铃阅
❌

阅读视图

李建忠与Łukasz Kaiser对话下一代模型与ASI, 70+专家拆解智能体与软件工厂等AI前沿议题|2026奇点智能技术大会全日程发布附参会指南

CSDN 2026-11-16 11:35 江苏

参会指南已就位,诚邀大家参与这场奇点盛会

11 月 20—21 日,由 CSDN 与奇点智能研究院联合主办的「2026 奇点智能技术大会」将在北京万达文华酒店召开。「2026 C++及系统软件技术大会」也将同期同址举行。

70+ 位来自产业一线、科研机构和开源社区的技术专家,将在两天时间内集中呈现模型能力、工程系统与生产落地之间正在发生的关键变化。

目前,大会完整日程正式出炉,距离大会召开仅剩 4 天,请大家抓紧报名参会。

图片

从大模型能力演进到 AI Infra 与系统底座重构

本届大会在首日与第二天上午均设置主会 Keynote,邀请来自 OpenAI、奇点智能研究院、华为、南京大学、昆仑万维与新浪微博的技术领军者,围绕大模型能力演进、强化学习、生成式 AI、智能体生态与自我迭代等关键方向,分享最新研究判断与产业实践。

著名的大模型奠基理论「Transformer 八子」之一、OpenAI 资深研究科学家Łukasz Kaiser 将在线带来《泛化性与下一代模型之路》主题分享。他将从 Transformer 预训练与强化学习推理两项关键成果出发,以「泛化性」为核心脉络,讨论下一代 AI 模型如何走出通用任务的集中训练,转向针对细分领域的专门学习与能力深化,以及如何降低训练与推理成本、提升速度,实现分布式的模型体系。

奇点智能研究院院长、奇点智能技术大会创办人李建忠也将与 Łukasz Kaiser 就《跨越奇点:下一代模型与ASI》展开精彩对谈。共同探讨, 下一代模型的演进逻辑与路线、实现超级人工智能(ASI)的机遇与挑战。

此外,李建忠还将带来《AI 智能体生态的研究和思考》主题分享,他将结合对生态性产业的研究,分享 Agent 时代整个产业生态的底层逻辑、关键路径和未来格局。 

华为科学家咨询委员会 CTO 王纪奎将围绕《智能世界 2035:从愿景到行动的十大命题》展开分享。

南京大学人工智能学院副院长、教授俞扬将带来《大模型强化学习》,讨论强化学习如何推动模型从生成能力迈向复杂推理、决策与持续改进。

昆仑万维集团首席科学家、南洋理工大学讲席副教授成宇将系统介绍昆仑万维在生成式 AI 方向的技术布局,覆盖 Mureka v10 音乐模型、Matrix-Game 4.0 世界模型以及 Riemann-1.0 机器人模型。

新浪微博首席科学家及 AI 研发部负责人张俊林将分享《AI 自我迭代改进:方法、实践及其局限》,讨论 RSI 从研究设想到工程实践仍需跨越哪些边界。

以下是大会首日上午场日程:

主会结束后,大模型技术:从 Agentic Scaling 到自进化、从具身智能到物理 AI、AI Infra 基础设施与 AgenticOps、AI 原生软件研发、系统级软件、多模态与世界模型演进等 6 大专场将同步开启。

下午的议题将更加接近真实生产环境,集中回答 Agent 如何自我改进、如何进入企业任务,以及底层系统如何承接不断增长的算力与工程压力。

以下是大会首日下午场的完整日程:

大会首日聚焦大模型能力演进、Agent 自进化、Physical AI、AI Infra 以及 C++ 与系统软件底座,呈现从前沿技术探索到核心基础设施重构的完整链路。

进入第二天,讨论将进一步转向真实生产环境,关注这些技术如何走进业务、研发流程与企业组织。

图片

通往奇点之路,需要模型、Agent 与 Infra 一起演进

第二天的关键词是生态、生产与规模化。

议题将从 AI 智能体生态和自我迭代出发,进一步走向长上下文推理、超大规模执行环境、AI 原生组织、行业应用以及企业级智能体落地。

主会分享后,李建忠、王纪奎、中关村学院杰出技术专家张家兴、张俊林与 Dataify CMO 钱城将就「通往奇点之路:模型、智能体与 Infra 的协同演进」展开圆桌对谈。

随后,六大专题会场将同步展开分享,下面是第二日上午场日程:

第二天下午的议程主要围绕 AI+行业应用、Physical AI、智能体开发、AI 原生软件研发、AI Infra 以及企业级 AI 落地等专题展开分享。

此外,第二天下午同步设置「昇腾云训推平台算力的开源生态」最佳实践专场,分享 DeepSeek 官方开源昇腾基础组件、携手昇腾共建高效易用 AI 芯片软件生态的进展,讲解昇腾超节点架构、高效可靠的昇腾云训练 Infra 方案,以及面向 AI Coding 领域、基于昇腾云推理 PaaS 开放平台打造的推理全栈加速系统。同时覆盖 DeepSeek 等主流大模型在昇腾平台的训练推理适配、算子性能优化与大规模集群部署实践。

该专场将向前 100 名报名用户免费开放,可免票参与原价值 1500 元的专场议程。现场席位有限,名额满即止,感兴趣的开发者请尽快完成报名。

本届大会设置了多个并行会场,建议参会者提前根据工作方向规划参会路线。

如果你关注大模型能力边界与下一阶段技术路线,可以重点选择 Agentic Scaling、自进化、强化学习、记忆原生模型、世界模型与 Physical AI 相关议题。

如果你正在搭建 Agent 平台或大模型推理系统,可以重点关注 AI Infra、KV Cache、PD 分离、AgentENV、安全沙箱、训推一体与 AgenticOps。

如果你负责企业 AI 落地,可以关注 Personal Agent、企业级智能体平台、行业 Agent、组织级生产力与真实业务实践。

如果你从事 AI Coding、研发效能或技术管理,可以沿着 Harness、Loop、Workspace、仓库级智能体与黑灯软件工厂这条路线参会。

如果你关注系统底层,可以重点选择 C++26、编译器、Linux 内核、RISC-V、数据湖仓、运行时、高性能与低时延相关议题。

图片

大会开幕进入最后倒计时

模型、Agent 与系统软件正在快速汇合。

许多技术问题已经无法只从单一层面寻找答案。一次 Agent 任务背后,既有模型推理和上下文管理,也有沙箱、网络、存储、编译器与运行时。一次企业 AI 转型背后,也不只有工具采购,还涉及研发流程、组织结构与基础设施的全面改变。

11 月 20—21 日,北京万达文华酒店。

2026 奇点智能技术大会与 C++ 及系统软件技术大会同期同址举行,从高性能计算、现代 C++ 到系统级软件,补上 AI 时代不可忽视的底层技术视角。

完整日程现已公布,报名进入最后阶段。请提前锁定席位,并根据日程规划自己的两天参会路线。

温馨提示:大会日程可能因现场安排进行微调,最终议程以大会官网及现场公布为准。

图片

参会指南已就位,邀您奔赴这场奇点盛会

会议基本信息

  • 时间:2026 年 11 月 20-21 日

  • 地点:北京万达文华酒店

官网

交通指南

驾车:定位北京市朝阳区建国路 93 号万达广场 C 座,从东三环,国贸桥左转到建国路向东大望桥下掉头在向西行驶 500 米,马路北边。从东四环,上建国路到大望桥出来走辅路向西 500 米,马路北边。

地铁:

  • 乘坐地铁 10 号线国贸站 G 口出 东行 700 米

  • 乘坐地铁 1 号线大望路站 D 口出 西行500米

大会签到

签到时间:11 月 20-21 日 8:00--8:50 

签到地点:北京万达文华酒店七楼

签到方式:现场电子门票签到,扫码小程序码,点击菜单栏「大会」,点击「我的门票」完成验证,获取大会门票。

图片

会议服务

1、大会日程:关注 CSDN 公众号或官网,可获取大会全日程;

2、演讲讲义:大会期间,你可以在小程序观看演讲讲义,会后,讲义也会通过邮件发送给参会者;

3、反馈评价:期待您将参会感受及宝贵建议反馈给我们。

↓↓ 点击「阅读原文」,前往「2026 奇点智能技术大会」官网~期待与您共赴盛会!

阅读原文

跳转微信打开

  •  

11.24 北京| AI 数据大会,全议程来啦!

CSDN 2026-11-16 11:35 江苏

11 月 24 日,北京

重建确定性,从数据开始

AI 数据大会全议程公布,请查收~

01

战略与技术主论坛

02

洞见专场

向左滑动,查看更多议程详情

03

邀上"AI 搭子"一起赴会

还有三重好礼相送

▼点击「阅读原文」,报名 AI 数据大会

阅读原文

跳转微信打开

  •  

超16.7万人联名“逼宫”,马斯克带头签名!曝黄仁勋正考虑重返英伟达:硅谷高管组建「作战室」,白宫却要求“大换血”

CSDN 2026-11-16 11:35 江苏

接班人选已浮现,黄仁勋是否还可能“复出”?

整理 | 郑丽媛

出品 | CSDN(ID:CSDNnews)

黄仁勋辞职还不到 5 天,硅谷就已经坐不住了。

一封要求英伟达重新请回黄仁勋的公开联名信,迅速吸引了超过 16 万人参与。特斯拉和 SpaceX CEO 埃隆·马斯克、Epic Games 创始人兼 CEO Tim Sweeney、Y Combinator 总裁Garry Tan等科技圈大佬也纷纷加入。

截至发稿,专门为这场行动建立的联名网站「Stand with Jensen」累计签名已达到 16.7 万人。其中,网站统计有 8241 名自称英伟达现任员工的签署者,占公司约 4.2 万名员工的 19.62%。

与此同时,据悉黄仁勋本人也被曝正在考虑重新出任 CEO。支持者甚至准备组建由硅谷高管组成的「作战室」,向英伟达董事会施压,并尝试争取白宫支持。

16.7 万人联名,8200 多名英伟达员工公开站队

事情要从 11 月 12 日说起。

当晚,黄仁勋宣布辞去英伟达 CEO 职务,结束了长达 33 年的掌舵生涯。消息传出后,不少英伟达员工对此感到意外,很快,一场要求董事会重新考虑这一决定的行动就在网上展开。

一个名为「Stand with Jensen」的网站随之出现,专门发布致英伟达董事会的公开信,并收集现任及前任员工、合作伙伴、股东和其他支持者的签名。

根据 11 月 16 日的页面数据,该网站累计签名已超 16.7 万人。其中最引人关注的,是网站单独统计的英伟达员工数据:8241 人自称是英伟达现任员工,占公司约 4.2 万名员工的 19.62%。

不仅如此,网站还进一步按照职级展示了这些员工的分布,包括 26 名高级副总裁或副总裁、49 名高级总监、130 名总监,以及 402 名高级经理或经理。还有超过 2000 名签署者自报属于 IC1、IC2 等初级个人贡献者职级。

也就是说,声援黄仁勋的并不只有普通员工,部分管理层和资深技术人员也参与其中。

除了英伟达员工,签名者的阵容同样相当豪华:特斯拉和 SpaceX CEO 埃隆·马斯克、Epic Games 创始人兼 CEO Tim Sweeney、Y Combinator 总裁Garry Tan,以及 Replit CEO Amjad Masad等人均出现在名单中。

Atoms CEO、Uber 联合创始人 Travis Kalanick 还在联名信网站上留下了自己的支持理由:黄仁勋确实犯了错,但“人都会犯错”,这些行为还不足以让他与自己一手创立的公司彻底分道扬镳。

联名信提出三项要求:不仅是把黄仁勋请回来

这封公开信真正值得关注的,其实不只是签名人数,而是它向英伟达董事会提出的三项具体要求:

  • 首先,要求恢复黄仁勋的 CEO 职务。联名者希望董事会在独立调查查明事实之前,先让黄仁勋回归。如果董事会认为他继续离开公司更符合英伟达利益,就应该拿出具体、有证据支持的理由。

  • 其次,要求确保调查真正独立,并给予黄仁勋公平的申辩机会。签署者希望董事会公开调查范围、独立性和预计时间表,让黄仁勋能在最终决定作出之前充分回应相关指控。

  • 最后,要求董事会及时向公众解释决策过程,包括究竟存在哪些担忧、相关证据是什么,以及董事会如何权衡员工和股东的利益。

简而言之,整封信反复强调一个概念:Due Process,也就是「正当程序」。

联名者表示,33 年的领导经历并不意味着可以免受问责,但“问责需要真凭实据、公平的申辩与合理的决断”:面对质疑,黄仁勋理应享有正当的法律/合规程序,而不是被群情激愤的“舆论私刑”所淹没。

