铃阅
❌

普通视图

Gemini 4 Hydrogen首批实测来了!谷歌把速度卷疯了,真不给同行留活路...

2026年11月16日 10:46

原创 小林coding 2026-11-16 10:46 北京

怎么感觉谷歌才刚发完新模型,转眼又蹦出来一个 Gemini 4 Hydrogen?

仔细算算,短短六周时间里,谷歌已经一口气放出了三款 Gemini 4 模型,分别是 Carbon(碳)、Argon(氩)和这次的 Hydrogen(氢)。

其中 Carbon 和 Argon 都是主打深度推理的大哥,而最新登场的 Hydrogen 走的是性价比路线,主打一个又快又便宜,明摆着是冲着对标 GPT-6.1 Sol 和 Claude Sonnet 5.5 来的。

我去查了一下AA榜单也确实如此,Gemini 4 Hydrogen 的智能评分是 54 分,和老牌主力 GPT-6.1 Sol、Claude Sonnet 5.5(都是 55 分)只差 1 分,甚至还顺手把自家定位更高的二哥 Argon(50 分)和隔壁的 GPT-6.1 Terra(51 分)都给反超了。

除了智商意外能打,它这次把「快」和「稳」也拉满了。

官方给的数据是速度比上一代 3.8 Flash 快了 2.5 倍,API 定价也压到了每百万 Token 输入 1.5 美元、输出 7.5 美元,而且原生支持 100 万上下文和 100 万输出。

隔壁同梯队的 Claude Sonnet 5.5 单价是输入 2 美元、输出 10 美元,拉满思考档位跑下来,单任务成本差不多是 Hydrogen 的三倍多。

如果想在 Google Antigravity 里使用的话,就得订阅谷歌的 Pro 套餐,然后就可以直接用上 Gemini 4 Argon、Gemini 4 Hydrogen 了。

不过话又说回来,点开模型列表看到下面那个灰掉的 Gemini 4 Carbon,还是有点让人想吐槽,它居然锁死了只有 Ultra 套餐才能用。

说实话,这一点是真有点败好感。

毕竟不管是 OpenAI 还是 Anthropic,大家充个 Pro 会员好歹全系模型都能摸上一把,谷歌偏偏把最强的 Carbon 卡在更贵的档位里。

Gemini 4 Hydrogen 这回表现相当越级。那它实际干活到底行不行,速度真有那么神吗?

这个周末我也爆肝实测了一整天,下面直接从 3D 网页、3D 游戏、前端设计、制作视频这四个场景拉出来溜溜,看看 Gemini 4 Hydrogen 和 GPT-6.1 Sol、Terra 到底谁更顶。

────01|3D网页────

3D《清明上河图》

《清明上河图》这幅画大家小时候在课本上都见过,一条汴河穿城而过,河上有船,桥上有人,两岸全是铺子,细节多到看不过来。

让模型把它做成 3D,既看建模能力,也看模型到底懂不懂这幅画。提示词就一句话,没给任何参考图,让三个模型各自发挥。

先看 Gemini 4 Hydrogen,4 分钟就交卷了,我泡的茶都还没凉。

看来 Gemini 4 Hydrogen是真理解这幅画,河、桥、船、城门、街市都在该在的位置。

而且场景里标的孙羊正店、虹桥、汴京城门,都是原画里真有的地方,不是随便编几个古风名字糊弄人。

再看 GPT-6.1 Terra,用了 7 分多钟。

结果打开我就有点想笑。

两岸房子整整齐齐排成两列,绿瓦白墙一模一样,不知道的还以为穿越到了北宋统建安置小区。树长得像一朵朵大花椰菜,船也极其敷衍。最绝的是街上那几个人,全部站在原地一动不动,说好的「热闹街市」,硬生生玩成了大型「一二三木头人」。

时间多花了快一倍,效果反而不如 Hydrogen。

最后是 GPT-6.1 Sol,这一等就是整整 17 分钟。

Wait,等是真煎熬,但交卷那一下我还是得说一句,好看是真好看。整个页面像一本精装画册,桥上桥下挤满了人,这才有点「热闹」的意思。

问题是,这 17 分钟,都够 Hydrogen 在旁边写完四遍了。

单论颜值和精细度,我把票投给 Sol,Hydrogen 第二,Terra 垫底。但要算上时间,4 分钟交出这个效果的 Hydrogen,性价比是真的香。

3D鱼缸

接下来,来做一个3D鱼缸对比看看,重点看鱼群游动和避障自然不自然。

先看 Gemini 4 Hydrogen,这轮跑了 8 分钟。

整体走的是写实路子,鱼游起来是真有小鱼的感觉,而且仔细看,二十条鱼的颜色一条都不重复,这个细节我挺意外的。

再看 GPT-6.1 Terra,用时 7 分钟出头

第一眼页面排版挺小清新,但往缸里一看就有点出戏。鱼做得扁扁平平的,像一张张彩色卡片在水里飘,少了点活鱼在水里拐弯摆尾的质感。

最后是 GPT-6.1 Sol,等了足足 25 分钟。

Sol 的产品审美还是没得说,从网页标题到投食交互都透着一股慢生活的高级感。

但 25 分钟的等待确实太劝退了。如果要我日常拿来打样,8 分钟交出写实效果的 Hydrogen 显然更趁手,你觉得呢?

3D马里奥卡丁车

来手搓一个 3D 版《马里奥卡丁车》,提示词如下。

我是真没想到,Gemini 4 Hydrogen  只用 3 分钟就做好了,一瞬间我都怀疑它是不是偷工减料了。

结果点开一看,居然连选人界面都主动给加上了,四个角色排开,旁边还有 3D 展示台,排面倒是拉得很足。

正准备夸它呢,一点开始比赛我就笑不出来了。这追尾视角怎么不是向前看的,而是直接怼着马里奥的脸在倒着开啊,这谁开得动?

好在把问题截图甩回去之后,Hydrogen 只用 1 分钟就定位到了方向向量搞反的 Bug,直接一把修好。

修完我直接跑完了一整场,漂移、吃道具、加速都能正常触发,手感居然还挺顺,最后稳稳拿了个第一。

隔壁 GPT-6.1 Sol 这次足足跑了 51 分钟。质感确实比 Hydrogen 好一些,角色一眼就能认出是谁,赛道也更有卡丁车那味儿。

GPT-6.1 Terra 倒是很快,6 分钟就交卷了。但打开画面就很草台,车手顶着个纯色光头坐在积木盒子里,透着一股赶工出来的半成品味。

从这几个案例来看,GPT-6.1 Sol 的效果确实比 Hydrogen 好,但这是拿几倍的时间换来的。

所以为了公平,后面的案例我只拿 GPT-6.1 Terra 和 Gemini 4 Hydrogen 对比。两个模型耗时差不多,在差不多的时间里比效果,才更有意义。

────02|前端页面────

APP原型设计

接下来切回日常开发更常用的场景,看看做移动端 App 原型的审美和产品思维。

我让 Gemini 4 Hydrogen 给一款养宠 App「毛孩子日记」设计宠物主页和日记详情页,提示词如下。

Gemini 4 Hydrogen 5 分钟就做好了,快是真的快,出品如下:

虽说摆脱了以前那种土味蓝紫渐变,但还是能一眼看出 AI 的影子。整个页面恨不得把每一寸空白都塞满功能卡片,配图也是自己用代码画的卡通小猫,看久了眼睛挺累的。

再看同耗时 5 分钟的 GPT-6.1 Terra。

高下立判。Terra 这一版明显懂得什么是留白,真实感猫咪照片加上清爽的版式,看着就舒服很多。

我又换了一款「寻宠 App」继续让它俩 PK。

先看 Gemini 4 Hydrogen 的版本。

依然是各个角落都塞得满满的。不过平心而论,它这次的首页结构其实更实用,搜索、筛选、悬赏和走失特征一屏就能扫完,真急着找狗的时候效率是高的。

再看 GPT-6.1 Terra 的版本。

前端样式确实更好看一些,但首页的信息密度太低了,上半屏全用来铺情怀大字和氛围卡片了,真正该看的走失列表被挤到了最底下,信息密度低了点,好看是好看,找起宠物来可能得先往下划半天。

这么两轮比下来,两个模型的性格基本就摸透了。

要高级感和呼吸感,Terra 确实更会设计,但要讲究功能塞得全、首页信息一眼直达,Hydrogen 这位「务实直男」反而更懂干活。

后台原型设计

后台我出了个研发同学都熟悉的场景,让 Gemini 4 Hydrogen 设计一个发布监控后台。支付服务灰度到 30% 后错误率突然升高,值班工程师要一眼看出问题出在哪。

Gemini 4 Hydrogen 依旧保持了它的「闪电手速」,3 分钟搞定。

只是点开之后,我差点以为自己进了个运维监控大屏。整个页面黑底红字塞得密密麻麻,连最基本的左侧导航菜单树都没做,就硬把所有东西摊在单页里。要是半夜被报警电话吵醒,值班工程师一睁眼看到这么满的屏幕,估计血压先飙上来了。

再看花了 6 分钟的 GPT-6.1 Terra。

虽说耗时翻了一倍,但差距摆在这里,这才是正常公司里能用的后台系统。浅色底加上清晰的左侧导航栏,核心指标和发布记录分得干干净净,一眼就能找到出错的服务和回滚按钮,看着舒坦多了。

把前面两个 App 和这个后台放到一起看,结论其实很直白了。

Hydrogen 写代码速度没得挑,但在正经前端原型和 UI 审美这块,确实还是「把东西往死里塞」的老毛病,谷歌后面真得好好给它补一补审美这门课了。

────03|制作视频────

科普动画

先来测个短平快的视频任务,让模型直接输出一段 30 到 45 秒的横屏科普动画,给小学生讲清楚操场上的小水滴是怎么蒸发、凝结,最后又变成雨滴落回地上的。

Gemini 4 Hydrogen 用了 9 分钟就直接交出了一条 1080p 成片。

整体看下来完成度很高,小水滴从操场一路飞到高空遇冷,画面细节丰富、镜头过渡也连贯,小学生看着不容易走神。

拿 GPT 6.1 Terra 用同一个提示词跑了一遍,它甚至更快,耗时近 5 分钟就完事了。

不过两版放一块儿对比,差距一下就看出来了。

Terra 这版虽然步骤也能讲明白,但画面偏扁平单薄,场景和动态变化都太少,看着有点像加了动效的教学课件。

这一轮明显还是 Hydrogen 更有「动画片」那味儿。

《乌鸦喝水》动画

这次把自由度彻底放开,只让模型做一部适合小学生看的横屏《乌鸦喝水》动画短片,画风和镜头全让它自己发挥。

Gemini 4 Hydrogen 用了 26 分钟出片,直接憋出了一段一分半多的绘本风短片。

视频如下,你们可以打开视频看看

先吐槽个老毛病,它的语音还是那股机械味,一听就挺出戏。

好在文案和画面整体都很能打,色调舒服,故事节奏和氛围也拿捏得不错。家里要是有小朋友,想用更直观的方式给娃讲个寓言故事,拿 AI 这样搓一段动画出来还真挺实用的。

GPT 6.1 Terra 这边就离谱, 6 分钟就搞定了。

有意思的是,Terra 刚好和 Hydrogen 反着来。它的旁白语音听着比 Hydrogen 自然顺耳一些,但画面还是老问题,太简陋了,整片看下来元素和动作变化不多,稍微差点意思。

────最后────

实测下来,Gemini 4 Hydrogen 给我最深的印象就一个字,快!

大部分任务 3 到 9 分钟就能交卷,3D 场景、小游戏、科普动画的完成度都不低。速度跟 GPT-6.1 Terra 差不多,效果却比 Terra 好上一大截。

要是跟 GPT-6.1 Sol 比,效果还是 Sol 更好,但动不动就得等几十分钟,实在太慢了。

Gemini 4 Hydrogen 短板也很明显,一做前端页面就恨不得把每个角落都塞得满满当当,少了点留白的设计感。

所以在我看来,Gemini 4 Hydrogen 就是用 Terra 的速度,交出了比 Terra 更好的效果。

最后关于写作方面,我也出了一个题,写一封情书。

这是 Gemini 4 Hydrogen 写的:

这是GPT6-Sol 写的

你们觉得谁写更好呢?

跳转微信打开

Anthropic开源神级项目,专治黑心AI中转站!

2026年11月14日 15:26

原创 小林coding 2026-11-14 15:26 北京

大家好,我是小林。

现在用 Claude、GPT 这些模型,很多同学走的都是中转站,便宜,还不用折腾账号。

但用久了总会有一种说不清的感觉,同样标着 Opus,今天聪明得像个架构师,明天笨得像刚入职的实习生。

那问题来了,你花钱买的那个模型,中转站真的给你了吗?

说实话,这件事以前只能靠猜。

直到 11 月初,Anthropic 开源了一个叫 FlashProve 的项目。

简单来说,这个项目是让模型厂商在返回回答的同时再交一份凭证,证明这条回答确实是你选的那个模型算出来的,这样真假不用再猜,自己验一下就知道了。

除了放出代码,Anthropic 还专门写了一篇博客,叫「大语言模型可证明推理的进展」,把为什么要做这件事从头讲了一遍。

更有意思的是,这篇博客讲动机的时候直接点了中转站的名,说模型可能被中转站出于成本原因偷偷换掉。

好家伙,这说的不就是中转站掺水吗?

这次我就带大家一层层拆开 FlashProve,看看套壳模型到底是怎么被识别出来的。

────01|中转站是怎么掺水的?────

先看一次请求是怎么走的。

你在客户端里选了 Opus,请求先发到中转站,中转站再转给上游的服务商,最后才落到某个模型上,回答再沿着原路返回。

整条链路上,你能看到的只有最后回来的那段文字。至于中间到底是谁在回答,完全是个黑盒。

所以掺水的成本非常低。你付的是 Opus 的钱,中转站把请求转给一个便宜几倍的模型,再把回答原样塞给你,差价就到手了。

更鸡贼的做法是掺着来,十次请求里八次给真货,两次换成便宜货。你就算觉得今天的回答有点笨,也只会怀疑是不是自己的提示词没写好。

────02|为什么一直验不出来?────

看到这估计有同学就问了,验个真假而已,有这么难吗?

我们把能想到的办法挨个试一下。

最容易想到的是直接问模型「你是谁」。可惜这招基本没用,中转站只要在系统提示词里加一句「你是 Claude Opus」,随便哪个模型都会乖乖照着念。

那问一些只有新模型才知道的事情呢?或者对比回答风格、检查返回字段?这些办法社区里都有人在用,但说到底都是在看长相,长得像不代表就是本人。碰上一次答错,你也分不清是模型本来就会错,还是被换了。

真正靠谱的办法其实只有一个,拿到那个模型的权重,自己用同样的输入再跑一遍,看输出对不对得上。

但这条路普通人根本走不通。Claude 这种闭源模型,权重是厂商的命根子,不可能给你。就算是开源模型,几百 GB 的权重加上高端显卡,也不是谁都跑得起的。

所以问题就变成了,有没有一种办法,不用看到权重,也不用自己重跑一遍,还能确认回答确实是那个模型算出来的?

