铃阅时讯
❌

普通视图

墨奇智能黄青虬:做智驾五年,我知道具身创业该避开哪些噪音

2026年8月19日 20:32

晚点团队 2026-08-19 20:32 北京

墨奇明年将实现千台级机器人交付。

文丨李安琪

2025 年底创业前,黄青虬花了几个月调研具身智能。他发现,机器人做家务的实际成功率远低于公开视频;看起来成熟的硬件,响应速度和一致性仍有问题;算法模型名词不断更新,但机器人稳定工作的能力进展有限。

他的结论是:自己用半年到一年,有机会赶上同行过去两三年的进度。

这个判断面对的是一个迅速拥挤的市场。到今年,一批更早成立的具身智能公司估值已经突破 200 亿元,人才、资金和产业资源也在加速向头部聚集。后发公司不仅要追技术进度,还要证明自己还有哪些机会。

黄青虬的自信很大程度来自过去五年的智能驾驶经历。2020 年,黄青虬以 “天才少年” 身份加入华为,先后参与 ADS 1.0 到 ADS 4.0 的开发,做过激光雷达感知、BEV 融合,也参与搭建数据闭环。离职前,他担任 AI 模型开发部部长,管理 200 多人,是华为智驾最年轻的技术管理者之一。

在华为的五年,他经历了智驾从模块化、规则系统,到 AI 驱动、端到端模型的多次切换。具体技术会变,但技术审美、快速验证和迭代的能力可以留下。

他想把这部分经验带进机器人行业。十多年前,黄青虬在清华大学自动化专业就读期间,参加机器人足球比赛。那时,一台身高 1.6 米的机器人只要站在场上不倒,就有可能进入比赛前八;如果能走起来,有机会进入前四。

今天机器人已经开始尝试收拾酒店房间、操作柔性物体和连续工作。任务复杂了,真实世界暴露的问题也从一个单点技术,变成了模型、数据、软件和硬件之间的相互牵制。

2025 年底,黄青虬与高文礼共同成立墨奇智能。半年里,公司获得超过 10 亿元融资,团队扩张至 150 多人,同时投入模型、数据、软件和硬件。

今年 7 月,我们在深圳见到黄青虬。他说话很快但温和,偶尔流露出少年气。他说,墨奇的目标是做一台真正进入家庭、能够干活的通用机器人,但在实现路径上,公司没有把自己限定在热门的 VLA 或世界模型,也没有把双足和灵巧手放在第一优先级,而是先训练原生具身模型,准备明年千台级轮式机器人交付。

黄青虬 ,墨奇智能联合创始人、CTO。

对一家晚两年入场的公司来说,机会不在于把先发者走过的路重新走一遍,而在于行业答案仍未定型时,少走弯路、跑得更快。

“VLA 和世界模型不矛盾,也不完整、都是积木”

当下,VLA(视觉-语言-动作)和世界模型是具身智能最绕不开的两个技术方向。

美国公司 Physical Intelligence、Figure 等更偏 VLA 路线;斯坦福教授李飞飞联合创立的 World Labs 则更强调世界模型和空间智能。不同公司的技术重点不同,但行业至今还没有形成公认的技术架构。

VLA 的起点很好理解:以经过大规模预训练的视觉语言模型为底座,再加入动作输出,使模型能够根据图像和语言指令控制机器人。对创业公司来说,这是一条相对容易启动的路径——具身模型不用从零开始认识世界。

黄青虬认可语言对机器人的价值,但不认为大语言模型的成功可以原样复制到具身。他把两者概括成一组相反的关系:大语言模型是 “小数据、大模型”,具身更接近 “大数据、小模型”。

端侧算力是主要原因之一。“具身算法比大语言模型更难,因为它需要在端侧跑。” 他说。目前机器人端侧能部署的模型大约在 3B 到 7B;大语言模型主要运行在云端,算力约束相对更少。

机器人面对的世界明显更复杂。大语言模型接收文本 token,而机器人面对的是连续视频,还可能同时输入语言、触觉和本体状态。对于具身模型来说,一个训练样本的大小可能是大语言模型的数千倍。

在黄青虬看来,具身模型其实只做两件事:信息压缩和模态转换。机器人实时感知周围环境、理解人的指令,再把信息转换成具体动作。过程中可能有上千万维度的感知输入,最终却只有十几个维度的动作输出。

VLA 和世界模型提供了不同的能力来源和训练信号。VLA 引入语言和语言推理,世界模型更多通过预测视频、未来状态等方式,让模型理解物理世界如何变化。

但黄青虬认为,这些能力都只解决了具身模型的一部分问题。机器人最终还要把视觉、语言、触觉等大量信息转换成动作,仅靠动作本身提供的训练反馈又相对有限。因此,VLA 和世界模型并不矛盾,也都不完整,只是答案的一部分。

墨奇的办法是,给模型增加更多 “老师”。

动作是老师,语言推理也是,视频预测、深度估计、语义分割同样可以成为训练信号,都是训练原生具身模型可以使用的积木。“有点像语文、数学、英语和体育老师,教的东西不同,但最后都是为了让学生变聪明。”

比起追捧某个技术名词,黄青虬更在意它究竟解决什么问题。这也是他从华为智驾带出来的一种习惯:拨开噪声,不被行业热词牵着走。遇到自己判断值得投入、但还没有形成行业共识的方向,他过去常用的办法是:“资源在手里,可以先干了,干完再说。”

黄青虬想训练一个原生的具身模型。他把具身模型训练大致分成三个层次:从开源预训练模型出发,做任务后训练;进一步介入模型预训练;最终摆脱对开源模型的依赖,训练原生具身模型。目前公司正在推进后两者。

但越往后走,训练的挑战也越明显。

训练时,希望模型什么都学,语言推理、视频预测、深度估计、语义分割等能力全部都有;但实际部署到机器人侧时,参数量过大又会增加端侧推理负担,因而模型又要尽可能小巧、轻盈。

墨奇选择把两个环节拆开:训练阶段,模型同时学习动作、视频、语言推理、深度估计和语义分割等多种信号,让有限规模的模型尽可能充分地吸收信息;部署时,再只留下执行动作需要的部分。公司把它称为 “训练推理分离”,尽量不让端侧算力的上限,变成模型学习能力的上限。

黄青虬也仍在思考,最终的具身模型应该长什么样。他相信 “简单即是美”,但走向简单答案的过程并不简单:原生模型架构、初始化方法、训练超参数和数据配比都更敏感,也更考验技术负责人的 taste;更小的模型要吸收更大规模的数据,对架构和训练能力提出更高要求。

墨奇并不是唯一尝试增加训练信号的公司。Physical Intelligence 已在模型训练中混合机器人图像、语言、高层语义任务和动作等多类数据;World Labs 也在尝试把世界模型、仿真和真实世界学习放进同一体系。

不同之处在于,Physical Intelligence 是沿着 VLA 路线延伸,World Labs 更从世界模型和空间智能出发;墨奇不把其中任何一种当作最终架构,而是把不同训练信号作为 “积木”,服务于自己的原生具身模型。

对一家成立只有半年的创业公司来说,这是一个风险选项。直接介入预训练、甚至训练自己的原生模型,意味着更高的算力、数据和人才投入,也意味着要承担路线判断错误的风险。

但黄青虬认为,如果最终目标是原生具身模型,仅仅停留在开源模型的后训练阶段,很难真正建立自己的模型能力。

他没有回避这条路线的不确定性,他说,AI 本质上是一门实验科学,试错不可避免。“现在整个 AI 领域的技术迭代非常快,没有人能保证每一次押注都是对的。哪怕今天非常厉害的头部具身公司,也不是每一次都赌对。赌错了怎么办?那就快点改呗。”

后发两年,为什么未必落后两年?