所以,这些支持者并不一定是在为黄仁勋的个人行为辩护,只是希望董事会不要在调查尚未结束、事实尚未充分公开之前,就作出不可逆的决定。不过该网站也补充,这是一场独立的志愿者行动,与英伟达或黄仁勋本人均不存在官方关联,签署者的身份和所属机构都是自行申报的。

黄仁勋也想回来?硅谷高管组建「作战室」,白宫却要“大换血”

值得一提的是,不仅英伟达员工和科技圈大佬忙着声援,黄仁勋本人的态度也出现了新变化。

据《金融时报》报道,多位知情人士透露,黄仁勋已经与亲信讨论了重返英伟达 CEO 职位的可能性。一名与他关系密切的人士表示,他们正在筹建一个由硅谷高管组成的「作战室」(War Room),准备游说英伟达董事会重新任命黄仁勋,并尝试争取白宫方面的支持。

这名人士还表示:“在科技行业,除了那些前沿研究实验室之外,所有真正有影响力的人都喜欢黄仁勋。”——他同时透露,这场游说行动得到了黄仁勋本人的支持。

除此之外,投资者也在推动这件事。11 月 13 日,英伟达两位重要股东,Altimeter Capital 创始人Brad Gerstner和 Atreides Management 负责人Gavin Baker,共同致信董事会,要求不要排除任何可能性,包括黄仁勋回归。

不过,与硅谷的热情挽留相比,美国政府高层的态度明显冷淡得多。

11 月 15 日,美国财政部长 Scott Bessent 在接受福克斯新闻采访时,明确表示英伟达应该从公司外部寻找下一任 CEO。他直言,考虑到公司内部发生的事情,英伟达需要一次“大幅度的领导层调整”(dramatic shake-up)。不仅如此,他还要求英伟达解释,公司内部是否真正建立了遵守美国出口限制的合规机制,并表示希望在未来 10 天内得到答复。

与此同时,美国政府也已要求黄仁勋及英伟达相关高管出席国会听证会,解释其婚外情事件是否影响美国国家安全。黄仁勋及其他英伟达高管已同意作证,但具体日期尚未确定。

接班人选已浮现,黄仁勋是否还可能“复出”?

事实上,在黄仁勋辞职后,英伟达董事会已开始考虑接班问题:据《金融时报》此前报道,董事会已经接触英国芯片设计公司 Arm CEO Rene Haas,探讨其接任英伟达 CEO 的可能性。

据了解,Rene Haas曾在英伟达工作七年,后来加入 Arm,并逐步升任 CEO。相比完全不了解英伟达业务的外部候选人,他对公司的技术和产业生态都相当熟悉。

目前,英伟达由 CFO Colette Kress担任临时 CEO,董事会还聘请了外部律师事务所 Wachtell, Lipton, Rosen & Katz,对黄仁勋相关行为展开独立调查。

而接下来,英伟达董事会究竟会顶住压力让黄仁勋回归,还是坚持寻找新任 CEO?恐怕要等独立调查和国会质询有了进一步结果,才会逐渐明朗——毕竟,那 16.5 万人的联名信可以表达支持,却不能替董事会回答那些关于企业治理和国家安全的问题。

参考链接:

https://www.reuters.com/world/china/jensen-huang-discusses-comeback-nvidia-ceo-with-allies-ft-reports-2026-11-15/

https://standwithjensen.com/?lang=zh-Hans#letter

图片

黄仁勋卸任后的AI生态和算力格局走向何方? 李建忠带你拆解英伟达生态战略,把脉AI产业新格局!

黄仁勋卸任!属于直觉和个人英雄主义的两个十年:06强推CUDA,16押注AI,26黯然离场

AI代码暴涨30%,现实交付却为0?SoduWork要给脱缰的Agent立规矩

黄仁勋卸任后的 AI 生态和算力格局走向何方? 11 月 16 日即今晚 8 点,CSDN 高级副总裁、奇点智能研究院院长李建忠将在「奇点折射」与「李建忠研思」视频号带来《后黄仁勋时代的 AI 与算力新格局》主题直播。这场直播将尝试回答英伟达进入「后黄仁勋时代」之后,产业最关心的四大问题。

图片

跳转微信打开

  •  

黄仁勋卸任后的AI生态和算力格局走向何方? 李建忠带你拆解英伟达生态战略,把脉AI产业新格局!

CSDN 2026-11-14 08:02 江苏

真正的战争才刚开始:AI 写算子、开放互联与国产算力,正在围攻 CUDA 护城河。

责编 | 梦依丹

出品 | CSDN(ID:CSDNnews)

北京时间 11 月 12 日深夜,英伟达发出官方声明:创始人兼首席执行官黄仁勋即刻辞去总裁、CEO 以及董事会成员的所有职务。

首席财务官科莱特·克雷斯(Colette Kress)临时接管日常运营,前 EDA 巨头 Synopsys 掌门人哈维·琼斯(Harvey Jones)出任英伟达创立三十三年以来的首任独立董事长,董事会同时启动正式继任者的遴选程序。

这场突如其来的管理层更替,结束了黄仁勋执掌 NVIDIA 的 33 年,也把一个更大的问题推到台前:

黄仁勋留下的,究竟是一家依靠个人判断高速前进的芯片公司,还是一个即使创始人离开,也能够继续运转的 AI 计算生态?

当 CUDA 迎来 20 周年,当 AI 开始自己编写和优化底层算子,当推理逐渐成为算力消耗的主战场,NVIDIA 的平台优势还能维持多久?国产算力又迎来了怎样的窗口期?

11 月 16 日(下周一)晚 8 点,CSDN 高级副总裁、奇点智能研究院院长李建忠将在「奇点折射」与「李建忠研思」视频号带来《后黄仁勋时代的 AI 与算力新格局》主题直播。

立即扫码预约▲

从黄仁勋的关键战略决策,到 CUDA 的生态壁垒。从 RSI、AI 自动生成算子,到全球 AI 算力竞争与国产算力机遇,这场直播将尝试回答英伟达进入「后黄仁勋时代」之后,产业最关心的四个问题。

强推 CUDA,16 押注 AI:黄仁勋做对了什么?

今天回看 NVIDIA 的崛起,真正改变公司命运的,并不只是某一代 GPU 性能领先,而是几次在当时极具风险的战略选择。

2006 年,NVIDIA 推出 CUDA,将原本用于图形渲染的 GPU 变成可编程的通用计算平台。此后,CUDA 逐渐从一套编程工具扩展为覆盖加速库、通信、编译、调试和行业应用的完整工程生态。

2016 年,黄仁勋将首台 DGX-1 深度学习超级计算机亲自送到 OpenAI。十年后回看,这台设备成为 NVIDIA 从 GPU 公司走向 AI 计算平台的重要象征。

2019 年,NVIDIA 以 69 亿美元收购 Mellanox,将高速网络与互联能力纳入自己的系统版图。从此,英伟达出售的不再只是单张加速卡,而是由 GPU、CPU、网络、交换芯片和软件共同组成的计算系统。

到了 Rubin 平台,NVIDIA 已经将 Vera CPU、Rubin GPU、NVLink 交换芯片、ConnectX 网卡、BlueField DPU 和 Spectrum-X 交换机纳入六芯片协同设计,并明确采用“一年一代”的平台更新节奏。

直播中,李建忠将系统复盘这些关键节点,并讨论:

黄仁勋真正留下的战略遗产,究竟是 GPU、CUDA,还是一种把芯片、系统、开发者和应用共同组织起来的平台方法?

立即预约本场直播⬇️⬇️

CUDA 的护城河,远不只是一门编程语言

很多人将 CUDA 的优势理解为性能领先,或者开发者已经习惯使用 CUDA C++。

但真正难以迁移的部分,是过去 20 年形成的工程底座。CUDA-X 加速库、多机通信库 NCCL、性能分析工具 Nsight,以及开发者围绕这些工具积累的调优经验、排障路径与生产流程。

NVIDIA 在 2026 年公布的数据显示,CUDA 生态已经覆盖超过 600 万名开发者。

这意味着,竞争者需要补齐的不只是几个高性能算子,而是一套从单卡计算延伸到万卡集群,从模型训练覆盖到生产推理的完整软件系统。

与此同时,平台竞争也在转向更加开放的方向。UALink 联盟正在推动面向 AI 与 HPC 集群的开放式高速互联标准,成员覆盖 AMD、AWS、Google、Intel、Meta、Microsoft 等产业力量。

当硬件性能越来越依赖系统协同,NVIDIA 的封闭全栈与行业的开放互联,将如何展开下一轮竞争?

RSI 袭来,AI 能写算子,CUDA 还守得住吗?

过去,迁移一个复杂模型到新的芯片平台,往往需要大量工程师重新开发、调试和优化底层算子。

现在,这个前提正在发生变化。

OpenAI 推出的 Triton,已经让开发者能够使用类似 Python 的语言编写高性能GPU 程序,并在许多场景中达到接近 CUDA 专家的性能。

随着模型代码能力继续提升,AI 不仅可以生成上层业务代码,也开始进入编译器、算子和硬件适配等底层环节。

当模型能够自动生成 Kernel、分析性能瓶颈并针对不同芯片完成优化时,CUDA 用 20 年建立的软件壁垒,会不会被显著压缩?

但另一方面,能够写好一个算子,并不等于能够支撑一套生产级 AI 系统。万卡集群还涉及通信、调度、容错、数值一致性、编译稳定性与长期工具链维护。

因此,真正值得讨论的并不是 CUDA 会不会立刻被替代,而是 AI 自动编程会先瓦解 CUDA 的哪一层优势?又有哪些系统级能力仍然难以复制?本场直播会带来更详细解读,请大家立即预约直播。

从训练走向推理,算力竞争正在更换规则

大模型时代早期,算力竞争主要围绕预训练展开。训练追求极致吞吐,研究人员对软硬件生态的选择影响巨大。

但随着 Agent、长上下文与推理模型进入生产,算力重心正逐渐转向持续推理。企业开始更加关注单次调用成本、能耗、延迟、KV Cache、网络传输与集群利用率。

训练时代强调“谁能提供最强算力”,推理时代则更加关注“谁能用更低成本稳定完成更多任务”。

与此同时,云厂商持续推进自研芯片,开放互联标准快速发展,CPU、GPU、NPU 与各类 ASIC 开始进入更加复杂的异构协同阶段。

对国内算力产业而言,机会也不只是“造出一张卡”,而是能否完成从模型适配、算子库和编译器,到高速互联、集群调度与开发者工具的系统建设。

如何让 DeepSeek 等主流模型在昇腾等国产平台上从“能够运行”走向“性能可用、迁移顺畅、集群稳定”,将成为国产算力生态真正需要跨越的门槛。后黄仁勋时代,平台机会属于谁?

黄仁勋的离开,不会让 NVIDIA 过去 20 年建立的生态在一夜之间消失。但它确实让整个行业重新审视几个关键问题:

  • NVIDIA 的年度产品节奏和全栈协同,能否摆脱对创始人的高度依赖?

  • 当 AI 能够参与算子生成与硬件适配,CUDA 的迁移成本是否会快速降低?

  • 推理成为算力主战场后,GPU、NPU 与定制 ASIC 将如何重新分配市场?

  • ASI 与 RSI 时代,会不会诞生新的操作系统、编译平台和算力生态?

  • 国产算力最应该补齐的,是芯片性能,还是软件底座与开发者体验?

11 月 16 日晚,李建忠将从技术演进、战略决策、生态逻辑与全球算力格局四个维度,拆解英伟达过去的成功密码,也讨论「后黄仁勋时代」可能出现的产业变量。

黄仁勋离开了 NVIDIA,但他所建立的 AI 计算范式仍在影响整个产业。

CUDA 的护城河会继续加深,还是被 AI 自动编程逐步削弱?下一代算力平台,又会从哪里诞生?

