铃阅时讯
❌

阅读视图

B站特征选择算法LeAP:模型的“精准瘦身”实践

原创 AI 2026-06-17 12:00 上海

在深度学习推荐系统中,想要自动化地筛选特征,并没那么简单。

论文arxiv:https://arxiv.org/abs/2606.01111(作者:bilibili搜索团队。已被ECML-PKDD 2026录用)

一、现状与挑战

在深度学习推荐系统中,想要自动化地筛选特征,并没那么简单。现有的特征选择方法在真实的工业场景下,目前依然存在以下挑战:

挑战1 维度异构问题

工业模型的输入极其复杂,既有 1D 的连续统计特征,也有高达 128D 甚至 256D 的用户行为序列 embedding。用统一的惩罚项来约束所有特征,这就导致高维特征天然能产生更大的梯度来对抗惩罚;而有用的 1D 特征更容易被稀疏化。

挑战2 稀疏特征问题

真实场景中存在长尾特征,99%以上的样本在这个特征上都是默认值。现有的特征选择算法常把这种“低激活频次”误认为是“毫无用处的噪音”,从而施加重罚直接剔除,导致模型丢失了关键的个性化长尾信号。

挑战3 排列(Permutation)方法的算力问题

什么是 Permutation [1] ?它的核心思想是:如果想知道某个特征到底重不重要,就把这一列特征的样本数据彻底打散(Shuffle),人为制造噪声以切断它与真实标签之间的关联,然后看模型的预测性能掉了多少。性能掉得越惨,说明特征越关键。

虽然这种方法直观、客观且具有很强的模型无关性,但它要求对成百上千个特征依次、孤立地进行打乱和重新前向推理。这种次推理的计算复杂度,在动辄几十上百亿样本的大规模数据流中,面临严峻的算力问题。

挑战4 掩码门控(Mask-Gate)的权重代偿与不极化困境

业界主流的深度学习特征选择通常基于掩码门控机制 [2,3,4],但在端到端联合训练时,门控变量与网络下游权重存在严重的代偿效应。当正则化项施压迫使门控值缩小时,为了维持原有特征的信息传递量,模型会自动放大该特征对应的下游网络参数进行补偿。这种代偿机制使得特征得分往往停留在非零的模糊区间,无法实现向 0 或 1 的极化收敛。由于门控分数的绝对值无法直接反应特征真实贡献,特征保留的阈值划定退化成了繁复的阈值试错过程,大幅增加了验证成本。

挑战5 超参调节问题

工业级特征选择模块应当具备极简的超参空间。部分现有方法(如 LPFS [2])为了强制特征重要性收敛到0,引入了复杂的极化函数,额外增加了多达5个以上的超参数,不同超参数组合产出的特征重要性又不一致,导致实际使用的困难。

二、LeAP: 把“特征打散”做成

端到端可学,并采用自适应

梯度去偏的正则稀疏

为了推翻这五个挑战,LeAP (Learnable Adaptive Permutation)放弃了传统的离散打乱验证,将计算密集型的特征打散过程改造成了一个复杂度的端到端可学习模块。

核心网络架构与公式化表述

理论上,我们可以将门控网络插入到模型的任何位置,但在工程实践中,为了方便和通用性,LeAP 通常在模型的特征拼接层之后插入一个轻量级的门控模块。

在每一次 batch 训练中,我们通过算法在 batch 内部对第 i 个特征进行独立洗牌,生成服从原始边缘分布的“伪造噪声”。为了让大家更直观地理解这个过程,这里贴一段精简后的 TensorFlow 核心代码:

    # shuffle all feature
    # hidden is the feature concat representation
    def shuffle_all_features(hidden, fea_dim_range_dict):
        """
        对 hidden(形状 [B, D]) 的所有特征做样本间行洗牌。
        不同的特征使用不同的随机排列。

        fea_dim_range_dict: 类似 {
            fea_0: {'dim_start':0, 'dim_end':3},
            fea_1: {'dim_start':3, 'dim_end':7},
            fea_2: {'dim_start':7, 'dim_end':10},
            ...
        }
        返回: shape=[B, D] 的张量,逐特征完成洗牌。
        """
        # 先把特征 ID 排序,确保按原顺序拼接回去
        sorted_keys = sorted(fea_dim_range_dict.keys())

        shuffled_blocks = []
        for f in sorted_keys:
            d_start = fea_dim_range_dict[f]['dim_start']
            d_end   = fea_dim_range_dict[f]['dim_end']

            # 切出这个特征的列区间
            mid_part = hidden[:, d_start:d_end]  # [B, (d_end - d_start)]

            # 对该特征单独生成一个随机行排列 perm_f
            B = tf.shape(mid_part)[0]
            perm_f = tf.random.shuffle(tf.range(B))  # [B], 每行打乱

            # 对 mid_part 行洗牌
            mid_part_shuffled = tf.gather(mid_part, perm_f, axis=0)

            shuffled_blocks.append(mid_part_shuffled)

        # 把所有洗牌后的分块按列拼回 [B, D]
        hidden_shuffled = tf.concat(shuffled_blocks, axis=1)
        hidden_shuffled.set_shape([None, hidden.shape[1]])
        return hidden_shuffled

    接着,引入一个特征专属的可学习门控变量(通过 Sigmoid 函数参数化),将原始特征与噪声特征进行无缝的融合组合:

    这里使用了一个至关重要的操作——。这个操作的作用是确保反向传播时,梯度不会通过噪声分支传回去污染上游。

    为了促使特征走向稀疏,我们在模型的总损失(Total Loss)中加入了正则项约束:

    很明显,如果一个特征是冗余的,用噪声替换它后模型的并不会受到影响。那么在正则化的持续施压下,就会被压向0。

    • 当时,模型完全依赖真实的原始特征;

    • 当时,模型则倾向于完全使用打散后的噪声。

    对比掩码门控(Mask-Gate),LeAP 的核心机制转变在于,将特征层面的“幅度缩放”(Masking)替换为了“信息替换”(Noise Substitution)。 面对按比例混入的真实打散特征,由于洗牌操作直接切断了该维度与 Label 之间的互信息,下游网络即使试图通过放大权重来进行代偿,也只会成比例地放大纯噪声的方差,进而导致模型整体的 Task Loss 迅速恶化。这种结构设计从根本上阻断了网络的代偿退路:对于核心特征,模型必须顶着正则压力维持其门控值。

    【自适应梯度去偏正则】

    为了解决异构维度和极度稀疏问题,LeAP 抛弃了统一惩罚(如全局 L1 正则),创新性地提出了 基于特征打散差异(Shuffle Divergence)的自适应正则化。

    我们在每次 batch 训练中,实时计算原始特征与其被打乱版本之间的 L2范数差异:

    为了防止常数特征的 Shuffle Divergence 计算为 0 导致惩罚项失效,LeAP 会对其设置一个下界截断。

    通过指数移动平均(EMA)在整个训练周期内平滑这个散度得到后,特征 i 的自适应正则化权重被定义为:

    这里的是我们在全局设定的稀疏项超参数,这也是 LeAP 中唯一需要调参的变量。

    为什么这个设计能解决上述的异构与稀疏难题?这背后隐藏着非常巧妙的梯度动力学机制。损失可以拆分成任务损失和正则损失。根据链式法则,任务损失对门控变量的偏导数最终可以推导并解耦成如下两部分的乘积:

    正如公式所示,任务梯度的更新力度本质上由两项决定:

    (1) 真实敏感度(Sensitivity):模型任务本身对该特征表征的敏感程度,这才是我们真正想要的“特征重要性”指标。

    (2)打散差异(Shuffle Divergence):特征被打散前后的物理距离偏差,高维特征或稠密特征的物理差异天生就很大,这导致它们的梯度是被严重放大。这其实是一种不公平的“特征梯度偏差(Bias)”。

    而 LeAP 的精妙之处在于,我们将正则化惩罚项设置成了与正相关的。在反向传播中,总损失等于任务损失+正则损失。任务损失对门控产生的梯度本质上是,而正则损失的梯度则是。当任务损失与正则损失进行对抗时,这个偏差项就被抵消了! 