在华为推动端到端时,黄青虬经历过一次近乎 “推倒重来” 的技术切换。

特斯拉引领的端到端方案靠 AI 驱动,展示出更高能力上限,但初期效果不如打磨已久的基于规则的旧智驾系统;路线切换也意味着此前积累的一部分工作要放弃。他需要不断向团队解释,为什么一个眼下更差的方案仍值得继续投入。

但也是这段经历让黄青虬意识到,模型可能反复变化,甚至推倒重来,但围绕 AI 模型建立的数据、训练和评测能力,不会随某一条技术路线变化而清零。

这也是黄青虬有信心能在半年内追赶具身同行的重要原因。成立晚两年,不一定意味着落后两年。

在他看来,后发公司的追赶速度取决于两件事:一是核心团队能否筛掉大量无效方向,二是发现问题后,能否更快完成数据回流、训练和验证。前者靠关键人物的 taste,后者取决于基础设施建设。

他把模型训练时的数据配比和训练方法称为 recipe(配方),类似炒菜时的 “加盐少许”。“这个 ‘少许’ 到底是多少?没有答案可以直接抄。” 这背后可能是上百种改进思路,技术负责人要先筛掉 90% 不靠谱的 idea,再把剩下的方案放进实验。

黄青虬举过一个乡村小道的智驾例子:车辆与行人、其他车辆交互的数据加得太多,模型可能变得保守;加得太少,又可能无法处理极端情况。所谓技术负责人的 taste,最后会落到这些具体取舍上。

墨奇想把这套在智驾里形成的方法,搬进机器人。

跟智驾数据闭环的逻辑类似:机器人执行任务失败后,团队找出失败片段,从数据池中检索相似场景,判断问题来自数据覆盖、轨迹质量、模型还是硬件。如果缺少相应数据,酒店场景的保洁人员会佩戴轻量化采集设备,在日常工作中补充真实操作轨迹。

新数据经过筛选、分类和自动标注,与原有数据重新配比,再进入训练。训练完成还不算结束,新模型还要经过离线评测、真机泛化测试和任务回归测试,确认目标问题得到改善、其他能力没有明显退化,才会重新部署到机器人上。

一次机器人失败,会变成下一轮训练的起点。“如果你转一轮是一天,别人转一轮是五天,你就有别人五倍的迭代效率。” 黄青虬说。

墨奇从成立第一天起就在搭建这条链路。目前,部分数据质检、检索和标注已经可以自动完成,但问题定义、训练策略和模型发布仍需要工程师判断。

按照公司的说法,如果问题主要通过调整数据就能解决,目前完成一轮迭代约需一周,未来希望缩短至一天;涉及模型结构或硬件修改时,则需要一周到一个月。

但闭环转得快,只解决了效率问题;进入闭环的数据质量同样重要。

当下,具身公司们也想尽办法扩大数据规模。有公司尝试从人类视频中迁移操作能力,也有公司通过仿真和生成环境批量制造训练样本。而墨奇现阶段更看重真实工作产生的数据,而不是单纯追求数据小时数。

黄青虬给数据定了三个条件:真实的人、真实的场景、干真实的活。

以擦桌子为例,在专门的数采场地里,数采员的目标往往是完成一条规定动作轨迹;但保洁人员的目标则是把桌子擦干净,会观察污渍,根据实际情况调整方向、力度和次数,没擦干净还会再来一次。

如果一万小时数据大多在同一张桌子上重复相似动作,增加的时长未必能给模型带来更多变化。遇到遮挡和密集接触时,采集设备还可能发生漂移,使模型学到的参考轨迹出现偏差。

墨奇称,目前积累的约 3 万小时数据已经过质检,可以进入模型训练,年内计划增加到 15 万至 20 万小时;同时投入规模算力资源,年内使用超 2000 张训练卡,加速数据训练闭环。

机器人进入酒店,先闭环,再通用

墨奇最终希望机器人进入家庭。“一个通用机器人,最终既需要会走路,也需要会干活,手要强,腿也要强。”

但黄青虬认为,家庭并不是一个适合早期产品验证和数据采集的场景。不同家庭的空间、物品和生活习惯差异很大,摄像头和传感器采集的数据又涉及隐私,很难持续回流到公司用于模型训练。

酒店提供了一个相对可控的起点。房间里的工作接近家务,同样需要处理生活用品、柔性物体和清洁工具;与工业上下料和物流分拣相比,环境和任务的变化更多。客人退房后,机器人可以在空房间里工作,数据也更容易获得授权并回传。

墨奇没有选择一开始就挑战最通用、也最难的场景,而是先在真实商业环境里,让产品的真实使用、数据回流和模型迭代形成闭环。

但真实的商业场景往往有更多意料之外的挑战。

墨奇的机器人早期进入酒店测试时,还没开始收拾房间,先可能被一道三五厘米高的门槛拦住。进了房间,又可能因为没有取电、光线太暗而看不清物品。机器人得先插房卡,或者走到窗边拉开窗帘,后面的工作才能开始。

现阶段,墨奇团队把酒店工作拆成 160 多个子任务,按难度和模型能力逐步推进。第一阶段主要是抓、拿、放,比如收走垃圾、把矿泉水放进冰箱、替换毛巾等,约占客房清洁工作量的 30%。

这些动作看起来基础,真实环境里的状态却并不固定。矿泉水可能在桌上,也可能落在床边;毛巾有时叠放整齐,有时揉成一团;机器人还要区分未开封的矿泉水和客人喝过的瓶子。

下一阶段是处理床单、枕套和衣物等柔性物体。它们在抓取过程中会不断改变形状,很难像杯子、瓶子一样用相对固定的方式识别和操作。

再往后,机器人需要把多个单点动作串成长程任务。清理桌面,不只是识别和抓取,还要使用工具,在任务结束后检查结果。任务再从桌面延伸到房间、一层楼甚至整栋楼。

“先闭环、再通用” 的思路,也决定了墨奇对硬件的取舍:不追求一步到位,而是先解决真正阻碍产品和模型迭代的瓶颈。

长期来看,黄青虬认同,双足人形机器人更通用,也更适合按照人体尺度设计的家庭环境。但 “一步到位” 意味着初创公司要同时解决更多软硬件问题。

墨奇的第一代产品因此采用轮式底盘,先绕开复杂的双足行走,把精力集中在双臂操作上。该款机器人将在 8 月中旬亮相。目前,墨奇原型机已经进入真实客户场景进行 POC 验证。公司称,明年将实现千台级机器人交付。

灵巧手的自研优先级也被暂时排在后面。墨奇团队测试发现,人戴上与机器人相似的夹爪,在酒店和商住公寓里尝试工作,能完成约 70% 的任务;但机器人自主执行能够完成的可能只有 3% 至 5%。

这意味着今天限制机器人工作范围的首要问题,仍然是模型,而不是手不够灵活。“我们可以先基于稳定的夹爪执行器,把模型能力往上提。等到有一天手成为瓶颈时,我们再上灵巧手。”

黄青虬给墨奇划了一条硬件自研的边界:只有当某个硬件已经开始阻碍模型迭代,而供应商又无法及时解决时,公司才考虑自己做。

机器人关节属于这一类问题。墨奇算法团队曾让数台机器人执行同一条指令,机械臂最后却可能停在不同的位置。同一个模型在一台机器人上成功,换到另一台上就有可能失败。硬件的不一致,会让研发人员难以判断,失败来自模型,还是关节精度、通信时延和装配误差。

墨奇选择从肩关节开始自研,希望解决机器人执行动作偏慢的问题,提升不同机器之间的一致性。

创业前,黄青虬长期从事算法和软件研发,已经习惯按天甚至按小时迭代。但硬件设计一旦出错,零件需要重新加工,还要等待供应商排期,回来后再组装和测试,周期往往以周甚至月计算。刚开始接触这种节奏时,他经常催问:“硬件怎么这么慢?怎么还不来?”