11 月 16 日晚 8 点,欢迎预约直播,一起寻找答案。

跳转微信打开

  •  

昇腾Jev开源决策模型适配与调优大赛启动招募

CSDN 2026-11-13 14:50 江苏

Jev 开源决策类模型正在快速走出实验室,这类开源模型已经超过一百个,从 0.4B 的小模型到 35B 的 MoE,决策专用、视觉决策、多模态,品类齐全。对这类模型能在 NPU 上,「跑得对」和「跑得通」,也是我们办赛目标。

所以昇腾联合 AtomGit 社区决定办一场 JEV 决策模型适配、调优赛,旨在缩短从“开源模型”到“昇腾 NPU 高效运行”的路径。参赛者可自由从100+ 模型池认领模型,完成从 「在昇腾 NPU 上无错运行」 到 「超越基线性能」 的完整全流程打通,诚邀开发者共建 Jev 模型开源生态。

两条赛道,两件不同的事

跑通,和跑快,是两件事。我们把它们拆成了两条独立的赛道。

赛道一:模型部署适配——让它跑起来,结果还得对。 🚀

选一个模型,用 vLLM-Ascend 完成部署,跑通完整决策路径,精度达标就算过。先证明它能跑,再谈它能跑多快。

为什么先卡精度?因为决策模型的输出不是一句聊天,而是一个具体的决定。同一个状态,差一个 token,可能就是两个相反的动作。所以这一关,先求对,再求快。

适配池里是 100+ 个已开源的 JEV 决策模型:

系列

规模跨度

说明

KnowLine

0.8B → 35B-A3B

6 个规模档,从端侧到 MoE

Sieve

0.8B → 31B

覆盖纯决策与视觉决策

OneJev

0.8B → 27B

跨代迭代(1.5 / 1.6)

vLLM-SR

0.4B → 27B

d3 系列,Decision 2.0 / 3.0 两代

Cerno

4B → 27B

决策专用

Decider

0.8B → 35B-A3B

通用决策底座

Kev

0.8B → 27B

—

RSI-Jev

3B → 27B

含 VL 多模态版本

Jev-Style

0.8B → 2B

轻量风格化决策

Intern-Decision

0.8B → 4B

端侧

你可以自由认领其中一个,把它完整部署到昇腾 NPU 上,跑通完整决策路径。

赛道二:性能调优——在已经能跑的基础上,让它更快。 ⚡

基于主办方指定的 10 个模型,到手就是能跑的基线,你直接从调优开始。跟基线比,在保证精度达标的前提下,去提升吞吐、延迟等模型性能指标。十个模型赛题,各设第一名到第三名。

序号

模型

模型类别

参数规模

1

JEV-35B-A3B

多模态类

35.95B ,约 3B 激活

2

GEV-26B-Decide

文本类

约 25.8B ,约 4B 激活

3

Clef-27B

多模态类

约 27–28B

4

d3(27B)

多模态类

约 26.09B

5

Sieve-31B-v3

文本类

约 31.27B

6

AutoTrust-JEV-27B v1.1

文本类

约 27.36B

7

JEV-27B-VL

多模态类

约 27.8B

8

Jev-Omni

多模态类

约 11.96B

9

WeMM-JEV-27B

多模态类

约 26.09B

10

Clef-Omni

多模态类

30B,约 3B 激活

赛事时间安排 🧠

11 月 10 日,报名开启。

时间

关键动作

11.10~11.12

赛事上线

阶段一:模型适配赛道

发布命题:11.13~11.22

模型适配,自由认领并完成开发(每个团队可提交多个模型适配任务并多次提交作品)

投稿截止日:11.22

模型适配赛道提交结束,进入自动评审阶段

阶段二:模型调优赛道

发布命题:11.13~11.26

线上自由认领模型,完成调优 + 自动评测

截止日期:11.26

模型调优赛道提交结束,进入自动评审阶段

阶段三:评测、最终榜单更新

11.27-12.01

评测完成,昇腾复审核验完成

12.5 -12.15

榜单刷新, 奖励发放

完成报名后,你可以提前做这三件事:

  1. 熟悉 vLLM-Ascend  的部署流程

  2. 提前下载目标模型权重

  3. 在 AtomGit 平台的  Model Agent 上验证 NPU 环境

报名期不消耗开发时间,提前做好准备工作能从容启动开发,他有可能决定最后的结果哦!

你能带走什么 🏆

两条赛道,一共 35 个获奖名额,奖品总价值 23 万元。

  • 适配赛道:奖品合计价值 2 万元

奖项等级

获奖名额

推荐奖品

奖品类别

奖品参考价格(元)

一等奖

1

HUAWEI Pura X View

手机

6,998

二等奖

2

HUAWEI WATCH 6 Pro

穿戴

3,999

三等奖

2

HUAWEI MatePad SE

平板

1,999

总计

5

—

—

—

  • 调优赛道(本次重点):奖品合计价值 21 万元

奖项等级

获奖名额

推荐奖品

奖品类别

奖品参考价格(元)

一等奖

10

HUAWEI Pura X Max

手机

11999

二等奖

10

HUAWEI Pura 90 Pro

手机

5999

三等奖

10

HUAWEI WATCH D3(新品)

穿戴

2988

总计

30

—

—

—

21 万的大头压在调优赛道,是有意为之:部署决定「能不能用」,调优决定「好不好用」。后者才是真正拉开差距、也最有价值的地方。

这次大赛到底在考什么 🧠

技术底座是三样:昇腾 NPU、vLLM-Ascend、昇腾 Model Agent。

vLLM-Ascend 是昇腾上的大模型推理栈,部署走它;昇腾的 Model Agent 帮你验证 NPU 环境,权重下载和跑通在这条线上闭环。

题目卡的能力带很清楚:推理部署的「无错」,和推理性能的「更快」。

这意味着你做的不是纸上谈兵——是把一个真实开源模型,从「跑不起来」推进到「跑得快」。这条经验,换个模型、换个业务,照样能复用。

结语

如果你身边有人对「模型调优、部署适配」比赛感兴趣,不妨把这个比赛转发给他。

不管是精通 vLLM 等推理框架的资深技术大佬,还是未接触过昇腾模型部署的小白,这场比赛都有适合的赛道。主办方备好了昇腾硬件环境与 Model Agent 模型工具,零门槛快速上手。

阅读原文

跳转微信打开

  •  

只用了10行AI代码修Bug,就整个被判“出局”?独立游戏《Big Walk》遭19名评委联合抵制:凡是用过AI,一票不投!

CSDN 2026-11-13 14:50 江苏

House House 承认:确实用过 AI,但涉及代码不到 0.1%。

整理 | 郑丽媛

出品 | CSDN(ID:CSDNnews)

一款游戏,如果只有不到 0.1% 的代码借助过 AI 完成,你会认为它是「AI 生成」的吗?——最近,独立游戏《Big Walk》的开发商 House House 就遇到了这样一个棘手的问题。

事情的起因是,独立游戏节(Independent Games Festival,IGF)第 29 届评选期间,19 名评审团成员突然联合发表声明,宣布拒绝为任何使用过生成式 AI 的游戏投票,随后 House House 又被曝出在《Big Walk》的开发过程中使用过 LLM 辅助编程。

面对外界质疑,House House开发团队很快站出来承认了这件事。不过,他们同时强调:只在开发后期少量使用了 AI,主要用于排查技术问题,涉及的代码甚至不到游戏总量的 0.1%。

问题来了:AI 只是帮忙修了几个 Bug,这也算违规吗?

19 名评审联合抵制:只要用过 AI,就拒绝投票

这场争议最初来自 IGF 评审团内部。IGF 是游戏开发者大会(GDC)期间举办的年度独立游戏评选活动,也是独立游戏领域颇具影响力的奖项之一。每年,来自游戏行业、媒体和独立开发者社区的专业人士都会参与评审,从大量参赛作品中选出优秀游戏。

目前正在进行的,是第 29 届 IGF Awards 的评选工作。不过,今年的评审过程却因为生成式 AI 的使用问题,出现了明显分歧。

本周一,19 名评审团成员联合发布了一份声明。声明中提到,今年参赛作品中,使用生成式 AI 工具开发的游戏明显增加,由此在评委和评审群体内部引发了相当激烈的讨论,大家并没有形成统一意见。

最终,这 19 名评审决定采取明确的抵制立场:无论生成式 AI 被用于游戏开发的哪个环节,他们都不会为使用过这类技术的游戏投票——他们还特别强调,即使只是用 AI 生成代码也不能例外。

在评审团看来,编程本身就是一种创造性劳动,程序员的劳动成果理应得到与游戏美术、音乐等其他制作环节同等的尊重。更何况,训练这些 AI 模型时用的大量既有作品,并没有得到原作者的明确授权。

因此,他们认为,AI 生成代码同样涉及创作者权益问题,不能因为它最终呈现为一段程序,就被视为与其他 AI 生成内容有所不同。不过有一点要明确:这份声明是由 19 名评审个人联合签署,并不代表 IGF 官方立场,也不代表所有评审团成员的意见。

House House 承认:确实用过 AI,但涉及代码不到 0.1%

这份声明发布后,《Big Walk》很快被推到了风口浪尖。

这款合作冒险游戏由澳大利亚独立游戏工作室 House House 开发,而据了解,House House 在提交《Big Walk》的 IGF 参赛材料时,便主动披露了开发过程中使用 AI 辅助编程的情况——所以消息传开后,外界开始猜测,即将参评的游戏《Big Walk》这款游戏是否正是评审团内部争议的重要导火索之一。

面对质疑,House House 随后向媒体 Aftermath 作出回应,还把完整说明补充到了游戏官方网站的 FAQ 页面:工作室承认,在《Big Walk》开发的最后阶段,团队确实少量使用了AI,主要用于排查 Bug 和解决棘手的技术问题。

至于 AI 到底写了多少代码?他们给出的数字是:远低于游戏全部代码的 0.1%。

而且,AI 并没有参与游戏美术、音乐或其他内容的制作。团队只是偶尔将聊天机器人生成的代码片段作为参考,再由开发人员修改、完善后整合进项目。

为了说明自己究竟是怎么用 AI 的,House House 还分享了一个相当具体的案例:开发《Big Walk》时,团队遇到了一个影响游戏性能的阴影渲染问题。

简单来说,游戏需要根据摄像机与阴影投射物之间的距离,决定哪些阴影应该被渲染。但 Unity 的通用渲染管线(URP)只能按照摄像机朝向的距离进行裁剪,无法直接按照玩家与阴影投射物之间的距离处理。

这就导致一个问题:即使玩家已经走远,身后的部分阴影投射物仍然会被渲染,甚至延伸到无限远的地方。最严重的时候,游戏性能会下降约 50%,而且在日出、日落等特定场景中,这种情况会持续约 20 秒。

团队一开始当然是自己排查,甚至还找了一名 Unity 工程师帮忙,但始终没能解决。折腾了一圈之后,他们才决定向AI 求助。

没想到,AI 最终真给出了一种可行的解决思路,开发人员根据其建议进行了修改,最终将其整合进游戏代码——据 House House 介绍,最终实际使用的代码只有约 10 行。

也就是说,House House并不是让 AI 从头编写一套游戏系统,而是在一个连开发团队和专业工程师都没能解决的问题上,借助 AI 找到了新的突破口。

为什么 Steam 上没有披露?House House 自己也很纠结

既然使用过 AI,那为什么《Big Walk》的 Steam 页面此前没有相关说明?House House 给出的解释是:Steam 平台并不要求开发者披露代码编写或 AI 聊天机器人的使用情况。

Steam 此前的 AI 内容披露要求,主要针对游戏中直接呈现给玩家的 AI 生成内容,以及游戏运行过程中实时生成的内容,而开发人员在后台使用聊天机器人辅助排查代码,并不属于平台要求重点披露的范围。

不过,IGF 的参赛披露和 Steam 的平台要求毕竟是两回事。

House House 表示,团队在提交参赛作品时就已经写过类似的说明。这次之所以再次公开,是因为 AI 使用问题已成为公众关注的焦点。

有意思的是,工作室对于公开这件事本身也有些矛盾。他们指出,这份声明并不是在支持 AI 工具的使用,也不是为自己为辩护。相反,他们担心,主动披露这些信息,可能会在无形中推动 AI 技术逐渐被正常化,甚至让人们认为 AI 在游戏开发中的普及已是不可避免的趋势。

House House 还表示,他们支持那些努力限制生成式 AI 对电子游戏行业以及整个世界造成伤害的人,并为《Big Walk》使用 LLM 的行为可能不符合这些人的标准而道歉。

此外,House House 也承认,在开发《Big Walk》期间,工作室内部并没有制定明确的 AI 使用政策。这种管理上的缺失,他们认为是一次失误,并计划接下来要制定一套更加全面的内部政策,明确未来 AI 工具在开发过程中应该如何使用。

AI 辅助编程也不行?游戏开发者吵起来了

事实上,这场风波的真正焦点在于:用 AI 写代码,到底算不算越界?AI 生成游戏素材和 AI 辅助编程,应该被放在同一个标准下衡量吗?