    最终的梯度方向,变成了特征的真实敏感度期望(特征重要性)与我们设定的全局稀疏化超参之间的纯粹较量。

    这套设计在数学上带来了一个极其优雅的特性:高可解释性与天然的极化趋势。

    在这里,“高可解释性”有着明确的物理意义:在设定了当前正则系数的前提下,门控分数直接反映了该特征能否被随机打散的噪声安全替换的概率 。

    同时,正因为优化的核心变成了与的直接拉扯,对于绝大多数特征而言,其敏感度与设定的之间存在明确的强弱差异:如果有用特征的敏感度压过了,它就会在梯度驱动下坚定地奔向 1;反之,若敏感度不足以抗衡,冗余特征则会被快速压向 0。

    上图是一个真实业务模型产生的特征重要性频数分布图,如图所示,LeAP 学出的特征重要性呈现出非常清晰的两极分化。这意味着算法工程师不需要像以前那样反复调参、设置多个阈值。在实际业务中,我们通常直接设定 0.5 作为分界线,就能干脆利落地“一刀切”,大大提升了特征筛选的确定性和迭代效率。

    三、真实的工业落地:

    在复杂业务中实现降本增效

    在公开数据集(Criteo [9] , Avazu [7] , ML-1M [6] , AliCCP [8] )上,LeAP 在不同剪枝率下的表现均达到了现有的 SOTA(State-of-the-Art)水平。

    在实际的真实业务生态中,目前,LeAP 已经在B站内的多个核心业务场景中成功落地应用。

    为了验证 LeAP 在业务场景下的能力,我们在一个包含 12,000+ 维特征、checkpoint大小高达 2TB 的排序模型上进行了离线验证。LeAP 成功识别出超过 3,600 个(占比超 30%)冗余特征维度,且离线评估指标没有任何降低。这充分证明了它在应对大规模工业模型时的有效性与稳健性。

    LeAP 带来了:

    • 推理提效,降本增效: 在各个业务线的多种模型场景中,LeAP 初次使用普遍有效删减了 15%~50% 的冗余特征。在保持线上核心业务指标(如播放量、互动量等)稳定的前提下,单模型的线上推理资源消耗直接降低了 5%~20%。

    • 加速日常特征迭代: 当算法团队引入一批新特征时,不再需要“盲人摸象”。先让模型训练收敛一段时间,随后接入 LeAP 跑一遍,可以直接客观评估新特征的实际价值,从而进行针对性筛选。这种“白盒化”的迭代体验,大幅缩短了实验验证周期,避免了无效特征对计算资源的无谓消耗。

    综上所述,LeAP 通过将离散的特征打乱过程转化为端到端的可学习门控网络,并结合优雅的自适应梯度去偏机制,成功解决了工业界特征选择中的维度异构与长尾稀疏难题。这套方法不仅在理论和公开数据集上得到了验证,更在 B站复杂的真实业务生态中实现了真正的降本增效。

    引用

    [1] Fisher, A., Rudin, C., Dominici, F.: All models are wrong, but many are useful: Learning a variable’s importance by studying an entire class of prediction models simultaneously. Journal of machine learning research: JMLR 20 (2019)

    [2] Yi Guo, Zhaocheng Liu, Jianchao Tan, Chao Liao, Daqing Chang, Qiang Liu, Sen Yang, Ji Liu, Dongying Kong, Zhi Chen, et al. 2022. LPFS: Learnable Polarizing Feature Selection for Click-Through Rate Prediction. arXiv preprint arXiv:2206.00267 (2022).

    [3] Yejing Wang, Xiangyu Zhao, Tong Xu, and Xian Wu. 2022. AutoField: Automating Feature Selection in Deep Recommender Systems. In Proceedings of the ACM Web Conference.

    [4] Yejing Wang, Zhaocheng Du, Xiangyu Zhao, Bo Chen, Huifeng Guo, Ruiming Tang, and Zhenhua Dong. 2023. Single-shot Feature Selection for Multi-task Recommendations. In Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. 341–351.

    [5] Jia P, Wang Y, Du Z, et al. Erase: Benchmarking feature selection methods for deep recommender systems[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024: 5194-5205.

    [6] https://grouplens.org/datasets/movielens/1m/

    [7] https://www.kaggle.com/competitions/avazu-ctr-prediction

    [8] https://tianchi.aliyun.com/dataset/408

    [9] https://ailab.criteo.com/ressources/

    -End-

    作者丨r小黑、芯艺、飞戈、ylin、海忻、问天

    跳转微信打开

    •  

    别只盯着模型:Agent 真正的护城河,是这四层循环

    高可用架构 2026-06-17 11:36 广东

    为什么你的 Agent 总是跑不稳?你可能只搭了第一层

    导读:本文由 LangChain 开源开发者 Sydney Runkle 发布,指出循环设计能显著提升 AI agent 的有效性和自主性。

    文章详细介绍四种循环:代理循环、验证循环、事件驱动循环和爬山循环,并展示如何用 LangChain 原语组合实现。这些循环通过自验证、事件响应和轨迹优化等机制,帮助开发者在不更换模型的情况下改进 agent 表现。

    Image

    Agent 之所以有用,是因为它们能通过在现实世界中采取行动,帮助我们自动化工作。但要让 Agent 可靠地完成有价值的工作,不能只靠一个好模型,还需要一个精心设计、适配一组任务的运行框架。

    Agent 的核心算法很简单:给 LLM 上下文,让它在循环中调用工具,直到任务完成。这是最基础的循环。但驱动 Agent 的循环远不止这一种。@swyx[1] 最近写了一篇很好的文章,讨论 "loopcraft: the art of stacking loops"[2],也就是通过叠加和扩展循环来构建更有效的 Agent。

    下面是我们理解这组循环栈的方式,以及如何用 LangChain 的基础组件为每一层加上观测和控制。

    循环 1:Agent

    Agent 的核心,其实就是模型在循环中调用工具,直到任务完成。

    Image

    这正是 LangChain 的 create_agent[3] 提供的能力。选择任意模型,接入工具,你就有了一个可以工作的 Agent 循环。工具让 Agent 具备了在现实世界中采取行动的能力。

    以我们的内部文档 Agent 为例,后文也会继续用它作为贯穿示例。在第一层循环中,它会收到一个改进文档的请求,模型进行规划并起草修改,然后用工具克隆仓库、读取文件、编写文档、打开 pull request,等等。

    Image

    第 2 层:验证循环

    Agent 循环可以完成工作,但它第一次产出的结果并不总是正确或一致。当一致性很重要时,通常值得在外面包一层验证循环,用来检查输出,并在结果不达标时把反馈发回给模型。

    Image

    验证循环会加入一个评分器:它根据评分标准检查 Agent 的输出。如果检查失败,就把结果和反馈一起发回。评分器可以是确定性的,也可以是 Agent 式的,这里经典例子就是用 LLM 作为裁判。

    RubricMiddleware[4] 可以处理这种模式,你也可以在 create_agent 的 after_agent hook 里自己接起来。

    回到文档写作 Agent 的例子,评分器会在每次尝试后运行测试,检查所有链接是否可访问,所有 CI 检查是否通过,diff 是否只覆盖实际请求的范围。捕获这几类错误不需要人工审核。

    Image
    Image

    一个权衡是:加入验证会增加每次运行的延迟和成本。当质量比速度更重要时,它是值得的,而大多数生产用例都属于这种情况。

    第 3 层:事件驱动循环

    Agent 开发中最重要的部分之一是集成层:把 Agent 连接到你的生态系统里,让它可以在后台运行。

    事件驱动循环会把 Agent 连接到你的生态系统。一个事件触发了,新文档落地、定时任务启动、webhook 到达,然后 Agent 开始运行。Agent 不再是一个需要你手动调用的东西,而是在更大系统中持续运行的组件。

    Image
    Image

    LangSmith Deployment[5] 支持触发器基础设施,包括 cron 定时任务和 webhook。cron 的一个常见例子是 openclaw[6] 中的 “heartbeats”,它们会把你的 Agent 变成一个始终在线、主动工作的助手。

    我们的文档 Agent 由 Fleet[7] 驱动,这是我们的无代码 Agent 构建器。Fleet 的 channels[8] 和 schedules[9] 负责事件驱动和 cron 风格的触发。我们使用一个 channel,在有人向我们的 #docs[10]-plz Slack 频道发送消息时触发文档 Agent。

    Image

    第 4 层:爬坡循环

    前三个循环自动化的是工作。第四个循环,也可以说是最重要的循环,自动化的是改进。

    Image

    每次 Agent 运行都会产生一条 trace:它记录模型做了什么、调用了哪些工具、评分器反馈是什么,等等。这些 trace 里包含很有价值的信息,能说明哪些地方有效,哪些地方无效。爬坡循环会让一个分析 Agent 读取这些 trace,并根据发现重写运行框架,给出改进后的配置。这可能包括调整 prompt、工具或评分器。

