登录社区云,与社区用户共同成长
邀请您加入社区
版本/事件时间核心变化项目启动2024 年初基于 Spring AI 开始构建正式开源2024 年 9 月Spring AI Alibaba 开源1.0 GA2025 年生产就绪的企业级框架1.1.2.02026 年 2 月Agent Skills 支持、多智能体并行执行增强1.1.2.12026 年DashScope Starter 迭代1.1.2.22026 年当前最新稳定版本。
文章摘要: AI时代为前端开发者提供了全新的全栈开发路径,摒弃了传统后端驱动的拼凑模式。新模式以前端为主导,借助AI工具实现精细化页面设计,反向推导接口和业务功能,并通过Skill规范保障代码安全与统一。核心流程包括:需求分析、AI辅助页面设计、前端反推API、Skill规范开发、联调测试及管理端扩展。这种模式充分发挥前端在用户体验上的优势,将交互设计作为系统构建的起点,使全栈开发更高效、更贴合业
对开发者、运营、产品经理和独立创作者来说,真正耗时间的往往不是某一个问题,而是跨工具、跨文档、跨流程的连续执行。探果 Tengo 的价值,正是在这个变化里被放大:它不是只提供一次对话,而是尝试把 Skills、Agent、APP 自动化和安全沙箱组合成一个可交付结果的个人 AI 工作流入口。但日常工作里,还有另一类更高频的问题:需求文档散在不同地方,会议记录要整理,表格要分析,素材要归档,内容要发
采用基于 Docker / Kubernetes / Modal 的安全沙箱,将 Agent 所有的破坏性潜力隔离在虚拟文件系统内,提供完善的凭证传递与审批引擎(Human-in-the-loop)。早期为了特定场景不得不采用“一个任务配置一个 Agent”的烟囱式开发,System Prompt 沦为包含人设、约束、示例的千字“大作文”,极难维护。Agent 架构历经数年演变,“形”未变(依然是
当前正处在一个有意思的阶段:AGI 还没有完全到来,人类与 AI 处于一个协作期。未来的管理者需要同时具备两种能力:对「系统」的理解。无论是 Agent 系统还是人类团队,本质上都是一个输入-处理-输出-验证的系统,都有自己的输入质量问题、通信损耗问题、纠错机制问题和涌现行为问题。管理者的四项核心逻辑这些逻辑并不是凭空出现的。如何让一个复杂系统在不确定环境中持续稳定地完成任务。Agent 只是把这
大模型方向面试,和传统后端面试完全不一样。后端八股背完就能说,大模型面试你得**真做过项目、真踩过坑**,面试官一追问细节就露馅。
TDD实践:Python优惠券计算系统开发 本文通过电商优惠券计算系统的开发案例,展示了测试驱动开发(TDD)的"红绿重构"循环。TDD要求先编写失败测试(红),再实现最小化代码使测试通过(绿),最后在测试保护下重构代码。作者以Python实现优惠券系统为例,演示了如何处理满减规则、VIP折扣、最低价格保护等业务逻辑。该方法强迫开发者优先考虑接口设计而非实现细节,有效避免了边界
HoroAI智能招聘平台通过AIAgent架构重构传统招聘流程,实现从被动辅助到主动调度的范式升级。其核心技术包括:主动监控多维度信号的任务调度机制、六维语义评分模型(技能/经验/稳定性/潜力/文化/综合)、企业知识库增强的JD生成,以及多模态面试分析功能。平台还提供量化AI效能的四维数据看板,将招聘流程转变为"AI主导+人工决策"模式,显著提升HR工作效率。该架构为HRSaa
AI Agent重塑金融业协作模式 2026年,AI Agent在金融行业的落地速度超预期,全面重构前台交互、中台风控与后台运营。国内银行已实现规模化应用:工行覆盖30+业务领域500+场景,建行赋能398个场景,招行计划2025年替代1556万小时人工效能。 核心应用场景: 零售业务:智能客服7×24小时响应,千人千面理财推荐,OCR自动开户审核。 信贷审批:AI生成尽调报告(时间从3天缩至20
AI客服Agent:从问答到转化的全链路技术解析 本文深入拆解AI客服Agent如何通过技术架构实现7×24小时拟人化服务、自动留资、线索推送及沉默客户追访的闭环转化。传统规则引擎客服因关键词匹配局限导致流量流失,而基于大语言模型(LLM)的AIAgent具备语义理解、多轮对话管理和工具调用能力,升级为“主动转化引擎”。 核心能力实现: 拟人化问答:结合RAG(检索增强生成)技术,从向量数据库动态