现在,等待机器恢复、催硬件同事修机器,也成了算法和软件团队日常工作的一部分。对具身公司来说,管理这种节奏差本身就是产品能力的一部分:模型、算法需要高密度人才快速探索,硬件则依赖更严格的流程和制造管控。

进入真实场景后,具身智能的竞争正在从单点能力走向系统能力。模型、数据、软件、硬件任何一个环节,都可能成为新的瓶颈。

这也是黄青虬把墨奇定义为 “系统派” 的原因:不只做机器人的 “大脑”,也不只做本体,而是把原生具身模型、真实数据回流、训练系统、软件和硬件放进同一套迭代体系。

具身行业还远没有形成稳定的技术和商业答案,后发公司的机会窗口也还没关闭。

题图来源:墨奇智能

- FIN -

跳转微信打开

AI 网关可观测体系:让大模型调用看得见、查得到、审得清

2026年8月19日 10:00

AI 网关 2026-08-19 10:00 陕西

Token 花在哪、慢在哪、出错怎么查 - 大模型上线后的三道"看不见"难题,都要在网关层一次解决。

企业把大模型接入生产后, “能调通” 解决了可用性, “能兜住” 解决了连续性,但紧接着就是第三道难题—— 看不见 。Token 花在哪了、慢在哪了、出了问题怎么查,这三个问题在大模型场景下没有现成答案。AI 网关把监控、日志、追踪三大支柱沉到网关层统一采集,业务方不需要改一行代码,就能获得 Token 级的用量洞察、请求级的延迟拆解、以及全链路的调用追踪。

一、用户场景:大模型调用 “看不见” 的三种痛

延续金融场景——AI 平台团队把混元、DeepSeek、Claude 多家模型统一接入 AI 网关后,智能路由和业务连续性已经跑起来了,但 运营阶段的新问题接踵而至 。

AI 网关可观测能力的 “使用者” 通常不是单一职能,而是 运维、安全、财务、业务、技术 多个角色使用。大家关注点各不相同,但都指向同一个问题: 大模型上线后能不能像传统应用一样被 “看见、查清、追透” 。

角色

核心关注

典型问题

对应可观测能力

AI 网关实现

CTO / 技术决策者

平台稳定性和风险可控

“大模型出了故障能多快恢复?会不会影响业务?”

Fallback 触发率 · 错误码分布

LLM 监控大盘 + 自动降级

运维负责人

排障效率和值班压力

“凌晨告警我能不能远程 10 分钟定位,而不是到机房翻日志?”

TraceId 串联 · CLS 检索

全链路追踪 + 结构化日志

财务 / 成本管控

Token 花费透明可追溯

“这个月 Token 花了 50 万,到底是谁花的、花在哪了?”

按消费者/模型/时间段拆分

多维用量统计 + 成本单价

安全合规

审计留痕和追溯

“等保测评时能不能拉出每一次模型调用的完整记录?”

请求/响应/Fallback 路径

审计日志 + 合规留存

业务方

AI 服务体验稳定

“为什么我的智能客服今天特别慢?能告诉我原因吗?”

TTFT / TPOT 延迟

Token 级延迟指标

无论是哪个角色,本质诉求一致—— 让大模型调用从 “黑盒” 变成 “白盒” 。AI 网关可观测把 Metrics、Logs、Traces 三大支柱沉到网关层统一采集,让每一笔 Token 消耗、每一秒延迟、每一次调用链路,都必须可观测、可查询、可审计。

二、产品功能:监控 + 日志 + 追踪三位一体

AI 网关可观测体系基于 Metrics / Logs / Traces 三支柱架构 ,针对大模型场景做了深度定制—— 不只看 HTTP 层的 QPS 和延迟,而是下沉到 Token 级、模型级、消费者级 。核心功能包括:

  • 监控大盘 :全局概览 + LLM 模型监控 + MCP 工具监控,支持按模型服务、消费者、时间段等多维度下钻。

  • CLS 结构化日志 :使用 CLS 日志,遵循 OpenTelemetry 语义约定, 一条 CLS 查询即可定位慢请求、错误请求、Fallback 链路 。

  • 全链路追踪 :每个请求进入网关时生成或继承 W3C 标准 TraceId,贯穿日志与监控维度,支持按 TraceId 在 CLS 中精确关联路由命中、模型响应、工具调用和 Fallback 记录。

  • 审计日志 :完整记录调用者、时间、模型/路由、请求体、响应体、Fallback 触发原因与切换路径,支持配置留存周期, 满足金融/政务合规要求 。

三、实战案例:一次从 “账单异常” 到 “链路审计” 的端到端排查

真实运维中,成本、性能、链路三类问题很少孤立出现,往往在同一次故障中交织叠加。下面用一次完整案例展示三件套如何协同闭环。

故障现象: 周三早上同时收到两个告警—— 本周 Token 消耗比上周增长 60%,客服 Agent 响应时间从 3 秒飙到 8 秒以上 。

排查闭环:

步骤

工具

动作

结果

① 定位异常范围

LLM 监控大盘

按消费者维度查看 Token 消耗 + TPOT + Fallback 趋势

客服团队 Token 从 2 万飙到 8 万;DeepSeek TPOT 从 50ms 飙到 180ms;Fallback 每天上千次

② 下钻定位根因

CLS 日志查询

按消费者 + 模型 + Fallback 过滤,统计错误类型和延迟

DeepSeek 返回 429 占 78%(供应商配额打满);Fallback 到的备用模型平均延迟 12 秒

③ 串联审计

TraceId 追踪

按 TraceId 检索完整链路

完整还原每条调用链:路由 → 模型 → Fallback 切换 → 协议转换 → 响应,导出审计报告

④ 修复验证

监控大盘

调整 Fallback 链(备用模型换成内网混元)+ 提升 DeepSeek 配额

TPOT 恢复 55ms,Fallback 下降 90%,Token 日耗回落 2.5 万

从告警到根因、从根因到审计、再到修复验证——整个闭环快速完成 ,这正是三件套协同的价值。

(端到端排查闭环示意图)

四、技术实现

AI 网关 天然处在所有模型和 MCP 流量的必经之路 ,可以在一次请求的不同阶段完成数据采集:请求进入时建立 Trace 上下文;路由转发时记录模型、消费者与策略信息;响应完成时统计 Token、延迟和结果;最后在 Log 阶段生成结构化记录,通过独立采集组件上报。

(可观测体系架构图)

技术难点不是 “多打一行日志” ,而是 同时满足四个要求 :不改业务代码、尽量不增加请求延迟、不同模型使用同一套数据口径、观测链路异常时不能影响正常调用。下面分别介绍四条采集链路,以及两个关键工程设计。

4.1 四条采集链路

  • 指标链路(Metrics) :请求结束后更新 Prometheus 时间序列(请求数、Token、模型耗时、Fallback 次数、MCP 调用等),使用独立的 ai_llm_* 和 mcp_* 指标族,带有模型、消费者、路由等标签。conf-agent 定时拉取并上报云监控,用户也可接入自建 Prometheus。 指标侧只保留适合聚合的有限维度,高基数内容进入日志链路。

  • 日志链路(Logs) :日志插件在请求结束后汇总路由、代理、响应各阶段上下文,交由 OTel Adapter 做语义转换。LLM 与 MCP 日志按场景隔离,各自拥有独立队列和日志主题。 格式转换失败时生成最简骨架日志并保留原始信息,绝不丢弃。