听起来有点既要又要对吧,FlashProve 干的就是这件事。

────03|FlashProve 怎么验明正身?────

FlashProve 的思路很直接,别听服务商怎么说,让服务商拿证据。整个流程分成三步。

第一步,给权重留指纹

模型说到底就是一大堆权重参数,权重定了,这个模型也就定了。

所以第一步,模型厂商先对着自家权重算出一个很短的「指纹」,然后把指纹的 ID 公开出去。

这个指纹有两个特点。一是绑得死,权重哪怕只动一个数,算出来的指纹就完全不一样。二是反推不了,拿着指纹看不出权重长什么样。写过后端的同学应该很熟悉,这和存密码时只存哈希值是一个路数。

第二步,每条回答配一份凭证

指纹只是把模型钉住了,还得有东西能说明,某一条回答真的是这个模型算的。

所以第二步,服务商每处理一个请求,都要用 GPU 额外算出一份「凭证文件」。这份凭证说的是这样一句话,「指纹对应的那套权重,吃进这段输入,算出来的就是这几个输出 token」。

注意这句话里同时绑了三样东西,权重、输入、输出。三样里任何一样被换掉,这份凭证就废了。

第三步,用户自己验

最后一步轮到用户。你手里拿着四样东西,从可信渠道拿到的指纹、自己发出去的提示词、收到的回答、服务商给的凭证文件,一起丢进验证器里跑一下。

验证器不需要 GPU,也不需要权重,用 CPU 跑二十秒左右就出结果。对得上就输出 YES,对不上就是 NO。

────04|不看权重,凭什么信?────

流程看着挺顺,但你仔细想想,这里有个地方很反直觉。

模型跑一次推理,背后是天文数字级别的乘法和加法。验证的人既没有权重,也没重新算一遍,凭什么二十秒就敢说「算得没错」?

FlashProve 能做到这一点,背后用的技术叫 zkSNARK,名字很唬人,我用一个查账的例子把思路讲清楚。

假设你是老板,外包团队交上来一本一百万笔的流水账,你想确认里面没有假账。老实的办法是一笔笔重算,这就相当于自己把模型重跑一遍,太贵了。

那随机抽查一百笔行不行?

不行。对方只要在一百万笔里改一笔,你抽中的概率只有万分之一,基本等于白查。

FlashProve 的办法可以拆成三招。

第一招,先让对方把账本加工一遍。

按照一套固定的数学规则,把原账本展开成一份更长、带大量冗余的版本。这套规则有个很妙的性质,原账本里哪怕只改了一笔,加工后的版本会有一大片地方跟着对不上。原理上和通信里的纠错码是一家,纠错码是给数据加冗余,这里是给计算过程加冗余。

这样一来小谎就被放大成了大谎,随便抽几处都很容易撞上。

第二招,先封存再抽查。

对方得先给加工后的账本算出一个哈希树的根交上来,等于交卷封存,之后再想改任何一处,哈希都对不上。

第三招,抽哪里由哈希说了算。

抽查的位置是拿前面交上来的内容算哈希得出来的,对方没法提前知道会查哪里,也没法挑着对自己有利的位置给你看。

三招合起来,造假的人就被逼进了死角。账本封存之后才知道要查哪里,而任何一处假账都已经扩散得到处都是,想蒙混过关,就得去攻破哈希函数。

这就是 zkSNARK 技术名字里那个 S 的含义,Succinct,简洁。验证的人只需要检查少量抽查点,工作量比重算一遍小了好几个数量级。

那前面的 zk 呢?zk 是零知识(zero-knowledge)的缩写。加工账本的时候会掺进去一些随机数,所以你抽到的那些位置看起来就是一堆乱码,拼不出原账本的内容。

对应到 FlashProve,用户能确认回答是那套权重算的,但看不到权重,看不到中间的计算结果,连模型每一层调用了哪几个专家都看不到。

这一点对 Anthropic 太关键了。大家都知道 Anthropic 这两年最烦的就是被蒸馏,要是每发一份凭证都漏一点权重信息,那等于是在给别人送素材。

────05|套壳会在哪一步露馅?────

原理讲完,回到大家最关心的问题。

假设未来 Anthropic 真的给 Claude 接上了这套东西,指纹也由官方公布,中转站再想掺水会卡在哪里?

拿三种作弊手法走一遍。

•第一种,偷换模型。 中转站收了 Opus 的钱,把请求转给了便宜模型。这时候你让中转站把凭证一起交出来,中转站就傻眼了。凭证文件必须由手里有权重的人来算,而便宜模型的权重和官方公布的 Opus 指纹对不上,硬算出来的凭证,验证器一验就是 NO。 

•第二种,张冠李戴。 中转站学聪明了,偶尔真的调一次 Opus,把拿到的合格凭证存下来,以后贴到便宜模型的回答上。这招也不行,前面说过每份凭证都把输入和输出绑死了,回答里哪怕只差一个 token,或者提示词换了,这份凭证就对不上。 

•第三种,伪造凭证。 干脆自己编一份能通过验证的凭证?这相当于要攻破背后的哈希函数,成功的概率小到可以直接当成零。 

你发现没有,这三种手法能被堵死,靠的都是同一件事,每份凭证都把「哪套权重」「什么输入」「什么输出」捆在了一起。

问「你是谁」,验的是模型嘴上怎么说。FlashProve 验的是这次计算到底有没有发生过,嘴可以骗人,计算过程骗不了。

────06|以前为什么没人做成?────

对了,用零知识证明给模型验身,这个想法其实早就有了,区块链圈玩零知识证明也玩了很多年。那为什么一直没人做成?

两个字,太慢。

Anthropic 在博客里举了个例子。这次实验没用自家的 Claude,用的是 Meta 开源的大模型 Llama 4 Maverick,参数量有 4000 亿。同样是给这个模型生成凭证,之前一套叫 VerInf 的方案,处理 1000 个 token 要 14.3 个小时,凭证文件有 93.6 GB,光验证就花了将近一天。验一条回答要等一天,这谁受得了。

FlashProve 把这几个数字压到了什么程度?一张 H100 显卡,24 个请求攒成一批,223 秒算完,折合每秒处理 110 个 token。每份凭证 18.78 MB,验证只要 17 到 21 秒。

那 FlashProve 是怎么快起来的?

Anthropic 自己说得很实在,没发明什么全新的方法,是把学术界现成最好的几块积木拼到了一起。

我挑两个好理解的点说一下。

一个是只给真正干了活的参数算凭证。Llama 4 Maverick 是混合专家(MoE)架构,4000 亿参数里,每个 token 实际用到的只有 170 亿左右。生成凭证的工作量跟着这 170 亿走,一下就省掉了九成多。

另一个是事后批量生成凭证。回答照常先返回给用户,生成凭证的活放到另外的机器上,攒够一批再一起算,一个请求大概等五分钟能拿到凭证文件。这样凭证算得再慢,也不拖累你聊天的速度。

────07|中转站真要凉了吗?────

讲到这里,估计不少同学已经准备去给中转站点蜡了。

先别急,我得泼几盆冷水。

第一盆,指纹得有人背书。

假如黑心中转站自己拿个小模型算一份指纹,告诉你「这就是 Opus 的指纹」,后面的凭证文件照样能通过验证。因为验证器只管输出和指纹对不对得上,不管指纹背后是谁。

这和 HTTPS 很像。服务器的签名能说明自己手里有私钥,却说明不了自己就是银行,所以才需要 CA 给公钥盖章。

FlashProve 的指纹也需要这么一个盖章的角色,官方文档写得很明白,指纹必须从你信任的渠道拿,绝不能从被检查的那台服务器拿。可目前这套发指纹的机制还不存在。

第二盆,得厂商自己愿意出凭证。

凭证文件只有手里有权重的人才算得出来,也就是说要 Anthropic、OpenAI 这些厂商亲自下场。

而这次实验用的是 Meta 的开源模型,Anthropic 从头到尾没说 Claude 什么时候会用上,仓库首页也写着这是个研究原型,不维护,不接受贡献。

第三盆,又贵又短。

生成凭证消耗的 GPU 时间是正常推理的 70 到 95 倍,这笔钱谁来出?

上下文目前最长只支持 1024 个 token,我们平时用 Claude Code 写代码,一轮对话动不动就是几万 token,完全不够用。

第四盆,正常的回答都可能验不过。

这一条最容易被忽略,我觉得也是最要命的。

FlashProve 的凭证针对的是一个整数版本的模型,而且要求每个 token 都是模型打分最高的那个。可线上真实的服务用的是浮点计算,生成时还带随机采样,两边的结果本来就不会完全一样。

差多少呢?Anthropic 自己测过,整数模型和 16 位精度的模型相比,有 6.81% 的位置首选 token 不同。他们从两个推理引擎各取了 96 条正常回复去验,按最严格的规则,一条都没通过。

所以实际用的时候只能放宽规则,不要求每个 token 都是第一名,只要和第一名的分差别太大就行。可规则一松,漏洞也跟着来了,官方文档自己也承认,限制设得宽松时,几乎什么输出都能通过。

第五盆,验的只是权重。

就算上面这些都解决了,FlashProve 能回答的也只有「这几个 token 是不是那套权重算出来的」。

回答有没有被提前掐断,模型答得对不对,都不在验证范围里。

也就是说,被截短的回答会被当成一条更短的回答正常通过。所以凭证验过了,只能说明模型没被换,不代表说模型有没有被降智。

────最后────

回到大家关心的问题,Anthropic 这个开源项目,会把中转站干掉吗?

短期内还是很难干掉。成本、上下文长度、指纹的发布机制,哪一样都还没到能上生产的程度,Anthropic 自己都还没说要给 Claude 用。

但我觉得方向是对的。以前我们用模型,服务商说是什么就是什么,全靠信任。

FlashProve 在 4000 亿参数的模型上,把给一条回答出凭证的时间,从等一天拉到了等几分钟。以前这件事贵到想都不敢想,现在虽然还是很贵,但已经是一笔算得过来的账了。

等到哪天成本再降一两个数量级,官方 API 的每条回答都附带一份凭证,中转站再想掺水,用户自己一验就露馅了。


参考文章:https://www.anthropic.com/research/provable-inference

阅读原文

跳转微信打开

工资到账119587.68元,爱你字节!

2026年11月13日 14:12

小林coding 2026-11-13 14:12 北京

最近一张月薪11万+的工资条,在程序员圈子里炸开了锅。

原来是一个字节员工从传统开发岗成功转岗到agent开发岗,薪资直接飙升到让人眼红的高度,评论区网友满屏的“羡慕嫉妒”、、、

在DeepSeek等大模型技术的持续爆发下,生成式AI和大模型技术呈现爆发式增长,agent工程师和大模型岗位再度迎来“黄金爆发期”。

2026届校招数据显示,AI大模型工程师月薪中位数已逼近3万元,顶尖人才的年薪更是突破百万,远超前后端、运维、嵌入式等传统技术岗位,成为程序员群体中的“薪资天花板”。

(以上信息来源网络)

AI的快速发展也给很多程序员带来更多的机会,很多公司都投入了巨量资源,把人工智能作为下一阶段的主要发展方向,字节,腾讯,京东等大厂增加了很多AI部门,扩招大量的大模型和agent人才。

所以在大模型、生成式AI这些领域,各家公司都给足了诚意,像DeepSeek最近热招的大模型全栈工程师等AI核心岗位更是开出了11W*14薪的天价薪资,年薪高达154万,甚至很多岗位薪资比往年提高40%,给广大程序员带来更高的年龄容忍度。

而对于正在求职,转型的各位同学来说,现在也是最适合拿下AI大模型的红利期。

但是当下求职者的综合能力,尚不足以满足很多企业核心AI岗位的用人标准,关键在于如何拿到这样的高薪,或者是需要具备什么样的技术、能力才能拿到高薪呢?

为了解决以上问题,我们打造了一个《AI大模型工程师培养计划》,它是由国内一线大厂在职的大模型leader亲自主讲,不仅广度上满足大厂的应聘要求,深度上也是符合大厂的用人需求,学完之后和算法岗的需求贴合度至少能达到98%以上。

确保你学习完以后,能够具备在实际工作当中解决实际问题的能力,成为一名合格的AI工程师。

并且该计划承诺在校应届生就业薪资拿不到30W、在职人员最低薪资涨幅低于40%-50%,均可以全额退款。

目前已经有上千位同学通过该计划拿到offer了,平均薪资达到35w+,最新一期学员就业薪资最高能拿到85K!

扫码添加顾问,备注 “咨询课程”

🎁 扫码直接领【AI入门资料包+1节免费试听课】

✅ 全程无套路,不强制报名,不推销,纯免费领

核心内容

为了学生能够学习到真正在企业拿来即用的技术,我们高薪聘请20位一线大厂顶级专家成立教研团队,历时两年时间,打磨出超精品的AI课程,帮助学员掌握基础理论以及实战项目,满足行业内绝大多数岗位需求,打造行业内TOP级AI工程师人才!

 课程重点围绕主流热门行业商业项目实战展开,在十大企业级项目中,把理论和实践相结合,帮助学员用最短的时间进入AI领域并掌握相关知识,快速上手主流深度学习开发框架,具备人工智能工业项目动手能力。

以上项目是一套通用的解决方案,可以从中整理出面向不同业务的相似实现,适合大型互联网、自动驾驶、工业缺陷检测、文本生成、语言模型、医疗、农业等等不同的应用场景,在整个授课过程中,老师更加注重是业务与思想的传播,让你轻松应对工作中的问题并且有举一反三的能力。

由于篇幅有限,就不在这里赘述,如果想进一步了解,定制属于自己的提升计划。

·我们郑重承诺:所有保障条款白纸黑字写入协议,双方签字盖章,具备完全法律效力!不搞任何文字套路,不玩半点模糊猫腻!先免费咨询、免费了解,合适再学,不合适也绝不纠缠!多懂一门AI新技能,多踩准一个行业新赛道,下一个靠技术逆袭上岸的,说不定就是你!

请扫码添加课程顾问,备注“咨询课程”

👀 免费帮你评估转型成功率+就业路径

🎁 咨询就送【AI学习资料包+专属试听课】,0成本先试学,不踩坑

往期学习效果

本培养计划上一期的学员就业情况部分展示,已经有90%的同学拿到了国内外名企的AI大模型岗位offer。最新一期就业学员最高薪资月薪在75K!