摘要: 2026年8月,AI算力底层逻辑在芯片、架构和资本三个层面同步重构。芯片层,DeepSeek验证华为950卡可替代英伟达GB200,打破CUDA生态的“不可替代性”神话,推动AI芯片竞争从单极走向多极。架构层,AI Agent爆发导致算力需求从GPU向CPU、内存等全栈资源扩散,云厂商需重新设计算力配比。资本层,英伟达联合华尔街巨头将GPU转化为“生息资产”,撬动5000亿美元资本,重塑算
拓扑就是你的成本模型。当工作可以并行、不同节点需要不同工具或权限、输出需要独立验证、任务必须在中断后恢复、多个循环需要共享状态、成本和权限必须由路由控制时,再转向图。分类器是概率性的,允许的路由是确定性的。图工程则像城市路网:节点是路口、边是允许通行的方向和携带的数据,系统自己决定哪些路段可以同时跑、哪里需要汇合、哪里出故障只影响局部。我起初以为把提示写得更长、把循环做得更聪明就够了,后来真正把生
摘要: 2026年物流行业财务风控进入深度数智化阶段,AI Agent技术成为解决账龄预警与回款追踪痛点的核心方案。主流技术路径包括实在智能的TARS大模型(非侵入式数据抓取)、模块化低代码平台(高效并发处理)及垂直供应链金融方案(跨境结算优化)。AI Agent通过动态评分机制和业财闭环,实现从逾期提醒到智能拦截的升级,跨境对账效率提升至分钟级。选型需结合企业数字化水平,大型集团可优先考虑实在A
AI 发展正从效率工具迈向重构业务流程的 Agentic AI 阶段。企业需从战略层面重新设计 AI 工作流,而非零散优化;个人应掌握编程+AI+领域知识的复合能力,重点培养系统设计、判断决策等人类优势。未来软件开发将转向管理 AI Agent 实现需求,教育需更注重实战能力培养。核心在于:用 AI 创造新价值,而非简单替代人力,持续学习能力将成为核心竞争力。
摘要: book-to-skill 是一款将技术书籍转换为 Agent Skill 的工具,通过按需加载章节大幅节省 Token 消耗(24-51 倍)。它支持 PDF/EPUB/DOCX 等多种输入,核心流程包括文本提取、结构化分析和生成 Skill 文件。实测 103 页技术书转换成本约 $1,生成的 Skill 骨架仅 4,000 tokens,每章按需加载约 1,000 tokens。静态
写作这件事,在AI行业被忽视太久了。今年所有人都在讨论一个问题:怎么去除AI味?我在前几天的文章里说,GPT-5.6 Sol配合Skill写东西还不错,下限低,上限高。很多人在评论区找我要写作Skill。Qwen 3.8 Max那篇文章下面也有。4月份我开源过一个卡兹克文风写作的skill。现在看,那个版本太粗糙了。最大的问题是太固化,你只能写成4个月前的我。而且现在模型的协作能力在退步,写的反而
OpenContent V9创新性地采用Skill驱动架构,将企业文档操作、数据治理和AI数据准备等能力封装为标准化的Skill单元,构建统一的能力调用接口。该系统包含基础内容操作、数据治理和AI数据就绪三大类Skill,实现了从功能系统到能力平台的转型。这种架构通过标准化接口和安全执行机制,支持用户、流程、Agent和大模型以相同方式调用能力,同时确保访问安全可控。Skill体系使内容管理从固定
AI 辅助开发的关键不在 AI 本身的能力,而在于人为 AI 建立的约束体系——通过 Skills 技能包注入领域知识、AGENTS.md 沉淀项目规范、飞轮效应让错误只犯一次,将模糊目标转化为 AI 可精确执行的高质量指令,从提出需求到代码合入,甚至本篇分享也是AI生成。
OKF 规范在当前 AI 与知识库架构变革中的卡位极具前瞻性。它不仅是为人类写文档,更是为 AI Agent 梳理世界的逻辑底座。它对于技术团队的最大价值在于:不搞冗余的平台基建,只通过约定底层契约(Markdown + Front-matter YAML),让 Agent 能够以趋近于零的适配成本,迅速读懂物理系统的规则,并将静态知识高效转化为动态生产力。
