登录社区云，与社区用户共同成长
邀请您加入社区
开源代码：GitHub - Open-RUA/uni-robot-agent论文： “Democratizing Robot-Use Agents: A Unified Harness with Open Models”，清华和加州伯克利分校， 26年11月。它的工程设计扎实，最值得借鉴的是“把机器人的物理不确定性封装进工具层”。但“开源模型超过 GPT-6 Astra”的标题要打折扣：同一 Ha
2026年11月来自其博客：https://www.liberai.com/blog/liber0/Liber-0 最有价值的贡献，是把人类动作数据、模型训练和机器人硬件对齐，形成了一条较完整的迁移路线；但现有证据还不足以证明它已具备可靠的通用操作能力，或建立了严格的“规模定律”。
彭军辉提出“抽象主义人工智能”作为第四大AI范式，批判符号主义、连接主义、行为主义剥离生命本体的误区，确立“智能是现象，生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体，提出“生命体AI理论”，构建七层演化阶梯与自闭环工程框架，强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界，推动从“仿真表象”向“原生智能”的范式跃迁，开辟硅基人工生命新赛道。
模型要下线，这次先建评测集再升级。328 题按错误类型分层：55% 常规、25% 边界、20% 是线上真出过错被骂过的。LLM 打分必须抽 20% 人工复核，全量跑一次 26 分钟、37 块钱。附一次总分涨了 2 分、坑题却掉了 13 分的判断过程。
本文介绍基于RAG+Agent的重庆清真旅游助手MVP落地实践，采用LangChain、LangGraph与Chroma构建轻量化智能流程，实现本地知识库检索、多步任务调度与结构化输出。在8G内存低配环境下完成原型验证，聚焦减少幻觉、提升本地信息准确性，解决意图识别、检索精度与资源限制等挑战，后续将持续优化数据治理与系统性能。
DeepMind于2026年11月10日正式发布机器人基础模型Gemini Robotics 2.5，并同步开源了一个名为“ASIMOV-jailbreak”的机器人安全基准测试。据Ars Technica报道，新模型在部分任务上的成功率最高可达前代的两倍；而配套的安全基准则试图回答一个更具现实紧迫性的问题——当机器人越来越能干，我们如何确保它们不会在对抗性指令下做出危险行为？
本文从零构建企业级Agent的RAG知识库系统，实现文档切分、向量化、向量检索与真实豆包大模型问答全流程。通过自研DocumentLoader、TextSplitter、Embedding、VectorStore等组件，结合Retriever与RAGPipeline，完成知识入库与检索增强生成。系统支持多步骤工作流与会话记忆，并成功接入原有AgentRuntime架构，验证了可扩展性。虽仍存内存存
扫描器每天报一堆漏洞，真让你今天就修，你先修哪个？挨个查版本、翻代码、搜有没有人在利用，半天就过去了。我做了个工具，让元宝帮忙搜证据，再结合项目代码，把要紧的挑出来。拿 15 个项目实测，120 条告警最后留下 14 条今天要修的，还找到了扫描器没认出来的老项目依赖。过程也没那么顺：大模型看着网页照样填错漏洞编号，差点漏掉该修的。这篇把怎么判断、踩过什么坑、怎么验证都讲清楚，代码和测试数据也放出来
LangChain4j 实验模块（如 agentic、guardrails）仅发布带 -beta 后缀的版本，无稳定版。误用 1.22.0 会导致 Could not find artifact 错误。修复方法：将实验模块版本改为配套的 1.22.0-beta32，并统一使用属性管理，确保稳定线与实验线版本成对升级，同时在 dependencyManagement 中显式钉住稳定模块版本，避免依赖