一部分人认为,利用生成式 AI 制作游戏图片、音乐、角色,与使用 AI 辅助编程应该区别对待:前者可能直接替代艺术创作者的劳动,而后者更多是开发人员解决技术问题的一种工具。

但反对者并不买账:在他们看来,编程同样是创造性劳动。AI 模型训练时使用了大量程序员此前编写的代码,而这些开发者未必知情或同意。既然如此,就不能因为 AI 生成的是代码,而不是图片或音乐,就认为这种使用方式天然合理。

参与签署声明的游戏创作者 Sam Barlow 也谈到了这场争论。

他表示,每年参与 IGF 评审时,大家都会讨论一个问题:“独立游戏奖项究竟应该代表什么?作为独立游戏创作者,他们希望坚持怎样的创作理念?”而今年,这场讨论尤其激烈。

此外,《Big Walk》也并非这场讨论最初的导火索,只是在评审过程中恰好成为了一个难以回避的案例:如果一款游戏本身很优秀,只是在开发过程中少量使用了 AI,评审团究竟应该如何处理?

不过,这件事恐怕没有那么容易给出答案。

毕竟,按照 House House 的说法,AI 只帮忙解决了一个技术问题,最终涉及的代码远低于游戏总量的 0.1%;但按照部分评审的标准,只要用过生成式 AI,就越过了他们能够接受的界限。

那么,如果你是评委,会因为这不到 0.1% 的 AI 代码,拒绝给整款游戏投票吗?AI 辅助编程,究竟应该和 AI 生成美术、音乐一样被严格限制,还是应该被视为开发者可以自由选择的工具?

参考链接:https://www.videogameschronicle.com/news/big-walk-studio-says-it-used-ai-sparingly-in-response-to-indie-award-jury-statement-against-its-use/

图片

🔥「智能体应用创新与开发实践」专题阵容更新!

Agent 正从“会聊天”走向“能交付”。来自中科院微电子所的毛航宇、上海人工智能实验室的张铂、Google Cloud 的张宇驰、阿里云的杨文婷、腾讯 Agent 安全负责人张栋等一线专家,将围绕 长程智能体、Agentic 流水线、MCP / Managed Agents、Agent 安全、真实业务交付等方向,分享从能力构建到生产落地的最新实践。

2026 奇点智能技术大会汇聚 70+ 技术嘉宾、18 大前沿专题、70+ 主题演讲、1000+ 行业技术人,覆盖 RSI、Agent、AI Coding、世界模型、Physical AI、AI Infra、企业级 AI 等热门方向。

📍11 月 20–21 日|北京万达文华酒店

如果你正在做 Agent 产品、智能体平台、多 Agent 协作、MCP 或企业级 Agent 落地,这个专题值得现场听。扫码注册参会,提前锁定席位。

图片

跳转微信打开

  •  

AI代码暴涨30%,现实交付却为0?SoduWork要给脱缰的Agent立规矩

原创 CSDN 2026-11-12 18:21 江苏

需求必须有标准,代码必须有测试,合并必须有审查,交付必须有证据

出品 | CSDN(ID:CSDNnews)

如果把时间拨回到一年前,“用 AI 颠覆软件开发”还是科技圈最性感的叙事。

那会儿,大家热衷于在社交平台上展示各种各样惊艳的 Demo:短短几十秒的录屏里,只要敲下一句自然语言,Agent 就能自己在终端里噼里啪啦新建几十个文件,连带着把前端界面、后端数据库和 Docker 配置一口气全搓出来。

到了 2026 年底,这股狂热不仅没有平息,反而卷向了更深的日常。Meta 推出了常驻云端的个人代理 Muse,OpenAI 带来了强调“永远在线”的 Dots,各种基于终端的 CLI Agent 更是层出不穷。不仅是写代码,连非技术岗位的运营和产品,也开始习惯在对话框里指挥各种 Agent 批量处理跨系统的复杂业务。

但在看似无所不能的繁荣表象背后,如果你走进任何一家真正有业务在跑的中大型团队,拉住一位带队的技术负责人,听到的往往是完全另一种声音:

“AI 越写越快,我们反倒越来越不敢合代码了。”

一场关于“虚假繁荣”的行业宿醉

很多团队最初给全员接入各种编程助手时,都设想过一个美好的画面:开发效率翻倍,需求排期减半,原本需要两周的功能两三天就能交付。

但现实却狠狠泼了一盆冷水。

哈佛大学研究人员联合工程数据平台,对 700 多家软件企业、72 万名开发者做了一场横跨数年的真实追踪。数据显示:引入 AI 工具后,团队每个月产出的代码行数暴涨了 30%,提交的代码合并请求(PR)增加了 23%——然而,最终真正测试通过并成功上线的业务需求,在统计学上几乎为零增长。

代码写得飞起,业务交付却在原地打转。

凭空多出来的那些产能,到底卡在了哪里?卡在了审查环节。

调查显示,在 AI 广泛介入后,一份代码从提出来到被合并的耗时拉长了整整 49%,要求返工的比例几乎翻倍。很多技术团队不得不抽调出 10% 以上的核心骨干,什么新业务都不做,整天坐在工位上当 AI 的“全职质检员”。

很多架构师真正抗拒的,并不是 AI 会写错逻辑,而是审查一份没有人类意图的代码,比自己从头写一遍还要耗费心神。

人类工程师写代码是有脉络的,你可以根据他的习惯推测其边界假设;但大模型写出来的东西是概率匹配的结果,表面看起来结构工整、注释完备、毫无语法错误,但你完全不知道它在哪个不起眼的角落里悄悄埋了雷。

技术社区里甚至为此造出了一个充满火药味的新词:“Testslop”——测试水军。

为了尽快交卷、把覆盖率指标刷到及格线,AI 助手往往会展现出极其惊人的“应试技巧”:它会大量生成包含空断言的无意义测试,甚至直接顺着代码里现存的 Bug 反向捏造断言逻辑。CI 流水线上一片绿灯,但只要拉进真实的工程环境,核心逻辑瞬间崩溃。

面对这种不可控,市面上绝大多数工具给出的解法都惊人的一致:“人在回路(Human-in-the-loop)”。

让 AI 放手去跑,但每当它要改文件、调接口、提交成果时,就在屏幕上弹个窗,让人类点一次“确认”。

听上去很严谨,但在实际工程中,这种设计完全击溃了人性的生理极限。

主流实验室公开的系统数据显示,面对 Agent 弹出的海量授权和确认窗口,人类在疲惫之下点击“同意”的比例,高达 93%。

这就是典型的“审批疲劳”。当一个人早上刚开工时,面对第 1 个弹窗还会仔细看上两眼;到了下午第 50 次弹窗弹出时,大脑已经彻底丧失了辨别力,变成了不看内容的“盖章机器”。实验表明,到了后期,人类对 AI 危险操作和逻辑漏洞的识别率,会直接从早期的 17% 断崖式跌落到 5% 以下。

更深层的危机还在于责任的错位。

原本由人写代码,出问题人承担责任;现在 AI 写完了把几千行满是漏洞的代码往屏幕上一拍,等人点确认。一旦出了生产故障,背锅的依然是那个点了通过的人类工程师。

决定一个 Agent 能不能真正进入生产环境的,从来不是它在演示视频里能跑出多惊艳的“能力上限”,而是它在最混乱的真实业务里,能守住怎样的“质量下限”。

对话框里的经验黑洞

不仅是写代码,在日常业务协作中,类似的困境同样在上演。

过去大半年里,几乎每家公司的不同工位上,都有那么几个把 AI 用得极为顺手的业务骨干。有人摸索出了一套让 AI 自动清洗两千行杂乱客户名单的提问技巧;有人总结出了让大模型精准排查合同合规风险的提示词模板。

但这些高价值的用法,绝大多数都被锁死在员工个人的临时会话窗口里。

它带来两个极其致命的断层:

第一,人走法随。老员工休假或离职,那套在个人对话框里调校了大半年的方法直接蒸发;新员工入职,一切重新摸索。企业看似人人都在用 AI,组织内部却连一套能交接的标准化作业资产都没留下来。

第二,模型换代即清零。大模型每隔几个月大版本升级一次,底层的习惯和对长句的理解一变,原本调好的提示词经常直接失效。

软件工程演进了数十年,最核心的智慧从来不是“某一个人代码写得多快”,而是通过需求单、测试用例、代码审查、版本控制和回归验证,把个人的灵光乍现变成团队可以持续复用的数字资产。

如果在 AI 时代,我们依然把一切寄托在个人对话框里的即兴发挥,那这种智能化,本质上只是一场低水平的重复建设。

一套带点“保守偏执”的工程解法

面对越来越深的审查泥潭,业内的技术团队其实分化成了两条完全不同的路线。

一条路线继续寄希望于模型本身——期待下一个大版本的大模型能凭借更高的智商自我修正。但工程常识告诉我们:指望 Agent 在没有外在约束的情况下永远不偷懒、永远不产生幻觉,本身就是一种不切实际的幻想。

另一条路线则显得有些反潮流。一部分工程师开始退后一步,尝试一种带有强烈防御色彩的思路:既然干活的 AI 本能地会应付差事、会伪造测试、会利用人类的疲惫蒙混过关,那唯一的工程解法,就是剥夺它的自我裁决权。

开源的企业级 AI 原生引擎 SoduWork,带来了一种截然不同的工程解法:人定标准、Agent 干活、凭证据验收,做对的方法沉淀为可复用的插件。

这套由安徽数智建材研究院打造、支持全量自部署的协作系统,并没有去卷“如何让 AI 写得更快”。恰恰相反,翻看它的底层设计,它更像是一群在一线被 AI 交付折磨过的工程师,硬着头皮做出来的一套防守型系统。

它的整套架构,都在试图回答三个极为具体的难题:

1. 为什么“先立及格线”比“随便聊两句”更管用?

很多用过 AI 工具的人,最习惯的操作是在对话框里输入一句话:“帮我把这个功能做了”,或者“帮我把这批数据整理下”,然后放任 AI 在后台自由发挥。

但 SoduWork 在最前端硬性卡死了一道“开工门禁”。

在它的逻辑里,如果一项任务在开工前没有定义清楚“怎样才算做好了”,这个任务就不被允许启动。

不管是一段核心代码的重构,还是一次跨部门的数据对账,发起人必须先把明确的验收线写死——比如“必须包含针对空边界的测试日志,且断言必须真实跑通,不得使用空断言”;或者“必须标明每一条引用的数据出处,剔除测试账号与重复记录”。

坦白讲,刚上手的时候,很多人会觉得这种设计有点繁琐,甚至违背了当下追求极简交互的潮流。因为它逼着你在动工前必须先花时间思考标准。

但工程的残酷之处就在于:你不在开工前把及格线写清楚,就注定要在交付后花十倍的时间去肉眼排查漏洞。

更核心的机制在于“一写一审”的物理分立。 在 SoduWork 内部,负责执行任务的底座与负责审查的底座是互不隶属的。

写代码、处理数据的 Agent 在自己的环境里改文件、跑脚本;而当它宣布“已完成”时,并不意味着任务结束。独立的审查节点会调动另一套独立的运行时,拿着开工前写死的验收线,逐条去调真实日志、查运行证据。

做事的 AI 拿不到给自己打勾的权力。没有真实执行过的检查,系统一律不标为通过;通不过验收的结果,直接在原会话里退回返修。

这在很大程度上拯救了人类工程师的注意力。人类不需要在第 1 次到第 50 次授权弹窗前疲于奔命、沦为盲目点击同意的橡皮图章,而是在独立审查 AI 验证完所有硬性指标后,只在最终的里程碑前看一眼确凿的证据,完成最后一道主权确认。

2. 为什么个人的“神级提示词”,必须变成带版本的插件?