往期部分学员就业情况分享,温馨提醒,我们所有的学员就业情况全部真实可核实:为保护学员个人隐私,隐去学员姓名。以下仅部分学员就业信息,如果想了解更多就业信息可以联系我。

【1】王同学,4年Java开发转型算法岗,本科学历,年薪从25w涨到42w,涨幅68%。选择系统学习的好处有,老师带领着学习项目知识,售后老师服务热情,还有大厂内推机会,更容易拿高薪。

【2】谢同学,报名前做后端开发5年,工作上遇到了瓶颈,薪资也涨不上去,调研了一番后决定学习算法,通过4个月的学习,现在成功转型图像算法岗位,还涨薪至48k,年薪达到72w。

【3】刘同学,作为一名应届生,一毕业就成功拿下百度大模型算法岗offer,年薪高达48W,真正赢在了AI时代的起跑线上~

【4】曹同学,成功拿下AI算法岗•综合年薪50w。曹同学是本科电子信息专业,转型前做了4年运维工作。因为薪资不高、发展受限,加上对AI技术很感兴趣,选择转型AI方向,在就业老师的内推帮助下,成功拿到了50w的offer。

【5】车同学,成功被内推到腾讯的NLP算法岗,薪资从13.5k跃升到27k*16薪,年薪翻了将近3倍。

往期学员通过我们的内推,入职都特别高效,内推很多都是大厂,只有帮助大家学习到技术,找到一份好工作,我们才能收获好的口碑

口碑对于一家教育公司是非常重要的,所以我们也非常注重结果,对结果负责。加油!!

分期服务及就业保障

该课程可以为学员提供3、6、12期分期付款

报名签订保涨薪就业协议

在职人员承诺最低涨幅40%-50%;

在校应届生承诺最低年薪30万;

课程结束后若没有达到以上承诺,即退还全部学费,且保留赠送的所有资源,不会让你吃亏!

扫码添加课程顾问,备注 “咨询课程”

✨ 不花钱,也能先体验大厂AI课

🎁 扫码直接领【AI基础资料包+免费试听课】,不花一分钱,先摸清行业方向

🙋 常见问题Q&A

Q:好友申请迟迟没通过?

A:近期咨询热度很高,审核存在短暂延迟,耐心等一等就好啦!千万别放弃添加,一定一定一定要添加我的微信,不会让你失望的。我们有专属资料、试听课福利全都在微信端等你哦✨

跳转微信打开

Fable 5.2 首批实测来了!结果真的好离谱啊。。。

2026年11月12日 10:18

原创 小林coding 2026-11-12 10:18 广东

大家好,我是小林。

Anthropic 为了这个月的 IPO 也是拼了,又掏出一个新模型 Claude Fable 5.2,一上来就把原本霸榜的 Opus 5.5 给斩了。

好家伙,自己斩自己。

现在再去看 Artificial Analysis 的智能榜单,前三名全是 Fable 5.2,只是档位不一样,最高那档拿了 65 分。前六名里有五个是 Anthropic 自家的模型,这哪是打榜,这是包场了。

再看专门比写前端页面的 Code Arena 榜单,Fable 5.2 拿下 1832 分排第一,后面跟着的是 Opus 5.5 和 Sonnet 5.5,前三名又被 Claude 一家包圆了。

意思也很明白,就是要让市场看清楚,地表最强一哥这个位置,不是说着玩的。

很可惜,我手上没有可以用的claude,没办法去深度实测,我上个月开通了订阅max,只用了 1 小时就被封了,即使申诉了还不能退,一千多大洋直接给A➗贡献了收入,哦不,是利润。

好在朋友的 Claude 还能用,我就把之前测 GPT-6 Astra 的那道题发给他,让他用 Fable 5.2 跑一遍。题目很简单,做一个可以交互的日式锦鲤池。

之前 Astra 做出来的效果,我是真喜欢。后来我也拿这道题试过其他模型,一直没看到哪个能做到差不多的水平。

结果朋友把 Fable 5.2 做的版本发过来,我凑近一看,好家伙,连鱼鳞都做出来了。

你看下面视频,这昼夜切换的过程,这光影质感做的真的太牛逼了,这不是超越 Astra,是爆锤 Astra 好嘛!

我给 Fable 5.2 提示词其实就一句话:「做一个可交互的日式锦鲤池,不用任何 Skill,把光照和细节尽量打磨到极致。」

结果我翻了下运行记录,Fable 5.2 竟然会自己去调用了电脑上的 RTX 5070 Ti 显卡去做渲染,这个操作绝了,怪不得画面做的这么精美。

Anthropic 的技能点基本全砸在写代码上了,所以我也去翻了一圈网友用 Fable 5.2 做的东西,看完直接震惊瘫坐。

有人做出了 3A 质感的游戏,有人做出了广告级别的短片,还有人让 Fable 5.2 在画图软件里一笔一笔画了幅画。

不是,这真是一个文本模型能干出来的事?难道 Anthropic 野心是用代码能力吞吃一切?

话不多说,我把这些让我大开眼界的实测案例整理出来了,共有10个,一切来看看。

01|魂系 Boss 战,10 轮提示词搓出来的

你敢信,下面这段画面是一个能在浏览器里直接玩的游戏?

开发者 Kevin Ngo(@kevin_t_ngo)用 Fable 5.2 做了一场魂系 Boss 战,不用下载,点开网页就能打。

先看完整演示,建议开声音。

我第一眼真以为是哪家大厂新作的预告片。。

开场先来一段将近一分钟的过场动画,运镜和节奏都是 3A 游戏那个味道。

进了战斗,翻滚、举盾、血条全都有,打到一半 Boss 还会进二阶段,压迫感直接拉满。

更离谱的是做法。作者说前后只用了 10 轮左右提示词,大部分还是在修角色动画。

模型用 Tripo3D 生成,骨骼绑定、动作和配乐都是 Fable 5.2 自己搞定的。

最好笑的是,他说自己老是打不过,干脆改成了玩家不会死。自己做的游戏自己打不过,这很魂系。

试玩地址放这了,你们觉得这个完成度,离独立游戏上架还差多远?

https://evensong-phi.vercel.app/

02|不会写代码的人,做了个两倍老滚 5 大的开放世界

「我不会写代码,但我用 AI 花几天时间从零做了个游戏,地图是《上古卷轴 5》的两倍大。」

刷到 Mike Houser(@M__Houser)这句话,我一开始还不信,直到我点开了视频...

骑龙、换马、钻地牢、接任务,该有的系统一个不缺,而且是跑在浏览器里的。

这是一座 12 × 12 公里的岛,34 个任务,20 个 Boss,482 个 3D 模型,8 万行代码,大约 650 个子 Agent 参与干活。

03|一只黑猫和 Clawd 的 77 秒,全是代码写出来的

这支 77 秒的音乐短片,没有一帧是手画的,也没用生视频模型,画面全是代码。记得开声音看。

作者还是 Kevin Ngo,这次是让 Fable 5.2 用 Python 写动画,再丢进 Blender 渲染。

主角是 Claude 的吉祥物 Clawd 和一只小黑猫,从钢琴里出发,一路走过森林、海面,最后飘到云上。

说实话,看完有点被治愈到。光影软软的,水面还带倒影,评论区有人说没想到代码写出来的猫能有重量感,还有人在问这到底是什么画风,有点像吉卜力又不太像。

作者还分享了一个做法,他习惯先做配乐。让 Claude 用免版权的钢琴采样把曲子编出来,自己听满意了,再让 Claude 围着这段音乐去做动画。

先有节奏再有画面,模型不用同时凭空编两样东西,画面自然就跟着音乐走了。这个顺序,想用 AI 做视频的同学可以参考参考。

04|在画图工具里画画

不给生图模型,只给一个画图软件,AI 能画出什么来?

Justine Moore(@venturetwins)只给 Fable 5.2 提了一个要求,画一幅杰作。

然后 Fable 5.2 打开了一个浏览器版的 MS Paint,对,就是 Windows 里那个画图,一笔一笔画了 94 分钟,总共 11066 笔。

注意,这里没有生图模型,也不是写代码出图,是真的在操作画笔。

每换一种颜色,都要在调色框里敲三个数字,这个动作重复了 261 次。

先铺大色块,再补细节,最后连湖上的小船和天上的鸟都点上了。

延时视频的配乐也是 Claude 生成的,完整版放这了。

05|13 个小时,搓出一座能开车逛的纽约

开放世界游戏,现在也有人敢直接交给 AI 来做了。

Matt Shumer(@mattshumer_)在用 Fable 5.2 做一个开放世界游戏,还放话说 Rockstar 花了 8 年,Fable 5.2 要用 7 天搞定。

能开车,有任务和小地图,街上有行人和出租车,直接跑在浏览器里。

这是一款能在浏览器中运行的开放世界游戏画面,模拟纽约城街景场景,中间的道路上有一辆红色轿车,道路两侧是城市高楼建筑,路边还有行人、出租车等元素。画面左上角显示任务提示“Collect the package”,左下角标注了40的数值,底部提示需要前往Broadway & E 23rd St取回包裹,右下角还有类似游戏操作的方向界面,画面右上角有80的数值,该画面体现了这款游戏具备可开车、有任务和小地图的特点,有着接近3A大作的光影与质感。

这光影和质感,还真有一点3A大作的味道。

06|在 Blender 里造了台布加迪

建模这件事,Fable 5.2 能抠到多细?

Shikhar(@xikhar)只给了 Fable 5.2 一条提示词和两张参考图,要在 Blender 里把布加迪 Tourbillon 建出来,再渲染成一支展示片,整个过程大约 2.5 小时。

注意看开头,车不是直接摆出来的,而是零件一块块飞过来拼成整车。也就是说,轮毂、车门、内饰这些都是单独建出来的模型。

提示词是这样的:

07|拍了支 4K 短片

只说一句话,能不能直接换回一支成片?

Riley Brown(@rileybrown)只给了 Fable 5.2 一条提示词,要一支用 Blender 做的短片。

房间、书桌、笔记本电脑都是 Fable 5.2 写代码建出来的,13 个镜头和调色也没让人插手。

他还专门写了一篇教程

08|25000 个 Agent,造了 450 多个用传送门连起来的世界

如果给 AI 配上两万多个帮手,放手让它们自己折腾,会发生什么?

Ethan Mollick(@emollick)让 Fable 5.2 做一场不用动手的 3D 旅程,每穿过一道传送门,就换一个世界。

结果 25000 个 Agent 用代码造出了 450 多个世界,点子全是 AI 自己想的。比如下面这个叫「白垩纪的最后一个早晨」,时间定在小行星撞击前 40 秒。

试玩地址放这了,可以自己进去逛逛。

https://portals-endless-worlds.netlify.app/

09|1995 年的玩具广告,连录像带的雪花都是代码做的

这个案例有点怀旧,90 后看了可能会恍惚一下。

Kevin Ngo(@kevin_t_ngo)让 Fable 5.2 做了一支 90 年代风格的玩具广告,卖的是一款叫 Knight Light 的夜光骑士,用 Python 写动画,再用 Blender 渲染。

最绝的是那股「旧」味,倒带的横纹,发虚的画面,角落里 1995 年的时间戳,像是真从老录像带里翻出来的,而这些全是代码做的。

10|这几幅画,每一幅都是一段 Python 程序

鹈鹕骑车那种写代码画图,你们应该看腻了,那写代码画油画呢?

Anthropic 的 Jake Eaton(@jkeatn)这几周一直在让 Fable 5.2 用代码画画,自己只负责提意见,笔刷和颜料的引擎都交给 Fable 5.2 去改。

没用生图模型,也不是先渲染再描。每幅画就是一段一两千行的 Python 程序,靠模拟出来的笔刷一笔一笔画,大多要画几千笔。

我真的觉得这个太离谱了,用代码来画出这么高质量画,还有谁能做到。。

写在最后

我是真没想到,「写代码」这三个字的边界被撑大了。

以前说模型代码能力强,意思是能修 Bug、能写功能。

现在连那些看起来跟编程八竿子打不着的活,底下也全是代码。

只要一件事能用代码描述,Fable 5.2 就敢接。

开头我问 Anthropic 是不是打算靠写代码把所有活都吞了,现在看。

这可能不是野心,是已经在发生的事了。

跳转微信打开

100,000,000 Token 免费薅!爽玩 DeepSeek V4.1 Flash、GLM-5.3 !

2026年11月11日 16:18

小林coding 2026-11-11 16:18 广东

今年双11,移动云以“双11购Token,智赋新应用”为主题,围绕免费体验、编程开发、智能办公、视频创作四大核心场景。

推出从「最高1 亿Token 免费领」,「7.9 元/月的Coding Plan到 Agent Plan 团队方案与Mobile Claw视频创作工具」,满足从 "零成本试用" 到 "长期高效部署" 的不同需求。

一、 体验先行:最高 1 亿 Token 免费领

针对多数用户的“额度焦虑”、模型对比选型需求,移动云开放免费体验通道。

用户在「Mobile Claw客户端」完成实名注册即可领取2500万Token,每月登录可再领 1000 万 Token,连续可享两个月;每日签到额外领取 100 万 Token,同样连续可享两个月。

三项福利叠加,最高可得 1 亿 Token。

「Mobile Claw客户端」下载地址:

https://ecloud.10086.cn/mobilecloud/act/hotcase

支持windows、Mac、linux版本

体验额度全面支持「DeepSeek-V4.1-Flash、GLM-5.3-Flash 与 GLM-5.3 等热门模型」,用户可零成本试用多款模型。

我也简单测试了一下,在「Mobile Claw客户端」用DeepSeek-V4.1-Flash 画一只鹈鹕骑单车。

二、 编程场景:Coding Plan 限时特惠,首购当月 7.9 元(原价39.9元/月)

移动云面向 AI 调用频次最高的编程场景推出 Coding Plan AI 模型订阅服务,集成主流高性能代码大模型,兼容各类常用 AI 编程工具。

具体如何挑选,关键看开发阶段与团队规模:

•Coding Plan 轻享版:最多可提供3500万Token/月,适合个人开发者、学生和新手,日常写代码、改Bug、做小项目轻松应对。 

•Coding Plan 专业版:最多可提供1.8亿Token/月,面向全职开发者和技术团队,解决高频AI编程、复杂Agent工作流和多模型对比测试。 

•Token Plan 团队版:适合中小型企业的专项开发项目。支持多人协同使用、额度集中池化管理,预算与实际消耗一目了然。同系列还提供 55 亿 Token 的 Token Plan 团队版,专门面向多部门协同的中大型企业 

套餐采用抵扣系数统一计费:GLM-5.3抵扣系数为1.5,DeepSeek-V4-Flash抵扣系数为1.0,相比按量付费更省钱。

三、 智能办公:大额度与轻量上云双管齐下

随着 AI 深入企业日常办公,越来越多的团队引入智能体(Agent)处理复杂协同工作。

但团队规模扩大、任务并行后,额度易枯竭、用量难管控的问题随之而来;而无论是智能体应用的稳定运行,还是轻量建站、项目部署与小型业务测试,背后都离不开一套低成本、随取随用的算力支撑。

对此,移动云给出了Agent Plan+云主机的整套落地方案。

1. Agent Plan活动特惠低至 85 折

Agent Plan 是面向团队与企业的智能体服务套餐,覆盖办公协同等关键场景,提供 WorkBuddy 深度智能体权益,原生支持 WorkBuddy 联名版客户端。解决多部门跨界协同与高并发的大规模调用,以及精细化的预算与用量管控问题。