    在 LangSmith 中,你可以用我们的 trace 分析 Agent Engine[11] 来搭建第四层循环。

    继续回到文档 Agent 的例子:我们让 Engine 分析文档 Agent 的 trace 来发现问题。当多条 trace 都指向一个潜在问题时,系统会提交一个 issue,要求修改出问题的 prompt 或工具。

    Image

    这里的关键动作是,返回箭头没有只是回到最上层,而是伸进内部,直接更新 Agent 循环。外层循环每跑一轮,都会让内层循环更有效。

    展望: prompt 和工具配置是最简单的改进对象,但选择并不止于此。对于运行开放权重模型的团队来说,爬坡循环可以接入 RL 微调,把 trace 或 eval 结果作为训练信号,用来改进模型本身。记忆、检索到的技能等辅助上下文,也可以用同样方式改进。循环是一种模式,它要优化什么,取决于你。

    人类监督与专业判断

    自动化并不意味着把人从循环中移除。在每一层,都有一些自然的位置适合加入人类监督。自动评分器可以检查链接是否可访问;但要发现表达方式是否适合目标读者,需要人来判断。这种来自上下文、经验和品味的判断,正是人工审核的价值所在。

    有些专业知识应该被固化进 prompt 和工具本身,但对于敏感操作,实时人工审核是必要的,比如金融交易、数据库操作等。LangChain 让你可以直接在每一层循环里接入这些触点:

    1. 在 Agent 循环中,对敏感动作或工具调用要求人工输入
    2. 在验证循环中,让人类为敏感工作流担任评分器
    3. 在应用循环中,输出返回给最终用户之前由人类批准
    4. 在爬坡循环中,运行框架的改进在部署前经过人工审核

    LangChain 的所有开源框架都把 “human in the loop” 做成了一等公民[12]。

    合在一起看

    如果你更喜欢表格形式,下面是这四个循环如何叠在一起:

    循环做什么影响LangChain 基础组件
    1:Agent 循环(模型 + 工具)模型反复调用工具,直到任务完成自动化工作create_agent,任意 LangChain 支持的模型
    2:验证循环(Agent + 评分器)Agent 运行,输出按评分标准打分,失败则带反馈重试保证质量RubricMiddleware
    3:事件循环(验证 + 系统)事件触发 Agent 运行,并更新真实系统规模化工作LangSmith Deployment / Fleet channels
    4:爬坡循环(系统 + 引擎)生产 trace 进入分析 Agent,用来改进运行框架配置持续改进LangSmith Engine

    这就是循环工程,或者按 @swyx[1] 的说法,loopcraft[2] 在实践中的样子。像 Steipete[13]、Boris[14] 和 Andrej[15] 这样的 AI 领导者,都已经得出了同一个结论:Agent 的潜力在于你围绕它们构建的循环。

    我们已经思考循环 1 和循环 2 很久了。但现在焦点应该转向循环 3 和循环 4:把 Agent 嵌入你的生态系统,并让它们持续根据你的标准改进,价值会在这里持续累积。

    Satya 这样描述组织层面的利害关系[16]:那些早早建立学习循环的公司,让人类判断和 token 资本一起持续累积,将建立一种很难复制的优势。

    致谢

    感谢 @Vtrivedy10[17]、@masondrxy[18]、@hwchase17[19] 和 @huntlovell[20] 的认真审阅。

    参考

    • deepagents quickstart[21]
    • create_agent docs[3]
    • rubric middleware[4]
    • cron jobs[22], webhooks[23]
    • langsmith engine[11]
    • fleet channels[8]

    参考阅读

    References

    1. @swyx: https://x.com/@swyx
    2. "loopcraft: the art of stacking loops": https://www.latent.space/p/ainews-loopcraft-the-art-of-stacking
    3. create_agent: https://docs.langchain.com/oss/python/langchain/agents
    4. RubricMiddleware: https://docs.langchain.com/oss/python/deepagents/rubric
    5. LangSmith Deployment: https://info.langchain.com/agent-development-platform?utm_campaign=evergreen_agent_development_platform_cv&utm_campaign_id=23761370321&utm_ad_group_id=195261126163&utm_ad_id=805594028616&utm_network=g&utm_term=ai%20agent%20development%20platform&utm_campaign=evergreen_agents_cv&utm_source=google&utm_medium=cpc&hsa_acc=7906965105&hsa_cam=23761370321&hsa_grp=195261126163&hsa_ad=805594028616&hsa_src=g&hsa_tgt=kwd-2392721013549&hsa_kw=ai%20agent%20development%20platform&hsa_mt=p&hsa_net=adwords&hsa_ver=3&gad_source=1&gad_campaignid=23761370321&gbraid=0AAAAA-PkievTcIb-6awevyQxCB-9n-H6Z&gclid=CjwKCAjwxb7RBhA5EiwAQ-AAdF5XHKtTYLgQVrVYstdxYjTd0hcrCuqxvuACiKzOOdxcJdTza8HkwxoCDiQQAvD_BwE
    6. openclaw: https://docs.openclaw.ai/gateway/heartbeat
    7. Fleet: https://www.langchain.com/langsmith/fleet
    8. channels: https://docs.langchain.com/langsmith/fleet/channels
    9. schedules: https://docs.langchain.com/langsmith/fleet/schedules
    10. #docs: https://x.com/search?q=%23docs&src=hashtag_click
    11. Engine: https://www.langchain.com/langsmith/engine
    12. 一等公民: https://docs.langchain.com/oss/python/deepagents/human-in-the-loop
    13. Steipete: https://x.com/steipete/status/2063697162748260627
    14. Boris: https://x.com/0xwhrrari/status/2064804504608887040
    15. Andrej: https://www.youtube.com/watch?v=kwSVtQ7dziU
    16. 这样描述组织层面的利害关系: https://x.com/satyanadella/status/2066182223213293753
    17. @Vtrivedy10: https://x.com/@Vtrivedy10
    18. @masondrxy: https://x.com/@masondrxy
    19. @hwchase17: https://x.com/@hwchase17
    20. @huntlovell: https://x.com/@huntlovell
    21. deepagents quickstart: https://docs.langchain.com/oss/python/deepagents/quickstart
    22. cron jobs: https://docs.langchain.com/langsmith/cron-jobs
    23. webhooks: https://docs.langchain.com/langsmith/use-webhooks
    24. 原文 https://x.com/sydneyrunkle/status/2066928783534289358

    如果你也在关注 AI 应用如何真正落地到生产环境,2026.6.26 - 6.27 举办的 GIAC 深圳站值得关注。这次大会将集中讨论智能应用开发、架构演进,Loop Engineering 以及来自一线实践的经验与案例。

    高可用架构读者可使用专属购票优惠码 UOp5XJcq,点击阅读原文进入购票页面即可使用。

    Image

    阅读原文

    跳转微信打开

    •  

    GLM-5.2上线并开源:专注Coding与长程任务

    智谱 2026-06-17 09:11 北京

    今天,我们上线并开源GLM-5.2。

    在全球百万用户参与盲测的前端开发评估系统Code Arena上,GLM-5.2取得全球可用模型第一的表现。

    从2025初开始,我们几乎投入全部力量攻关Coding,历时大半年,细扣每一个代码环境的优化,终于迎来代码基座GLM-4.5,年底的GLM-4.7已经成为效果最好的国产Coding模型。

    但代码还不是AGI,在通往AGI的路上,还有更多的高山需要翻越,迎面而来的就是长程任务。当下最需要模型突破的是完成一个极长的,跨越数天、数周乃至数月的任务执行。当一个模型不知疲倦地在写软件工程代码,本质上是在学习一名顶级软件工程师的思维方式,然后以机器的耐力将其放大。这是对一个又一个职业的重新定义。

    今天GLM-5.2专为长程任务能力而生,全新特色包括:

    • Solid 1M上下文,稳定支撑长程任务
    • 更强体感,更实用的Coding能力
    • 极致Infra优化,Day 0运行在国产算力平台
    • MIT开源协议,无地域限制,技术平权无国界

    1M上下文与长程任务

    支撑长程任务的第一步是GLM-5.2必须实现1M无损上下文。此前1M上下文大多数在超过数百K过后就开始劣化,主要问题在于不同时增强Coding Agent环境及数据的情况下单纯扩展到1M帮助有限。为此,我们花了几个月时间扩展1M Coding Agent的训练环境,覆盖自动化研究、性能优化等多个领域,使得GLM-5.2在1M上下文的solid表现有时甚至超过Opus(详见https://z.ai/blog/glm-5.2)。