就是新版架构的核心核心。区别于行业固定功能的AI助手,平台支持全维度自定义智能体,让AI从“工具”升级为可自主工作的“数字员工”。开发者可自主选择模型供应商、调节模型温度、上下文轮数、最大Token等核心参数;支持自定义提示词模板、变量占位、对话规则,适配不同业务场景的输出规范。在交互层面,全面优化对话体验,支持全网搜索、附件解析、代码执行、公式渲染、话题推荐、快捷指令等数十项精细化配置。同时,智
结合 IDC 行业数据解读 2026 网络安全发展趋势,重点分析 AI Agent 身份安全、AI 规模化 API 攻击两大核心变化,拆解新型攻击手段与企业全生命周期 API 防护方案,文末附带全套网络安全学习资源。
站在2026年这个时间节点回望,全球跨境贸易的竞争维度已经发生了根本性逆转。过去依靠流量红利与人海战术的“数字化”时代已成过往,以的。它正在通过重构底层生产关系,为跨境增长建立起一套全新的、以任务交付为导向的效率基准。
作为一名同时运营技术公众号的内容创作者,我曾被碎片化的 AI 工具链严重拖慢效率。深度使用 WorkBuddy 三个月后,我利用它的跨会话记忆、Skill 体系和多 Agent 并行协作能力,将 AI 日报生成从 90 分钟压缩到 8 分钟,深度调研从 4 小时压缩到 30 分钟。本文完整复盘了我的 WorkBuddy 工作流搭建过程、配置清单和量化收益,为内容创作者和独立开发者提供一套可复用的
复杂 Skill 不能继续堆长 prompt,真正稳定的做法是显式建模状态、边界和检查点
文章摘要: ToDesk推出AI远程操控工具ToDesk AI,融合远程控制与AI技术,支持自然语言指令执行、多设备集群调度及安全可视化操作,适用于文件处理、跨团队协作等复杂场景。对比腾讯单机工具QClaw,ToDesk AI凭借远程基因、云端算力和全流程实操能力,在异地办公、批量任务处理上优势显著,尤其适配企业运维及高效办公需求。二者定位差异明显:QClaw适合轻量本地需求,而ToDesk AI
作为正在把AI Agent推向生产环境的开发者,你大概率遇到过这样的真实卡点:为一个明确的业务需求写好一个Skill——比如把一个搭建在Framer或Webflow上的营销站完整迁移到Vercel自托管代码。Skill跑完后,页面结构、内容、导航基本对得上,但下拉菜单的切换图标突然消失了,视觉上像被砍掉了一块。手动翻页检查、补图标、验证交互,单次任务还能扛,任务一多,这种“80分就交卷”的Skil
AI Agent正在重构的不是临床科研的某个环节,而是科研本身的组织方式。当文献挖掘、因果推演和试验设计三个环节被AI Agent串联成一条可迭代、可溯源的闭环链条时,临床科研的节奏将从“月级”压缩到“小时级”,而你将从“执行者”进化为“指挥者”——提出临床问题、监督AI推理、审核最终结论。你不再需要成为全能的科研多面手,你需要的是成为一个懂得指挥AI团队的临床科学家。
2026年2月,一个戏剧性的转折出现在AI行业:Anthropic的Claude应用首次超越ChatGPT,成为美国App Store免费榜第一名。这个变化来得如此突然——就在一个月前,Claude还徘徊在第131位。但这一次,驱动排名的不是新功能发布,而是一场关于的公众辩论。当ChatGPT因与五角大楼的合作引发用户抵制时,数千万人转向了Claude。这不仅是排名的更替,更是AI消费市场信任转向
数据形态,现在具身智能有很丰富的数据形态,从传统的遥操作数据,到UMI数据,再到我们最近和英伟达有一个基于EgoScale框架的合作,是用POV数据观测自己的双手怎么去做,没有佩戴任何其它辅助设备,也有很好的预训练效果。我印象特别深刻的是,有一次我们有一个电机,老是出现一些不规则的、难以预测的损坏情况,我们当时觉得很奇怪,为什么在我们友商那里,用同样的电机,他们没有碰到这样的问题。例如很多团队已经
这个数字和规模,让 Atlas 与 Optimus 之间的竞争,在某种程度上,这个愿景的商业价值毫无疑问是巨大的,但每一个宏大愿景,都需要无数个平庸的执行步骤来支撑,而特斯拉在这件事上「长期承诺未兑现」的历史记录,让投资者越来越难以给予足够的耐心。例如,当年花大价钱买下了波士顿动力的韩国现代集团,就正式宣布,在今年 CES 上亮相的 Atlas 机器人,将在 2 年后的 2028 年,正式进入工厂