  • Trace 链路(Traces) :请求进入网关时解析 W3C 标准 traceparent( 00-{TraceId}-{SpanId}-{Flags} ),继承上游 TraceId 或生成新的,写入日志和监控维度,并通过 traceId 返回调用方。

  • 基础设施链路 :在 AI 指标之外建设基础设施监控,采集底层网络流量、带宽和容器系统指标,按容器标识分片采集。 排查时可逐层收敛 :端到端延迟 → 模型侧耗时 / TPOT → 网关代理耗时 / CLB 带宽 / 节点负载。

(请求链路数据流图)

4.2 性能与资源控制:可观测不能成为新的瓶颈

严格来说,任何观测能力都会产生开销,工程目标不是宣称 “零开销” ,而是 让它不进入模型转发的阻塞路径 ,并把 CPU、内存、磁盘和指标基数控制在明确边界内。

第一层:请求路径只做轻量计算,不做同步网络上报

日志处理发生在底层网关的 Log 阶段。此时上游响应处理已经结束,同步部分只完成上下文读取、OTel 字段映射、JSON 编码和内存入队, 不会在这里进行数据上传,也不会逐条同步写磁盘 。日志处理的逻辑限制只提取请求、响应、延迟以及 LLM、MCP 等必要字段,避免为指标生成一份完整访问日志。高频计数优先通过共享内存中的原子自增完成,再由定时器批量汇总。部分聚合使用 “当前周期写入、上一周期读取” 的 epoch 双缓冲 :请求与刷盘操作使用不同的 Key 空间,既减少锁竞争,也避免边读取边删除造成数据丢失。

第二层:磁盘写入异步化,并为异常设置止损线

日志进入底层网关的异步批量处理队列后,按批次合并写入文件,以减少频繁系统调用。 LLM、MCP 等场景拥有独立的队列和磁盘慢写状态,某一类日志拥塞不会直接阻塞其他场景。 队列本身有容量上限,避免流量高峰无限占用内存。当一次磁盘写入超过慢写阈值——默认 50ms——对应场景会进入默认 10 秒的冷却期,冷却期间快速跳过落盘;打开或写入文件失败时则交由队列按策略重试。这里的取舍非常明确: 当日志完整性与网关可用性发生冲突时,优先保护业务请求 ,并通过错误日志暴露丢弃和磁盘异常。

第三层:让不再活跃的 Prometheus 指标自动退出内存

模型、路由和消费者会持续变化。如果一个模型已经删除,它对应的 Label 组合仍长期留在网关共享内存中,时间一长就会形成大量 “僵尸指标序列” 。因此 AI 网关为动态指标增加了 TTL(Time To Live,生存时间)生命周期管理 ,通过预设时间参数来自动清理、删除或失效过期数据。

每次指标更新时,系统会同步刷新一个上次访问的时间戳。清理定时器只在一个工作线程中运行,找到过期项后不会立即删除,而是先等待一次同步周期,再重新检查访问时间。 如果这段时间有新请求让指标重新活跃,就取消删除 ,从而避免清理任务与请求更新发生竞态。内部状态 Key 使用 __ 前缀,与真实指标隔离:它们既不会被误暴露成 Prometheus 指标,也不会被 TTL 当成业务 Series 清理。需要特别说明, TTL 清理的是网关本地共享内存中长期不活跃的指标序列,不是删除 Prometheus 或云监控已经保存的历史数据 。历史曲线仍按监控系统自身的留存策略保存。

第四层:在源头限制指标基数

TTL 解决 “旧指标何时退出” ,但无法阻止短时间内产生海量新 Label。为此,MCP Server 等动态维度还设置了单节点基数上限; 当前实现最多保留 1000 个真实 Server 维度,超过上限后统一回落到 mcp_server_name="*" 聚合 。已有的细粒度指标序列会在停止活跃后由 TTL 自然清理。这种 “基数上限 + 通配聚合 + TTL 回收” 的组合,牺牲了极端场景下少量维度精度,却能防止 Prometheus Shared Dict、抓取响应和 Barad 上报批次同时膨胀。对网关这类基础设施而言, 这是比无边界记录更可靠的工程选择。

(性能控制四层防护示意图)

4.3 异常请求兜底:模型没有返回 usage,Token 数据也不 “断档”

正常情况下,模型服务会在响应中返回 usage,其中包含输入和输出 Token 数。但在真实生产环境中, 这个字段并不总是可靠 :有的兼容接口没有实现 usage;有的流式接口只有最后一个数据块才返回 usage;如果客户端提前断开、上游异常,或最后一个数据块在传输中丢失,网关可能已经转发了大量内容,却拿不到最终统计。 如果简单地把缺失值记为 0,成本、配额和容量趋势都会被系统性低估。 为此,网关采用 “尽量获取、分片累计、最后补偿” 的三级策略:

优先级

数据来源

处理方式

1

模型服务实报

优先采用响应中的原始 usage

2

流式分片可恢复数据

对已经收到的 usage 做幂等累计

3

本地估算

输入侧使用 tokenizer,输出侧按已接收文本做近似估算

第一步 是尽量让上游返回准确数据。对于支持该能力的 OpenAI 兼容流式接口,网关会自动补充 stream_options.include_usage=true 。收到分片后也不会机械相加,而是采用 “最大值胜出” 的方式更新 Token 数:这既兼容 “每个分片返回累计值” 的供应商,也兼容 “只在最后一个分片返回总值” 的供应商,还能避免同一分片被重复处理时造成重复计数。

第二步 是在请求侧提前建立独立的输入 Token 估算。网关会根据请求类型提取真正参与推理的文本,并使用本地 tiktoken 兼容编码器计算 Token 数。 编码器按 Worker 延迟加载,计数时只返回数量,不生成完整 Token ID 数组 ,以减少 CPU 和临时内存开销。该结果写入独立的 estimated_input_tokens 字段,不会覆盖模型实报的 input_tokens ;即使分词器加载或解析失败,也只记录失败原因并放行请求, 不会让观测逻辑阻断模型调用 。

第三步 处理最棘手的情况:流式内容已经返回,但最终 usage 完全缺失。对于非多模态响应,网关会根据实际接收到的文本长度,以 “字符数 ÷ 4” 计算一个保守的输出 Token 近似值,并将 usage_source 明确标记为 estimated 。多模态内容可能包含 Base64 或 URL,按字符估算容易产生数量级偏差,因此这类请求不会强行补偿。

(Token 三级补偿策略示意图)

与此同时,日志还会记录 complete 、 client_disconnected 、 provider_error 或 incomplete 等流状态。这样,即使一次请求因客户端断开而只留下部分数据,使用者仍能判断 “这是供应商精确值、分片累计值、还是网关估算值” ,而不会把不同精度的数据混为一谈。例如,一次流式调用已经向客户端输出正文,却在最后一个 usage 分片到达前发生连接中断。传统日志可能只留下 output_tokens=0 ;网关则会保留本地输入估算、根据已接收正文补偿输出 Token,并同时标记 usage_source=estimated 和实际流状态。这样既避免监控曲线突然归零,也为后续审计保留了数据精度边界。

需要强调的是, 估算值用于异常场景下的趋势分析、容量判断和问题排查,不能替代供应商账单 。模型实报值始终优先,估算结果也始终带有来源标记—— “有数据” 与 “知道数据有多可信” 必须同时成立 。

从工程角度看,这套体系的核心不是某一个指标或插件,而是 五个设计原则 : 请求上下文统一、指标与明细分流、同步处理与异步投递解耦、观测失败不影响业务主链路、异常数据可补偿且来源可追溯 。正是这些底层设计,让 AI 网关不仅能转发模型请求,也能成为 企业统一治理 AI 流量的数据入口 。