    1M上下文构成GLM-5.2的长程交付能力,多个长程任务基准表明GLM-5.2的表现介于Claude Opus 4.7与4.8之间,是排名最高的开源模型。在FrontierSWE(测试AI是否能够像软件工程师在数小时尺度上完成复杂技术项目的测试集)上仅比Opus 4.8低1%,超过GPT-5.5(1%)和Opus 4.7(11%);不过在SWE-Marathon(考察Agent自主完成超长软件工程的测试集)上确实还需要进一步提高,低于Opus 4.8不少(13%)。

    在实际体验中,GLM-5.2完成开发、联调、测试到打包上线,完整交付一个覆盖Web、移动端与小程序的多端应用,累计处理88万tokens,几乎用满1M上下文窗口。过去,这样的大型工程需要一支团队协作数周,现在GLM-5.2能在一次长程任务中跑完。

    Coding体感

    GLM-5.2在前端、后端、长程任务上的成功率相比前一代GLM-5.1都有提升,复杂系统工程与深度调试更稳。在主流编程基准上,GLM-5.2保持开源SOTA,与Claude Opus 4.8处于可比区间。例如在Terminal-Bench 2.1(评测AI Agent完成不同类型的计算机终端任务),GLM-5.2比Opus 4.8低4%,相比GLM-5.1提升了17.5%;在MCP-Atlas(大规模工具调研评测的数据集),GLM-5.2比Opus 4.8低0.8%。

    在模型发布前夕,我们已提前向GLM Coding Plan用户全员开放,在数十万开发者的编程任务中,开发者反馈GLM-5.2的最大提升集中在:

      • 项目级上下文承载更强,能把完整工程放进同一条推理链路里;
      • 长程任务执行更稳定,复杂任务能持续推进,不容易中途跑偏;
      • 生产级工程规范遵循更可靠,能守住团队研发流程里的硬约束;
      • 客户端与移动端工程能力更扎实,不止写App,还能完成真机调试闭环。

      GLM-5.2还引入了effort level(思考档位)控制,可以在能力、速度、成本之间做出平衡。在相近的token预算下,GLM-5.2的Coding能力大致位于Claude Opus 4.7与Claude Opus 4.8之间。

      极致Infra优化

      GLM-5.2的进步来自模型架构、推理系统和训练基础设施的协同设计。我们提出IndexShare,在每四层稀疏注意力层之间复用同一个索引器(indexer),在1M上下文长度下,将单位token的FLOPs降低至2.9倍。此外,我们改进了用于投机解码(speculative decoding)的MTP层,将接受长度(acceptance length)最多提升20%。训练侧则依赖自研Slime框架支撑大规模Agentic RL和OPD训练。

      随着GLM系列的持续迭代与调用量的快速增长,线上服务的稳定性与效率愈发关键。GLM-5.2的线上推理依托多个国产算力平台,已在Day 0完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞等国产算力平台的推理适配,在国产芯片集群上实现高吞吐、低延迟、大并发的稳定运行。预计下半年昇腾 950 超节点上市后,也将成为GLM-5.2强劲的算力底座。

      面向开发者与知识工作者

      GLM-5.2能长时间自主推进更复杂、更长链路的任务,锁定高价值场景,这将改变开发者与知识工作者的工作方式。

      GLM-5.2在大型重构工程上表现出色。有开发者用Rust从零再造了送人类登月的计算机,将当年65000行、一字未改的登月飞控程序移植为Rust,整个过程由Agent全自主走完。

      通过我们的Agent产品AutoClaw,GLM-5.2的1M上下文与长程任务能力服务于设计、法务等白领场景,例如一次性写出数十个原型页面,自主迭代和微调,在设计中保持品牌规范与一致性。

      开源与使用方式

      GLM-5.2在Hugging Face与ModelScope开源,模型权重遵循最高权限MIT License,可自由下载、部署与商用。vLLM、SGLang、transformers等主流推理框架已经支持。

      同时,GLM-5.2 API已上线,并已纳入GLM Coding Plan,长上下文与长程任务同步升级,全量用户可使用。

      1. 开源链接

      2. 官方 API 接入

      3. 在线体验

      4. Agent

      5. Blog

      * 尾声

      AGI路上,我们还有更多的高山要翻越,下一座我们瞄向完全自治的智能体系统(Autonomous Agent System)。基于长程任务之上,让AI能够自主驱动、协同作业、7×24小时运转的智能体群体将成为新的生产力形态。从“智能助手”走向“数字员工”,构建包含成千上万个不同专业“性格”与“技能”的智能体社会,让它们自主辩论、协作、审查代码、调度资源,实现“自动驾驶”级别的数字生产力。很多核心技术还需要攻关:Memory、持续学习(Continual Learning)、自我评判(Self-Judge)。

      跳转微信打开

      •  

      Xiaomi MiMo Claw 正式版|旗舰模型+金山办公,全新订阅服务上线

      原创 小米大模型 2026-06-16 21:33 北京

      旗舰模型,高效 Agent

      Xiaomi MiMo Claw 是一款云端轻量化 Claw 类产品,让用户低门槛快速体验 MiMo 模型与 Agent 能力。正式版现已发布,搭载与 OpenClaw 框架官方深度适配的 MiMo-V2.5-Pro 旗舰模型。

      本次联动金山办公生态,推出全链路文档办公提效方案;新增多项 OpenClaw 核心便捷能力;同时升级免费用户权益,单次体验时长 1h → 4h/天,并面向高频、专业用户上线 TokenPlan 分层订阅,满足不同使用需求。

       能力升级

      1. MiMo 旗舰模型赋能,Agent 能力跨越式升级

      • 原生协议兼容:MiMo-V2.5-Pro为 OpenClaw 官方预置模型,原生适配 MCP 工具调用协议,内置技能语义解析能力,无需额外配置提示词工程。

      • 百万级超长上下文:搭载超长上下文记忆调度架构,适配长链路复杂任务,支持单会话千次以上连续工具调用,有效减少多步骤任务上下文丢失、逻辑断裂问题。

      • MTP三层解码架构:依托 MTP 三层解码技术,在 OpenClaw 标准 Agent 工作流测试中,全链路任务推理吞吐效率提升约 3 倍,实现框架专属性能优化。

      2. 联动金山办公,实现办公文档一站式闭环

      • 多格式兼容:支持 Word、Excel、PPT、PDF 四大主流,超 95% 文档类型,覆盖学习、职场、统计多场景

      • 全流程闭环服务:打通 AI 智能生成、高清在线预览、实时在线编辑全链路,无三方平台跳转,一站式办公提效。

      • 轻量化高效使用:支持自定义指令创作,也可依托内置模板,一键生成标准化文档。

      3. 算力效率升级,Token 成本可控

      在 ClawEval 基准测试中,MiMo-V2.5-Pro模型任务达标率(Pass³)达 63.8%,依托其优异的 Token 利用效率,同等任务效果下,MiMo Claw 的 Token 消耗较其他同类产品降低约 40%-60%。同时 MiMo Claw 兼容 TokenPlan 各梯度订阅,提供强有力算力保障。

      4. 云端免部署,7×24h 专属服务

      • MiMo Claw 采用全云端托管模式,无需本地环境配置、不占用本地设备资源。专属个人 Agent 助力全天候在线,支持后台任务续跑、智能自主纠错,减少本地设备故障导致的任务中断问题。

      • 集成多渠道消息对接、文件管理、多任务并行、异常修复等实用功能,有效降低普通用户使用 AI Agent 的操作门槛。

        Xiaomi MiMo Claw × 金山办公 功能示例

       用户权益

      1. 免费用户权益升级

      • 创建即可免费使用,免费用户每日单次体验时长升级至 4 小时

      • 开放全部核心功能,功能配置贴合日常 Agent 使用场景,可满足日常轻度办公使用需求。

      2. 过往用户权益兼顾

      • 叠加升级规则:支持在原有 TokenPlan 套餐基础上自由加购 MiMo Claw 权益;套餐升级时,各项权益、费用独立核算,订单生效后统一重置月度/年度有效期。

      • 权益取消规则:已叠加 Claw 权益的套餐支持取消服务,平台将按照未使用时间折算剩余价值。

      • 历史活动额度通用:过往 100T 专项活动、订阅调价活动等渠道赠送额度,均可正常使用。

      Xiaomi MiMo Claw 免费版 网页生成效果

       订阅服务

      如果您有更高频使用及高峰算力保障诉求,我们推出了 TokenPlan 分层订阅服务:

      1. 全套餐适配,支持灵活叠加

      • MiMo Claw 作为独立 Agent 服务,可灵活叠加至 TokenPlan 所有月度、年度套餐(Lite / Standard / Pro / Max)。直接叠加 MiMo Claw 服务开通即可使用,尽可能兼容存量用户权益。

      2. 双订阅入口,自主灵活选购

      为提升订阅灵活性,平台开放双独立购买入口:

      • TokenPlan 入口:在 MiMo Platform 订阅 TokenPlan 套餐时,可自主勾选 MiMo Claw 服务,一键叠加开通,算力额度及高阶 Agent 权益即时生效。

      • Claw 专属入口:在 MiMo Studio 订阅 TokenPlan 套餐,默认自动包含 MiMo Claw 服务,不同订阅档位对应固定服务定价。

      3. 限时订阅定价

      为回馈新老用户,MiMo Claw 月度、年度订阅现已开启限时特惠活动。

      • 首次特惠:¥ 14.9/月

      • 限时优惠:¥ 19.9/月、¥ 233.8/年

      备注:海外订阅服务暂未开放,敬请期待。

      跳转微信打开

      •  

      Qwen-Robot 发布:打通大模型到物理世界的最后一公里

      通义实验室 2026-06-16 14:14 浙江

      给机器人装上“大脑、小脑与直觉”

      在具身智能的探索中,我们常面临一个共同的困境:为什么大语言模型能写诗、能 coding,却很难让一台机器人稳稳地拿起一个杯子,或者在陌生的走廊里找到一家咖啡店?