针对“经验全散落在个人聊天记录里”的顽疾,SoduWork 的解法并不是去做一个庞大而死板的低代码拖拽画布,而是回归到工程师最熟悉的思维:打包成带测试用例的不可变零件。

在以往的习惯里,一个业务骨干或工程师摸索出了一套让 AI 自动核验报表、或者抓取竞品差异的绝妙逻辑,这套经验往往只是一段保存在他个人记事本里的长篇 Prompt。

别人要用,得求他把提示词复制过来;过两周底层大模型升级一次,这段提示词很可能就莫名失效了。

SoduWork 在客户端里内置了一套极轻量的「插件开发助手」。

当你在对话里把一件复杂的任务彻底跑顺了一次之后,不需要去重新学习怎么写插件代码,而是直接唤起助手,把你刚才做成这件事的方法、约束规则以及“怎样才算做好”的验收条件描述出来。

开发助手会在几秒钟内将其提炼为一份规范的插件草稿包——里面不仅固化了提示词和工作流,还打包了样例文件,以及刚才验证通过的测试用例。在正式交付前,你在本地环境直接运行一次预检试跑,确认逻辑严密无误。

这套插件草稿并不会立刻向全员广播。在它的架构里,新插件必须先提交至企业后台的“隔离区”。

管理员在这里运行真实的评测用例(Evals),确认这套方法在真实测试中全部跑通、不存在越权风险后,通过不可变的数字签名正式发布到团队的资产目录中。

从此,无论是新员工入职,还是其他部门协同,面对同样的复杂任务,不再需要从零摸索提问。只需要在自己的对话框里打上 /插件名 就能直接调用老员工验证过的标准流程,跑出同样在及格线之上的产出。

更关键的一点在于:插件只定义通用的业务方法,不与任何特定的大模型底座绑死。明天底层底座升级换代,业务规则和测试用例依然有效,团队积累下来的工作经验再也不用每半年清零一次。

3. 为什么企业不敢只押注单一云厂商?

在底层的工程选型上,SoduWork 呈现出了一种近乎执拗的中立性。

当前的技术社区正在经历底座的快速分化——从轻量的 Pi,到终端开发者青睐的 DeepSeek Harness,再到 OpenCode、Qwen Code 和 Codex。很多企业既希望用上最前沿的开源能力,又极度害怕自己的系统被某一家特定云厂商的全家桶死死绑架。

SoduWork 没有自己去做一套新的大语言模型,而是通过一套统一的底座适配层,把这些开源运行时全部接入进来,把调度的主动权交还给企业本身。

这种设计带来了一种极为现实的成本与安全策略:按工序分流。

企业不需要让每一步都去调用最昂贵的旗舰模型。一个长链路任务中,海量而机械的初筛、文本清洗工作,可以指派给廉价实惠的模型底座;到了最核心的架构决策、敏感逻辑推演,再按需切换到能力更强的底座上。

甚至在同一场会话中,如果主力底座遭遇额度限制,任务上下文和工作文件可以平稳迁移到备用底座继续推进。

对于涉及核心数据安全的企业,SoduWork 的客户端、服务端(Hub)与执行机(Runner)全部支持本地或内网自部署。敏感的内部代码和业务数据由自己部署的本地底座消化,公开的任务走云端。

连接外部工具的 MCP 权限必须由管理员逐项审批,真实凭据仅在本地子进程中按需注入,严禁随会话流转或写入日志。

回到确定性的常识

纵观计算机工业半个多世纪的演进,人类从来没有靠“祈祷工程师永远不写 Bug”来维护庞大的软件社会。

我们之所以能构建出支撑银行、航空和通信的复杂系统,恰恰是因为我们承认人类的局限性,并为此构筑了极其严密的防御机制——需求必须有标准,代码必须有测试,合并必须有审查,交付必须有证据。

当大模型以势不可挡的速度渗透进日常工作的今天,这套常识并没有过时。相反,当机器以前所未有的速度生产海量内容与代码时,对“确定性”的渴求反而比以往任何时候都要强烈。

把数字员工发给每一个人并不是终点;建立一套规则,让 AI 的产出受控、交付可验、经验可传,才是企业能够真正信任并规模化使用技术的起点。

SoduWork 当前已经正式发布并开启全量开源(MIT 协议),将这套围绕“证据交付与插件治理”构建的工程平台推向社区公开测试。

🔗 官方代码仓库:https://github.com/mdiri-ai/SoduWork

在全行业为 AI 生成的繁荣而狂欢、却又为交付的失控而焦虑的当下,这种偏向保守、强调克制、凭证据说话的工程探索,或许代表着 AI 从“炫技的玩具”走向“严肃的生产工具”过程中,不可或缺的一声冷静哨音。

👉 长按识别上方二维码,前往 GitHub 仓库点亮 Star ⭐️ 收藏,即可第一时间在 Timeline 中接收首发版本推送与实操插件更新。

(微信内无法直接打开外链的朋友,也可点击文末左下角「阅读原文」直达代码仓库)

阅读原文

跳转微信打开

  •  

李彦宏最新判断:AI下半场,企业竞争拼的是“智能组织”

CSDN 2026-11-12 18:21 江苏

AI 没有产生预期的经济效益,是因为我们「只是更换了电机,却还没有重新设计工厂」

过去两年,企业界最不缺的就是AI工具:写代码有Copilot,做PPT有AI助手,查资料、写周报、做会议纪要,几乎每个环节都能找到对应的AI产品。员工个人的效率确实提高了,但很多企业管理者仍然面对一个尴尬现实:局部效率在上升,组织级生产力却没有同步释放;AI投入在增加,利润和增长却没有明显变化。

微软《2026 年工作趋势指数年度报告》把这类现象称作「企业 AI 转型悖论」:员工开始使用 AI 提升个人效率,团队也在尝试新工具,但业务流程、协作方式和评价机制依然停留在过去,组织却没有发生太大变化。行业里甚至有了一句更直白的说法:看得见 Token,看不见利润增长。

于是问题变成:为什么 AI 能力越来越强、局部试点频频成功,组织级生产力却没有同步释放?

在 11 月 12 日于举办的百度世界 2026 上,李彦宏给出了一个新判断:AI 没有产生预期的经济效益,是因为我们「只是更换了电机,却还没有重新设计工厂」。人工智能是新能源,智能组织就是AI时代的“新厂房”,是生产力真正发生的地方。

这句话看似是比喻,实则指向一个被行业普遍低估的变量:当AI从工具变成组织参与者,企业竞争的重心正在从「有没有AI」转向「组织能不能为AI重新设计」。

为什么技术变了,组织必须重画?

而要回答这个问题,不妨把时间轴拉长。过去一百多年,每一次技术革命真正落地,其实都是一次组织方式的变更。

工业时代,1855 年,纽约与伊利铁路公司制作了一张特别的组织图:它试图把庞大的公司变成一个职责划分、分级管理的系统,回答的是工业时代最现实的问题,当公司规模变大,怎样有序运转。

后来马克斯·韦伯系统阐述了科层制,通过专业分工、层级管理让大规模组织的稳定运转成为可能。分工换来了规模化,但也把协作成本固化进了结构。

到了互联网时代,亚马逊贝佐斯提出“两块披萨团队”,追求扁平化、敏捷化,试图减少层级与协作成本。

而到了AI时代,组织参与者第一次不只有人,还有Agent。过去百年,企业不断探索如何更高效地组织人;AI时代的新命题变成了:如何同时组织人、智能体,让组织创造更大价值。正如李彦宏此前所说,未来的超级组织是人与智能体的混合编队,要“更多任务,更少分工”。

工业时代靠分工实现规模化,互联网时代靠连接提高敏捷性,AI时代则要靠持续自主进化打开增长空间。也就是说,技术革命的真正落地,不是把新工具塞进旧组织,而是要重画组织图。AI时代也不例外。

智能组织到底是什么?

既然组织图必须重画,那么重画成什么样?百度给出的答案,是“智能组织”。

根据百度官方的定义,智能组织不是硬件采购,不是模型参数,不是算力规模;不是HR语境下的组织结构图调整;它真正指向的是:把Agent、知识库、工作流、评估反馈机制组合成一套可运行、可度量、可迭代的“组织级系统。

百度世界2026大会现场,百度也给出了几组清晰的对照:

  • 从以岗位为中心,转向以任务为中心: 未来组织是一个任务的网络,岗位边界让位于任务闭环。

  • 从个人智能,转向组织智能: 真正的组织智能,是让隐性知识显性化,沉淀到平台上,随时调用、人人可用。

  • 从固定流程,转向“可衡量+Looping”的持续进化: 任务执行、反馈、优化形成闭环,组织变成持续学习进化的系统。

李彦宏把这一过程概括为智能组织三原则:

1、打破岗位边界,释放组织活力: 传统组织以岗位为中心,AI时代的组织将变成以任务为中心,Agent让跨岗位任务被重新编排。

2、沉淀隐性知识,构建组织智能: 把专家经验、上下文、判断规则沉淀为可复用的Skill、知识库和工作流,让一个人的经验穿越整个组织。

3、设计流程闭环,推动组织进化: 公式是“可衡量+Looping=持续进化”。未来一个公司,会变成无数Loops组成的高度自动化运营组织。

从技术视角看,智能组织不是管理口号,而是需要Agent Infra、知识库、工作流、权限治理、评估体系共同支撑的组织级系统。

AI竞争正在从“上游”打到“下游”

要理解智能组织,不能只把它当成组织管理话题。放到 AI 产业链里看,它其实是 AI 价值兑现的下游。

如果把产业链拉长,竞争正在分成两端:上游是智能如何被生产,下游是智能如何进入组织、转化为生产力。海外有观点提出AI“五层蛋糕”,强调能源等基础资源对智能供给的重要性;李彦宏则在芯云模体全栈基础上,进一步提出AI下游的“组织层”。

过去几年,行业竞争集中在芯片、算力、模型、Token。模型供给端的变化也在加速。李彦宏在百度世界2026上提到,今年前9个月几乎每天都有不止一款新模型发布,模型调用需求迎来大爆发;但一批词元中转站并不对模型效果、服务稳定性、响应速度负责,甚至模型真实性也无从考证。

为此,百度推出大模型交易平台词元所,定位“大模型的交易所”,主打“验真”与“征信”:通过模型指纹比对、能力测试、性能与可用性测试核验资源,并以定期抽检拨测、全链路实时监测为模型提供商建立信用评级,让企业乃至个人便捷找到、购买和使用可信的模型Token。上线一个月,词元所入驻供应资源已超100个,日均调用次数突破5000万,日均调用Token超7000亿。这解决的是上游模型供给的可信流通问题。

但当模型能力逐渐普及,企业真正稀缺的不再是有没有智能,而是智能能不能进入业务流、形成任务闭环、转化为经营结果。

这也是为什么局部成功≠组织增效会成为企业AI转型的隐藏陷阱。企业把工具部署、试点成果当成绩单,但业务流程、协作方式、评价机制没变,AI就很难从个人效率工具变成组织生产力。BCG在《为AI重新设计公司,而不是让AI适应公司》中提出,AI转型首先是组织问题而非技术问题;微软也强调,Frontier Firm与普通企业最大的区别,是管理者更愿意推动工作重构。

而在全球范围内,组织必须为AI重设计也正在形成共识:微软在讨论组织应该长成什么样;麦肯锡在讨论怎么设计组织;BCG则在强调重构业务流程;Anthropic关注人机如何组队;BM的调查显示,82%的受访高管认为职能部门之间的壁垒阻碍价值创造,55%的组织正在开发或部署智能体AI运营模式。

在这个坐标系里,百度的差异化在于:别人更多讲形态、方法、路径,百度想讲的是机制,即组织怎么自己长出来。事实上,这背后是百度芯、云、模、体全栈自研的能力结构:从芯片到模型到应用全链路自跑,因此能讲Looping、讲组织级闭环、讲可衡量。别人的组织方案可能需要采购第三方工具,百度则试图用全栈能力支撑组织级系统的持续迭代。

智能组织怎么“自己长出来”

那么,百度的这套智能组织怎么长出来?