五、总结

监控让大模型调用 “看得见” ——Token 消耗、请求延迟、Fallback 触发,每一个指标都按模型、按消费者、按时间段可下钻。 日志让问题 “查得到” ——OpenTelemetry 标准的结构化日志,一条 CLS 查询语句就能定位慢请求、错误请求、Fallback 链路。 追踪让链路 “审得清” ——TraceId 贯穿完整调用链,审计日志满足金融合规。

三者统一在 AI 网关一个入口里采集,业务方 不需要改一行代码,不需要自建监控体系 。当大模型成为基础设施,这层 “可观测屏障” 就是运营的基石 —— 没有可观测,就没有精细化运营。

如果您正在推进企业 AI 应用建设,欢迎在评论区告诉我们你正在面对的 AI 落地挑战。前往产品页面了解详情:https://cloud.tencent.com/product/cngw

AI 网关能力全景

点击 👇 视频查看 「AI 网关接入演示」



阅读原文

跳转微信打开

我不认为几亿人会用豆包「办公」,但 Agent 豆包也必须要做

2026年8月19日 09:52

原创 刘飞Lufy 2026-08-19 09:52 浙江

生产力更准确的意思,是一个人把自己的意图变成结果的能力。

1

豆包工作任务的底部多了一个切换,本地电脑和云电脑,两个不同的模式。

简单来说,本地模式是让豆包在自己的电脑上干活。授权之后,它可以读取指定范围内的文件,操作已经安装的软件和浏览器,把结果直接保存在本地。这里更准确的说法是「执行环境在本机」,模型推理和数据部分会经过云端。

云电脑则相当于一台运行在云端的远程电脑。任务开始之后,即使自己的电脑关掉,它也可以继续工作。换成手机,还能继续查看进度,中途追加要求,或者把生成的结果取回来。

看起来只是多了一个不起眼的切换,但它其实补上了 AI Agent 最关键的两种工作条件。

这也让豆包的产品定位发生了变化。

过去的豆包对我来说,更多是一个生活小能手。我会用它查天气,走在路上随手拍一下某棵树,问问是什么品种;看到院子里飞来一只鸟,也可以直接拍给它看。配合豆包输入法,日常生活里那些随时冒出来、懒得专门去搜索的小问题,基本都能很快解决。

像这样:

但一旦涉及生产力场景,我过去想到豆包的次数就比较少。原因倒不完全是模型能力,而是一个更实际的问题:AI 接触不到我真正工作的环境。

所以过去在本地,我更多使用 Codex;需要云端长期运行的任务,则更多交给扣子或者自己养的龙虾。

而豆包现在相当于把自己的能力继续泛化,可以快速覆盖更多的场景了。

类似的能力,在此前的 AI 产品里并不算第一次出现。但由豆包来做,意义显然不太一样。因为它不是一款只在程序员、AI 从业者和效率工具爱好者中流行的产品,而是一个已经进入普通人手机的国民级应用。

2

先聊一聊这两个模式的价值,跟单纯在聊天框里对话的区别。

计算机的发展史,本来就是本地和云端不断来回摆动的历史。大型机时代,算力集中在机房里,使用者坐在终端前,机器并不真正属于个人。个人电脑把算力搬到了每个人的桌上,一台机器服务一个人,这是 PC 革命的核心。后来云计算又把大量算力搬回机房,大家不再购买每一台真实的服务器,而是根据需要租用计算资源。

到了手机时代,本地和云端更是长期并存。拍照发生在本地,图像识别可能在云上完成,相册既保存在手机里,也会同步到云端。到底把哪一步放在哪里,主要取决于几个问题:哪边更快,哪边更便宜,数据离哪边更近,以及任务是否需要持续运行。

AI 一旦进入生产力场景,就绕不开私人数据。它需要读的逐字稿在个人硬盘上,需要处理的表格放在某个文件夹里,需要操作的软件已经安装在自己的机器上。这样的任务,必须具备本地执行的能力。另外一些任务可能要跑几个小时,甚至每天定时执行,不可能为了它一直开着电脑,所以又需要云端的支持。

对于本地模式来说,我的感受尤其明显。

我的播客逐字稿、剪辑工程文件、报税用的表格、这几年公众号的存稿,都存在自己的电脑里。过去如果要让 AI 使用这些资料,需要先在几百个文件里找到相关内容,再一个个上传。

本地 Agent 的逻辑不一样。可以直接把一个经过筛选的文件夹授权给它,让它自己搜索、判断和建立上下文。我们不必精确记得某句话写在哪篇文章里,只要大概说出印象,它就可以在过去的文稿里查找。很多时候,它还能找出一些我自己已经完全不记得的资料。

本地模式里,我当然也还在使用 Codex。豆包的差异化价值,更多体现在中文环境和大众化产品体验上。比如寻找中文资料时,豆包通常更快,对中文网站、中文表达和国内信息环境的触达也更好。

现在我就在用豆包工作任务的 Turbo 模式,完成半拿铁周刊的选题脚本。它需要同时搜索多个中文信息源,读取我过去的选题偏好,再把候选新闻整理成适合播客讨论的角度。这种任务不只是「搜索新闻」,而是需要反复检索、筛选、比较,再交付一个可以继续编辑的文件。中间可能涉及到不同渠道的获取方式,有的还需要登录。我可以人工帮它解决中间的卡点。而它遇到任何的卡点,都可以自己想另外的办法,或者寻求我的帮助。

云电脑解决的是另一个问题。

云端运行的并不是一个抽象的聊天窗口,而是一套可以持续工作的远程环境。Agent 可以在里面打开浏览器、翻页面、填写内容、处理文件,再把结果交回来。对于深度调研、批量整理、定时监控、长时间生成这样的任务,本地电脑没必要一直开着,人也不用守在旁边。

我之前养龙虾,为了让 Agent 不断线,专门买了一台 Mac Mini 常年开着。从能力上说,这当然也是一种自己的「云电脑」。但配置环境、维护服务、处理断线和报错的技术门槛,已经把绝大多数用户挡在了外面。大家真正需要的不是证明「这件事技术上可以做到」,是打开就用、开袋即食。

而真正可用的云电脑模式,对于多数用户来说才是有价值的。这也是我之前聊龙虾时做过的判断:商业化、普通人可用的云端 Agent,一定会很快落地。现在豆包的云电脑,正是在把发烧友自己搭建的能力,封装成普通用户可以直接使用的产品。

比如我可以让它定时查看某段行程的机票价格,记录每天的变化,符合条件时再提醒我,而不用每天自己打开几个平台搜索查看。

云电脑还有一个非常现实的价值:今天大量软件和网页,都是为人类设计的,并没有对外开放完整接口。过去的自动化工具必须等平台提供 API,或者针对页面单独写脚本。Agent 可以直接理解人类界面,于是凡是在授权范围内、能够通过浏览器正常查看和操作的内容,理论上都有机会被纳入任务流程。

当然,这不意味着 Agent 可以绕过登录、验证码、权限和平台规则,更不意味着它对所有网站都能稳定操作。但边界确实被大幅拓宽了。API 决定的是平台愿意主动开放什么,而对界面的理解和操作能力,让 Agent 有机会使用已经存在的绝大多数数字工具。

3

过去大部分 AI 产品仍然是会话式的。问一句,做一件事;做完之后,这一轮就结束了。这种形态本质上还是一个长了手脚的 Chatbot。

真正的任务托管需要另外几样东西:能够找到相关资料,能够进入实际环境,能够持续运行,还要能够在不同设备之间保持同一个任务状态。

出门前,我可以在电脑上启动一个任务;路上在手机里查看进度,想起需要调整的地方,直接补充一句;等回到桌前打开电脑,结果已经生成好了。如果是本地任务,手机还可以连接同一账号下处于在线状态的电脑,远程调用文件和软件。豆包新版本更新的手机远程操控电脑功能,已经开始把这个场景做成现实。

这里发生的变化,不只是从 PC 端走到手机端,而是任务第一次不再依附于某一块屏幕。屏幕只是查看和干预任务的入口,任务本身可以在另一台机器、另一个时间段继续运行。

过去不乏纯云端的 Agent,也不乏纯本地的 Agent。豆包这次比较有意义的地方,是把两种模式放在了同一个产品、同一个账号和同一套任务体验里。用户不需要先理解技术架构,只需要判断:这项任务要不要使用本地文件?如果电脑关掉,它还要不要继续?