      因为物理世界是连续、复杂且充满不确定性的。Qwen-VL 等基础模型已为物理智能体奠定了强大的认知基础,但认知到行动的跨越仍是一道核心鸿沟。这本质上是一个对齐难题:语言指令与物理动作处于不同的表示空间,且具身数据(如导航轨迹、遥操抓取、行车记录)天然异构、采集成本极高。简单混合只会产生冲突,而非协同。

      今天,我们正式推出 Qwen-Robot,通过模块化协同,用三个专业的基础模型来弥合从“看懂”到“行动”的鸿沟:

      Qwen-RobotNav:物理智能体的行动入口

      通过自适应的视觉分配策略和工具接口,把视觉语言能力接入移动控制,统一了指令跟随、点/目标导航、目标追踪和自动驾驶四类任务。

      Qwen-RobotManip:物理智能体的交互基石

      通过规范状态-动作空间和相机坐标系下的末端执行器增量位姿,把视觉语言能力接入操作控制,基于完全由开源数据构建的 >38,100 小时操作数据实现了大规模多机型训练。

      Qwen-RobotWorld:物理智能体的无限世界

      通过自然语言动作接口,把视觉语言能力接入世界动力学预测,让同一个世界模型能够跨操作、驾驶和导航场景预测符合物理规律的未来。

      Qwen-RobotNav:物理智能体的行动入口

      智能体要操作任何物体,首先得能到达目标位置。然而不同导航任务对历史信息的需求差异巨大——指令跟随需要保留长程上下文,目标追踪则几乎只关注最近几帧。任何固定的视觉分配策略都无法同时满足这两类需求。

      Qwen-RobotNav 的核心思路是将视觉分配策略本身参数化:任务模式选择导航行为(指令跟随、目标搜索、目标追踪、自动驾驶),可调节参数(视觉 token 预算、时间衰减、单相机权重、帧采样模式)决定视觉历史的编码方式。模型在1560 万条样本上训练,同时联合视觉语言数据以保留感知能力,一套权重统一五类导航任务。

      这套参数化接口也使 Qwen-RobotNav 天然适合作为智能体系统中的导航模块——上层规划器将长程目标分解为子任务,在执行过程中动态切换任务模式和上下文策略,通过反复调用同一模型来组合复杂行为。由此,整个系统具备了持久记忆与长程推理能力,可处理多步导航、环境取证和循证问答等复杂任务。

      统一多域导航:单一模型、单组权重,在 5 个导航领域达到 SOTA — VLN-CE RxR 76.5% SR、HM3Dv2 目标搜索 75.6% SR(仅 RGB,超越所有深度方法)、EVT-Bench 90.0% 跟踪率、NAVSIM 91.4 PDMS,以及 3 个 EQA 基准新纪录 — 2B 到 8B 参数一致提升;

      可控观测协议:四个控制轴(视觉词元预算、时间衰减、逐相机权重、帧采样模式)作为推理时参数暴露,训练时逐样本随机化,无需重新训练或修改 Qwen3-VL 架构即可适配任意配置;

      智能体导航系统:作为双层系统中可重配置的导航原语,上层规划器(Qwen3.6-Plus)分解长时序目标并调度可配置的导航调用,配合双层记忆机制 — 在 EXPRESS-Bench 上提升 15.4%,导航步数减少 77%;

      开放环境泛化:在 Unitree Go2 四足机器人上零样本部署,仅使用单个低分辨率相机,在开放真实环境与自由自然语言指令下展现出强大的泛化能力,无需任何环境特定微调。

      Qwen-RobotNav 基准测试结果

      真实部署

      零样本部署在宇树 Go2 四足机器人(NVIDIA Jetson Thor,推理延迟 196ms),仅使用机器人自带的低分辨率摄像头。机器人在一套从未见过的公寓中,根据逐步的语言指令跨多个房间执行任务。

      指令跟随

      我们在一个从未见过的展览馆中评估往返导航任务:机器人首先根据语言指令从客厅导航 21.78 米至病房,随后接收反向指令,要求精确地沿原路返回。这一任务极具挑战性,因为模型需要在长距离中保持空间感知,在正向和反向两个方向上识别多样的视觉地标,并仅凭语言实现精准的双向位置控制。

      Qwen-RobotManip:物理智能体的交互基石

      物理智能体需要与真实世界交互,例如通过机械臂完成操作任务。然而,产线上的工业臂与厨房中的服务臂,执行的抓取动作视觉上可能非常相似,但关节配置和动作空间却截然不同。核心挑战在于让形态各异的机器人在表示层面实现兼容,使跨机器人、跨数据源的大规模训练产生协同效应而非相互冲突。

      Qwen-RobotManip 以 Qwen3.5-4B VL 为骨干、结合流匹配 DiT 动作头,通过三种机制解决这一问题。统一的 80 维状态-动作表示在单臂、双臂、灵巧手和移动平台等本体间共享。相机坐标系下的末端执行器增量位姿动作,使视觉上相似的运动在不同机器人之间数值上也相近,从而屏蔽形态差异。上下文策略自适应将执行历史视为隐式的本体标识,实现推理时在线行为校准。

      一旦表征体系统一,数据壁垒随之降低。我们利用开源的11,320小时的机器人数据、 开源的 1,933 小时 第一人称人类视频,以及 人-机迁移数据合成管线从人类视频合成的跨 15 个本体的24,808 小时 机器人数据(共计 >38,100 小时 )训练VLA模型。仅依靠开源数据,模型即涌现出对扰动的鲁棒性、零样本指令跟随、自主错误恢复和跨本体迁移等泛化能力。

      统一跨本体对齐框架-统一的 80 维状态:动作表示兼容多样化本体,相机坐标系末端执行器增量位姿使视觉相似运动数值相近,上下文策略自适应将执行历史作为隐式本体标识——三者共同实现跨本体一致信号提取。

      大规模人-机迁移数据合成:管线将 1,933 小时第一人称人类视频,经由动作重定向、手部去除与补绘、仿真渲染及深度辅助融合,转化为跨 15 个本体的 24,808 小时机器人演示,配合多阶段数据策划管线确保数据质量。

      分布外泛化: LIBERO-Plus 91.4%(超越 π0.5 +7.0),RoboTwin-C2R Hard 69.4%(超越 π0.5 +21.5),RoboCasa365 Composite-Unseen 14.9%(第二名的 3 倍),EBench 45.6%(超越第二名 +18.5);RoboTwin-IF 72.0%(超越 π0.5 +22.4),证实了可靠的语言条件控制能力;RoboTwin-XE 零样本跨本体迁移性能达到先前最优的 3 倍。

      真实环境表现: RoboChallenge Table30 v1 通用赛道以 45% SR 排名第一,领先亚军 20%;在真实机器人平台上的域内与域外任务、少样本适应及跨本体技能迁移中达到先前最优的 2 倍。

      “

      关键发现:对齐是规模化的前提。只有具备统一跨本体表示的模型(UnifiedSpace + UnifiedEEF)才能展现出稳定的对数线性数据规模化曲线。没有对齐,增加更多数据只会产生抖动或持平的曲线——规模化无法弥补未对齐表征框架的固有缺陷。

      ”

