通过这三个案例，我相信大家都有了深切的感受，简单来讲，编程智能体 + MCP 的这个组合，就是通义灵码会根据用户输入的提示词，结合 MCP 工具的名字及描述，自动判断所需调用的 MCP 工具，并将工具返回的结果输入下一步的处理流程中。因为编程智能体拥有工具使用的能力，所以，在编程智能体模式下，我们可以配置 MCP 工具，只要配置完成 MCP 工具，输入对应的任务之后，智能体就可以根据任务调用相应的

他区分这两个阶段的方式很有意思：研究实习生意味着你给它一个具体的技术想法，比如“我有一个改进模型的思路，你去试试”，它能执行；他也认为，对于蛋白质折叠、基因组学这类特定任务，专门的模型架构可能比纯语言模型更高效，但最终这些专用模型会跟一个核心的、非常强的语言推理模型配合使用。背后的逻辑是：当前的 RL 训练方式跟人类学习的方式差别很大，也许需要全新的方法。对于关注 AI 安全的人来说，这里有一个很

loonggg读完需要3分钟速读仅需 1 分钟昨天网上流传一条消息：商汤科技 47 岁员工在健身房内猝死。网传一段视频显示，该员工身穿运动短袖衫和短裤，小腿上明显淤青，双臂卷曲于胸前，身...

一个好的思考模型，追求的是在难题上花更多的 token、维持连贯的中间推理结构、探索不同的解题路径、保留足够的内部计算来真正提升最终答案的正确性。更理想的情况是，模型能自己根据问题的难度来判断需要思考多久，简单的问题直接回答，复杂的问题多想一会儿，特别难的问题花大量算力去推理。举个例子，一个编程智能体需要把生成的代码放到真实的测试环境里执行，推理端在等执行反馈的时候会卡住，训练端因为缺少完成的轨迹

市面上很多 AI 产品追求的是“你什么都不用管，我帮你搞定一切”，听起来很美好，用起来也确实省事，但代价是你失去了掌控感，也失去了把作品打磨到极致的机会。你可以加上那个只有你才会想到的细节，你可以抓住模型遗漏的东西，你可以按照自己真正的思维方式和工作习惯来塑造最终的成果。你的快捷方式，你的工作模式，你的审美品味，这些东西应该被工具学习和适应，反过来就不对了。整个过程里，你的参与感其实很低。它假设你

受访者是罗福莉，一位在 AI 圈履历相当特殊的研究员：她曾在阿里达摩院工作，后来加入 DeepSeek，是 DeepSeek V2 的核心作者之一，再后来被小米千万年薪挖走，成为小米大模型团队 MiMo 的负责人，主导研发了 MiMo-V2 系列模型。第二天，她开始把日常生活和工作中的事交给它做，发现它全部都做出来了。她把自己的 MiMo 模型接进 OpenClaw 之后，发现一个中层水平的模型，

传统的做法是，每次你想问 AI 一个问题，AI 都要重新翻一遍你的所有资料，找到相关的再回答你（这叫 RAG，检索增强生成）。对于普通人来讲，其实这是最好的实现方式，你不需要自己搭建整个 LLM Wiki 架构了，你只需要在支持 Skill 的 Agent 当中运行这个 skill，它就自动帮你搭建这种架构。知识库创建完成之后，我们就可以把素材存到知识库了，比如，我看到一篇关于 AI 行业洞察的公

但 Boris 的经验表明，工具层面的差距很容易追平，真正拉开差距的是你有没有勇气重新设计整个工作流程，让 AI 深度参与到每一个环节里。这需要的不仅是技术能力，更是组织变革的决心。他预测一年之后，模型会更加 aligned，现在那些围绕安全做的机制，比如 prompt injection 防护、命令静态验证、权限模式、人工确认环节，都会变得不那么重要，因为模型自己就能做出正确的判断。当编码的门槛

也就是说，将近一半的 Skill 存在需要整改的安全问题，只有那 9 个纯文档类的 Skill（比如 copywriting、find-skills、systematic-debugging 这些）因为本身没有可执行代码，才拿到了“通过”的评价。这是传统代码审计清单里完全不会出现的维度，但在 AI 智能体的语境下，它可能是最致命的攻击面之一。这次任务我是使用的云端 JVS Claw 跑的，按照市面

微信是不断地是适应这个 AI 时代的，从两个月前的 AI 搜索，到今天的 AI 聊天，它选择的路径不是让用户去适应 AI ，而是让 AI 融入用户已有的社交生态，让 AI 给社交来赋能，让社交也有了新玩法。当然了，这次元宝是以聊天好友的形式呈现的，你可以加它为微信好友，它就会常驻你的聊天记录和通讯录之中了，我们就可以随时随地打开微信，跟它聊天、提问、互动。星球内有很多干货，有 AI 工作流，Coz