更有意义的地方在于,豆包是一个国民级别的应用。

根据 QuestMobile 2026 年 AI 应用市场发展半年报,2026 年 6 月,豆包月活跃用户达到3.82亿,千问和 DeepSeek 分别为1.67亿和1.29亿。至少从用户规模来看,豆包已经是国内使用人数最多的独立 AI 应用。

我身边从中学生到退休的长辈,都有人在用豆包。其他很多 AI 产品也很好,但用户往往集中在程序员、大学生、内容创作者或者大公司的知识工作者之中,很难形成这么宽的年龄跨度。

这个覆盖面跟模型参数没有直接关系,更重要的是入口足够低。不会打字可以说话,不知道怎么描述可以拍照,不理解 Prompt 也可以直接用最自然的语言提问。对于普通人来说,产品首先要解决的从来不是「模型够不够先进」,而是「该怎么开始」。

AI 产品要真正普及,需要连续降低四道门槛:表达的门槛、获取资料的门槛、执行操作的门槛,以及持续运行的门槛。豆包过去通过语音、拍照和自然对话,已经把表达门槛降得很低;现在本地电脑和云电脑,又开始补上资料、执行和持续运行这几层能力。

虽说 AI 行业经常给人一种「天上一天,地下一年」的感觉,但对于大部分普通人来说,对 AI 的理解仍然停留在聊天、搜索和生成内容。豆包现在做的,是把 Agent 从少数人折腾的高级工具,快速推到数亿普通用户面前。

这件事的意义,可能比又提升了多少模型参数更大。

4

从字节最近的一系列动作看,方向已经很清楚了:豆包要继续进入生产力场景,也要建立更清晰的商业模式。最近围绕豆包、飞书和火山引擎进行的组织调整,也是同一个信号。豆包负责面向用户理解和组织任务,飞书提供企业里的文档、表格、会议和协作环境,火山引擎则提供模型、算力和企业服务。三者开始从独立产品,变成一条完整的 AI 生产力链条。

这也是国内 AI 产品正在共同进入的阶段。阿里整合产品推出千问办公,钉钉调整管理层,腾讯集中资源发展 WorkBuddy,背后的方向都差不多:AI 不能永远停留在聊天框里,必须走进真实的文件、软件、组织和业务流程,才有机会形成长期价值。

不过对于豆包来说,关键未必是让几亿人突然开始「用豆包办公」。办公只是生产力的一部分,甚至是比较狭窄的一部分。

生产力更准确的意思,是一个人把自己的意图变成结果的能力。填写一张复杂的表格,整理一次旅行计划,给全家设计一周的营养搭配,把几百张照片分类,比较几款家电,查找过去几年散落的票据,替孩子整理学习资料,或者每天监控一种商品的价格,这些都不是传统意义上的办公,却都是普通人真实存在的生产力需求。

过去这类需求经常卡在一个尴尬的位置:它们很具体,也很个性化,但又没有重要到值得专门购买一套软件、学习一种工具,或者请一个专业人士来做。于是大部分时候,人只能自己凑合解决,或者干脆不解决。

Agent 最适合填补的,恰恰就是这一大片过去没有被软件工业覆盖的需求。它不是替所有人完成同一种标准化工作,而是让每个人都可以临时获得一套只服务于自己的工具和流程。

所以我现在觉得,豆包最值得关注的优势,不只是用户数量多,而是它开始同时具备两个看起来互相矛盾的特点:门槛足够低,能力的天花板又在不断提高。

一个中学生可以拍下一道题,让它解释自己卡在哪里;一个不习惯打字的长辈,可以直接用语音问路、识别植物、理解手机里的某个页面;一个普通上班族可以让它整理表格、准备材料;而像我这样的内容创作者,可以让它读取本地资料,持续搜索中文信息源,完成一个运行很久的选题任务。

这些人使用的不是四款不同的垂直产品,而是同一个豆包。区别只在于,每个人调用的能力深度不同。

真正的全民工具,不是把所有功能都做得很浅,也不是要求所有人都变成专业用户,而是让不同年龄、不同职业、不同数字化程度的人,都能从自己最熟悉的方式进入,再在需要的时候逐渐调用更复杂的能力。微信当年能够跨年龄段普及,不是因为所有人用微信做同一件事,而是有人只发语音和视频,有人用它工作、支付、经营生意。一个入口之下,可以存在完全不同的使用深度。

豆包现在也开始出现这种特征。

当然,现在的 Agent 仍然不够稳定。它会误解要求,会在网页里迷路,长任务可能中途失败。它还没有到可以把所有事情放心交出去的阶段。

但产品普及从来不是等技术彻底成熟之后才突然发生的。真正的拐点,往往出现在能力已经越过基本可用线,同时使用门槛又足够低的时候。

所以眼下如果让我只推荐一款 AI 应用,装给家里的不同年龄段使用,我大概率会选择豆包。

AI 真正进入大众生活的标志,可能不是它终于解出了一道多难的数学题,也不是它又在某个排行榜上超过了谁,而是同一个家庭里的孩子、父母和老人,开始用同一个 AI,解决各自完全不同的问题。


ChatGPT、Claude 亦有帮助。

题图由 Midjourney 绘制。

跳转微信打开

为什么我对 Vibe Coding 软件毫无兴趣

2026年8月19日 09:15

原创 纯银uncle 2026-08-19 09:15 北京

如果我觉得是大便,这事就做不下去了。

微博和公众号总有人跟我说:“纯银纯银,你为什么不用 AI 写独立产品呢?” 我被问烦了,反问:

  1. 你最近一年听到过和下载过的独立产品有哪些?

  2. 到目前为止,你用过并相当满意的,OPC 用 AI 写的独立产品有哪些?