      跨本体迁移

      在其他本体上训练的任务可零样本迁移至新本体执行,并通过少量示教快速适应全新任务。

      指令跟随

      在真实环境(第一排)和仿真(第二排)中执行多样化的未见指令。

      Qwen-RobotWorld:物理智能体的无限世界

      真实世界的经验是机器人领域最稀缺的资源。

      Qwen-RobotWorld 通过直接学习世界的状态转移函数来解决这一问题:给定当前观测和一个自然语言动作,预测世界接下来将呈现的样子。

      关键的设计选择是将所有动作以自然语言表达——这将末端执行器位姿、转向指令和导航路标点统一为单一接口,使 20 余种本体类型和 500 余个动作类别得以在具身世界知识语料库(860 万视频-文本对,逾 2 亿帧)下协同训练。

      60 层双流 MMDiT 将 Qwen2.5-VL 的语义表示与视频隐变量深度耦合。将完整的多模态大语言模型作为动作编码器——而非轻量级文本编码器是关键所在:

      它带来了内化的世界知识:手臂是刚体、液体会扩散、物体会下落,从而隐式地将生成约束为物理上可信的未来。

      每个领域相互强化:操作教会接触物理,驾驶教会大尺度三维几何,导航教会房间级别的空间推理。

      语言驱动的统一动作接口 :自然语言将 20 余种机器人本体和 500 余个动作类别标准化为统一的训练接口,使操作、驾驶、导航和人机迁移得以联合训练;每个领域互相强化。

      双流 MMDiT + Qwen2.5-VL 动作编码器:以完整的多模态大语言模型(而非轻量级文本编码器)作为动作编码器,将复杂的组合指令解析为精确的生成信号,并内化物理世界知识,可作为合成数据引擎、闭环策略评估器和动作规划器。

      榜单排名: EWMBench 总分第一(运动保真度超越亚军 33%)及 DreamGen Bench 第一;开源模型中 WorldModelBench 第一(牛顿定律、质量守恒、流体动力学等物理规律遵循完美)及 PBBench 第一。

      核心能力: 细粒度语言控制(改变单个关键词即产生不同的未来);跨 8 种以上本体的人机迁移,具备多视角一致生成;在 RoboTwin-IF 上的零样本鲁棒性。

      任意指令跟随

      改变单个关键词,物体、目标或动作动词,即可产生相应不同的未来。世界模型真正理解语言,而非仅仅进行模式匹配。

      人机迁移

      给定人类演示,Qwen-RobotWorld 能够跨多种本体生成真实的机器人执行效果——无需遥操作。

      从模型到智能体:形成闭环

      三个模型各自独立可用——但由于它们都提供语言优先的接口,通用 Qwen 模型可以将它们作为物理世界工具进行组合,将通用智能直接连接到物理行动。我们还有一个内部项目Qwen-RobotClaw——一个机器人智能体框架,使 Qwen VLM 智能体能够将 Qwen-Robot Suite 模型作为物理世界工具调用,同时妥善管理长程任务所需的上下文与记忆,推动物理智能走向更通用、更复杂的真实应用场景。以下是目前已实现的早期示例。

      开放式任务执行

      Qwen-Omni 观察场景,通过语音随机提出操作任务,并对执行结果进行实时评判。每段视频展示了 Qwen-RobotManip 即时完成任务的过程,无需预定义的任务列表——这证明了通用多模态模型完全可以充当任务提出者与评估者的角色,而套件模型则负责物理执行。

      智能体导航与具身问答

      通过工具调用,将智能体系统与Qwen-RobotNav结合起来,我们在长程 3D 物理世界探索任务上相较于先前最优取得了显著提升,包括 HM-EQA、MT-HM3D 和 EXPRESS-Bench 等具身问答基准。同时,这种开放世界探索能力也已经可以部署到真实环境中。

      第一个 demo 中,用户要求智能体在真实建筑中找到一个可用的卫生间。智能体首先扫描周围环境,沿走廊线索寻找卫生间标识;发现第一个卫生间旁贴有清晰的 "Cleaning in Progress / 暂停使用" 标牌后,判断该卫生间不可用,随即重新规划路线前往建筑另一侧寻找替代选项。在通过视觉证据确认第二个卫生间开放且可进入后,智能体返回了一个有实证支撑的答案。

      第二个 demo 则是我们此前随 Qwen3.7-Max 一并发布的一镜到底演示:智能体通过调用 Robot-Nav,在开放园区环境中进行自主探索,在过程中修正偏差,并最终找回丢失的雨伞。后续我们将发布更多技术细节。

      Chat2Robot

      我们提供了一个实验性功能——Chat2Robot——您可以直接在浏览器中与机器人对话。只需输入自然语言指令,即可观察机器人的实时响应。欢迎体验!

      注意: Chat2Robot 目前仅支持 Qwen-RobotManip。当前部署的策略仅使用 RoboTwin-Clean 数据集进行训练,该数据集仅包含 50 个任务,因此它并非一个完美的策略。我们希望借此展示模型一定程度的零样本指令跟随能力。该功能仍在持续开发中,可能尚不完善——欢迎反馈与建议!

      具身智能还在起步阶段,离真正的“通用机器人”还有很长的路要走。但方向已经清晰:用更强的多模态理解去桥接物理行动,用更大的数据规模去换取泛化能力。QwenRobot 只是第一步,我们期待与开发者一起,让 AI 真正走进物理世界。

      推荐阅读

      端侧 AI 提速 80%?如何让 Qwen3-VL 在手机起飞

      只给一份文档,Qwen3.7-Max 从 0 交付双端应用

      查看更多demo,点击阅读原文

      阅读原文

      跳转微信打开

      •  

      融 5000 万美金,这个华人团队要用真实生活场景来打造持续学习 Agent 模型

      原创 StartupBoy 2026-06-16 12:30 四川

      AI 如果真的会持续学习,它应该发生在模型内部还是模型外部

      持续学习自我演进已经成为 AI 行业最为关注的一个方向,Anthropic CEO Dario Amodei 在最新的一篇文章里说反馈回路已经闭合《Anthropic CEO:AI 是给人类的成人礼》,本质上也意味着 AI 正逐渐具备持续学习、甚至加速自我演进的能力。

      由前 OpenAI CTO Mira Murati 创立的 Thinking Machine,也在尝试让 AI 不再依赖一次性训练,而是作为一个长期运行的系统持续成长:通过外部工具链、动态记忆网络与持续推理流,让模型在复杂任务、代码生成与跨工具协作中不断积累“经验”。

      几乎在同时,国内一家叫 Mindvers(心洲科技)的创业公司也在做类似的事情,最近完成了由美团战投领投的 A 轮融资,元禾璞华、韶音科技和老股东跟投。总融资额已近 5000 万美金,其它投资人还包括了蚂蚁、红杉、高榕和真格等。

      越来越多公司开始真的把“持续学习”当成系统设计的一部分,而不是单纯的研究方向。但更关键的问题是:

      AI 如果真的会持续学习,它应该发生在模型内部还是模型外部?

      传统的路径是用 RAG、Memory、Workflow、Harness,把“学习”放在模型外部系统中实现。而 Mindverse 选择了另一条,把“学习”写到模型参数本身。

      其核心判断是:

      如果记忆不进入参数,就只是外挂;外挂再强,也不是能力本身。

      因为在他们看来,“持续学习”不是一个系统设计问题,而是一个训练范式问题。

      其核心技术路线是通过共享大脑 + 专属技能包(Mixture of LoRA),让大模型在低成本条件下获得持续扩展能力,从而更贴近真实 Agent 场景。可以将其简单拆解为:

      • 共享大脑(Base Model): 大家都共享同一个聪明、庞大的通用大模型底座,提供基础的智能。

      • 专属技能包(LoRA/Adapter): 在底座之上,给每个人、每个企业或每个场景挂上一个非常轻量、小巧的“技能包”(参数量只占底座的千分之五左右)。

      这些“技能包”不是静态存在的,而是可以被组合、调度、替换。这个模式和最近刚拿了 Sarah Guo 领投 1500 万美金的 Trajectory 也比较类似,都属于大模型后训练 + 多 LoRA 混合 + 持续学习模式。

      但 Mindverse(心洲科技)的差异在于:它从一开始就围绕真实生活场景构建整个系统。

      他们首先基于真实产品中的用户行为,构建了一套生活类 Benchmark 体系,再用这一体系反向驱动模型训练,从而形成:

      Agent Model + Agent Harness 协同驱动的闭环系统

      在他们的定义里,一个模型是否优秀,不取决于“会不会答题”,而取决于它是否能在真实生活任务中完成完整闭环。

      LivingBench:从真实产品中生长出来的评测系统

      与传统静态 benchmark 不同,LivingBench 并不假设用户输入是完整的、任务是稳定不变的、环境是确定性的。相反,它刻意模拟现实生活中的不确定性,比方说餐厅突然没位置、路线因为天气变化、预算中途调整、用户临时改变目标、信息源互相冲突……