•Agent Plan Pro:面向大规模、高频调用的团队,提供55亿tokens,且不限调用次数与数量,可有效避免高峰期额度枯竭,适合深度使用 

•Agent Plan Lite:轻量规格,提供10亿tokens,以更低成本满足小团队的入门与试用需求 

2. 云主机T3,一年仅需36元

针对初创团队、个人开发者及中小微企业,用于轻量建站、项目部署与小型业务测试。

具备算力稳定、开箱即用的特点,无需繁琐的配置流程,月均成本低至 3 元,是初创业务上云的低门槛选择。

四、 视频创作:套餐 + 加油包,灵活应对用量波动

内容营销领域,AI 生成视频已成为企业高效产出视频内容的重要手段。

然而,视频生成的算力消耗极大,且企业的业务节奏往往存在“淡旺季”——业务高峰期额度捉襟见肘,平峰期又担心套餐浪费;此外,素材管理分散、团队协作效率低也是普遍痛点。

移动云通过「创作企业版套餐 + 灵活加油包」的搭配,解决上述算力痛点:

•Mobile Claw-内容创作企业版:面向企业内容创作场景,深度集成包括Seedance2.0 在内的 8 款主流模型,提供AI视频生成、素材库与团队协作能力,是使用内容创作企业版的基础套餐 

•Mobile Claw-加油包:面向月包额度不足、视频需求临时增长的已购月包客户,可随时叠加、不限次数、按需扩容 

双11入手正当时

落脚于“让不同需求的人都能用得起、用得上”,本次双11活动中。

移动云形成覆盖多场景的产品布局:从个人开发者的低门槛编程套餐,到企业团队的大额度协同管控;从视频创作的专属工具,到轻量上云的基础算力,模型额度、开发工具、云算力与内容工具各环节均有对应产品。

对计划尝试 AI 应用或升级团队工具链的开发者与企业而言,本届双11是一个成本友好的入手时机。

可微信扫一扫下方二维码,前往「移动云官网」“双11购Token · 智赋新应用”,了解各产品的购买方式和优惠规则。

点击「阅读原文」,也可以直达官方网站。

阅读原文

跳转微信打开

豆包工作悄悄上新功能!电脑操作录一遍,直接变成能反复用的 Skill

2026年11月10日 10:52

原创 小林coding 2026-11-10 10:52 广东

大家好,我是小林。

平时经常拿 AI 生图的朋友,估计都遇到过一件挺磨人的事情:为了对比同一个画面在不同平台上的效果,往往得同时开好几个网页来回切。

先输个提示词,然后挑挑选选模型,再等它生成,最后把图存到本地……

偶尔弄一两次还行,一旦要测的平台和参数组合多起来,光是在几个页面之间来回点,就得耗掉大半天工夫。

所以前两天看到豆包工作上线了录制操作生成技能,第一反应就是想拿手头的活儿试一下:

如果先把平时干的操作给它完整演示一遍,后面只用文字交代测试要求,它能把这套流程复用到什么程度?

为此我专门准备了两个测试场景:一个是日常高频做的 AI 生图测评,另一个是模拟饮品点单的产品demo操作演示。

整套流程跑下来,有让人省心的惊喜,也遇到了一些需要人工搭把手的具体问题。

先手把手教它做一遍 AI 生图

刚开始测试,我没一上来就让它同时应付好几个网站,而是先教它跑通最基础的一条路线:

打开生图页面,填入提示词,调好图片比例,点击生成,最后把图片下载到本地。

我在豆包工作里点开录制操作生成技能,说明要建一个叫AI 生图实测的 Skill,还叫豆包认真观察我的动作。

豆包开始录制后,我就按平时的习惯在电脑上完整操作了一遍。

在这个过程里,屏幕上的每一次点击、输入文字和页面切换,都是它在暗中学习的内容。

等我操作完,它就会把这一连串动作打包整理成一个随时能调用的技能,像这样:

这次的提示词我写了雨天咖啡馆,大概就是:左边木桌上放着拿铁、眼镜和书,中间有人坐在窗边写字,右边沙发上趴着一只猫,窗外还停着一辆红色自行车。

对场景和人物限定比较多,这样有个好处,后面不管换哪家的生图模型,都能用同一套标准去观察它们各自的细节表现。

第一次录制的时候,我关心的不是图出得咋样——毕竟那是生图模型自己的本事;

我更在意的是豆包有没有记准我的操作顺序。

建这个 Skill 的核心目的,就是替我省掉每次都得复制粘贴,还要一个一个平台调整参数,以及老是要我自己手动下载的麻烦。

于是我换了套提示词,让它自己在刚刚我跑的那个AI生图平台上去操作:

豆包工作就去照猫画虎了,第一轮同平台的复用没毛病,给打个勾:

换几个网站,看看旧 Skill 能复用多少

把基础 Skill 建好之后,我开始给它上点难度:提示词还是那段雨天咖啡馆,但要求它换去另外几个没教过的生图网站操作。

这一步跟在原网站上原样回放完全是两码事。

不同生图平台的功能入口、比例设置菜单和下载按钮,位置长得都不太一样。

我给豆包下的指令还挺简单的:调用刚才那个 Skill,按同样的要求去我给你的三个新网站上跑一遍;遇到页面布局变了,就自己试着找一下对应的功能入口,要是实在搞不定再停下来告诉我。

实际跑起来之后,确实没有一路绿灯到底。

在尝试打开其中一个海外生图网站时,页面突然弹出了网络访问错误,豆包很识趣地停了下来,弹窗问我下一步该怎么弄。

我让它别在这儿死磕,先把其他能正常打开的网站跑完,最后再回头处理这个卡住的页面。

所以它先把这两个AI生图平台的图片先跑出来了,其实还真没啥毛病:

后来折腾了下网络环境,终于把这个海外生图网站跑通了,其实完全可以把折腾环境这一步也录到我们的skill里哈哈。

我觉得中间这段小插曲其实蛮值得保留下来的。

因为录好一个 Skill 并不意味着它就能在所有新网页上畅通无阻。

碰到一些错误,可以通过让人来调整,把卡住的那一步重新示范一下,就会让这个skill更全面。

正是这种边跑边磨合的过程,能帮我们完善这个skill,以便于它能比较好地嵌入我们的工作流里,成为和我们一起成长的工具。

不换提示词,直接改比例和模型

等四个网站都顺利跑完同一道题目,我又给它追加了一条新需求:

四个平台继续用刚才的咖啡馆提示词,但把画幅比例从 16:9 改成 9:16;顺便看看当前页面里有没有其他可选的模型版本,有的话也切换着测一下,并把生成出来的图分别存好。

豆包就自己哼哧哼哧地去几个生图平台改参数和模型去了,基本上还是没有迷路的:

这一轮测试就非常接近我平时写测评时的真实状态了。

大多数时候,我根本不想再啰嗦一遍要替换的流程,我只想跟AI交代一句哪里要改就得了。

从最后生成的汇总截图来看,四个平台的 9:16 竖图测试都顺利交出了作业,记录表里还工工整整地记下了对应的模型版本、文件大小和保存的文件名。

不过在验收本地文件夹的时候,我也发现了一个平时很容易漏掉的小坑:图片显示已下载到本地,并不代表拿到的就一定是高清原图。

测试里就出现过直接把网页上的缩略预览图存下来的情况。

所以对我来说,最后还是得亲自核对一眼文件格式、清晰度和命名,这才算真正跑完了一次测试。

Skill 能帮我省掉重复点鼠标的体力活,但最后的把关验收还是不能完全甩手。

那么大家觉得下面这些图片里哪张更符合你们的心意呢:

再试一次产品操作演示

做完生图测试,第二个实验我换了个主要是交互的场景:模拟点奶茶。

我提前准备了一个叫茶间的中文模拟点单网页。

上面没有真实账号,可以拿来录操作。

第一遍照旧由我打样:打开网页,挑好饮品,选好甜度和冰量,点加入购物车,最后点开查看模拟订单。

这次我给豆包布置的任务是:记住整套点击顺序和页面跳转逻辑,生成一个产品操作演示Skill。

等下次我只报饮品名字和口味要求,它就顺着这套步骤帮我把单点好。

产品演示和刚才的 AI 生图体验挺不一样的。

生图中途得等模型渲染,而点单页面的反馈是即时可见的。

所以在这一步里,我主要盯着它有没有漏点我的需求还有页面的先后顺序有没有做对。

跑通之后,我把测试环境换成了另一套叫晨屿咖啡的中文测试页。

里面同样是选饮品、调规格、加购物车和模拟下单这几步,但饮品名称、页面排版和按钮位置都换了一套新设计。

安排这一步,主要是想测测看:在第一个页面里学会的点单方法,换到逻辑相似但长相不同的新产品上,到底能直接沿用多少。

这个skill的效果我觉得还是不错的,可以顺畅跑通,下次如果要点奶茶完全可以语音和豆包说一声,它用这个skill去点就行了。

不过,付钱还是得我最后拍板哈哈哈。

写到最后

回头看这两组不同方向的实测,我觉得豆包工作这个录制操作生成技能最戳中日常痛点的地方,就是能把那些我们常做的一些操作流程给攒下来。

它能让我只发自己的需求,就重新跑起一套熟悉的工作流。

哪怕遇到新页面或者新的流程,也能试着拿已有的方法去举一反三。

当然,像网络报错这种问题,可能就需要我们去更新自己的skill,当它遇到突发情况的话就会自己去解决。

但不管怎么说,以后在电脑上再碰到这种需要反复操作好几遍的活儿,我大概都会先停下来想一想:

要不要干脆花两分钟给它示范一次,存成自己的专属 Skill?之后能反复使用?

毕竟这样一来,下次再遇到同类任务,手里至少有了一套随时能拿出来接着用、也能边用边调的现成工具。

对了,最后提醒一下。

现在网页搜索『豆包工作』下载电脑端,新用户领 30 天免费体验套餐。老用户每日签到领额度、额度可攒着做任务时用。

跳转微信打开

杀进决赛!这 28 支队伍把算子优化卷疯了!

2026年11月9日 17:06

原创 小林coding 2026-11-09 17:06 广东

大家好,我是小林。

现在聊 AI,基本都在聊模型本身的能力:谁的跑分更高、谁的上下文更长、谁又发了新版本。

但有件事很少有人提,同样一个模型,同样一块卡,不同的人跑起来,速度能差出一截。

那问题来了,差在哪?

差在模型能力底下的那一层:算子。

这两天正好碰上一件事。中国电信旗下的中电信人工智能科技有限公司,和华为一起办了场「中国电信星辰杯 · 高校 AI 算子开发挑战赛」,决赛刚刚打完。

这场赛事共有177 所高校、539 支队伍报名,一路淘汰下来,进决赛的只剩 28 支。总奖金 70 万,一等奖 20 万,这奖池可以说真香!

选手要干的活,就是围绕昇腾 NPU,开发和优化大模型背后的算子。

这么说还是有点抽象,我直接讲讲决赛里三支队伍做了什么。

•   哈工大深圳的「南工工南」没急着改代码,先给程序做了个性能体检,发现刚启动的那 147 微秒芯片几乎在空转,时间全耗在一步很笨的统计上。他们换了种更快的统计写法,这 147 微秒直接没了。 

•   上海交大那支队伍解决的是同一份数据反复搬运的问题。有一块数据在整个计算里要用到两次,原来的写法是用一次就去远处取一次,他们改成取来就留在芯片的缓存里,第二次直接拿来用,省下 2.46 微秒。 

•   复旦的「bububu」发现的问题更直接,活分错人了。芯片上有两种干活的部件,专门算矩阵乘法的那个一直闲着,活全堆给了另一个,他们把矩阵乘法还回去之后,这一段的耗时变成了原来的十分之一。 

对了,还有个细节挺有意思。这次不少队伍是带着 AI Agent 来比赛的,开发、测速、性能分析都交给 Agent 并行跑,自己负责定方向和拍板,有支队伍二十天里迭代了 800 多个版本。

你发现没有,这三件事翻译成大白话,分别是「先量一量时间都花在哪里」「同一份东西别来回取」「活要交给合适的人干」。

这次我们就一起看看,算子到底是个什么东西?那些把算子跑快的招数是怎么想出来的?以及决赛题难在哪里?

看完你会发现,这些招数里不少地方,跟我们平时优化程序的思路是相通的。

────01|算子是什么?────

一个大模型跑起来,说到底就是在做计算,海量的乘法和加法。你随便问它一句话,背后都是上万亿次这样的运算,而这些运算最终都要落到 GPU 或者 NPU 这类加速卡上去执行。

这里面最常见、也最占时间的一类,叫矩阵乘法,说白了就是把一大片数字按固定规则两两相乘,再把结果一一累加起来。

可问题是,加速卡那边并没有一个按钮叫「帮我算个矩阵乘」。它认的是一条条具体动作,把哪块数据从显存搬到计算单元手边,哪些计算单元在什么时候做乘加,算完的结果又往哪里写。一次完整的矩阵乘法,要拆成成千上万条这样的动作才能完成。

所以中间必须有人来做翻译,把「矩阵乘法」这个数学概念,翻译成这块卡能一步步执行的动作。

这层翻译的产物,就是算子。

说回你最熟悉的地方。

你用 PyTorch 写过这样的代码吧,torch.matmul(a, b) 做个矩阵乘,torch.softmax(x) 归一化一下。你写的是一行 Python,这一行背后,就有一个翻译好的算子在加速卡上跑。

模型跑一次,这样的算子要被调用成千上万次。矩阵乘、加法、归一化、激活函数轮番上阵,一个接一个把数据过一遍,最后才轮到你看见那段回答。

看到这估计有同学就问了,PyTorch 不是都有现成实现吗?为什么还要人去开发算子?