原因是可解释的。

一、

传统软件开发的协作岗是:产品经理、视觉设计师、研发、运营、增长。

对我来说——

视觉设计师的价值在于,我内心有一些复杂的视觉意象,无法清晰地表达出来,只能基于复杂意象讲一些模糊的需求。专业的视觉设计师可以将模糊需求精确地翻译出来:“对对对,那就是我想要的样子”。但由于我无法清晰地表达视觉需求,所以无法驾驭 AI 来实现这些视觉需求。

如果是偏前端的产品,因为我的 PRD 写得很好,我是可以 Vibe Coding 实现的。但像犬岛这样后端需求复杂的产品(尤其是用户匹配算法),那就非得专业程序员 AI Coding 实现了。

运营方面,我自己就是一流的内容运营,但一个人运营内容太孤独了。犬岛的问题也好,心生一计的模板和专题也好,都很依赖和调性默契的同伴反复讨论,启发灵感。这方面跟 AI 讨论也不是不行,我也试过,结果就是屎里淘金。因为我的调性相当独特,严重偏离最大公约数,也没有足够的语料可学习。AI 对我的需求理解都对,一开口不停地喷出土味金句,得捏着鼻子从土味金句里随机淘点什么出来。

至于最后的增长环节,AI 的帮助可以忽略不计。工程都对,结果全错。

以及最重要的一件事情是,跟以上各个工种的伙伴协作的时候,如果从一开始就选定了默契的伙伴,积极的想法碰撞对于提高产品质量会有很大帮助。众人拾柴火焰高。我来定义产品的价值和调性,大家一起建造和加强价值和调性,往往还能提前帮我排雷。

OPC 让你具备了一个人也能做软件的能力,但不附带任何质量保障,更无法提供传播赋能。

对我个人来说,因为对视觉表达的阈值太高,在 AI 帮助我达到 “我心目中的 70 分视觉水平” 之前,我不打算玩 Vibe Coding(软件)。

对别人来说,实现碎片化的需求不难,同时具备产品、视觉、运营的专业能力,三者都能在 AI 赋能下做出 “我心目中的 70 分水平”,概率太低。Vibe Coding 仅仅赋能你将产品构思转换成可运行的代码,产品/视觉/运营质量取决于你原本的水平。几乎所有人做出来的东西更像是捏一些自娱自乐的玩具,而我目前并没有什么玩具构思。

如果你产品不专业,Vibe Coding 很难具备有一定普适性的用户价值。

如果你视觉不专业(比如我),Vibe Coding 的界面在我看来可以用 “丑得惊人” 来形容。

如果你运营不专业,和图文相关的部分透着一股子土味。

这样就能解释,到目前为止,没有一款 AI 赋能的 OPC 作品是我觉得高品质的。如果满足不了我的高阈值,我对于做产品毫无兴趣。

二、

我在有知有行的产品拍档有一些编程能力,在 App Store 上架了自己的独立应用(主题记账)。去年开始用 crusor 重写 2.0 版本,今年混合多款 Agent 重构,终于写完了代码。我看了一眼,叹了口气,知道在这个技术阶段我是不可能手搓软件的。

因为 AI 生成的 UI 达不到我的质量底线。

拍档是一个交互 85 分,UI 65 分的产品经理。这次用 AI 重构的主题记账 2.0 版本,UI 40 分,远不如他之前用古法 figma 出设计稿。

而我能接受的 UI 底线是 60 分。

如果他这个强交互,强工具的产品经理都只能做到粗糙的 UI 水平,那我是不愿意吃自己拉的大便的。

作为老产品经理,我对 UI、交互、功能、运营,都有着复杂的内心意象。

  • 对功能的意象复杂而具体,所以我能写很好的 PRD。

  • 对运营的意象同样复杂而具体,我自己就是很好的运营。

  • 对 UI 和交互的意象复杂而模糊,这时需要很好的设计师,把我的模糊表达还原为符合复杂意象的设计。心生一计的伙伴就是这样的视觉设计师与交互设计师。

    • AI 听不懂我的模糊表达,还原出来是一坨屎。

如果是专业的 UI 设计师,他有能力用精确的表达和专业的判断来驾驭 AI,产出漂亮的作品。我没有这个能力,而 AI 也没有把我的模糊表达翻译为精确表达的能力。

这对于其他人可能并不构成障碍,一方面其他人的标准低,凑合着也能用;另一方其他人对于视觉表达大概率没有复杂的内心意象,人类提出模糊需求,AI 模糊匹配这个需求,也行。

但我的视觉需求是复杂而确定的,我只是 “讲不出来”,得借助外力翻译成我想要的样子,翻译不好我是不认的。并且我对视觉的标准很高,如果我觉得是大便,这事就做不下去了。

三、

本周在微博回复一条评论时说:我已经不想做产品了。

我做产品有两个诉求,第一是把我的品味与人格放进去,让它成为我的魂器;第二是帮助别人。

关于品味与人格,前面说过,AI 生成 UI 达不到我的标准,或者说我驾驭 AI 生成的 UI 达不到我的标准。做出来的不是我的作品,而是我会感到羞耻和厌恶的一坨。

还有一点比高阈值更重要……我喜欢帮助别人。

在我的人格中,利他性是很重要的一部分,所以如此重视「用户价值」。我做的产品能帮到别人,是产品经理职业给我带来的极强的正反馈之一。

这份正反馈现在几乎不存在了。

不是因为 “最大公约数” 的需求规模不断缩小,也不是因为市场不存在需求缺口,而是在当前环境下,需求缺口与需求满足的匹配率极低。

  • 需求缺口的个性强,共性弱

  • 用户对新软件普遍缺乏好奇心,甚至感到厌倦

  • 流量渠道没有按需分发软件的能力

在这个背景下,小型产品很难找到对自己有需求的用户。

新的市场趋势是按需生成,需求规模再小也无所谓,大多数情况下用户规模只有个位数,自己搓给自己。事实宣告独立产品的窗口已关闭,进入按需生成的软件新时代。

然后,当我意识到自己做的产品只有极少数用户时,我对物质收益完全不感兴趣,但只能帮助到极少数人……这我就意兴阑珊了。

慢鸽是个小玩意儿,两年多匹配了 1 万对笔友,我在微博代发 100 多封慢鸽征婚帖(成了十几二十几对)。对我来说这就是 “价值底线”。慢鸽的收入一共 3 万多,支付运维费用后全都分给了同伴,我一分钱没要,还倒贴近万元——这没关系,能帮到别人我很快乐。

如果预期低于慢鸽,我就不想玩了。

所以今年,我和别人一样专注于满足自己的需求,完全没有 Vibe Coding 一款软件给别人用的兴致。对许多人来说,Vibe Coding 是他们人生中第一次创造软件,而我创造的软件已经够多了,我只在乎「品质」和「利他」。

以及我虽然不想创造产品了,不代表不想创造,今年的创造欲望转移去捏各式各样(独特)的 HTML,兴致勃勃,甚至可以说是上头。


内容来自“用思考交换思考”的古典产品论坛「犬校」。©2017-2026

点击【阅读原文】,可见犬校最近一年的好帖索引。

加入犬校:【犬校 2026 年加入方式】国家不幸诗家幸,行业不兴话痨兴

图片

阅读原文

跳转微信打开

GLM-5.3上线:拓展智能上界的可及边界

2026年8月19日 09:03

智谱 2026-08-19 09:03 北京

跻身开源模型SOTA

GLM-5.3 API即日起正式上线。模型擅长复杂编码、防御性网络安全以及长程任务。

GLM-5.3在全球权威的Artificial Analysis Intelligence Index(AA综合智能指数)中取得60分,进入全球前沿模型能力区间,与Claude Fable 5、GPT-5.6 Sol等闭源旗舰模型处于同一水平,并与Kimi K3并列开源模型第一。

AA指数覆盖知识、推理、编码、智能体等多项评测,衡量模型在真实复杂任务中的综合能力

在达到同档智能水平的同时,GLM-5.3以更小的参数规模与更低的调用成本,显著降低了前沿模型能力的使用门槛。

图中,纵轴为Artificial Analysis智能指数,横轴为完成单个任务的平均成本。GLM-5.3以前沿旗舰模型中最低的单任务成本,处于高智能、低成本的最具吸引力区间,同时将前沿模型“智能—成本”的帕累托前沿大幅推进。

GLM-5.3追求的不只是智能上限,也致力于提升单位成本所能获得的智能。随着API正式开放,前沿智能将进入更多开发者、企业和知识工作者的真实工作场景。

GLM-5.3与上一代GLM-5.2沿用同一基础模型,性能提升主要来自后训练。后训练技术细节见GLM-5.3技术Blog: https://z.ai/blog/glm-5.3。

