核心文件，再沿着一个具体功能追下去，最后通过测试理解项目如何验证行为。
阅读全文
这次用 Codex 读 Typer，最重要的一点是：面对一个新项目，第一步先别急着让它写代码。比较稳妥的做法，是先让 Codex 读目录、找入口、解释核心文件，再沿着一个具体功能追下去，最后通过测试理解项目如何验证行为。
阅读全文
摘要：
这个小工具不复杂，但它能练到几个很实用的点：结构化数据怎么设计、命令行参数怎么接、跨时区时间怎么换算，以及为什么“按日期查比赛”这件事在世界杯这种跨时区场景里并不简单。
阅读全文
这个小工具不复杂，但它能练到几个很实用的点：结构化数据怎么设计、命令行参数怎么接、跨时区时间怎么换算，以及为什么“按日期查比赛”这件事在世界杯这种跨时区场景里并不简单。
阅读全文
摘要：
Skills 可以理解成 Claude Code 给 Agent 准备的任务经验包。它把一类任务里反复出现的说明、脚本、模板、配置、坑点和历史记录放在一起，让 Claude 下次遇到类似任务时，可以直接复用已有经验。
阅读全文
Skills 可以理解成 Claude Code 给 Agent 准备的任务经验包。它把一类任务里反复出现的说明、脚本、模板、配置、坑点和历史记录放在一起，让 Claude 下次遇到类似任务时，可以直接复用已有经验。
阅读全文
摘要：
Prompt、Context、Loop、Harness 这四个词，可以看成 AI Agent 工作流里的四个关注点：怎么问、给它看什么、怎么持续推进，以及在哪里安全运行。
其中，Loop Engineering，重点关注“持续推进”这一环节。它关心的是，如何把原本由人一轮轮推动的“提示—执行—检查—修正”过程，设计成一个清晰、可控、容易沉淀经验的循环。
这也是 AI Agent 从“能回答问题”，走向“能完成任务”时，一个很关键的变化。
阅读全文
Prompt、Context、Loop、Harness 这四个词，可以看成 AI Agent 工作流里的四个关注点：怎么问、给它看什么、怎么持续推进，以及在哪里安全运行。
其中，Loop Engineering，重点关注“持续推进”这一环节。它关心的是，如何把原本由人一轮轮推动的“提示—执行—检查—修正”过程，设计成一个清晰、可控、容易沉淀经验的循环。
这也是 AI Agent 从“能回答问题”，走向“能完成任务”时，一个很关键的变化。
阅读全文
摘要：
数据分析 Agent 的核心瓶颈，不是 SQL 生成能力，而是业务上下文。不要指望 Agent 在混乱的数据体系里自动找出标准答案。你需要先把数据环境整理成 Agent 能导航、能理解、能验证的结构。
阅读全文
数据分析 Agent 的核心瓶颈，不是 SQL 生成能力，而是业务上下文。不要指望 Agent 在混乱的数据体系里自动找出标准答案。你需要先把数据环境整理成 Agent 能导航、能理解、能验证的结构。
阅读全文
摘要：
复杂任务不能只靠一个上下文一路做到底。任务需要拆分，上下文需要隔离，验证需要独立，流程也要能在中断后恢复。不同子任务还可以选择不同模型和预算，避免所有事情都挤在同一个执行路径里。
这些设计放在 Claude Code 里，是 Dynamic Workflows；放到更大的 Agent 系统里，其实就是 Agent Harness 要解决的问题。
阅读全文
复杂任务不能只靠一个上下文一路做到底。任务需要拆分，上下文需要隔离，验证需要独立，流程也要能在中断后恢复。不同子任务还可以选择不同模型和预算，避免所有事情都挤在同一个执行路径里。
这些设计放在 Claude Code 里，是 Dynamic Workflows；放到更大的 Agent 系统里，其实就是 Agent Harness 要解决的问题。
阅读全文
摘要：
大模型不再只存在于云端，也开始进入普通电脑。你打开 Ollama、LM Studio，或者直接用 llama.cpp，下载一个量化版本，就有机会在本地跑起一个还不错的大模型。
阅读全文
大模型不再只存在于云端，也开始进入普通电脑。你打开 Ollama、LM Studio，或者直接用 llama.cpp，下载一个量化版本，就有机会在本地跑起一个还不错的大模型。
阅读全文