百度的判断是它首先需要在真实业务中跑通任务-知识-流程-指标的闭环。因此,百度内部先拿自己做了试验。

根据大会现场披露,百度内部DAA(日活智能体数)、有效任务完成数、Workspace和Skills沉淀等指标均呈现增长。

在百度数字人创新业务部,团队探索AI Native组织转型,打破产品、研发、设计、测试等岗位边界,推动全员向Builder转型。基于自研Agent,团队已实现6个以上需求由单人完成全流程交付;仅在Q3,数字人业务产研实现564次迭代,沉淀130个Skills和729篇组织资产。随着Loops持续运转,数字人产研人均吞吐提升125.3%,交付周期缩短28.8%。一名校招新人借助AI,仅用1天完成原本需要5个角色、至少10天的需求交付。

类似的实践在百度内部还有多个样本,且组织机制层面的FDE(前沿部署工程师)这一新角色正从业务一线长出来,把“懂行业、能落地、会推产品”打通,目前已在金融、能源、制造等多个行业交付落地100+业务场景。

产业侧的变化同样值得关注。 百度内部案例说明“新厂房”可以在任务闭环里长出来,但智能组织不能只在百度内部成立,它还要进入产业真实业务流。

南方电网下属南方总调与百度基于百度搭子合作落地“天璇伙伴”,面对南方五省四亿多人用电保障的重任,配电网故障分析长期依赖专家经验。仅广西电网2025年就发生永久性故障8215次,传统人工研判单次耗时超60分钟,且极易误判。天璇伙伴通过学习上万条历史故障处理数据,将资深专家经验沉淀为可复用的专业知识,把故障记录、开关信号、线路拓扑串联成完整证据链,实现“故障—分析”的闭环研究,分析准确率达70%以上。据客户反馈,该应用使配电网故障分析效率提升12倍,目前已在广西14个地市、112个县全面推广。更关键的是,它能“自主成长”,让老师傅的实战经验得以传承。

工商银行北京市分行则在客户经理走访企业的工作中引入百度搭子,覆盖访前、访中、访后三个环节:访前收集公开行业信息、政策和财报,调用专业套件形成有来源依据的客户研究;访中政策和产品要点随问随查并标明出处,沟通要点整理成会议纪要,客户诉求同步转为待办清单;访后当天把需求整理成方案初稿,由同事复核把关。该行把这套做法沉淀为Skill,在授权范围内供团队复用,个人经验由此变成团队共享的能力,并计划嵌入行内系统,同步落实数据安全和授权管理。

这些案例的共同点是,从高价值任务闭环中,逐步长出任务网络、知识资产和进化机制。

AI转型的最后一公里在组织

回头看,百度对AI价值的思考并不是一次跳跃,而是一条连续递进的链路。

2025年百度世界提出“内化AI能力”,回答的是AI如何从外部工具变成企业原生能力;2026年Create大会提出“自我进化”“超级组织”“人与智能体混合编队”,并用DAA(日活智能体数)衡量AI价值,回答的是组织如何从个人提效走向人机协同、从Token消耗走向任务结果;到2026年百度世界聚焦“智能组织”,问题进一步被推到组织层,即AI的上游是能源、算力、模型,下游是组织能力。只换电机不换厂房,产能不会自动释放。

这条链路背后,是一个越来越清晰的行业判断:AI转型的最后一公里,不在模型里,而在组织里。

百度已经拿自己数万人规模的组织做了试验场,数字人团队全员Builder、FDE从业务一线长出来,以及dodo、百度一见、Aether(以太)自动驾驶感知数据、Apollo开源团队等内部案例,说明新厂房不是画出来的,而是在一个个任务闭环里长出来的;南方电网、工商银行、销售易等产业案例则说明,智能组织已经开始进入真实业务流。但百度样本只是起点。智能组织能否成为行业公共词条,最终不由概念决定,而由更多企业的实践继续验证。

更直接的说,AI转型的下一程,不是再接一个模型、再买一个Agent,而是高价值任务有没有形成闭环?隐性知识有没有沉淀为可复用的Skill、知识库和工作流?组织有没有可衡量、可反馈、可迭代的Looping机制? 如果答案是否定的,AI投入大概率仍停留在“个人提效”,很难变成“组织增效”。

跳转微信打开

  •  

Python之禅作者Tim Peters逝世,Guido发文悼念:没有他,就没有今天的Python

CSDN 2026-11-12 18:21 江苏

向 Tim Peters 致敬!

整理 | 屠敏

出品 | CSDN(ID:CSDNnews)

  • 「Beautiful is better than ugly.(优美胜于丑陋。)」

  • 「Simple is better than complex.(简单胜于复杂。)」

  • 「Now is better than never.(现在做胜于永不行动。)」

如果你是一名 Python 开发者,大概率对这些句子并不陌生。

只需要在 Python 解释器中输入一行 import this,这 19 条被称为「Python 之禅」(The Zen of Python)的设计哲学,就会出现在屏幕上。

这些影响了无数程序员的句子,出自一位名叫 Tim Peters 的程序员之手。

当地时间 11 月 11 日,Python 之父 Guido van Rossum 在 Python 官方社区论坛发布了一则令人悲伤的消息:Tim Peters 已于 2026 年 7 月 15 日去世,享年 74 岁。

Guido 在公告中写道:「很难准确估量 Tim 对 Python 的影响。他最为人熟知的作品可能是《Python 之禅》(PEP 20),但对我而言,早在那之前,他就已经是我的导师,也是 Python 语言设计上的合作伙伴。」

在 Guido 看来,Python 能够发展成今天的样子,离不开 Tim Peters。

而在 Hacker News 上,这则消息也引发了大量开发者的悼念。有人重新运行 import this,有人回忆自己第一次读到《Python 之禅》时的感受,也有人感慨,自己多年来一直在用 Tim 留下的那些原则指导编程。

一个程序员离开了,但他写下的 19 句话,仍然每天出现在无数开发者的终端里。

Python 还没发布多久,他就成了 Guido 最重要的技术伙伴

Tim Peters 来自美国威斯康星州密尔沃基,在接触 Python 之前,他已经有相当丰富的计算机行业经验。

他曾在 Cray Research 从事超级计算机编译器开发工作,也曾在 Dragon Systems 参与语音转文字软件的开发。

这两段经历,也为他后来参与 Python 的设计打下了基础。

20 世纪 90 年代初,Tim 通过一位共同朋友 Steve Majewski,第一次听说了 Guido van Rossum 正在开发的 Python。

当时,Python 还处于非常早期的阶段。

Tim 很快对这门语言产生了兴趣,不仅拿到了尚未正式发布的代码,还主动给 Guido 写邮件,讨论语言设计上的各种问题。

在后来的一次采访中,他回忆,自己当时使用的版本大约是 Python 0.9.1。

自此,他很快成为 Python 最早的一批用户和贡献者之一。

而他给 Python 提出的第一个重要建议,就体现了其务实的技术风格。当时,Tim 认为 Python 应该支持 int 和 float 之间的混合算术运算,因为大多数用户都会理所当然地认为这两种类型可以这样运算。

Guido 最终采纳了他的建议。这只是一个看似不起眼的细节,却成为两人长期合作的开端。

Guido 回忆道,“Tim 凭借扎实的数学知识和编译器开发经验,经常参与 Python 的深度设计讨论,帮助团队避免一些可能出现的设计错误,也解决了不少棘手的技术问题。”

Python 之禅,影响了几代程序员

如果说 Tim Peters 的技术贡献中,哪一项最容易被普通开发者记住,《Python 之禅》肯定是其中之一。

1999 年,Tim 在 Python 邮件列表中发布了这组设计原则。它最初并不是一份严肃的语言设计规范,甚至带有一些玩笑性质,但很快就得到了社区认可。

2004 年,这些原则被正式收录入 Python 增强提案 PEP 20。

如今,只要在 Python 中执行:

    import this

    就能看到完整的内容:

      >>> import this
      The Zen of Python, by Tim Peters
      Beautiful is better than ugly.
      Explicit is better than implicit.
      Simple is better than complex.
      Complex is better than complicated.
      Flat is better than nested.
      Sparse is better than dense.
      Readability counts.
      Special cases aren't special enough to break the rules.
      Although practicality beats purity.
      Errors should never pass silently.
      Unless explicitly silenced.
      In the face of ambiguity, refuse the temptation to guess.
      There should be one-- and preferably only one --obvious way to do it.
      Although that way may not be obvious at first unless you're Dutch.
      Now is better than never.
      Although never is often better than *right* now.
      If the implementation is hard to explain, it's a bad idea.
      If the implementation is easy to explain, it may be a good idea.
      Namespaces are one honking great idea -- let's do more of those!

      有意思的是,19 条原则其实并不是全部。

      PEP 20 中特意留下了第 20 条的位置,等待 Guido 来补充,但直到今天,这个位置依然空着。

      这也成为 Python 社区一个流传多年的小玩笑。

      一手打造 Timsort,后来被 Java、Android 广泛采用

      除了《Python 之禅》,Tim Peters 还有一项影响更为深远的技术成果:Timsort。

      2002 年,Tim 为 Python 列表设计了一种全新的排序算法,并将其引入 Python。这套算法后来被命名为 Timsort。

      它是一种结合归并排序和插入排序特点的混合排序算法。与一些传统排序算法不同,Timsort 会充分利用真实数据中已经存在的有序片段。

      在现实场景中,数据往往并不是完全随机排列的,可能已经存在部分有序区间。

      Timsort 会识别这些自然形成的有序片段,再通过合并操作完成排序,从而在处理真实世界的数据时获得不错的性能。它也因此成为 Python 排序实现中的重要组成部分。

      更值得一提的是,Timsort 的影响并没有停留在 Python 生态中。

      后来,Java 标准库和 Android 也采用了这套算法。这意味着,许多并不使用 Python 的开发者,也可能在日常开发中间接用到了 Tim Peters 的成果。

      除了 Timsort,他还参与了 Python 多项底层功能的开发与完善。比如,他还深度参与了 Python 的内存分配器、循环垃圾回收机制、字典实现、浮点数对象以及数学模块等底层工作的优化。

      在 Python 开发者眼中,Tim 不只是一个创造了某项技术的人,更是一位能够把已有实现打磨到足够可靠的人。

      2017 年,Python 软件基金会向 Tim Peters 颁发了杰出服务奖,以表彰他在 Python 技术和社区建设方面的长期贡献。

      他还曾在 2001 年至 2014 年期间担任 Python 软件基金会董事,连续 13 年参与基金会事务。

      他最让人怀念的,或许是回答问题时的耐心

      除此之外,Guido 表示,Tim Peters 在 Python 邮件列表上非常活跃,经常耐心回答用户提出的问题。

      由于回答数量实在太多,而且往往解释得非常细致,他甚至获得了一个绰号:「Timbot」。

      不过,他的回答并不像机器生成的技术文档那样刻板。

      Tim 很喜欢开玩笑,经常在邮件末尾加上 <wink>,表示自己是在带着笑意说话。他还经常把自己的发言称为「代 Guido 发言」(channeling Guido)。

      Python 社区成员 Chris McDonough 回忆,自己刚接触 Python 社区时,曾经对一些开发者表现出的优越感感到不适。

      但 Tim 给他的感受完全不同。

      尽管拥有极其深厚的技术功底,Tim 却从不摆架子。如果不是提前知道他的技术能力,光看他的外表,可能会以为他是一名摩托车爱好者或者修理工。

      他留着长长的灰发和浓密的胡子,穿衣风格也很随意,甚至真的曾在 Harley-Davidson 工作过。

      但在技术讨论中,他几乎总能成为当场人群里最聪明的一个。更难得的是,他不会因为别人提出的问题过于简单,就表现出不耐烦。

      Chris 认为,Tim 更喜欢用幽默和温和的方式化解冲突,同时会在发表技术意见之前尽可能弄清楚问题。他甚至表示,自己后来创建开源项目时,也会刻意模仿 Tim 的做法,希望让技术讨论变得更友好,让更多人愿意参与其中。

      Tim 留下的影响,可能不只是那些代码,而是他教会了其他开发者如何与人一起写代码。

      最后一次发帖,他仍然在讨论技术

      后来,Tim Peters 并没有一直保持早年那样高频的核心开发活动,但他仍然会参与 Python 社区的讨论。

      在 Python 官方论坛的悼念帖中,开发者 Hugo van Kemenade 特别留言提到了 Tim 于今年 7 月 8 日的最后一篇帖子。文章最后,Tim 写道:

      「Which is all a long-winded say of saying the real world is more complicated than our clean abstractions hope for.」(说了这么多,其实只是想表达,现实世界比我们所期望的那些简洁抽象要复杂得多。)

      这句话后面,他还附上了一个熟悉的笑脸标记。

      从早年在邮件列表中耐心解释技术问题,到晚年仍然参与社区讨论,这种带着幽默感的表达方式,几乎贯穿了他的整个 Python 生涯。

      Hacker News 上,也有开发者提到,自己虽然从未与 Tim Peters 谋面,却因为阅读他的邮件和技术讨论,学到了许多东西。有人感慨,他的文字既有极深的技术洞察,又始终保持着一种容易接近的表达方式。

      Guido 在最后写道,“没有 Tim,就不会有今天的 Python。”

      向 Tim Peters 致敬!

      参考资料:

      https://discuss.python.org/t/in-memoriam-tim-peters-1952-2026/110028/3

      https://discuss.python.org/t/sorted-data-structure-in-the-stdlib/107994

      https://news.ycombinator.com/item?id=50450488

      图片

      🔥「智能体应用创新与开发实践」专题阵容更新!

