阿里巴巴Qwen团队于2026年4月开源了Qwen3.6-35B-A3B模型，这是Qwen3.6系列的首个开源版本。该模型采用稀疏MoE架构，总参数量35B，但推理时仅激活3B参数，显著降低算力需求。支持文本、图像和视频多模态输入，上下文长度原生262K（可扩展至1M）。模型亮点包括：高效MoE设计适合消费级硬件部署；突出的智能体编程能力；强大的多模态性能接近闭源模型；创新性支持多模态思考模式。文

本文详细介绍了在消费级硬件上本地部署Qwen3.6-35B-A3B模型的方法。该MoE架构模型实际仅激活3B参数，效率高且性能强劲，在ts-bench测试中全满分通关，速度对标Claude 4.6/Opus 4.6。文章提供了完整的部署流程：1）安装llama.cpp；2）下载Q4量化模型；3）启动模型服务；4）配置hermes agent连接本地模型。重点解决了WSL与本地服务的网络连接问题，包

摘要：本文分享了使用老旧显卡V100 32GB本地部署阿里开源大模型Qwen3.6-27B（Q4量化版）的经验与测试结果。测试显示，该模型在12万token上下文窗口下，生成速度约30tokens/s，基础能力表现尚可，能完成简单逻辑题和智能体任务（如搜索总结、天气查询），但编程类复杂任务失败率高。文章指出该方案适合非紧急、非高精度场景，为有条件者提供了低成本体验大模型智能体的可行方案，同时探讨了

本文系统介绍了大模型的学习路径和应用前景。首先阐释大模型的概念和原理，即通过海量参数和深度神经网络处理复杂任务。随后提供四阶段学习路线：1) Python和NLP基础；2) GPT API调用与Prompt设计；3) 模型微调技术；4) RAG(外挂数据库)应用。文章强调AI大模型领域的高薪就业机会，并配套提供由清华-加州理工双料博士团队整理的完整学习资源包，包含视频教程、技术文档、行业报告和实战

本文探讨了AI Agent领域三大关键技术——Function Calling、MCP和Skills的竞争关系。Function Calling作为核心基础，通过JSON格式转换实现大模型与外部工具的对接；MCP通过标准化协议解决多平台适配问题；Skills则用Markdown文档定义业务流程，但存在执行不确定性。文章指出，结构化程度更高的Function Calling仍是行业根基，并提出Fun

description = “搜索互联网获取实时信息。适合查询新闻、数据、文档等。schema = {

本文揭示了当前AI Agent面临的核心困境——能够生成解决方案但无法自主实现任务闭环。文章提出"Loop Engineering"概念，将其视为继Prompt、Context、Harness Engineering之后的第四次AI工程范式革命。通过对比传统"问答式交互"与新型"闭环式自动化"工作流，文章构建了包含自动触发、工作隔离、技能持久化等核心要素的"智能办公室"模型。实践数据显示，采用Lo

2026年中国AI行业进入"智能体爆发元年"，九大科技巨头围绕智能体生态展开激烈竞争。阿里巴巴凭借电商闭环和云计算优势领跑；字节跳动以流量和算法占据广告变现高地；腾讯依托微信社交生态构建护城河；百度深耕搜索场景重塑信息获取方式；华为凭借全栈自研技术掌控算力底座；小米通过硬件生态布局端侧AI；Kimi专注长文本处理抢占生产力工具市场；科大讯飞深耕教育医疗垂类；智谱华章以独立大模型技术赢得开发者青睐。

AI Agent（智能体）正成为AI行业的热门方向，其核心在于从"回答问题"转向"完成任务"。与ChatGPT等传统AI不同，Agent能自主规划并执行完整工作流，如整理会议纪要、生成PPT、发送邮件等，而不仅提供建议。这得益于"思考-行动-验证"的循环机制（ReAct）和工具调用能力，使其更像能独立工作的"数字同事"。当前发展趋势包括多智能体协作（Multi-Agent）和安全防护机制，未来可能

AI Agent：未来3年最具红利的AI方向 随着大模型技术快速发展，AI Agent（智能体）成为企业竞相布局的核心赛道。AI Agent通过LLM大模型+工具调用+记忆存储+任务规划，实现从被动问答到主动执行复杂任务的跨越，如自动查询天气并生成出行方案。 学习路径分为6个阶段： 基础准备（1-2周）：掌握Python和API调用能力。 大模型基础（1-2周）：理解主流模型及提示词工程。 Age