因为翻译这件事,从来就不止一种译法。算子规定的是「要算什么」,没规定「怎么算」。

比如逐元素加法,要求就是把两组数据对应位置的数字加起来。规则是定死的,可数据一次搬多少、交给哪些计算单元处理、中间结果放哪里,这些全是实现者要安排的事。同一个算子,换种实现方式,在同一块卡上就是能差出一截。

打个做饭的比方。每道工序要完成什么,这是一回事。厨师怎么安排动作、怎么使用灶台,那是另一回事。菜谱一样,手艺不一样,出菜速度就不一样。

框架给你的是一套通用实现,可面对新的硬件、新的数据形状、新的计算组合,里面往往还有不少空间可挖。星辰杯比的就是这个。

算子还可以分成两类。

一种算得重,比如矩阵乘法,数据搬进来以后要做大量乘加,瓶颈卡在算力上。另一种算得很轻,比如加法、归一化、激活函数,数据搬进来算一下就完事,瓶颈卡在搬运上。

第一种叫计算密集型,第二种叫访存密集型。

这个区分很关键。后面所有的优化招数,基本都是冲着这两种瓶颈去的,算力不够就想办法别让计算单元闲着,带宽不够就想办法少搬几趟。

说白了,一次任务花掉的时间,不只是计算本身。计算单元动手之前得先拿到数据,不同任务之间还可能要启动和等待,这些都得算进去。

接下来我们就沿着这两种瓶颈,看看开发者具体能改哪里。

────02|算子优化,具体改哪里?────

动手之前,得先搞清楚数据都放在哪里。

加速卡上的存储分两层。

•   一层是显存,容量大,几十上百 GB,模型权重、输入输出都堆在这里,可它在芯片外面,计算单元每次去取数据都得跑一趟远路。 

•   另一层叫片上存储,就在芯片内部,紧挨着计算单元,存取飞快,但容量比显存小了好几个数量级。 

你可以把显存想成一个大仓库,把芯片上这块存储想成手边的工作台。仓库装得多,工作台放不下几样东西,但伸手就够得着。

后面这几招,基本都是围绕这两层存储做文章。

第一招,算子融合

先拿一个最简单的计算举例。一批数字,每个先加 1,再乘 2,最后把负数变成 0。

这三步都是典型的访存密集型计算,每一步的运算量都小得可怜,加一下、乘一下而已。

假设把这三步拆成三个独立的计算内核执行。这里的「内核」,你可以理解成实际交给加速卡执行的一段计算程序。

第一段程序读入数据,做加法,把结果写回显存。第二段再把中间结果读出来,乘完以后又写回去。第三段继续读、算、写。

数据读了三趟,也写了三趟。真正的计算没花多少时间,时间全耗在来回搬运上了。

那能不能把这些步骤放在一起?读入一批数据以后,接着把能做的计算一口气做完,最后再写出结果。

读一趟,写一趟,中间全在芯片上解决。这就是算子融合,计算要求一点没变,省掉的是中间结果的读写和内核启动开销。

厨房里也好理解,食材都拿到手边了,顺着能做完的工序就一起做了,不用反复装盘、搬运。当然,哪些步骤能合并,得看数据之间有没有依赖,也得看硬件资源够不够。

第二招,分块复用

再回到仓库和工作台。炒一道菜,葱要跑去仓库拿,蒜又跑去拿,下一锅用同样的配料,还得再跑一趟。厨师动作再快,来回取东西的时间也得算进去。

轮到计算密集型算子,这件事就更值得计较了。

拿矩阵乘来说,同一行、同一列的数据,在计算过程中要被反复用到很多次。既然搬一趟的代价省不掉,那就让搬进来的数据在芯片上多待一会,多干几次活再走。

问题是工作台就这么大,整个矩阵根本放不下。

所以得切。把大矩阵切成合适的小块,搬一块进来,把这块能参与的计算全做完,再换下一块。这种切分和分块计算,有个常见的名字叫 Tiling。

你看,复用和切块其实是一件事的两面。正因为数据要被反复用到,才值得把它搬到芯片上。也正因为芯片上放不下,才必须切成块来搬。

这里的「切」很有讲究。块切大了,芯片上的空间放不下。块切小了,能复用的次数变少,循环和搬运的开销又上来了。

第三招,流水和分核

数据搬进来了,复用也安排好了,还有一种浪费得盯着,硬件在空转。

第一种空转是等数据。计算单元手里的活干完了,下一批数据还在路上。解法是让搬运和计算交叠起来,算当前这一批的时候,提前把下一批搬进来。

就像你炒这道菜的时候,旁边的人已经在备下一道菜的食材了。锅没停,人也没闲着。

第二种空转是等同伴。加速卡上有很多个能并行工作的计算单元,活得分给它们干,这一步叫分核。

举个极端点的例子。四个计算单元,100 份互不依赖的任务,一个拿走 70 份,另外三个各拿 10 份,后面会发生什么?

三个早早干完,然后一起干等剩下那个。整个算子的耗时,由最慢的那个核说了算。

这个分法看着很假,谁会故意这么干?

可真实情况里的不均,往往不是人为分错的,是数据自己长成那样。序列有长有短,该算的位置这里密那里疏,按最朴素的方式一刀切下去,分到各个核手里的活就是不一样多。所以开发者得结合输入的形状,想办法把活重新打散、匀开。

你看,到这里计算量一点没减少,光是重新安排数据怎么来、活怎么分,就有这么大的优化空间。

最后一关,精度

说到优化,经常还会听见「降低精度换速度」这个说法。

这里的精度,说的是每个数字用多少位来存。早些年常用 FP32,一个数占 32 位,后来大家普遍改用 FP16、BF16,现在新硬件连 FP8 都用上了。位数少了,同样的带宽一次能多搬几个数,计算单元一次也能多处理几个,两头都快。

那为什么不干脆一路降到底?因为位数少了,能表示的范围和精细程度也跟着缩水。

举个最常见的坑。一堆数字往一块累加,如果中间结果也用低精度存着,加到后面和已经很大了,这时候再往上加一个很小的数,可能直接就被吃掉了,加了等于没加。几千次累加下来,误差就滚起来了。

所以实际做法通常是混着来。数据搬运和乘法用低精度,省带宽也省算力,但累加这一步用高精度存着,别让小数被吃掉。

可不管怎么混,最后都得把输出跟参考结果比一遍。

跑得快当然好,可结果得先是对的。这条红线要一直带着,不能自己觉得「差不多」就算过了。

所以真动手的时候,这几件事的顺序大概是这样。先测一遍原始实现,看时间花在了哪里。如果计算单元主要在等数据,就优先研究融合、复用这些少搬几趟的办法。如果各个核忙闲不均,就去看分核方式。

每次改完,用相同的输入和环境重新测一遍,记录耗时,也检查结果对不对。

讲了一圈硬件,最后还是回到了程序员最熟悉的那套动作,定位瓶颈、改代码、再验证。

────03|星辰杯的决赛题,难在哪?────

前面聊的都是通用机制。回到星辰杯,本届的决赛题是 Sparse FlashAttention 反向算子。

image-20261108132811090

名字挺长,我们拆开看。Attention 是 Transformer 的核心计算,FlashAttention 是它的一种高效实现,Sparse 说明只算其中一部分,反向说明算的是训练时用来更新参数的梯度。

有意思的地方来了,FlashAttention 的原理,前面其实已经替你铺好了。

标准的 Attention 怎么算?输入进来以后,先被变换成三组数据,习惯上叫 Q、K、V。先拿 Q 和 K 乘出一个巨大的注意力分数矩阵,存进显存,再读出来做 softmax,最后跟 V 相乘。序列越长,这个中间矩阵越大,来回读写的代价就越夸张。

FlashAttention 的思路是,把 Q、K、V 切成小块,搬一块到芯片上,在芯片上把分数、softmax、加权求和一口气做完,那个巨大的中间矩阵压根不往显存里存。

你看,这不就是分块加融合的合体吗?只不过用在了一个又具体又关键的计算上。

那反向为什么更难?

正向只用算一个输出,反向要同时算三路梯度,Q 的、K 的、V 的。更麻烦的是,正向为了省显存,把中间的注意力矩阵给扔了,反向偏偏还得用它。怎么办?只能按块重新算一遍。

还有件更要命的事,这三路梯度的累加方向还对不上。沿着一个方向遍历下去,能顺手把其中两路攒齐,剩下那一路的累加方向正好是反的。于是要么老老实实走两趟循环,要么让多个核往同一块地方累加,而后者就得处理写冲突。走哪条路,又是一道选择题。

于是一个反向算子里,同时塞着重算、三路梯度、方向冲突,还有块与块之间的依赖。芯片上那点空间要装的东西一下子多了,切块怎么切、什么时候搬、算完往哪写,每一步都更紧张。

这也是为什么,FlashAttention 的反向在开源社区里是出了名的硬骨头,既是训练里最吃性能的算子之一,也是公认最难写好的之一。

Sparse 又加了一层。

稀疏的意思是,注意力里有大量的块压根不需要算,比如因果掩码挡掉的那部分,直接跳过就行。计算量确实省下来了,可新问题跟着就来了。

还记得前面那个 70、10、10、10 的例子吗?要跳过的块,分布并不均匀。有的核分到的块密密麻麻,有的核分到几块就收工了,干完的只能干等着。

怎么把这些稀疏的块重新打散、尽量均匀地分给各个计算单元,就成了这道题最吃功夫的地方。

所以这道决赛题,相当于把前面讲的全考了一遍。融合要会,分块复用要会,流水和分核要会,最后还有一关,精度得对。

28 支队伍比的就是这个,而且这些东西,选手得一行行自己写出来。

星辰杯用的是 CANN 提供的 Ascend C,它的写法跟我们平时写 CPU 代码不太一样。CPU 上数据进不进缓存,基本不用你操心,硬件自己安排。

但在 Ascend C 里,数据从显存搬到芯片上这件事,要你用接口显式写出来,芯片上那块空间也得自己申请、自己排队复用。

换句话说,前面讲的分块、复用、预取,在这里全是代码里实打实的搬运指令。写得好不好,提交到 CANNjudge 平台上一跑,分数就出来了。

按照官方赛制,线上决赛赛题总分占 70%,现场评分占 30%。提交的代码还要过机审、助教复核和实验环境复现这三道关。

所以选手既要把实现交上去,也要在现场讲清楚自己到底做了什么。评审关心的代码质量和可复现性,跟我们在工程里关心的东西,其实是一回事。

────最后────

聊到这里,再回头看开头那三支队伍做的事,应该就不难懂了。

南工工南先跑性能分析再动手,找的是时间到底花在了哪里。上海交大让那块数据留在芯片上不走,用的是第二招的复用。bububu 把矩阵乘还给专门算矩阵的单元,解决的是硬件空转。

说白了,他们面对的就是一份份具体的计算,研究数据怎么搬、任务怎么分、流水怎么排,以及改完以后结果还对不对。

当然也得清醒一点,单个算子跑快了,对整个模型的影响有多大,还要看这段计算原来占了多少时间。

随便算笔账,一段执行过程总共 100 毫秒,其中某个算子占 10 毫秒,优化到 5 毫秒以后,总耗时是 95 毫秒。省多少,取决于你优化的是哪一段。

所以真正值得花力气的,往往就是 Attention 这种既占大头、又难写好的算子。这也是星辰杯把它选成决赛题的原因。

这届比赛的答辩已经结束了,想蹲获奖名单和后续赛事的同学,可以关注中国电信和 AtomGit 的官方消息。

说实话,我们平时都在上层用模型,很少往下看。

但偶尔下去看一层,会发现那些让模型跑得飞快的东西,背后没什么魔法,全是在数据搬运和任务分配上,一点一点省出来的。

下次再遇到模型跑得慢,除了看模型和硬件配置,不妨多问一句,时间到底花在哪里了?

跳转微信打开

Anthropic直接劝退:慎用子 Agent!

2026年11月8日 15:26

原创 小林coding 2026-11-08 15:26 广东

大家好,我是小林。

这两年做 Agent,大家都爱把任务拆给多个子 Agent,每个 Agent 只干一件事,那问题来了,子 Agent 拆得越多,效果就真的越好吗?

最近 Anthropic 在官方博客发了一篇《Building agents: When to fold subagents into your main agent loop》,讲的就是这件事。

Anthropic 的 Applied AI 团队在帮企业落地 Agent 时发现,不少项目把路由器、规划器、领域子 Agent 合回主 Agent 循环之后,效果反而变好了。

在他们对比过的几个企业项目里,「单个 Agent 加 Skills」的方案,质量上经常同时赢过「一个大 prompt 包办一切」和「多个子 Agent 分工」这两种设计,单个任务的成本和延迟往往也更低。

其中有一家公司,面向客户的 Agent 下面挂了十几个专家子 Agent,结果品牌语气很难保持一致,多出来的延迟也拖累了用户体验。

这次我们就一起看看Anthropic 的思路,看看子 Agent 什么时候该拆、什么时候该合。

────一、子 Agent 为什么越拆越多?────

先想一个很常见的场景。

一家大公司想做一个统一的客户入口,用户在一个对话框里就能查订单、办退款、问产品、开发票。可这些能力分别归不同团队管,订单是一个团队,支付是一个团队,售后又是另一个团队。

最省事的做法是什么?每个团队先做自己的 Agent,再由平台团队在上面搭一个编排层(orchestrator),用户的问题来了就分发给对应的 Agent。也有公司换个形式,让一个主 Agent 把各团队的 Agent 当成 MCP 工具来调。

这个方案看起来最简单,组织上也最顺,谁的业务谁负责,互不干扰。

Anthropic 团队给这个现象点了个名,康威定律。

系统的结构,最后会长成设计它的组织的沟通结构。每个团队或者每类问题都分到一个子 Agent,Agent 架构就成了公司组织架构图的复制品。

还有一种拆法,跟组织没什么关系,纯粹是设计上的惯性。

Anthropic 经常看到这样的 Agent 设计方案。先放一个意图分类器,接一条固定的多步推理流水线,再把用户按群体分桶,每个桶走单独的推荐分支,最上面再套一个多 Agent 编排层。

对这类方案,团队给出的反馈往往是,这套结构里大部分环节,都在替模型做它已经不需要别人代劳的事。一个写清楚的 system prompt、4~5 个只负责取数据的轻量工具,再加上严格的输出护栏,就能覆盖大部分使用场景。

看到这估计有同学就问了,多拆几层,最多就是麻烦点,能有多大问题?

问题还真不小。

────二、拆多了会踩哪些坑?────

Anthropic 团队总结了大公司做 Agent 容易踩的五个坑,我一个个说。

坑一:上下文在传话中丢了

子 Agent 有自己独立的上下文窗口。主 Agent 把任务交出去时,要决定给子 Agent 看哪些上下文。子 Agent 干完活,交回来的通常是一段总结。

一来一回,细节就丢了。

举个例子,用户说「我上周买的显示器有个亮点,想换货,但下周要出差,最好这周能送到」。路由把请求分给售后 Agent,售后 Agent 判断可以换,再去问物流 Agent 配送时效。物流 Agent 拿到的可能只剩「查询换货配送时效」这几个字,「这周必须送到」这个关键约束,在交接时没带过去。

按问题类型拆分时,这个问题尤其严重。Anthropic 团队把它比作「传话游戏」,信息在几个 Agent 之间来回传,每多传一手,信息就走样一点。

坑二:子 Agent 泛滥

每个团队都能发布自己的子 Agent,时间一长,公司里就堆了几百个功能重叠的子 Agent,既没有统一标准,也没有明确的负责人。

你想改一条跟退款有关的逻辑,可能得先花半天搞清楚,到底哪几个 Agent 里写了退款规则。

坑三:Frankenprompt

这个词是 Frankenstein(科学怪人)和 prompt 拼起来的,很形象。

每个团队都往 system prompt 里加一句自己的规则。营销团队加一句「每次回答都附上相关活动介绍」,客服团队加一句「回答控制在三句话以内」,订单团队再加一句「涉及金额必须二次确认」。一句一句缝上去,规则开始互相打架,整个 Agent 也没有统一的说话风格。

坑四:评测只看自己那一亩三分地

每个团队都给自己的子任务加评测,而且都针对子任务优化得很好。但整套评测没人负责,也没人维护。

结果就是每个团队的分数都很好看,用户的实际体验却不怎么样。管理层看到的,是一堆只反映局部、参考价值大打折扣的分数,再拿这些分数做决策。

这有点像一个项目里,每个模块的单元测试都是全绿的,却没人写集成测试,上线后才发现模块之间对不上。

坑五:延迟

架构每多一层,延迟就多一截。每调用一次子 Agent,都是在主循环里再嵌套一个完整的模型循环。

有个客户专门做过对比,同样的任务,单 Agent 循环的运行速度大约是他们多 Agent 架构的 2 倍。

这五个坑其实有个共同点。上下文被拆开了,prompt 被拆开了,评测被拆开了,执行也被拆成了好几层。

────三、不拆,上下文不会爆吗?────

讲到这里,估计很多同学心里有个疑问。

当初拆子 Agent,很大一个原因就是一个 prompt 塞不下。订单规则、退款政策、物流时效、几十个工具的说明全塞进 system prompt,上下文直接爆炸,模型也容易被无关信息干扰。现在合回去,这个问题不就又回来了?