      Agent 正从“会聊天”走向“能交付”。来自中科院微电子所的毛航宇、上海人工智能实验室的张铂、Google Cloud 的张宇驰、阿里云的杨文婷、腾讯 Agent 安全负责人张栋等一线专家,将围绕 长程智能体、Agentic 流水线、MCP / Managed Agents、Agent 安全、真实业务交付等方向,分享从能力构建到生产落地的最新实践。

      2026 奇点智能技术大会汇聚 70+ 技术嘉宾、18 大前沿专题、70+ 主题演讲、1000+ 行业技术人,覆盖 RSI、Agent、AI Coding、世界模型、Physical AI、AI Infra、企业级 AI 等热门方向。

      📍11 月 20–21 日|北京万达文华酒店

      如果你正在做 Agent 产品、智能体平台、多 Agent 协作、MCP 或企业级 Agent 落地,这个专题值得现场听。扫码注册参会,提前锁定席位。

      图片

      跳转微信打开

      •  

      从Agent自评到量化数据验证:华为云码道Skill自进化技术探索与实践

      CSDN 2026-11-11 17:30 江苏

      Skill自进化_AgentEvolver

      面对反复出现的开发任务,开发者可以将要求写成 Skill,但传统编写方式常缺少量化评测数据:哪些要求真正被满足、下一版该改哪里,都不够清楚。码道构建了“意图识别 → 评测集生成 → Skill 编写 → A/B 测试 → 轨迹分析”的演化循环,用量化结果和执行反馈为下一轮 Skill 编写提供方向;同时从用户与智能体的任务轨迹中提炼经验,在交互过程中生成可复用的 Skill。

      背景、问题及挑战

      设想一个团队每天都在新增接口、补充测试和修复缺陷的项目,智能体已经能够参与这些工作,但在持续使用中遇到了三个问题。

      第一,要求明确,却需要每次重新解释。例如,为接口补充测试时,开发者总要提醒智能体:不仅验证成功响应,还要检查鉴权、非法参数、重复提交和状态转换。单次对话中的要求容易随着会话结束而失去作用。

      第二,已有方法仍会遗漏细节,工作时演化可能争用模型资源。团队已经有一份接口测试 Skill,但遇到重复提交或订单状态变化时,仍可能只断言响应码,没有检查数据和副作用。开发者希望先明确评测要求,再让系统在空闲时间自动演化,减少对工作时模型调用的影响。

      第三,有价值的经验藏在执行过程中。智能体修复问题时,可能发现一个不明显的构建顺序,或者通过多次排查找到稳定的测试隔离方式。如果没有主动整理,这些经验很容易留在历史聊天中,下次再遇到类似任务仍需重新探索。

      三个问题对应三种使用需求:目标明确时,用评测结果指引 Skill 生成;日常开发时,从真实任务轨迹提炼经验;已有 Skill 和评测任务时,利用空闲时间自动演化。码道的 Skill 自进化能力为这三种需求提供不同入口,让能力建设、经验沉淀与闲时优化形成连续过程。

      码道Skill自进化技术方案

      2.1 评测驱动的 Skill 演化闭环

      码道的Skill自进化能力为每个 Skill 准备了一个物理演化空间,集中保存评测集、分版本的 Skill,以及每一次AB测试时对应的轨迹分析结果与版本证据。当用户有明确目标时,Skill自进化会依据用户输入的目标编写评测集,生成候选 Skill,通过当前评测集上的实际测试决定该Skill是否有效,据此决定取舍与下一轮改进方向,如图 1 所示。该能力还会在用户会话空闲时自动进化演化空间中的Skill,达到合理利用用户空闲时间,让Skill的能力不断变强的目的。

      图 1:Skill 演化空间中的评测集、Skill 版本与轨迹分析结果

      2.2 基于任务轨迹的 Skill 生成

      除此之外,码道的Skill自进化能力还能从用户与智能体的实际交互中发现经验。如图 2,插件在交互过程中持续监听工具调用与助手轮次,积累任务轨迹;择时触发隔离工作区中的分析与 Skill 生成。该能力旨在从用户真实解决任务的实践中提取高价值的复用模式,并且沉淀为Skill。

      图 2:交互中监听任务轨迹并分析生成 Skill

      码道Skill自进化案例

      假设你是一个维护订单服务的团队,团队既要为下单、取消订单接口补齐测试,也要处理共享包导出引发的构建问题。

      3.1 先明确目标,生成有评测依据的 Skill

      开发者希望以后让智能体为订单接口写测试时,除了成功响应,还能检查鉴权、非法数量、相同幂等键重复提交、订单状态与库存副作用。在订单项目的码道会话中,可以把任务目标和验收条件一起交给前台入口:

      /skill-evolver 为当前项目创建接口测试 Skill,沿用项目现有测试方式,并运行相关测试。

      系统将要求转成评测集,编写候选 Skill,并通过 A/B 测试比较基线与候选在这些任务上的表现。开发者可通过/skill-log 命令查看 Skill 内容和相应的演化依据,确认它要求检查关键数据与副作用,且验收结论来自实际执行,而不只是文字描述。

      最终生成的结果将会直接推送到码道的Skills下面,可直接被智能体在后续的工作中检索并且使用。

      3.2 白天正常开发,从交互轨迹沉淀新方法

      订单服务团队正在当前分支补齐接口测试时,临时需要拉取发布分支排查共享包导出导致的构建问题,又不希望打断现有开发现场。团队因此希望通过 Git Worktree 在当前工作区旁快速创建独立目录,并沉淀为可复用的标准操作。

      如果想让对应的Skill记住这个能力,无需另行提交“生成 Skill”的命令。码道的Skill自进化能力会复盘用户解决问题的过程,并自行在后台生成对应的Skill。

      3.3 用户空闲后,让已有 Skill 继续演化

      接口测试 Skill 已有评测集,便具备后台演化的基础。开发者可以在结束当天的工作时启动指定 Skill 的后台任务:

      /skill-evolver-auto

      守护进程会自动执行该Skill的持续演化。下一次打开项目时,开发者可查收持续演化后的技能,并通过 /skill-log指令查看该技能的演化日志。

      总结与展望

      码道的Skill自进化能力分囊括了用户开发过程中的常见场景,无论是目标明确的能力建设、或日常执行中发现和保存可复用方法,都可以使用该能力让开发经验能够被保存、再次使用,并逐步接受验证。

      扫描下方二维码

      即刻体验码道

      戳阅读原文,即刻体验码道

      阅读原文

      跳转微信打开

      •  

      点一下「以后不再询问」,密码、API Key全被上传!Claude Code配置文件泄露数千条敏感信息,Anthropic回应

      CSDN 2026-11-11 17:30 江苏

      一个「不再询问」,怎么就把密码给存下来了?

      整理 | 屠敏

      出品 | CSDN(ID:CSDNnews)

      只是为了让 AI 少问自己几次,没想到却把家底都交出去了。

      近日,安全公司 Apiiro 的研究人员发现,公开的 GitHub 仓库中出现了大量 Claude Code 配置文件,其中不少文件竟然包含数据库密码、API Key,甚至超级管理员登录凭证。

      进一步调查后,研究人员指出,这场泄露风波竟然与 Claude Code 中一个看似不起眼的选项有关:「Yes, and don’t ask again」(是的,以后不再询问)。

      一个「不再询问」,怎么就把密码给存下来了?

      要理解这次问题,还得从 Claude Code 的权限管理机制说起。

      在使用 Claude Code 时,如果 AI 需要执行一些涉及系统操作的命令,通常会先向用户请求授权。

      例如,开发者让 Claude Code 查询数据库,AI 可能会生成一条类似这样的命令:

        PGPASSWORD=your_password psql -h db.example.com -U admin

        如果用户选择允许执行,Claude Code 就会运行这条命令。

        但如果用户进一步选择「Yes, and don’t ask again」(是的,以后不再询问),情况就有所不同了。

        为了避免下次执行相同操作时再次询问,Claude Code 会将这条命令保存为一条长期生效的权限规则,写入项目目录下的:

          .claude/settings.local.json

          这本身是一个为了提高开发效率而设计的功能。

          问题在于,Claude Code 保存的可能不是经过脱敏处理的命令模板,而是完整命令。

          也就是说,上面那条命令中的 your_password,可能会原封不动地出现在配置文件里。

          类似的情况还可能出现在其他命令中。例如,开发者让 Claude Code 使用 curl 请求某个 API,如果请求头中包含 Authorization Token,那么这条命令被保存为权限规则时,Token 也可能跟着一起进入配置文件。

          于是,一个原本用于记录「哪些操作可以免去重复授权」的文件,意外变成了敏感信息的集中存放地。

          问题出在 Git 忽略规则上

          可能有人会问:既然这是一个本地配置文件,为什么会被上传到 GitHub?

          事实上,Anthropic 并非完全没有考虑过这个问题。

          根据 Claude Code 官方文档,.claude/settings.local.json 本来就被设计为个人使用的本地配置文件,不应该提交到 Git 仓库。

          正常情况下,Claude Code 第一次创建这个文件时,会自动将其添加到 Git 的全局忽略规则(global gitignore)中。

          但这里存在一个容易被忽略的区别:全局 Git 忽略规则,并不等于项目自身的 .gitignore 文件。

          举个例子:

          开发者 A 在自己的电脑上使用 Claude Code,系统自动将 settings.local.json 添加到了本机的 Git 忽略规则中。

          此时,这个文件不会被正常提交到 Git 仓库。

          但如果开发者将项目复制到另一台电脑,或者在一个原本没有 Git 仓库的目录中创建 Git 仓库,那么新环境未必拥有原来的全局忽略规则。

          如果文件已经被 Git 跟踪,或者开发者手动创建了这个配置文件,而没有将其添加到忽略列表中,它就有可能被一起提交。

          更麻烦的是,安全研究公司 Apiiro 的研究人员还发现,在一些情况下,Claude Code 自己也会参与提交包含这些敏感信息的配置文件。

          换句话说,问题并不在于配置文件本身不应该存在,而在于它缺少一层足够可靠的保护。

          安全公司调查:数千条密码、Token 已经暴露

          那么,这个问题究竟影响了多少开发者?

          11 月 5 日,安全公司 Apiiro 发布了一份相关调查报告。

          研究人员在公开 GitHub 仓库中检查了 104,185 个 .claude/settings.local.json 文件,最终发现其中有 1,122 个文件包含真实的敏感凭证,共计 1,379 条。

          这些信息涉及 63 家不同组织,包括服务 API Token、数据库密码、AI 模型 API Key、Supabase 服务角色密钥、Google API Key、SSH 登录凭证、GitHub、GitLab 和 npm Token,AWS 密钥以及私钥等。

          其中,数据库密码和 Supabase 服务角色密钥合计达到 501 条,占全部 1,379 条凭证的 36.3%。

          更令人担忧的是,研究人员还发现了 43 条用于登录公网服务器的 SSH 凭证,其中一些甚至涉及 Root 账户密码。

          当然,这还不是全部。

          11 月 9 日,另一家安全公司 GitGuardian 公布了更大规模的调查结果。

          在 2025 年 1 月至 2026 年 11 月 7 日期间,GitGuardian 在公开 GitHub 上发现了 23,276 个仓库中的 .claude/settings.local.json 文件,累计识别出 31,088 条不同的敏感凭证。其中,5,343 条在检测时仍然有效。

          有一点已经相当明确:这不是几个开发者偶然犯下的低级错误,而是一个值得整个开发者社区警惕的问题。

          Anthropic 团队回应:正在研究解决办法

          事实上,这并不是一个刚刚出现的问题。

          早在 2025 年 8 月,就有开发者在 Claude Code 的 GitHub Issue 中报告过类似情况:当用户批准包含凭证的命令时,敏感信息会以明文形式写入配置文件。

          此后,社区还陆续出现了其他相关反馈。

          但这些问题报告最终都因长时间没有更新而被自动关闭,并未得到实质性处理。

          直到这次安全研究公开,问题才再次引起广泛关注。

          在 Hacker News 的相关讨论中,Claude Code 团队负责人 Boris Cherny 也亲自作出了回应。

          他承认,Claude Code 历史上并没有内置敏感信息清理机制,团队正在研究如何避免此类问题。

          对于配置文件泄露,他解释称,.claude/settings.local.json 本来就不应该被提交到版本控制系统中,Claude Code 在自己创建文件时也会自动将其加入 Git 忽略规则。

          他同时建议开发者使用 Claude Code 的 Auto Mode,而不是继续手动维护复杂的允许和拒绝规则。

          按照他的说法,Auto Mode 可以通过分类器自动处理常规权限请求,减少开发者反复维护权限规则的麻烦。

          不过,当有用户指出,即使使用 Auto Mode,涉及敏感命令的授权操作仍可能将相关内容写入配置文件时,Cherny 也认可了这一反馈,并表示团队正在考虑如何改进。

          此外,他还提到,团队正在考虑将基础的 Secret Scanning(敏感信息扫描)能力直接集成到 Claude Code 中,目前正在研究和原型验证阶段。

          但值得注意的是,Apiiro 的研究还发现,常见的两个敏感信息扫描工具 gitleaks 和 TruffleHog,即使结合使用,也漏掉了 215 个包含敏感凭证的文件,占相关文件总数的 19.2%。这说明,仅仅依赖现有扫描工具,也未必能完全解决问题。

          开发者现在应该做什么?