模型每往外写一步，都要先算"眼下要写的内容"和上下文里各段的匹配分——分越高，那一段被取用进来的比例就越大（第 03 篇的 Q/K/V：Q 拿去找，K 用来比，V 按比例汇总）。更好的做法是交给程序：用第 05 篇那套向量检索，把过去攒下的"问题 + 好答案"入库，来一个新问题就按语义相似度捞出最接近的几条，拼进这一次的 prompt——示例是现场挑的，不是提前写死的。：写出来，才看得见；顺序可调
本文详解AgentProject第六阶段的Memory持久化实现：通过抽象接口解耦存储逻辑，采用SQLite实现多用户会话历史的持久化与隔离；结合ContextWindowManager动态管理上下文预算，按时间顺序裁剪历史以适配模型上下文限制；最终通过ApplicationContainer集成至LLM调用链路，并完成功能与边界测试。核心思想是“持久化解决存多久，上下文管理解决给多少”，为后续R
8G 显存能不能跑 7B？量化怎么选？一张对照表讲清楚，附 RTX 5070 Ti 实测速度。8G/12G/16G/24G 显存分档推荐 + 三个反直觉实测结论。
本文系统阐述了RAG（检索增强生成）技术的背景、挑战、通用范式与工程实践。针对大模型知识局限、滞后性与幻觉等问题，RAG通过结合外部知识库与生成模型提供解决方案。文章分析了数据质量、向量化损失与语义搜索不准确等核心挑战，并提出从Naive RAG到Advanced RAG再到Modular RAG的演进路径，涵盖检索前、中、后优化及模块化设计。最后介绍了基于“一底座三中心”的工程架构，实现高效可扩
你有没有发现，以前和AI聊天，它总是“只动嘴不动手”？你问它怎么写代码、怎么做攻略，它回答得头头是道，但最后动手操作的还是你自己。可现在的AI，已经悄悄进化了。它不仅能想、能说，还能直接帮你把活干完。这背后到底发生了什么？其实，这要从我们常说的AI底层技术——说起。
本文跨学科论证大模型生成代码的底层缺陷及其组织反噬。研究指出当前范式本质为基于波普尔证伪视角的非真值高维概率拟合，生成代码缺乏内在因果确定性，幻觉在复杂系统中非线性共振堆叠。文章以贾子理论TMM三层架构说明企业若以方法层概率噪声替代真理层与模型层智慧，将导致思想主权丧失、核心资产黑盒化与知识断代。研究构建委托—代理博弈模型，证明在压榨与高流动下“防御性摆烂”为纳什均衡，“懂代码”者被公害化，组织免
本文检验“AI裁员必然暴雷”命题，分认知、技术、个体、群体、组织五层建模。研究指出大模型无内建真值保证但“输出只像真”过强；缺陷库存由负载比Λ决定，提速、裁员、弱化审查三因子相乘使其非线性发散；审查强度受激励与时间双重约束，任期短于缺陷显现期使质量沦为公地；“集体走形式”与“集体认真”并存为两个稳定均衡，存在临界质量；“暴雷”实为缺陷达阈时间先于纠错延迟的概率事件。文章将全称命题改写为带时限、可推
本文构建“认知—博弈—时间—动力学—方法论—治理”六层框架，解析大模型代码生成伴生的组织行为。研究论证大模型优化似然而非真值，“看上去能跑”是范式固有生成特性；以演化博弈证明“假装在看”是审查博弈的稳定策略，“看不懂”是策略性无知的稳定均衡，“懂者成公害”构成对知识的逆向淘汰，三重锁死使纠错力量归零。文章建立死亡螺旋动力学与缺陷逃逸累积模型，证明验证赤字、速度剪刀差、知识断层、责任脱钩四条件同时成
向量服务（getEmbedding）仅负责将文本转换为向量，不参与检索或生成。其职责清晰：输入文字，输出语义向量，作为上游编码环节。向量数据库完成相似度检索与召回，对话大模型则基于召回内容生成答案。三者解耦，各司其职：getEmbedding如“翻译官”，向量库是“检索员”，LLM为“撰稿人”。常见误区是将三者混为一谈，实则需独立部署与评估。选型时依场景而定：BGE-M3适合多数中文RAG，Qwe