      为了还原这些复杂性,LivingBench 引入了动态噪声、动态环境和动态用户反馈,使得任务本身会在执行过程中不断变化。

      此时模型需要做的不只是回答问题,而是要理解用户意图是否发生变化,在信息不完整时重新规划以及处理各种突发约束。更关键的是,这套 Benchmark 本身也是持续生长的,它会从真实产品中的用户行为、失败案例、交互摩擦中不断提取新任务。

      有点像是一个“从产品中长出来的评测系统”,类似的思路也出现在 CursorBench V3 中:静态题库无法衡量真实产品能力,只有动态任务才成立。

      除此之外这个评测体系还包括了评估生成式 UI 能力的 A2UIBench,评测生活任务与个人助理能力的 VitaBench 以及基于 OpenClaw 的使用场景用于评估多步个人助理工作流的 PinchBench 等。

      其核心逻辑是,如果模型不能在真实生活任务中稳定工作,那么在通用 Benchmark 上的领先意义有限。

      Macaron-V1-Preview:生活场景优先,但不是“单点模型SOTA”

      Mindverse(心洲科技)最近发布了 Macaron-V1-Preview 模型,在这套评测体系下,该公司声称它在生活类场景上表现出明显优势。

      其特点不是“全面第一”,而是在生活类任务中显著领先,在通用任务中保持不掉队。它不是一个通用模型,而是一个“生活型 Agent 模型”。更擅长做的做一些具体的事情,比方说帮你预订餐厅、规划路线、管理预算等,甚至在任务进行中应对突发情况。

      因此更像是一个“生活型 AI 助手 + 生成 UI + 个性化 Agent”的混合体。

      Agent Model + Agent Harness:能力不只在模型里

      但我觉得更重要的不是模型本身,而是上面提到Agent Model+Agent Harness 协同的一体结构,这意味着,Agent 能力第一次不只由模型参数决定,而是由“模型 + 系统”共同决定。

      在 Mindverse 的定义里,Macaron-V1-Preview 这个模型并不是一个孤立的模型,而是与 Agent Harness 共同构建能力边界,Agent 的能力不只在模型参数里,也在模型运行的环境里。

      这里说的 Agent Harness,我们可以理解为模型运行时的执行系统或工作环境,就像是飞机的操纵杆和仪表盘。它包含了工具调用、多步任务轨迹管理、生成式 UI 渲染、用户反馈收集、路由机制、缓存调度以及状态管理等。

      其重要的点不在于“它包含什么组件”,而在于一个结构性变化:

      模型不是在一个抽象环境中训练,而是在和真实产品同一套系统中被训练、评估和部署。

      这意味着训练环境和线上环境几乎是同构的。

      Mindverse 早期做的 C 端产品 Macaron,就承担着 Agent Harness 的作用,官方宣称已经有 200 万用户,日活用户超过了 10 万。用户在 Macaron 中的真实行为,会反向进入训练体系,再通过后训练影响模型能力。

      不过需要指出的是,其后训练并不是直接使用用户的原始数据,而是通过反馈构建模拟环境,在带噪声、带极端情况的环境中重建任务分布。这点和 Anthropic / Claude Code 的路线非常类似:

      产品使用 → 反馈结构化 → 模拟环境训练 → 模型更新 → 产品能力提升

      这套协同设计加上真实用户反馈,构成了一个持续改善的飞轮,使得模型能力与产品体验不断相互增强。基于这套机制,Mindverse 在训练算力不到 300 卡的情况下,实现了模型在生活场景类的领先地位。

      一个仍然存在的问题:C 端数据能否支撑企业 A2UI?

      不过我比较怀疑 C 端的轻量数据能否支撑未来企业级的 A2UI(生成界面),因为 C 端里常用的界面比较基础且容错率很高,而企业背后的业务逻辑极其严密的。

      Mindverse 的解释是,C 端的价值不在“业务复杂度”,而在“交互模式学习”:

      C 端产品核心是让我们持续获得真实交互信号,帮助我们把 A2UI 的底层交互能力训练出来;在进入企业场景时,再通过企业私有数据、合成数据、业务规则和安全架构完成领域适配。

      日常前端生成更多考验的是一次性生成一个静态页面,本质上更接近代码生成能力。A2UI 的核心挑战更偏向实时交互:在用户当前意图下,快速生成一个能降低认知负担、并且可以被用户直接操作的界面。

      从这个角度看,C 端数据的价值,主要体现在训练模型理解“什么样的信息应该被结构化”“什么样的交互能降低用户负担”“用户在什么时刻需要按钮、表单、确认卡片或结果视图”。这些是跨场景的交互能力,不完全依赖某一个行业的数据。

      企业场景则需要结合企业自身的业务规则、权限体系、审批流程和内部数据进行适配。在训练 A2UI 时,不只依赖真实用户反馈,也会使用大量合成数据、User Simulator 和自动化评测环境,让模型在更复杂、更高覆盖度的场景里学习。

      从这个角度看,Mindverse(心洲科技)的核心不只是一个模型,而是一套完整路径:

      从真实产品出发定义问题,再用问题反推 Benchmark,最后反推模型训练方式。

      如果这一路径成立,那么 AI 行业的竞争重点可能正在发生变化:从“谁模型更大”变成“谁更接近真实任务系统”,模型不再是中心,系统(训练 + 产品 + 数据闭环)可能才是中心。

      作为中国第一家 Neo Lab,Mind Lab 的阵容不可小视。公司创始人 Andrew 在深圳清华大学研究院任研发中心主任,实验室负责人马骁腾是清华自动化系博士、博士后,核心研究团队约 30 人,团队成员累计发表 200 篇顶会论文,总引用超过 5 万次。

      其中,基础设施负责人来自 DeepSeek,算法负责人来自字节 Seed,模型团队成员来自清华、MIT、NVIDIA、xAI 等机构,长期专注于模型训练、强化学习和高性能推理架构领域。

      阅读原文

      跳转微信打开

      •  

      4000行代码撑起一个Agent框架?nanobot架构深度解析

      俞孟凡 2026-06-16 12:15 广东

      以下文章来源于:腾讯云开发者

      腾讯云开发者

      腾讯云官方社区公众号,汇聚技术开发者群体,分享技术干货,打造技术影响力交流社区。

      香港大学数据科学实验室(HKUDS)的 nanobot,2026 年 2 月初开源,30 天内:

      • 28,500+ GitHub Stars

      • 8 次大版本发布

      • 核心代码 3,935 行

      对比项:LangChain 核心代码 430,000+ 行。

      这个反差值得认真分析。这篇文章拆解 nanobot 的每一个设计决策,包括它的优势、局限,和可以借鉴的架构模式。

      01

      整体架构:控制面集中化

      先看全局结构:

        Chat Platforms (13 channels)
                 ↓
           MessageBus (asyncio.Queue)
            inbound / outbound
                 ↓
           AgentLoop(核心控制面)
            ├── SessionManager  → 历史对话加载
            ├── ContextBuilder  → system prompt + messages 组装
            └── while loop: LLM → tool calls → execute → append → LLM...
                 ↓
          ┌──────────────────────────────┐
          │ ToolRegistry   SubagentMgr   │
          │ exec/fs/web    asyncio.Task  │
          │ spawn/mcp/cron               │
          └──────────────────────────────┘

        这个架构的决定性特征:控制面完全集中在 AgentLoop。

        没有 LangChain 的 Chain/Runnable/LCEL 等编排层,没有 LangGraph 的节点/边/DAG,没有 AutoGPT 的显式 PLAN 步骤。所有决策路径都穿过同一个 while 循环。

        这是个极强的设计约束:可理解性最大化,但弹性空间也随之缩小(后文展开)。

        02

        核心:ReAct 循环的极简实现

        agent/loop.py是整个框架的心脏:

          async def _run_agent_loop(self, initial_messages, on_progress):
              messages = initial_messages
              while iteration < self.max_iterations:   # 默认 40 次
                  response = await self.provider.chat(
                      messages=messages,
                      tools=self.tools.get_definitions(),
                      model=self.model,
                  )
                  if response.has_tool_calls:
                      for tool_call in response.tool_calls:
                          result = await self.tools.execute(tool_call.name, tool_call.arguments)
                          messages = append_tool_result(messages, tool_call.id, result)
                  else:
                      final_content = response.content
                      break
              return final_content

          约 20 行,这就是整个 agent 编排逻辑的全部。

          几个关键工程细节值得注意:

          错误响应不持久化到 session history。 防止"400 中毒循环"——如果错误消息存入历史,后续 LLM 调用携带格式错误的 history 会触发 API 400,进而导致更多错误,形成无法自愈的循环。

          工具结果存入 session 时截断为 500 字符。 当前 turn 内 LLM 能看到完整结果,但历史记录只保存摘要。这控制了上下文增长速率,代价是跨会话的工具结果不可追溯。

          错误处理只有一行:

            if result.startswith("Error"):
                return result + "\n\n[Analyze the error above and try a different approach.]"