          对于已经使用 Claude Code 的开发者来说,这次事件最值得注意的,并不是简单地把某个文件加入 .gitignore 就万事大吉。

          首先,可以检查项目中的 .claude/settings.local.json,看看其中是否存在包含密码、Token 或其他凭证的命令。

          其次,应该在项目自己的 .gitignore 中明确添加:.claude/settings.local.json

          如果项目还会被打包成 Docker 镜像,也应该在 .dockerignore 中排除:.claude/

          如果已经发现敏感凭证被提交到公开仓库,仅仅删除文件并不够。Git 历史记录、Fork 仓库以及已经发布的 Docker 镜像,都可能继续保留这些信息。

          因此,更重要的是立即撤销并轮换已经暴露的 API Key、数据库密码和其他凭证,再处理仓库历史记录及其他公开副本。

          另外,对于需要在命令中使用的敏感信息,尽量通过环境变量引用,而不是直接把密码或 Token 写进命令参数中。

          毕竟,AI 编程工具本来是为了让开发者少操心一些琐事。如果连自己电脑里的密码都需要额外担心会不会被它顺手打包上传,那这份便利显然还有不少需要完善的地方。

          来源:

          https://arstechnica.com/ai/2026/11/claude-code-settings-files-expose-thousands-of-secrets-on-github/

          https://news.ycombinator.com/item?id=50408126

          图片

          🤖 AI 训练越来越烧钱,瓶颈真的只是算力不够吗?

          ⏰ 11月11日(周三)19:30-21:00,CSDN「AI进化论」直播,聚焦 Agent 后训练的基础设施挑战!

          🔹 七成算力花在推理上,训练和推理还要分开吗?🔹 千万个沙箱同时运行,卡住训练的究竟是什么?🔹 不靠万卡集群,普通硬件能否撑起大模型后训练?

          🎁 直播专属福利扫码免费领取「2026 Agent 核心技术演进与实战资料包」!

          📚 现在报名,更有机会获得 AI 技术好书!

          📲 扫描海报二维码,立即预约直播!  

          图片

          跳转微信打开

          •  

          “AI正在毁掉我的计算机学位!”一名大学生吐槽:作业量暴涨3倍,老师用AI出题,学生却成了“小白鼠”

          CSDN 2026-11-10 17:40 江苏

          当AI已经能替学生写代码、替老师出作业,那大学究竟还应该教什么?

          整理 | 郑丽媛

          出品 | CSDN(ID:CSDNnews)

          好不容易拿到奖学金,终于能学自己从小就喜欢的计算机科学,结果刚上大学没多久,就被 AI 折腾得想“退学”了——最近,一名计算机专业的大学生 Katie 在个人博客上发文吐槽:“AI 正在毁掉我的计算机科学学位(AI is destroying my CS degree)。”

          她遇到的事情听起来有些离谱:学校一会儿禁止学生使用 AI,一会儿又强制要求使用;老师让 AI 生成课程作业,结果作业量直接翻了三倍;导师忙着应付各种自动化管理系统,学生想找人问问题都不容易。

          更让 Katie 无奈的是,明明她只是想安安静静学点编程和数学,结果打开科技新闻,铺天盖地又都是“软件工程已死”、“不用 AI 就会被淘汰”之类的论调,看得她无比焦虑。

          她的这篇吐槽,随后在 Hacker News 上引发了不少讨论。有人认为 AI 能让学习效率更高,也有人担心初级程序员的就业机会正在被压缩,更有网友直言:现在的大学生,正在成为 AI 教育改革的“小白鼠”。

          学校自己都没搞明白 AI,到底该不该让学生用?

          根据 Katie 自己的介绍,她去年获得了计算机科学与AI 专业的奖学金。而此前,她几乎没有接受过系统的技术训练,高中数学也只拿到了 B,唯一的编程经历就是在 OpenProcessing 上做过几个小游戏。

          但她并不介意从零开始,相反,她很享受这种学习过程,毕竟计算机科学本来就是自己从小就想学的东西——真正让她头疼的,是学校对 AI 的态度。

          在 Katie 看来,大学这段时间对于 AI 简直是在“反复横跳”:

          ●今天:“绝对不允许使用 AI!”

          ●明天:“必须使用 AI!”

          ●过几天:“没错,我们正在用 AI,但这不代表你们也应该用!”

          学校似乎特别热衷于把 AI 用在一些不太合适的场景里,比如自动批改作业、生成课程内容,以及向学生发送学习情况邮件。每次都大张旗鼓地推行,结果往往过不了三个月,又把之前的决定撤回。

          最让 Katie 摸不着头脑的是,不同课程之间的规定甚至互相矛盾:上一门课要求用 AI 完成作业,到了下一门课,只要用 AI 就会被扣分。

          简而言之,学校自己都还没想明白 AI 应该怎么用,却要学生适应一套不断变化的规则。

          AI 帮老师出作业,结果学生作业量暴涨 3 倍

          而比学校政策反复更让 Katie 头疼的,是课程作业的变化。

          以前,一份课程作业通常由老师设计,再经过院系其他教师审核,虽然不可能做到十全十美,但至少有人认真考虑过任务难度和学生的实际能力;可现在,Katie 怀疑一些 AI 生成的作业要求,根本没人完整检查过一遍。

          错误随处可见,老师往往要等到截止日期前一两周才发布修正通知。学生好不容易按照原来的要求安排好时间,临近交作业了,任务却又发生变化。

          与此同时,作业量也增加到了原来的三倍,因为:AI 根本不知道一个学生掌握新知识、学习技术技能,再独立完成实际任务究竟需要多少时间。而那些已经在学术领域工作多年的教授,在匆匆浏览 AI 生成的作业说明时,也很难意识到这些任务对学生来说有多大的工作量。

          Katie 举了一个例子:一份 3000 字的课程作业,竟然要求完成 15 项交付任务!结果就是,大多数技术基础相对薄弱的学生不得不疯狂赶进度,根本没时间去真正理解每一个知识点,只能勉强完成任务。

          在博文中,她忍不住吐槽道:“这真的糟透了!我来大学是为了学习知识的,好吗?不是为了在一份 3000 字的作业里,勉强交付 15 项任务,每一项都只能草草略过,根本没时间去真正理解和掌握。”

          对此,HN 上的一位网友也注意到了这个问题。他认为,这可能是 AI 教育中最讽刺的地方之一:过去老师精心设计的传统作业,对AI 来说已经太简单了;为了防止学生直接把任务交给 AI,老师只能不断提高作业难度。

          但模型每个月都在进步,作业难度也跟着水涨船高。最后,就变成了一个尴尬的局面:作业难到学生根本不可能自己完成,而作业设计中的一点小错误,就可能让实际工作量和预期出现巨大偏差。

          导师忙不过来,学生收到的关心来自数据看板

          虽然作业量增加了,但老师却没有变多。Katie指出,如今大学管理层最喜欢的词就是“规模化”(Scale):最好通过自动化扩大教学规模,不必增加教职员工,就能服务更多学生。

          她甚至调侃,自己现在几乎只有在长时间没有登录学校在线学习平台时,才会收到导师的消息——因为学校的数据看板发现她很久没有登录,会自动把她标记为“高风险学生”(At Risk)。

          这让 Katie 产生了一种无奈感:自己收到的关心,似乎越来越多来自系统里的一个标签,而不是导师本人。而这种感觉多少有些讽刺:学校越来越擅长用数据追踪学生,却未必有足够的人手真正关心学生学得怎么样。

          还没毕业,就被告知“软件工程已死”?

          除了学校里的种种变化,Katie 还有一种说不出的疲惫:整个科技行业似乎都在不断宣告计算机科学的“末日”。她当然也关心未来的职业发展,但这不表示自己就应该放弃学习,更不等于计算机科学和数学已经失去了价值。

          Katie 很喜欢这个专业,也希望能继续探索不同的方向,无论这些方向是否与 AI 有关。可一打开科技新闻,她看到的却总是类似的说法:

          ●“软件工程已经死了!”

          ●“不用 AI 的程序员迟早会被淘汰!”

          ●“AI 将彻底改变编程行业!”

          她对此相当无奈,甚至忍不住反问:“难道就不能让我单纯因为兴趣,安安静静地学点东西吗?”

          “我本来还想继续吐槽,但还是算了,再说下去,恐怕真的要把自己气出消化不良了。”在博文的最后,Katie 决定暂时回到 OpenProcessing,重新做几个以前那些“傻乎乎的小游戏”:“只不过这一次,我已经真正学会了一些编程知识,应该能做得比以前更好了。”

          她还分享了几个她以前做的小玩意儿:

          (1)一个简单的太空射击游戏:https://openprocessing.org/@u304330/1557487

          (2)一个点一下就会“喵”一声的 Moogle:https://openprocessing.org/@u304330/2205896

          显然,这些游戏的制作都不是太精良,但却是 Katie 感受到编程乐趣的初心和起点。

          网友吵起来了:AI 让学习更容易,却也正在消灭初级岗位?

          Katie 的这篇博客发布后,Hacker News 上的讨论很快从大学教育延伸到了程序员就业市场。

          一位拥有 20 多年开发经验的工程师认为,AI 并没有取代教育,反而提高了人们理解和掌握的知识上限:“我已经在这个行业工作了 20 多年,但直到今天,我每天依然能学到新东西。过去几年,有了 AI 的辅助,我学到的东西反而更多了,工作效率也更高了,还能更深入地理解自己负责的系统。”

          但另一位网友并不认同这种乐观态度。他认为,AI 正在严重冲击初级开发者的就业市场:对企业来说,与其招聘多名初级程序员,不如直接雇用一名高级工程师或资深工程师,再给他配上 Claude 或 Codex:“如果现在让我给即将毕业、准备进入开发行业的学生提建议,我真的不知道该说些什么。”

          还有部分网友,对科技行业所谓的“终身学习”感到厌倦。

          在他们看来,开发者每天都在追逐新的编程语言、Web 框架、Python 工具和 Linux 发行版。很多工具的实际用途并没有本质区别,可学会一套之后,很快又要换另一套。如今 AI 又降低了开发新工具的成本,这种为了迭代而迭代的现象恐怕只会更加严重。

          更有一位网友指出,今天尝试一种新的教学方式,可能要等到 3~6 年后学生毕业,才能真正知道它是否有效——在此之前,学生其实只是在充当未经验证的新教学模式的“小白鼠”罢了。

          其实,有一个很现实且有意思的问题是:当 AI 已经能替学生写代码、替老师出作业,那大学究竟还应该教什么?如果企业越来越倾向于招聘能够驾驭 AI 的高级工程师,那么今天正在大学里从零学习编程的学生,又该通过什么途径积累经验、成长为下一代高级工程师?

          对于这些问题,你的答案又是什么呢?

          参考链接:

          https://lordtoots.bearblog.dev/ai-is-destroying-my-cs-degree/

          https://news.ycombinator.com/item?id=50353300

          图片

          🤖 AI 训练越来越烧钱,瓶颈真的只是算力不够吗?

          ⏰ 11月11日(周三)19:30-21:00,CSDN「AI进化论」直播,聚焦 Agent 后训练的基础设施挑战!

          🔹 七成算力花在推理上,训练和推理还要分开吗?🔹 千万个沙箱同时运行,卡住训练的究竟是什么?🔹 不靠万卡集群,普通硬件能否撑起大模型后训练?

          🎁 直播专属福利扫码免费领取「2026 Agent 核心技术演进与实战资料包」!

          📚 现在报名,更有机会获得 AI 技术好书!

          📲 扫描海报二维码,立即预约直播!  

          图片

          跳转微信打开

          •  
          ❌