Anthropic 给的解法是渐进式披露(progressive disclosure)。

打个比方,你入职一家新公司,没人会在第一天把所有制度文档都塞给你读完。你只需要知道有哪些文档、大概讲什么,真遇到报销的事,再去翻报销制度。

渐进式披露就是这个思路。业务知识放进 Skills,工具交给 tool search 按需查找,Agent 平时只看到每个 Skill 和工具的简短描述,真正需要的时候,才把完整内容加载进来。

Anthropic 团队认为这种做法讲得通,有三个原因。

原因一:共享上下文,答案更好

对长时间运行的 Agent 来说,Anthropic 希望多个任务的上下文都留在主上下文窗口里。

一个看过前面每一步结果的 Agent,能把这些结果串起来,给出的答案和分析,比几个子 Agent 各交一份总结要丰富得多。

回到前面那个换显示器的例子。如果从头到尾都是一个 Agent 在处理,用户说的「这周必须送到」一直留在它的上下文里,查配送时效时自然会带上这个约束。

原因二:渐进式披露防止上下文膨胀

当初拆子 Agent 最主要的原因是上下文装不下,渐进式披露正好把这个原因消掉了。Anthropic 自己就是这么做的,他们把 Claude Code 给更强模型用的 system prompt 砍掉了 80% 以上,其中一部分就来自 Skills 和工具的渐进式披露。

原因三:模型变强了

Anthropic 团队提到,从 Opus 4.5 开始,模型在单个循环里能管的事情,比大多数团队预想的要多得多。

Opus 5.5 和 Fable 5.1 的 thinking 是关不掉的,最近的模型也越来越会边做边汇报进度、边检查自己的结果。这样一来,harness(套在模型外面的那层框架代码,负责调工具、管上下文)里有些专门替模型做规划、做检查的环节就显得多余了。

每出一代新模型,你都可以把更多的决策从 harness 挪给模型自己。

还有一点容易被忽略,循环越简单,越容易迁移到下一代模型。Anthropic 团队在帮客户做模型迁移时发现,往往正是那些僵硬的多 Agent 结构,让新模型没法接手更多工作。新模型明明能自己规划了,编排层还在按旧规矩一步步替它安排。

单循环会有什么代价?

说了这么多好处,单循环 Agent 也不是什么都不用管。

单循环对纪律的要求更高。system prompt 要精心维护,Skill 和工具的描述要写得准,保证在该触发的时候触发,上下文窗口、记忆和笔记也要有意识地管理。

所以 Anthropic 建议,由一个中心团队负责整个 Agent 的端到端质量和 system prompt,每个新工具、新评测上线前都要经过这个团队审核。这个团队还要尽量小,迭代才快,在大公司里协调成本也低。

坦白讲,这一点我觉得特别关键。多 Agent 架构的很多问题,说到底是没人对整体负责。合回一个循环,等于逼着公司把「谁对最终结果负责」这件事定下来。

────四、子 Agent 什么时候该留?────

看到这估计有同学就问了,那子 Agent 是不是一个都别用了?

其实也不是。Anthropic 在原文开头就说了,子 Agent 在做验证、并行干活、给不同模块分配不同权限这几件事上很有效,在前沿研究这类场景里也用得上,Anthropic 自己做深度研究的多 Agent 系统用的就是子 Agent。

符合下面三种情况之一,就可以考虑保留子 Agent。

•  单 Agent 循环因为上下文膨胀,出现了可测量的性能下降。

•  多个任务需要并行处理,每个任务都要一个干净的上下文窗口,做完就可以扔掉。

•  单 Agent 很难选对工具,或者 system prompt 里的指令互相冲突。

注意第一条里的「可测量」。光是感觉上下文可能会爆还不够,得是评测数据真的显示效果变差了。

真要走多 Agent 路线,Anthropic 也给了两个建议。

先从能解决问题的最简单模式开始,比如 generator-verifier(一个负责生成,一个负责验证),或者 orchestrator-subagent。

再就是拆分边界要按上下文划,别按问题类型划。分给子 Agent 的工作,应该很少依赖系统的其他部分,最后交回一个精简的结果。比较合适的例子有独立的调研路径、接口清晰的独立组件,还有黑盒验证。按问题类型拆,信息就又得在几个 Agent 之间来回传,又成了「传话游戏」。

────五、单循环 Agent 长什么样?────

如果决定往单循环走,Anthropic 团队给了一个建议的目标形态。

一个模型,一个循环

整个 Agent 只有一个模型、一个上下文窗口,跑一个不预设步骤的工具调用循环。harness 负责设定边界,比如最多跑几轮、最多花多少钱,以及写操作要先过一道关(write gates),像下单、退款这类会改数据的操作不能随便放行。

每一轮,模型发出一批工具调用,harness 并行执行这些调用,再把原始结果交回同一个模型。模型看完结果决定下一步,是再发一批工具调用,还是问用户一个问题,或者直接给出答案。

模型给出答案或者预算用完,循环就停下来。答案出来之后,还可以选择再跑一次目标检查或者 verifier 校验。

写计划的和执行计划的是同一个模型

模型在第一轮就把计划写进上下文,随着结果陆续回来,再不断修改计划。

这是跟「orchestrator 加专家 Agent」架构最大的区别。

在编排架构里,规划器写好计划,交给各个专家去执行。执行过程中发现情况不对,计划很难及时调整,因为写计划的和干活的根本不是同一个。

单循环里,写计划的模型就是执行计划的模型,一轮还没结束就能改计划。

简单来说,以前是项目经理排好期丢给几个外包,现在是一个资深工程师自己规划、自己动手,边干边调整。

原来的东西都去哪了?

上下文还是要加载的,只是改成由 Agent 自己来管。原来多 Agent 架构里的那些模块,在单循环里各有去处。

原来的部分

在单循环里的去处

按规则表去调整计划的代码

不需要了,模型自己决定每一步

先做什么后做什么、业务流程

放进 Skills

硬约束(参数校验、审批)

放进工具

对话中途才出现的需求(比如查记忆)

放进工具

成本低、几乎每次都要用的步骤(比如实体解析,把「上周那台显示器」对应到具体订单)

仍然用代码直接加载

机械性的工作(构造 payload、解析流式输出、向用户追问完再接着往下走)

仍然用代码,放在循环调用的工具里

注意表格最后两行。单循环并不意味着把代码删光,全交给模型自由发挥。便宜的、确定的、机械的工作,代码做起来又快又稳,就继续让代码做,只是把它们收进工具里。

────六、拆好的系统怎么合回来?────

很多团队的 orchestrator 和专家 Agent 早就上线了,不可能一夜之间推倒重来。

Anthropic 的建议是分阶段来,先建评测,再用三种办法一点点减少子 Agent,每次只动一个。

步骤一:先建评测集

动手之前,先要有一套评测集,用来判断某个子 Agent 该不该合进主循环。

Anthropic 见过效果比较好的结构是,中心团队负责一套共享的端到端评测集,各团队发布 Skill 时再附带一套小评测。起步不用很大,10 个带标准答案的 golden 样例就够了。

打分可以先从评分细则(rubric)开始,按细则给 Agent 的最终回复打分。如果还处在 orchestrator 架构阶段,还要额外看路由准确率,也就是有没有选对子 Agent。子 Agent 合进来之后,改成看有没有加载对的 Skill、调用对的工具。长期来看,最好逐步建成任务完成度评测,对比不同架构时,这个指标最有说服力。

有些内部系统很难重放,用户交互也很难模拟。Anthropic 内部的办法是在关键事件上记录时间戳,之后回放这些事件,当作针对性的评测来跑。

步骤二:逐个减少子 Agent

评测有了,就可以动手减少子 Agent 了。Anthropic 给了三种办法。

第一种,合并强耦合的专家。 看哪些子 Agent 要用到同一批上下文,就把它们合在一起,先从调用最多的子 Agent 开始。互相接力用对方输出的、操作同一份数据的、经常被一起调用的,都适合合并。比如生产流量里有相当大比例的请求,都是先调专家 A 再调专家 B,这两个就可以合成一个领域 Agent。

第二种,把子 Agent 当工具调用。 如果某个子 Agent 符合前面说的那几种该留的情况,比如任务需要并行处理,或者合进来之后上下文膨胀、测出效果变差了,就可以让主 Agent 把它当工具来调,跟用户对话的始终是主 Agent。只有子 Agent 必须直接跟用户沟通时,Anthropic 才建议做完整交接(handoff),让子 Agent 接管对话。

这种做法还能给子 Agent 定一个共享的响应 schema,让主 Agent 拿真实数据核对子 Agent 的结论,最后汇总时也只需要喂精简过的内容。Anthropic 认为这是不错的第一步,不用重写子 Agent,就能在任务完成度评测上先拿到一个基线。

不过老问题还在。每个专家依然有自己的 prompt、上下文、负责团队和评测,每次调用交回来的依然是有损的总结,嵌套的模型循环也还在拖慢速度。

第三种,改造成 Skills 和工具。 一次只改一个,子 Agent 的 prompt 改写成 Skill,调用的 API 改成 MCP 工具,再对比有它和没它时的评测表现,决定留不留。

步骤三:盯住结果翻转的任务

对比的时候别只看最终分数,要看具体哪些任务的结果翻转了。总分可能差不多,可原来能过的任务挂了,原来挂的任务过了,这两件事都得知道。

Anthropic 在一个示例客服 Agent 上就碰到过。把一个子 Agent 合进另一个之后,延迟降下来了,可一个原本能通过的流程挂了。原因是主 Agent 手里有订单查询工具,就直接拿查到的信息回答了用户,没去找负责配送的专家要发货日期。

更麻烦的是,这个问题在两次运行里只出现了一次。

所以每次改动前,评测集要覆盖生产环境里每一条会一起运行的 Agent 链路,以及每一条 Agent 绝对不能违反的规则,每个任务也要多跑几次。

说实话,这个案例挺真实的。合并之后变快了,大家很容易高兴得太早。偏偏丢掉的是一条「本该去问一下」的路径,平时不显眼,等用户问到发货日期才会露馅。

────七、多个团队怎么一起维护?────

回到开头那个场景,订单、支付、售后各有各的团队。子 Agent 合回一个循环之后,这些团队还干什么?

Anthropic 的答案是,各团队负责的东西从 Agent 换成了 Skills 和工具。另外再由一个人数不多的中心团队统一把关 system prompt 和整体效果,新的 Skill、工具和评测上线前,都要先经过这个团队审核。

原来各团队的领域能力,改成通过 MCP 工具、Skills 和知识库来提供,这三样东西各有适合的场景。

MCP 工具

MCP 工具适合三类需求,Agent 要执行一个动作,要从系统里读实时数据,或者要拿到固定格式的结果。迁移期间,还可以把子 Agent 包成工具继续调用。

工具设计上有两个建议。

第一,按用户意图分组,别一个 API 对应一个工具。system prompt 里的工具定义一旦超过 30~50 个,模型选工具的准确率就容易下降。工具实在多,可以用 tool search 配合延迟加载。

第二,少设硬性的前置条件,必要的那些放进工具里。比如工具 Y 需要工具 X 的输出,那就让 Y 自己检查 X 的结果在不在,不在就返回一条模型看得懂、能照着做的提示。

用户权限也是同样的思路。每个工具自己检查当前用户能看什么、能做什么,没有权限就返回一句模型能读懂的拒绝。这样一个循环就能服务不同权限的用户,不用为每个权限级别单独做一个 Agent。

Skills

Skills 适合承载「这个团队是怎么干活的」,也就是步骤、规则和需要判断的地方,这些原来都写在专家子 Agent 的 prompt 里。

Skill 多了一样会泛滥,Anthropic 的建议是每个团队指定一个 DRI(直接负责人),保证自家 Skill 写得好、彼此不重复,并且附带对应的评测。

维护 Skill 的重活,也可以交给 Claude。Anthropic 提到两个命令,/skill-creator 能写出结构规范的新 Skill,也能审查已有的 Skill,做精简、去重和重组。/skill-doctor 能看到每个 Skill 的成本和使用频率,没人用的就可以删掉。

知识库

知识库适合 Agent 只是偶尔用得上的参考资料,比如政策、指标口径、产品规格。这些资料可以放在一个检索或查询工具后面让模型自己去查,也可以作为参考文件放进 Skill 里。

Anthropic 特别提醒,别用代码把这些资料检索出来,再硬塞进 prompt。

有现成的迁移工具吗?

有。Anthropic 最近放出了一组 Claude API 的 Skills,专门用来把多 Agent 系统迁移到单循环,还开源了一个迁移工具包 single-agent-loop-kit,把这些 Skills 串成一个引导式流程。

工具包自带 demo,可以先在模拟系统上试跑,再用到自己的 Agent 上。

里面用到的四个命令,分别负责建评测、清理老 prompt、对比优化和降成本。

•/claude-api build-eval,搭评测集。中心团队用它建第一套端到端评测,各团队用它给自己的 Skill 配小评测。

•/claude-api prompt-audit,找出 prompt、Skill 和工具描述里那些给老模型写的指令,用 diff 的形式给出修改建议。之前为老模型加的规则,放到新模型上反而会让 Agent 变慢、变死板。

•/claude-api hillclimb,对着已有评测反复优化。把子 Agent 改造成 Skill 加工具之后,可以让它反复改 Skill 和工具的描述,看合进主循环后的版本能不能追平甚至超过原来的子 Agent。

•/claude-api cost-optimize,分析调用都花在了哪里,从 prompt caching、裁掉不必要的输入输出 token、effort(推理力度)和模型选择这几个方面,一次给一个省成本的改动。

────最后────

Anthropic 在文章结尾说,模型在变,最佳实践也跟着在变,所以具体用哪种架构没那么重要。

重要的是背后的原则,先测量,一次只改一处,留下经得住检验的改动。

把子 Agent 合回主循环,也不用一步到位。先建一个小的端到端评测,把一个子 Agent 合进主循环,只有合进来之后分数更差,才把它留成子 Agent,然后一个接一个重复下去。

参考文章:

•  Claude 官方博客《Building agents: When to fold subagents into your main agent loop》:https://claude.com/resources/articles/building-agents-when-to-fold-subagents-into-your-main-agent-loop

阅读原文

跳转微信打开

DeepSeek丢出王炸,又杀疯了!