作者第一时间升级 Google AI Ultra，实测谷歌最强推理模型 Gemini 4 Carbon。该模型在 Artificial Analysis 主榜以 58 分位居全球第一，支持 100 万上下文，并同步推出 /swarm 多智能体预览功能。文章围绕复杂图纸精读、物理规律计算、三维机械咬合、复杂交互细节和多 AI 协同五项能力连续实测，首轮让模型仅凭一张上海地铁全网图完成客流推演大屏，展
大模型按上下文逐个预测下一个词元，挑的是最像的而非最对的；结合《Why Language Models Hallucinate》说明幻觉来自预训练和后训练两段，并给出数字、价格、引语、链接的核对办法。
一组跨轮权限测试从三轮扩到十轮，失败率上升了，原因未必是 Agent 忘记了授权。上下文变长、撤权消息延迟、并发任务仍在运行，都可能改变结果。审查样本难度时，应把“需要记住更多内容”和“执行状态发生变化”拆开。
企业 Agent 把任务交给人工后，成本并没有停止。复核人员要读上下文、核查证据、补充判断，有时还要退回重做。如果成本表只记录模型调用，产品看起来很便宜，实际交付却可能被复核和返工拖住。但人工费用通常比调用账单更难收集：有人只记录处理开始和结束时间，有人按岗位估算费率，有些任务还没有完成。面对这些缺口，成本报告应该给出有依据的范围，同时说明范围覆盖了什么。
只改了几行代码，提交里却出现整份文件的删除和新增，换行差异是值得先查的原因。LF 用一个换行字符结束一行，CRLF 则是回车加换行。编辑器、操作系统和 Git 的配置都可能影响它们。团队若需要稳定的源码行尾，可以把约定写进仓库根目录的，让规则随代码一起分发。
测试发现工具返回一个空列表，Agent 回答“项目没有测试”。实际原因可能是目录无权限、扫描超时，或规则配置无法读取。工具把失败伪装成空结果，模型再谨慎也很难恢复丢失的信息。诊断响应的目标，是让 Agent 知道完成了什么、缺了什么，以及下一步是否可行。它不需要整段内部堆栈，也不能只收到一个笼统的“失败”。
用户说“报表打不开，帮我处理一下”，Agent 很容易生成一串看起来完整的步骤：清缓存、换浏览器、检查权限，甚至重新授权。问题在于，它还不知道打不开的是页面、下载文件还是定时任务结果。此时步骤越长，越可能把用户带向无关操作。企业工作流需要一种明确的停止能力：证据不足时，只提出能改变下一步判断的问题，并把执行状态锁在等待中。这个设计比一句“信息不够请追问”的提示词更可靠，因为工具能否执行必须由程序控
让大模型为 NPC 提议下一步动作时，最容易混在一起的有三件事：模型写出的词、游戏支持的动作类型，以及当前状态下能执行的动作。雪谷向导建议“飞到对岸”，不能因为句子通顺就当成移动指令；角色只会步行，游戏根本没有飞行能力。排查这种问题，先看动作枚举映射有没有把未知意图悄悄翻译成另一个合法动作。
把语义编码成坐标，语义近就是坐标近。余弦相似度一句话讲清，ANN 与 HNSW 各是什么。这一篇没读透，后面 RAG 的召回为什么不准、Agent 的记忆为什么丢、评估为什么总对不上，就只能靠背结论
论文“PhysicalWords: A Vocabulary for Structuring Latent Reasoning in Robot Manipulation”，来自英伟达、北大和伯克利分校，2026年10月。PhysWord 的主要贡献，是用动作语义组织未来感知预测，让 VLA 的中间表示更适合控制和跨阶段复用。实验较充分地支持其有效性，但尚不足以证明它获得了通用的物理推理能力或可独
环境搭建与项目骨架