摘要：这篇文章主要面向在校同学，聊聊怎么选 AI 工具，以及怎么把它们用在学习、写代码和做项目里。
阅读全文
摘要：
今天我们就来分享 3 个有用的开源项目，专门帮你的 Coding Agent 整理“上下文”：让它少翻无关代码，少吞冗长日志，把 token 留给更关键的信息。
阅读全文
今天我们就来分享 3 个有用的开源项目，专门帮你的 Coding Agent 整理“上下文”：让它少翻无关代码，少吞冗长日志，把 token 留给更关键的信息。
阅读全文
摘要：
作为本系列的开篇，我们不聊 Codex 的复杂能力，也不做完整评测。只做一件很基础的事：在本地把 Codex 跑起来，然后让它完成一个边界清楚的小任务。
阅读全文
作为本系列的开篇，我们不聊 Codex 的复杂能力，也不做完整评测。只做一件很基础的事：在本地把 Codex 跑起来，然后让它完成一个边界清楚的小任务。
阅读全文
摘要：
在 AI Coding 越来越普遍之后，代码生成会变得更快，也更多。团队成员如果还只靠逐行看代码、看 diff 来理解彼此，成本会越来越高。
Mainline 的做法是让 Agent 在开发过程中自动总结 Intent（意图），并把它和 commit 关联起来。这样团队在 Review 时，可以先看这次改动的目标、原因和关键决策，再决定是否需要深入看代码。
阅读全文
在 AI Coding 越来越普遍之后，代码生成会变得更快，也更多。团队成员如果还只靠逐行看代码、看 diff 来理解彼此，成本会越来越高。
Mainline 的做法是让 Agent 在开发过程中自动总结 Intent（意图），并把它和 commit 关联起来。这样团队在 Review 时，可以先看这次改动的目标、原因和关键决策，再决定是否需要深入看代码。
阅读全文
摘要：
一边，模型和 AI 编程工具还在继续往 Agent 方向推：Claude Opus 4.8 发布，xAI 把 Grok Build 0.1 放进 API，阶跃星辰也继续更新模型和开发者工具。
另一边，社区里也有不少轻松内容：有人把 Claude Code 用成桌面硬件工作流，有人把 Codex 拿去优化网络，还有 Codex 研发人员让 Codex 回顾自己的历史工作记录，给自己“蒸馏”一套可复用流程。
阅读全文
一边，模型和 AI 编程工具还在继续往 Agent 方向推：Claude Opus 4.8 发布，xAI 把 Grok Build 0.1 放进 API，阶跃星辰也继续更新模型和开发者工具。
另一边，社区里也有不少轻松内容：有人把 Claude Code 用成桌面硬件工作流，有人把 Codex 拿去优化网络，还有 Codex 研发人员让 Codex 回顾自己的历史工作记录，给自己“蒸馏”一套可复用流程。
阅读全文
摘要：
Coding Agent 的每一轮请求，不一定都需要最强模型。有些任务只是整理工具结果、搜索代码、生成摘要，直接用 pro 模型反而是浪费。
阅读全文
Coding Agent 的每一轮请求，不一定都需要最强模型。有些任务只是整理工具结果、搜索代码、生成摘要，直接用 pro 模型反而是浪费。
阅读全文
摘要：
生产级 Agent 的很多失败并不发生在模型“怎么想”，而发生在系统“怎么跑”。比如消息路由错误、工具结果被错误合并、hook 执行顺序不对、session 状态传递出错。这些问题属于 Agent Harness，通常写在代码里，不在 prompt、skill 或 memory 里。因此，MOSS 讨论的不是“Agent 会不会改代码”，而是 Agent 自进化如何从文本层推进到源码层，尤其是推进到 Harness 代码。
阅读全文
生产级 Agent 的很多失败并不发生在模型“怎么想”，而发生在系统“怎么跑”。比如消息路由错误、工具结果被错误合并、hook 执行顺序不对、session 状态传递出错。这些问题属于 Agent Harness，通常写在代码里，不在 prompt、skill 或 memory 里。因此，MOSS 讨论的不是“Agent 会不会改代码”，而是 Agent 自进化如何从文本层推进到源码层，尤其是推进到 Harness 代码。
阅读全文
浙公网安备 33010602011771号