2026年11月6日 14:12

小林coding 2026-11-06 14:12 广东

前两天DeepSeek在 GitHub 上开源了一套全新的 Agent 架构,叫 Super-agent。

它突破了传统AI Agent的单会话被动响应瓶颈‌,把多任务处理的上限从“人的注意力极限”直接拉升到系统吞吐层面,是面向工程落地的自主智能体架构革新。堪比Agent界的贾维斯。

开源原型上线仅3天,GitHub Star数就接近2万。不仅如此,就在这项开源技术在开发者社区引发热议的同时,DeepSeek同步开启了一波高薪招聘。

据中国基金报报道,某招聘平台显示,杭州深度求索人工智能(AI)基础技术研究有限公司(即DeepSeek),发布了多个岗位的招聘信息。

图片

在DeepSeek挂出的职位中,大部分岗位的起薪在3万元以上,其中年薪最高可达154万元。猎聘网数据显示,掌握深度强化学习、多模态融合等DeepSeek核心技术人才,薪资涨幅同比超120%。

这是一场席卷全球的“高薪革命”与“职业机遇风暴”,技术人纷纷想转行、跳槽到前景光明又高薪的算法岗位。(深度学习/算法工程师的薪资在各个技术岗位中显然是最高的,更多技术岗位平均薪资详请见下图)

图片

其他企业为留住和吸引人才,也都相应提高薪资待遇,有的岗位薪资甚至比往年提高70%!字节跳动73.5万年薪聘用应届生,阿里达摩院开出超过200万年薪。

2026年将是AI人才分水岭——要么成为技术红利的收割者,要么被时代无情淘汰!  高薪,是AI领域缺人的事实依据,但是找不到工作的大有人在,也是事实。

问题就在,申请算法岗的人很多,但实际能够胜任的很少。求职者所具备的能力根本无法匹配一线企业核心AI岗位的需求。

图片

为帮助大家解决以上问题,真正成长为具备面试国内一线算法岗位的能力要求的算法人才。

联合现象级AI名企和大厂,共同打造了全行业第一个【深度算法培养计划训练】,并且邀请了前字节、百度算法等一线大厂在职专家为大家提供算法最前沿强化训练。

我们敢对你做出承诺:

加入课程,如果拿不到Offer或者年薪不满30W,全额退款!

扫码添加课程顾问

备注 “咨询课程”

距离上岸,也许只差这一次助攻

图片

图片

课程核心内容

图片

图片

为了学生能够学习到真正在企业拿来即用的技术,讲师全部都是企业一线在职的实战派,有技术管理经验,负责过企业大型核心项目。

课程从算法角度出发,对各个模型进行全面细致的讲解,并结合十大企业级项目,带你熟悉算法工程师在工作中会接触到的数据打包、网络训练、测试等问题,一步步带大家了解和完成真真正正会在企业里面用到的实战案例,尽快进入AI学习领域。

AI实战项目

图片

以上项目是一套通用的解决方案,可以从中整理出面向不同业务的相似实现,适合大型互联网、自动驾驶、工业缺陷检测、智能问答、推荐系统、医疗、农业等等不同的应用场景,在整个授课过程中,老师更加注重是业务与思想的传播,让你轻松应对工作中的问题并且有举一反三的能力。

由于知识点涵盖内容较多,就不在这里赘述,如果想进一步了解,定制属于自己的提升计划。

扫码添加课程顾问

备注:课程咨询

1v1定制学习计划

学员学习成效,真实案例展示

跟你同步下上一期【AI就业保薪特训营】的就业成果!96.9%的学员都顺利拿下国内外名企AI、算法岗位,其中最高月薪做到了75K!接下来展示一部分学员的就业情况,我们承诺,所有信息都是真实可核实的,为保护隐私就不展示姓名了。如果想查看更多学员案例,随时找我哈。

【1】王同学,4年Java开发转型算法岗,本科学历,年薪从25w涨到42w,涨幅68%。选择系统学习的好处有,老师带领着学习项目知识,售后老师服务热情,还有大厂内推机会,更容易拿高薪。

图片

【2】谢同学,报名前做后端开发5年,工作上遇到了瓶颈,薪资也涨不上去,调研了一番后决定学习算法,通过4个月的学习,现在成功转型图像算法岗位,还涨薪至48k,年薪达到72w。

图片

【3】刘同学,作为一名应届生,一毕业就成功拿下百度大模型算法岗offer,年薪高达48W,真正赢在了AI时代的起跑线上~

图片

【4】曹同学,成功拿下AI算法岗•综合年薪50w。曹同学是本科电子信息专业,转型前做了4年运维工作。因为薪资不高、发展受限,加上对AI技术很感兴趣,选择转型AI方向,在就业老师的内推帮助下,成功拿到了50w的offer。

图片

【5】车同学,成功被内推到腾讯的NLP算法岗,薪资从13.5k跃升到27k*16薪,年薪翻了将近3倍。

图片

【6】郑同学是一名应届生,他的目标很明确——冲刺大厂算法岗。他跟着宋老师的课程有条不紊地准备,吃透了 Transformer、Attention 等核心考点,提前攻克了面试高频问题,为秋招做好了万全准备。

他最终拿下10+个offer,字节、美团等大厂纷纷向他抛出橄榄枝,年薪高达 60~70 万。从认真备考到横扫大厂 offer,郑同学用行动证明了自己的实力。

图片

图片

图片

图片

另外,我们有往期学员通过我们的
专属内推通道,已高效入职多家头部大厂。我们深知,教育的核心是交付结果,只有帮学员扎实掌握技术、顺利拿到理想offer,才能收获真实的口碑与信任。口碑是我们最看重的名片,因此我们对每一位学员的学习与就业全程负责,不做任何无效交付。

分期服务及就业保障

该课程可以为你提供3、6、12期分期付款,入学0压力。

报名立马签订保涨薪就业协议,对结果负责。

在职程序员承诺最低涨幅40%-50%。

在校应届生承诺最低年薪30万。

若课程结束后,拿不到合同签订的offer或者offer就业薪资达不到年薪30万,即立马退还全部学费,且保留赠送的所有资源,绝对不会让你吃亏!

  • 我们再次郑重承诺:所有保障条款白纸黑字写入协议,双方签字盖章,具备完全法律效力!不搞任何文字套路,不玩半点模糊猫腻!先免费咨询、免费了解,合适再学,不合适也绝不纠缠!多懂一门AI新技能,多踩准一个行业新赛道,下一个靠技术逆袭上岸的,说不定就是你!

扫码添加课程顾问,备注 “咨询课程”

✨ 不花钱,也能先体验大厂AI课

🎁 扫码直接领【AI基础资料包+免费试听课】,不花一分钱,先摸清行业方向

跳转微信打开

腾讯 Hy4 首发实测,杀入最强开源模型之列,WorkBuddy里免费蹬!

2026年11月5日 13:46

原创 小林coding 2026-11-05 13:46 广东

大家好,我是小林。

谁懂啊,苦苦等了 2个月,腾讯混元 Hy4 正式版终于来了!

WorkBuddy 还是太懂事了,让你免费用 Hy4,活动持续近两周。

那Hy4正式版相比预览版有什么不一样的呢?我翻了一圈,发现变化主要有这三方面。

最大的变化,是 Hy4 终于长「眼睛」了。 此前 Hy4 系列一直是纯文本模型,这次补齐了视觉理解,截图、设计稿、照片丢过去都能看懂,还能直接还原成代码。以后改页面,截个图说一句「照这个做」就行。

其次是长程任务。 查问题、改代码、上线这种一聊好几轮的活,Hy4 能一路盯住目标不跑偏,出了岔子也能自己拉回来。

还有电脑操作, Hy4 能像人一样看屏幕、点鼠标,自己去浏览器里验收干活。

会看图、能干长活、还能自己上手操作,等等.... 这些不就是 WorkBuddy 最需要的能力吗?

这么一看,Hy4 正式版完全是冲着生产力来的。

从跑分结果来看,Hy4 跟 GLM、DeepSeek、Kimi 这几个国产强队摆在一起,大部分项目都排得上前头,妥妥跻身最强开源模型之列。

不过有一说一,确实还是没追上 Anthropic 和 OpenAI。

咳咳... Hy4 你也别太骄傲,仍需努力。

我还在混元Hy4团队的博客里看到,它们也深知这一点,所以也将会持续努力,缩小和顶尖闭源模型的差距,可以说非常谦虚了。

话不多说,直接开测。

办公桌照片变成能玩的微缩赛车

第一个实测,先来点好玩的。

每天对着办公桌敲代码,我突然冒出一个想法。要是能开着一辆小车,在键盘和咖啡杯之间兜圈,那得多有意思。

于是我找了一张办公桌的俯拍照片丢给 Hy4,照着这张桌面做一个能在浏览器里玩的 3D 微缩赛车游戏。

为了防止偷懒,我还特意要求场景用代码建模,不许把照片直接贴成背景。下图左边是提示词,右边是参考图。

Hy4 吭哧吭哧干了 30 分钟左右,打开一看,还真有点东西。

你们拿成品跟原图对比一下,桌上的东西基本都还原出来了,位置也对得上,赛道就绕着键盘和鼠标修了一圈。

车能正常开,视角也能随时切。

桌上这些物件也不只是摆着好看,都有碰撞体积,小车撞上去会弹出减速提示。

最让我意外的是贴着桌面开的视角。

我给的只是一张俯视图,显示器背面长什么样、键盘侧面有多高,照片里根本看不到。可切过去以后,整个场景照样立得住,开起来真有种把自己缩小了、在桌上飙车的感觉。

这一题看着是做游戏,其实先考的是看图。Hy4 能把照片里的东西认准、摆对,再变成能玩的场景,多模态这一关开局就过得挺漂亮。

你们觉得,这个还原度能打几分?

可拆解 3D 机械动物

再升级一个难度!

最近我在 GitHub 上刷到一个挺好玩的 Skill,叫 teardown(https://github.com/elvarofficial/teardown),专门用来做可拆解的 3D 模拟器。正好拿来试试 Hy4 的 3D 建模功底。

我先丢过去一张机械蝎子的参考图,让 Hy4 用这个 skill 做一个可拆解的机械蝎子。

Hy4 做出来的蝎子更像积木风,这其实在意料之中,纯靠代码搭出来的模型,本来就很难做到写实风格。这一题重点还是看颜色和形态,这两点跟原图还是挺像的。

更好玩的是,这只蝎子每个部件都能单独拎出来看。

点「双钳」,其他部件变成半透明,只留两只钳子在那儿一张一合。

点「内部」,装甲底下的齿轮、活塞和线缆就全露出来了。

再来一个爆炸拆解。一键下去,装甲片、腿和钳子全往外飞散。再点「复原」,零件又一块块原样装了回去。

我又让 Hy4 做了个机械眼睛蛇,左边是提示词,右边是参考图。

不愧是眼镜蛇。抬头的同时,颈部护甲唰地一下张开,就算是代码搭出来的,这气势照样有威慑力。

你们感受一下。

我一开始还纳闷,这条蛇扭起来怎么这么顺,一点不像一根棍子在甩。拆开一看才明白。

切到「脊柱透视」,整条蛇身是 40 个单节串起来的,每一节里面都藏着一个会转动的关节。身体一扭,动作就顺着这些关节一节一节往下传。

这细节,实在是太细了。

两只机械动物测下来,我的感受是,Hy4 不只是照着参考图描个外形,而是看懂了这只动物由哪些部件组成、每个部件怎么动,再用代码一块块搭出来。

给「小林简历」增加英文简历功能

前面都是看图做东西,接下来上点真格的,拿我自己的真实项目来测。

最近「小林简历」收到一条用户反馈,说有的外企要求投全英文简历,可简历里有些选项只有中文,还不能手动改。

其实简历网站之前就做过英文模式,但切过去一看,确实还有漏网之鱼,性别还是「男」,学历后面还挂着「硕士」「本科」。

我本来以为英文版没几个人用,没想到需求还不少。那这次干脆让 Hy4 把这个功能彻底打磨好。

打开简历项目的工作区后,我没急着动手改,先让 Hy4 把问题查清楚。

把代码翻了一遍,一共揪出 5 个在英文模式下还是中文的字段。

接着 Hy4 给了几个修复方向。我最喜欢的一点是,不光说怎么改,还把每个方案的风险摊开讲了。

不是闷头照做,而是把自己的判断说出来,这就很像一个靠谱的同事了。

我选了最小改动,毕竟能兼容已有的简历,同时要求改完验证一下对历史简历有没有影响。

10 分钟后,Hy4 改完了,改了哪些文件都列得清清楚楚。

验证这块做得挺扎实,拿本地 5 份真实的历史简历逐项对比,结论是中文模式零影响,数据库里的数据一条没动。

Hy4还自己在英文模式下导出了一份 PDF,之前的「男」和「硕士」,现在都变成了 Male 和 Master's,说明改动是生效的了。

还有个小插曲。Hy4 顺带提了一句,工作年限在英文模式下显示成「1 yrs」「5 yrs」,虽然不是中文,但语法不地道。

这就很不错,一个任务过程中,还会看周围的代码有没有问题,于是我也顺手一起改了。

全部改完,我让 Hy4 把代码提交到 GitHub,再上线到服务器。

结果没直接上,反而先拦了我一下。原来服务器上跑的是一个回滚分支,跟刚推上去的 GitHub main 不是同一个版本,所以先来问我这次要怎么部署。

我一看就想起来了。

一个多月前,我用 Codex 给简历网站改了个排版功能,结果改出了 bug,好多读者反馈已有简历的排版乱了。

当时我刚下飞机,就让同事先把服务器代码回滚应急,后来忘了把 GitHub 也回滚

找到原因就好办了。我让 Hy4 在 GitHub 上把那次作废的提交回滚掉,再重新上线。

最后 GitHub 和服务器两边终于对齐,英文简历的修复也顺利上线了。

现在回头想想还有点后怕。

要是 Hy4 当时闷头直接部署,那个作废的排版 bug 就又被我亲手送上线了。你们说,这算不算帮我拦下了一次线上事故?

这也提醒我,改线上项目,最小改动往往最稳。大改大修也许能解决眼前的问题,却很容易误伤老用户。动手之前,除了想清楚怎么解决问题,也得想想会不会影响已有的用户。

通过电脑操作验收英文简历网站

上线完,事情还没完。

代码层面验证过了,真实用户用起来有没有问题,还得到线上网站走一遍。

刚好 WorkBuddy 最近出了浏览器插件,能直接操控浏览器,我之前还专门写过一篇「用了WorkBuddy这个神级插件,我彻底解放双手了」,特省事。

这次我就让 Hy4 当一回测试。在线上网站找到我的简历,改成全英文版,再看看还有没有中文残留,PDF 能不能正常导出。

Hy4 先在浏览器里打开网站,找到我的简历,点进了编辑器,然后开始把中文简历改成英文。

接着又点了「下载简历」,PDF 顺利下载了下来。

最后再把 PDF 里的文字抽出来扫了一遍,结果是 0 个中文字符。

从查问题、改代码、上线,到最后线上验收,前前后后聊了好几轮,中间还被我那个历史遗留的回滚坑绊了一下,Hy4 愣是一路没跑偏。

这个坑说起来还得怪我。当初只回滚了服务器,忘了同步 GitHub。换我自己隔几个月回来接手,估计也得懵一会儿。

最让我放心的是,从头到尾都记得自己在干嘛。

改问题的时候,它会回头翻自己上一轮写的代码接着改,没有推倒重来。到了验收,它还记得哪几个字段是刚修过的,比如工作年限、那几个固定选项,专门挑出来重点测。

说实话,我以前用 AI 干长活,最怕聊着聊着它就把前面的事忘了,我还得把背景重新喂一遍。这次跟 Hy4 一路下来,基本没遇到这种情况。

我在旁边主要干两件事,看结果,拍板。体感真的很像带了个靠谱的开发搭子,你只管说要什么,它自己知道下一步该干嘛。

写在最后

写到这,总感觉少了点什么....