智能体需通过通信协议实现协作，MCP、A2A、ANP三者构成智能体工作栈：MCP如“万能插座”，连接智能体与外部工具；A2A似“通用语言”，实现跨框架智能体协同；ANP则如“智能体社交网络”，构建去中心化身份与发现机制。三者互补，分别解决“动手”“对话”“寻人”问题，推动AI从单打独斗迈向规模化协作。
本文详解大模型端侧部署的完整链路：从PC端离线量化、模型转换，到ARM开发板上C++运行时的高效推理。核心在于“PC转、板跑”的解耦设计，通过量化（W8A8/W4A16）、KV Cache优化、多模态嵌入注入等技术，在仅几瓦功耗的SoC上实现低延迟、低内存占用的自回归生成。架构强调薄API、预分配、静态编译，确保在无GPU、无网络的设备上稳定运行，适用于智能硬件、机器人等边缘场景。
让 Agent 找一个函数定义，工具返回了十几个同名片段：源码、测试、注释和文档都有。模型挑了一个最像的，就把它称作“实现位置”。如果搜索范围与结果语义没有说清楚，定位工具很容易让错误看起来更精确。符号搜索首先要说明自己做哪种搜索。按名称匹配与语法级定义查询是不同能力。再把仓库、路径与预算限制在已授权范围内，模型才知道哪些结果能直接引用，哪些只是继续读取的候选。
Agent 遇到资料不完整的任务，很容易一次列出很多问题。用户被要求提供浏览器版本、截图、日志、账号资料和业务背景，却不知道哪一项真的影响处理。补问多了，处理未必更快，还可能收集不该收集的信息。补充信息建议应围绕下一项决定：为了判断什么，还缺哪条证据？模型可以发现缺项，负责人员仍要决定信息是否必要、收集方式是否合适，以及收到后能否继续推进。
用户应该还在等结果”是对意图的推测，某项会话授权是否已经到期是状态事实。后台 Agent 不应靠模型判断用户是否着急来延长权限，也不能把持续生成文本视为用户仍在主动操作。假设合成报表任务需要多次查询，并在最后保存结果。会话途中到期时，哪些动作还能进行，需要预先写进执行规则。
自然语言能力上，多步归因能拆到明细行，业务问「哪个大区拖累了毛利」，系统能一路拆到具体订单；多智能体架构上，多级组织的口径可以切换，集团和分公司问同一个问题各得各的数；IDC 统计过一组数：2025 年国内 BI 市场里，具备 AI 对话分析能力的产品占比已超过 70%，而已经部署智能问数的企业里，业务部门实际使用率不足 30%。一个业务域先定 30 到 50 个核心指标的口径，通常要一个懂业务的
把这次发布压缩成三句话：能力上，长程任务完成率翻倍，费马定理 30 小时形式化是能力深度的展示；商业上，旗舰降价 20% 加 fast mode 双倍价，价格锚点转向每任务；安全上，反蒸馏做成协议层功能，训练期能力削平首次落地。对产品经理，值得带走的是双 SKU 的设计——护栏不是成本项，拆开包装就是新客户群。对开发者，值得带走的是那四条 400：推理痕迹的完整性约束会扩散到整个行业，今天顺手改写
Anthropic发布Claude Fable 5.2，定位高难度长周期智能体任务，非Opus的替代品。相比Fable 5.1，其在编程、科研、图表理解等复杂任务中评测显著提升，输入输出单价降20%，生成速度最快快30%。但价格优势不等于总成本降低，需综合考量思考深度、工具调用与重试开销。官方建议：日常任务优先用Opus 5.5，复杂任务再试Fable 5.2。升级需注意effort配置、thin
2026最新攻略｜政务领域大模型算法备案办理全解析！
2026年11月10日，AI公司Anthropic正式发布了两款新一代模型——Mythos和Fable。根据公司官方声明，这两款模型“在编码、推理和视觉等领域展现出改进”，并且在“与用户更清晰地沟通”方面也有显著提升。这一发布标志着Anthropic在大模型竞赛中的又一次重要出击。尽管官方披露的技术细节有限，但从命名体系来看，Mythos与Fable似乎代表了Anthropic在产品线上的新分支。