目前,GLM-5.3已接入ZCode等编码平台,并纳入GLM Coding Plan。API已开放调用,定价与GLM-5.2保持不变。模型权重将于下周五开源。

1. 官方 API 接入

2. 在线体验

3. Agent

4. Blog

阅读原文

跳转微信打开

Codex凉了,凉得理所当然

2026年8月19日 09:00

前端充电宝 2026-08-19 09:00 浙江

离谱。。。

去年你可能从同事那里听到一句话:“想做AI,先学Python。”什么LangChain、PyTorch、Transformers,听着都挺唬人。可真等你花一两个月啃完Python基础,回头一看——AI还是没能真正落地到你的项目里。

原因很简单:你的生产环境是JavaScript / TypeScript,AI能力最终得回归到前端技术栈才能发挥作用。

所以现在很多大厂的思路变了:不换语言,直接用Claude Code。这是Anthropic专门为开发者打造的AI编程工具,能读懂你的代码库、自动写代码、帮忙调试,甚至在终端里直接跑工程级别的任务。前端工程师用自己最熟悉的方式,就能把AI能力嵌入到项目中。

比起走Python那条路,Claude Code对前端开发者明显更友好:不需要换IDE、不需要改工程结构、也不用重新学一套语言体系。你只要打开 VS Code或WebStorm,继续用React/Vue、npm/yarn、Webpack/Vite,AI就在你写代码的那条流水线上实时协作。

这也是为什么到了2026年,招聘网站上写着“能用Claude Code做前端工程化”的职位越来越多,薪资也跟着水涨船高。企业要的不是能写个Python Demo的人,而是能把AI真正接到生产级前端系统里的人。

为了帮助大家踩上这次风口,拿到高薪offer。我们联合多位互联网头部大厂在职的技术专家、CTO,将自己面试官的视角和企业真实用人需求,全部融进了一套【AI算法保薪就业课程】里。通过“前沿技术、企业级项目、真实工作内推、就业保薪协议”三环保障,为你精准锁定高薪Offer。

扫码添加老师,免费获得转型规划

👇👇👇

添加后耐心等待,按顺序通过

这门课程承诺:若结业后未能成功就业、或offer薪资低于28W则全额退款(在职人员薪资涨幅40%以上)。以最终offer薪资为导向,拒绝“画饼式”无效交付。据大佬的统计,目前有93%以上的学员通过内推成功就业,上一期学员薪资最高拿到了78k!

如果你也在职业瓶颈、焦虑未来或者已经遇到降薪裁员,不妨尝试进入AI新兴赛道,这或许是你成本最低、回报最高的上岸机会。

一、课程框架&体系

独特的闭环体系

构建了“理论+实战+保障”三位一体的教学闭环:

  • 专业知识强化从Python-数学基础-机器学习-深度学习框架,到NLP八大任务-大模型-多模态-Agent,一步步夯实基础并过渡到核心前沿技术;
  • 真实项目实战不是Demo!一线大厂导师带你做企业级项目,覆盖:医疗RAG智能问答、金融风控、MCP智能客服、企业级数据自助分析平台、个性化新闻资讯推荐等热门场景;
  • 保薪协议保障签署就业协议,未达28W年薪或在职学员薪资涨幅低于40%可退款,真正对结果负责。

感兴趣的同学,可以直接扫码咨询

👇👇👇

了解一下不吃亏,说不定就上岸了

二、企业级项目介绍

企业级项目实训交付:

项目 1:企业级多场景大模型API调用与能力测试平台

项目 2:医疗领域RAG智能问答系统

项目3:Transformer机器翻译模型

项目4:大模型+RAG新闻多标签体系构建

项目5:金融知识图谱推理式问答系统

项目6:MCP智能客服多工具协同系统

项目7:大模型SQL生成与数据检索融合

最新项目加入:

项目1:大模型小样本情感分类效能对决

项目2:企业级AI知识中台与智能决策中枢

项目亮点&分项目内容展示

课程体系包含了Ai领域前沿技术、核心项目,覆盖非常全面,适用于所有行业的算法岗位,整个课程更注重带领学生项目实操和落地,授人以鱼不如授人以渔,学完后还会具备举一反三的能力,无论进入什么行业,算法岗位和项目均能胜任。

三、就业保障体系

  • 保薪协议:课程结业后未拿到28万offer,在职人员薪资涨幅低于40%,承诺全额退款(薪资保障根据学员实际情况估算,无上限!)

  • 内推资源:合作企业覆盖BAT大厂、中小厂、金融、电商、生物医药等行业公司的280+企业;

  • 就业指导:大厂在职导师1v1规划+简历指导+面试模拟+薪资谈判支持。

    我们郑重承诺,所有承诺的保障均落实在合同中,白字黑字,双方认证盖章签字具备法律效应!不玩任何套路文字游戏,大家可以放心咨询,先免费了解一下,合适即学,不合适也无妨,多了解一些行业信息总归没有坏处,也给自己一个接触新赛道的机会,说不定下一个把握住机会上岸的就是你!

感兴趣的朋友,可以直接扫码咨询

👇👇👇

先加上了解,万一哪天能用到

四、课程就业案例

01|从事网络安全工作8年,基础一般、履历一般能转型吗?@常同学

常同学转型前做网络安全8年,基础一般,也担心没有AI经验,那时即将被裁员,经过多番了解,常同学也明白AI对于想要转型的人员来说是机会更多的方向,最终得到家人的支持加入学习,结果也并没有让他失望,在成都收获26k15薪的offer!

02| 双非本科金融专业热爱AI技术,能否成功入行? @ 张同学

张同学是金融专业的大三学生,并且是普通本科,因为自己对计算机行业比较热爱,加上AI是趋势,不管来自任何行业、任何专业,都有一试的机会,张同学通过系统学习,最终用能力证明非科班也能上岸,拿到年薪29W的offer!!

03|工作14年,开发架构师,如何突破职业瓶颈期? @王大哥

王大哥咨询课程时工作14年,已是开发架构师,薪资也已经拿到48K,但由于在一个赛道久了,也早已遇到瓶颈,王大哥也不甘于此,了解到AI上限高、薪资高、机会更多,经过身边专业的朋友认可后果断加入学习,后面经过某手多轮面试最终拿下大模型架构,K4a级别,年包百万!

04 |学历一般也有机会拿高薪offer? @ 刘同学

刘同学大专毕业,做了5年软件开发。考虑到当下开发岗位很卷,而且自己的学历和工作经验都不占优势,所以想通过AI技术能力加持跳槽实现涨薪。在系统性学习后斩获23k、28k两个offer!

我们所有的就业数据均真实可查,以上专门选几位学历一般、薪资一般、简历一般、年龄较大的学员,也是想向大家说明:凭借着当下行业对AI人才的海量需求,只要具备AI相关技术能力,就业是自然而然的事情!踩着风口跟着国家规划走肯定不会错。

总之

AI人工智能正处于快速上升期,尤其是大模型、多模态、自然语言处理等领域,落地应用越来越多、就业缺口持续扩大,薪资也在不断水涨船高。

当企业高薪争抢AI相关人才,还在其他技术岗位拼搏的你是否也曾暗自焦虑:下一个被优化掉的,会是我吗?与其届时被动学习,不如现在掌握主动权!

时代的风口的门票,从不发给毫无准备的看客

扫码咨询锁定免费内推名额

👇👇👇

AI时代已经来临,主动出击才能把握机会

再次强调:若结业后未能成功就业、或者offer薪资低于28万/涨幅低于40%、

再或者没有提供内推,则全额退款!这不仅是承诺,更是底气,让大家学得放心。

跳转微信打开

❌