哦对,差点把老朋友鹈鹕给忘了!

鹈鹕骑单车算是我测模型的保留节目了,这次换个玩法,让 Hy4 做一个 3D 版的。

就这么一句提示词,出来的效果是这样的。

不愧是练习了两年半的练习生,这只鹈鹕骑单车是越来越游刃有余了。

第一眼我还奇怪,为什么没用手握住单车?

但仔细想了一想,鹈鹕本身就是没有「手」的啊,鹈鹕手就是翅膀,所以这或许才是真正的鹈鹕骑单车的真实情况

对了,这会刚好看到 Arena 发出了 Hy4 的评测结果,总榜第 14 名,已经紧挨着 Kimi K3.1 Pro(Max)了,两者只差约 0.4 个百分点。

目前 Hy4 尚未开放权重,权重开放后,将与 Kimi K3.1 Pro 并列开源模型第一。

更有意思的是成本。

Hy4 每个任务的中位成本是 0.55 美元,Kimi K3.1 Pro(Max)是 1.46 美元。也就是说,两者得分相差不到 1%,Hy4 的任务成本低了约 62%。

Hy4 也进入了 Agent Arena 的「帕累托前沿」。通俗点说,就是在这轮评测中,它属于同等成本下效果最优的模型之一。

如果说Hy4预览版证明了混元回到第一梯队。

那正式版的 Hy4,就是把第一梯队的能力,真正做成了第一梯队的产品体验。

现在 WorkBuddy 里就能限时免费用 Hy4,快来速蹬!

跳转微信打开

阿里版 Codex ,再次惊艳到我了!

2026年11月4日 10:42

原创 小林coding 2026-11-04 10:42 广东

大家好,我是小林。

相信一直在用 Qoder 的朋友,能很明显的感觉到,Qoder 的迭代速度非常快,经常没过多久又端上新的东西。

我刚好就看到,面向国内用户的 Qoder CN新加了一个新功能 Sites(站点),可以很好的解决这个痛点,直接将你做好的网页应用一键发布并上线。

之前有林友找我看简历,我都是建议你们搞一个技术博客,把自己平时学习笔记,或者工作中排查过的问题,都分享到博客上,然后把博客网站放到简历中。

面试官打开看到你的博客,一眼就会觉得你同学可以啊,平时挺用功的,那这绝对是一个加分的亮点了。

那么利用 Qoder CN的 Sites(站点)功能,就可以很轻松实现一个可访问的技术博客,你看这是我做好的技术博客网页,是基于我本地 100+篇图解系列md文档构建出来的。

使用站点功能的方式也很简单, 只需要在你想要实现的网页前面 @站点 就行。上面我实现的技术博客提示词,我也贴在这里,供你们参考下。

开发完成之后,在右上角去发布网页,选择「任何人都可访问」,网站就上线成功了,不需要你去申请域名、服务器部署。

────Qoder CN 双十一福利────

最近有点感觉Qoder CN真的听劝了(bushi,是被友商卷到了),现在天天给用户送赛博鸡蛋。

每天可以领 100 Credits,如果连续签到30天,直接白嫖 3000 Credits。

可能很多人对 100 Credits 没什么概念,每天拿来干几件轻度的办公任务,比如做数据分析、做PPT这的活,那这领到的赛博鸡蛋是足足够用的。

还有还有,如果你是新用户,注册就送 300 Credits。再用小林读者的专属邀请码注册,还能再额外多拿 500 Credits,两份叠加,新人一上来就有 800 Credits,差不多值 25 块钱。

小林专属邀请码:TKR7NH

注册地址给我放评论区置顶了哈

另外,老用户邀请新用户最高可得1150credits,快拉上你的朋友来砍一刀吧哈哈

有了这些白嫖得到的 Credits,就能切换更强的模型来干活了。Qoder CN 里内置了国内主流的模型,DeepSeek、Kimi、GLM、MiniMax 都能自由选。

用完这些薅到的 Credits 后,如果你觉得 Qoder CN 还不错,记得留意一下双十一活动:首次订阅仅需19.9元,就能拿到 2000 Credits。

这一波 Qoder CN 够大气了,每日白送100Credits+新用户送800Credits+首次订阅价格打骨折+老带新最高可得800Credits。

为了照顾一些还没有用过 Qoder CN 同学,我先教怎么下载和使用Qoder CN。

────怎么快速上手 Qoder CN?────

第一步,去官网下载安装包,Windows 和macOS都支持。

这里提醒一下,Qoder 分国内版和国际版,前面说的福利都是国内版的,所以下载国内版就行。

Qoder国内版官方地址:qoder.cn

按安装流程走完,软件名字叫「Qoder CN」就说明装对了。

如果你之前装的是国际版,建议把国内版也装上,不然薅不到这些福利。

第二步,打开 Qoder CN,点击登录。

国内版登录很方便,手机号或者支付宝扫码都可以。

登录完成后,就进到 Qoder CN 的工作页面了。是不是跟 Codex 还挺像的?

注意看左上角,这里有两种工作模式,可以随时切换。

两种模式的操作方式和大部分功能都一样,区别是编程模式多了 Worktree 隔离分支、Git 操作这些面向开发者的功能。

•  编程模式:按工作区来组织任务,一个工作区就是你电脑上的一个项目文件夹(比如一个 Git 仓库),适合写代码、跑命令、做 Git 操作。

•  通用模式:按普通文件夹来组织任务,适合整理资料、写文档、做页面,没有代码基础也能用。

第三步,快速上手体验。

我习惯用编程模式,下面就用它来演示。

建议先在本地新建一个空目录作为工作区,这样 Agent 干活产生的文件都会落在这个目录里,方便查看和管理。

创建好之后,左侧就能看到这个工作区,对话框底部也会显示当前会话在哪个目录下工作。

如果不想 Agent 每干一步都找你点确认,可以把权限从「每次询问」改成「自动审批」。这样没风险的命令会自动放行,只有检测到潜在风险的操作才会来问你。

设置好之后,就可以直接派活了。我先来个轻松的,让它画两只骑单车的鹦鹉,还得是能动起来的 SVG。

不愧是 Flash 模型,输出速度很快,几分钟就搞定了。

而且我发现,提示词里我压根没提要自测,它却在中途自己打开浏览器截图,检查渲染出来的效果对不对。

不正确的地方,会自己去修复,挺省心的。

恭喜你,到这里就已经学会用 Qoder CN 了。

接下来,我就来深度实测看看 Qoder CN 到底好不好用。

────Qoder CN 实测体验────

制作游戏攻略

前几天国产 3A《影之刃零》上线,我朋友圈直接被刷屏了。这游戏我早就预购了,可你看我在评论区回的什么,还在黑魂 1 的病村里打转。

自从去年入坑《艾尔登法环》,我玩单机就只挑魂类游戏,《匹诺曹的谎言》《明末》《堕落之主》《只狼》都玩了个遍。

倒不是我抖 M,魂游的过程确实挺折磨人的,但死了几十次之后终于打过去的那一下,真的爽爆了。

黑魂 1 是十多年前的老游戏了,可以说是魂类游戏的开山之作。本以为玩过这么多魂游,上手应该很快,结果一进去还是一脸懵。

这游戏几乎没有引导,下一步去哪全靠自己看物品说明、听 NPC 对话去猜,经常玩着玩着就不知道该干嘛了,心态有点崩。

所以我干脆让 Qoder CN 给我做一个攻略网页,让它自己上网查资料、找配图,做一份对新手友好的主线攻略。

任务发出去后,Qoder CN 先列了 4 步计划,调研攻略、搜集截图和地图、开发网页,最后起本地服务实测。

有意思的是,它没有自己一个人慢慢查,而是一口气派出 4 个子 Agent 并行干活,分别负责主线路线、Boss 打法、中文译名核对和配图搜集。

右边的浏览器里也能看到,它确实打开了攻略 Wiki 在翻资料。

网页做出来之后,第一眼我是真被惊艳到了。

主线路线、顺路支线、可选探索、DLC 全都拆得清清楚楚,每个区域还配上了游戏截图和地图。要知道黑魂 1 游戏里是没有地图的,光这一点就帮了大忙。

就拿要来到病村这个吃人的地图,攻略先列出了前置条件,要先打倒底层的 Boss 拿到病村钥匙才进得去。进了病村之后怎么走、要做什么,也都一步步写好了。

剧情背景默认折叠,想看的时候再点开,不怕被剧透。

还有个地方特别戳我。

我第一次去打小隆德的关底 Boss,直接跳进深渊就挂了,后来才知道得先戴上「亚尔特留斯的契约」这枚戒指。攻略里这一步写得很明白,先去黑森林庭院打灰色大狼希夫拿到戒指,才能在深渊里行走、去打四王。

早有这份攻略,我也不用白白跳那么多次深渊了。

在玩《影之刃零》的朋友,也可以照这个思路让 Qoder CN 给你做一份攻略。说不定你卡关的地方,就是漏了某个前置任务。

开发技术答题网页游戏

准备面试的时候,大家应该都有这种体会,八股背了一遍又一遍,过几天再看还是像第一次见。

我觉得问题在于,光看八股只是在输入。没有输出练一练,知识很难真正进到脑子里。

那最简单的输出方式是什么?做题。题目一做,哪些是真懂、哪些只是眼熟,马上就露馅了。

所以这次我让 Qoder CN 帮我开发一个限时技术答题的网页小游戏,背完八股就上去刷几题,顺便检验一下自己。

提示词如下,需求我写得比较细,分类、抽题、计时、计分、错题重练、保存最好成绩都提到了。

其中有两处是我特意加的。一个是「经过核对的」题目。刷题网页最怕题目本身就是错的,那就越刷越歪了。另一个是最后那句,完成后实际试玩,检查倒计时、重复提交、计分和重新开局是否正常。

我就想看看,它写完代码会不会真的自己上手玩一遍。

结果还真玩了。

Qoder CN 写完代码并没有马上说「已完成」,而是自己打开页面,一题一题点下去测。

这一测还真揪出了一个 bug。页面切到后台标签页后,倒计时会停住不动,也就是说切个标签页就能作弊。

这种 bug 我自己写的话,大概率是测不出来的。它很快改成按截止时间判断是否超时,再把其他功能测一遍,全部通过才收工。

所以整个网页一轮提示词就搞定了,Qoder CN 这套 harness 做得还挺扎实。

最后做出来的是一个叫 TECH SPRINT 的答题游戏,深色科技风。题库一共 48 道,Java、MySQL、Redis、AI Agent 各 12 道。

来答几题看看。首页先选分类,每局随机抽 10 道,连选项顺序也会打乱,想靠记位置蒙答案是不行的。每题 20 秒倒计时,提交后马上给出解析,答错了也知道错在哪。

一局答完,就进入结算页。

得分、正确率、用时都列出来了,下面还有错题回顾,每道错题都附了正确答案和解析。

做错的题会自动进错题本,点「重练错题」就只刷做错的那几道,答对了才会从错题本里移除。

这个设计我挺喜欢的。背八股最怕的就是会的题反复刷,不会的题一直不会。

压测结果分析

做后端的朋友应该都有这个经历,项目开发完、上线之前,总得对接口做一轮压测。

压测本身不难,难的是压完之后看结果。

我手上有一份电商接口发布前后的压测数据,文件夹里有 7 个文件。有请求明细、服务指标、应用日志,还有测试计划,光两份请求记录就各有 10MB。

随便点开一个 application.log,满屏都是这样的纯文本。

说实话,这玩意儿要我自己一行行翻,翻到下班也未必能看出个所以然。

这次要做的是版本对比。1.8.3 是线上的基线版,1.8.4 是准备发布的候选版,两轮各压 20 分钟,要回答的问题只有一个,1.8.4 能不能上线?

所以我直接把整个文件夹丢给 Qoder CN,让它出一份 HTML 压测报告,再加一份排查清单。

提示词最后那半句是我特意加的。AI 做数据分析,最怕的就是看到一个异常就顺手编个根因,说得头头是道,结果一查是瞎猜的。

所以我要求它重要结论都得附证据,拿不准的就老老实实标成「待验证」。

任务发出去之后,Qoder CN 先列了一个 4 步的任务清单,清洗数据、分析错误和性能、生成 HTML 报告、生成排查清单。

先来速览一下做好的网页报告。

左边是章节目录,右边打开第一屏就是结论:候选版 1.8.4 不建议发布。

紧跟着是几张指标卡片。失败率从 0.77% 涨到 3.93%,p95 从 252ms 涨到 1763ms,两项都没过验收线。先给结论、再摆证据,跟老板汇报也是这个顺序,一眼就知道能不能上。

再往下,错误分布、性能趋势都做成了图表,基线版和候选版放在一起对比,哪里出了问题一目了然。

不过最让我眼前一亮的,是连接池这一块的分析。它对比了各个实例的指标后发现,order-b 的数据库连接池一到高峰就被打满了,可同一时间 SQL 查询并不慢。

也就是说,慢的不是 SQL,是拿不到连接。说实话,要是我自己排查,第一反应八成是去翻慢 SQL,在数据库那边绕半天。

还有一点让我比较放心,它确实按我的要求,把「已证实」和「待验证」分开写了。拿不准的原因,它不硬下结论,只列出接下来该怎么验证。

另外,配套的排查清单也按 P0 到 P3 排好了优先级,每一条都写清了查什么、怎么验证,拿去直接分给同事就能用。

────写在最后────

这一波实测下来,我觉得 Qoder CN 表现还是不错的。

这些几个案例,都是一轮提示词直出的效果,中途我没有再补过提示词,也没有返工。

做攻略时会派子 Agent 分头调研、找配图,写答题游戏时会自己试玩揪出计时 bug,分析压测数据时能一路追到连接池上。

最后再提醒一波,新用户注册直接送 300 Credits,用小林的专属邀请码还能再叠加 500 Credits,一共 800 Credits,算下来差不多值 25 块钱,每天登录还可以领100Credits

小林邀请码:TKR7NH

注册地址给我放评论区置顶了哈

你们用我邀请码注册了,我也能薅点 Credits,就当作帮我砍一刀了,哈哈。

跳转微信打开

❌