模型的知识是统计压缩包，不是数据库。三阶段各在练什么、幻觉的真正根源是什么、知识截止日期意味着什么、什么时候最容易编
本文以贾子真值框架为分析底座，建立“范式约束—价值认知—组织激励—个体选择—风险演化”链式模型，批判以概率拟合AI替代核心研发人力的降本路线。研究指出大模型优化目标仅拟合文本分布，无内生真值承载能力，仅保证单模块表观自洽；当不变量未前置定义、架构与核验主体被裁撤，跨模块隐含假设冲突随迭代单调累积。过载工时使工程师深度核验不可行，表层放行成为纳什均衡，质量防线逐层形式化。此类结构性债务潜伏期稳定、爆
Skill 本身不会思考，它只会死板地执行一件固定任务，没有自主目标。它就是 “能力实现”，不是智能。 Skill 也不是大模型，很多 Skill 甚至就是一段普通 Python 函数。
> **摘要：** 本文是一位后端老兵分享的AI应用开发转型指南。作者结合自身从Java后端转型AI应用工程师的真实经历，剖析了2026年AI应用开发的人才缺口与转型痛点，并推出一个「3天产出3个可运行企业级Demo」的实战专栏。文章给出了AI应用工程师的完整能力脑图（工程底座→LLM工程化→RAG→Agent→生产级可观测），强调应用岗与算法岗的分工差异，并附上配套学习资源与适合人群说明，帮助有
我昨天下班前留了个导出 Excel 的接口没修完，日期那一列全是四万多的数字，看完截图再看自己屏幕，心情挺复杂。官方博客里的例子，两个黑洞物理的开放问题，从零设计三个能用的电子设备，一个早期版本带着一队智能体把关键服务从 Python 迁到 Rust、启动快了大约 26 倍，这些都是 Anthropic 自己说的。像今天这个日期列，换哪家模型十分钟都能搞定，以前搞不定的那几次，基本是我自己需求没说
大模型高并发服务架构，本质上是一个融合了模型推理、GPU 资源管理、请求调度、分布式计算和云原生技术的综合系统。负责身份认证、限流和流量接入。将请求合理分配到多个推理实例。通过 Continuous Batching 提高并发处理能力。通过 vLLM、TensorRT-LLM 等框架优化 GPU 推理。通过 KV Cache、Prefix Cache 和 Redis 减少重复计算。通过 Prome
大模型分布式训练并不是单纯地增加 GPU 数量，而是需要同时理解模型计算、显存管理、并行策略和通信机制。第一阶段：掌握深度学习训练基础PyTorch 基础。Tensor 和自动求导。前向传播与反向传播。Optimizer 和 Loss。GPU 显存管理。第二阶段：掌握分布式训练基础多 GPU 训练。NCCL 通信。All-Reduce。梯度同步。第三阶段：掌握大模型并行技术混合精度训练。第四阶段：
近年来，以 ChatGPT、Claude、DeepSeek、通义千问等为代表的大语言模型（LLM）在自然语言处理、代码生成、知识问答、智能客服等领域取得了显著进展。AI 明明不知道答案，却能够生成一段逻辑通顺、表达流畅，甚至看起来非常专业的错误内容。例如：询问一个不存在的学术论文，AI 却生成了完整的论文标题、作者、期刊和 DOI。询问某个法律条款，AI 给出了看似合理但实际上不存在的法规。让 A
分类、抽取、改个小函数、Agent 后台的各种小调用，这类活一天要跑成千上万次，大家一般会挑最便宜的那档模型。DeepSeek V4.1 Flash 和 Claude Haiku 5.5 就是两个常见选择，按 token 算都很便宜。
语言模型
——语言模型
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
AtomGit AI 社区
北京朝阳AI社区
openEuler 社区