            把错误恢复的全部责任交给 LLM。这在 GPT-4 级别的模型上工作,在较弱模型上可能导致无效循环。

            03

            Tool 系统:Python 插件的最小接口

              class Tool(ABC):
                  @property
                  @abstractmethod
                  def name(self) -> str: ...

                  @property
                  @abstractmethod
                  def description(self) -> str: ...

                  @property
                  @abstractmethod
                  def parameters(self) -> dict: ...  # JSON Schema

                  @abstractmethod
                  async def execute(self, **kwargs) -> str: ...  # 硬约束:必须返回 str

              execute 返回值强制为 str 是个有意思的设计选择。好处是接口统一,LLM 天然消费字符串;代价是结构化数据需要在 execute 内部序列化,丢失了类型信息。

              一个数据库工具示例:

                class MyDatabaseTool(Tool):
                    @property
                    def name(self): return "query_database"

                    @property
                    def description(self): return "执行只读 SQL 查询"

                    @property
                    def parameters(self):
                        return {
                            "type": "object",
                            "properties": {"sql": {"type": "string"}},
                            "required": ["sql"]
                        }

                    async def execute(self, sql: str, **kwargs) -> str:
                        rows = await db.fetch(sql)
                        return "\n".join(str(r) for r in rows)

                然后在初始化时注册:

                  self.tools.register(MyDatabaseTool(connection_string="..."))

                  没有装饰器、没有注册配置文件、没有元类。代价是 JSON Schema 要手写——LangChain 的 @tool 装饰器可以从 docstring 和类型注解自动生成 schema,nanobot 这里需要人工维护。

                  04

                  Skill 系统:用 Markdown 扩展 LLM 能力

                  这是 nanobot 最独特的设计,也是最值得深入分析的部分。

                  核心理念:Skills 不是 Python 代码,而是 Markdown 文档,教 LLM 如何使用已有的 CLI 工具。

                  一个天气 skill:

                    ---
                    name: weather
                    description: Get current weather andforecasts (no API key required).
                    metadata: {"nanobot":{"emoji":"🌤️","requires":{"bins":["curl"]}}}
                    ---


                    # Weather


                    ## wttr.in (primary)


                    ```bash
                    curl -s "wttr.in/London?format=3"

                      系统通过 `shutil.which` 检查 `bins` 里的工具是否存在。如果存在,这个 skill 的 `available` 标记为 `true`。


                      ### Progressive Loading:用文件系统做懒加载


                      关键机制:系统不把所有 skill 内容塞进 system prompt,而是注入一个 XML 索引:


                      ```xml
                      <skills>
                        <skillavailable="true">
                          <name>weather</name>
                          <description>Get current weather...</description>
                          <location>/path/to/skills/weather/SKILL.md</location>
                        </skill>
                        <skillavailable="false">
                          <name>github</name>
                          <description>Interact with GitHub via gh CLI</description>
                          <requires>Binary: gh</requires>
                          <location>/path/to/skills/github/SKILL.md</location>
                        </skill>
                      </skills>

                      System prompt 里明确告诉 LLM:需要用某个 skill 时,用 read_file 读取它的 SKILL.md。

                      这是用文件系统作为懒加载机制。LLM 自主决定何时需要加载哪个 skill,按需加载,不用的 skill 零 token 开销。

                      相比向量检索的优势:确定性(没有相似度阈值的不确定性)、可审计(你能直接读 SKILL.md 知道 LLM 在做什么)、零额外成本。

                      局限:当 skill 数量极大时(比如几百个),XML 索引本身会占满 context window。这个机制在规模上有天花板。

                      4.1 Skill vs Tool 的分工原则

                      场景

                      用Tool

                      用Skill

                      需要执行 Python 逻辑

                      ✓

                      包装已有 CLI 工具

                      ✓

                      需要直接调用 API

                      ✓

                      包装有完善文档的服务(gh CLI 等)

                      ✓

                      添加能力但无 Python 经验

                      ✓

                      这个分工使得非工程师也能扩展 agent 能力:只需写 Markdown,描述如何用某个命令行工具完成任务,下次会话自动生效。

                      05

                      记忆系统:"grep beats RAG"

                      两个 Markdown 文件,不用向量库:

                      文件

                      内容

                      加载方式

                      MEMORY.md

                      长期事实、用户偏好

                      每次都注入 system prompt

                      HISTORY.md

                      对话摘要,追加写入

                      LLM 用 exec grep 按需搜索

                      当 unconsolidated_messages >= 100 时,异步触发记忆整合:

                        async def consolidate(self, session, provider, model):
                            response = await provider.chat(
                                messages=[...],
                                tools=_SAVE_MEMORY_TOOL,   # save_memory(history_entry, memory_update)
                                model=model,
                            )
                            # LLM 决定写什么进 MEMORY.md 和 HISTORY.md

                        整合以独立 asyncio.Task 运行,不阻塞主流程。

                        作者的设计论据(Discussion #566):

                        "grep beats RAG for agent memory — deterministic, auditable, zero-cost, composable"

                        这个论断在个人规模(数百条历史)成立。在企业规模(数万条历史、多用户共享知识库、跨语言搜索)时,文件 grep 的局限会暴露出来。

                        社区持续有人要求加 Qdrant/LanceDB 向量记忆,作者坚持极简路线。这是个合理的范围决策:nanobot 的定位是个人助手,不是企业知识管理平台。

                        06

                        Subagent 系统:消息总线重注入

                        spawn 工具允许主 agent 把长任务委托给后台 asyncio.Task:

                          async def spawn(self, task, label, origin_channel, origin_chat_id):
                              task_id = str(uuid.uuid4())[:8]
                              asyncio.create_task(
                                  self._run_subagent(task_id, task, label, origin)
                              )
                              return f"Subagent [{label}] started (id: {task_id}). I'll notify you when done."

                          Subagent 有明确的能力约束:

                          • 没有 message 工具(不能直接给用户发消息)

                          • 没有 spawn 工具(防止递归生成子 agent)

                          • 最多 15 次迭代(主 agent 40 次)

                          • 无 memory/history(独立的 system prompt)

                          结果通知的巧妙设计:Subagent 完成后,通过消息总线重新注入一条 InboundMessage:

                            async def _announce_result(self, task_id, label, task, result, origin):
                                msg = InboundMessage(
                                    channel="system",
                                    chat_id=f"{origin['channel']}:{origin['chat_id']}",
                                    content=f"[Subagent '{label}' completed]\nResult: {result}",
                                )
                                await self.bus.publish_inbound(msg)

                            主 agent 像处理普通用户消息一样处理这条消息,自然地总结给用户。无需特殊的结果传递协议,无需主 agent 轮询子任务状态。

                            代价:asyncio.Task 在同一个进程内运行,无法跨进程/机器分布。大规模 agent swarm 场景需要替换这层。(社区正在 RFC 两种方案:软件层角色模拟 vs 原生多进程。)

                            07

                            MCP 集成:标准协议桥接

                            MCP 工具被自动包装为原生 Tool 对象:

                              class MCPToolWrapper(Tool):
                                  def __init__(self, session, server_name, tool_def):
                                      self._name = f"mcp_{server_name}_{tool_def.name}"  # 命名空间隔离
                                      self._description = tool_def.description
                                      self._parameters = tool_def.inputSchema

                                  async def execute(self, **kwargs) -> str:
                                      result = await asyncio.wait_for(
                                          self._session.call_tool(self._original_name, arguments=kwargs),
                                          timeout=self._tool_timeout,
                                      )
                                      return "\n".join(block.text for block in result.content)

                              支持 stdio(子进程)和 streamable-http 两种 MCP 服务器。配置:

                                {
                                  "tools": {
                                    "mcp_servers": {
                                      "my_server": {
                                        "command": "npx",
                                        "args": ["-y", "@my/mcp-server"],
                                        "tool_timeout": 30
                                      }
                                    }
                                  }
                                }

                                MCP 工具对 LLM 完全透明,和内置工具无区别,只是名字带 mcp_{server}_ 前缀做命名空间隔离。

                                这个设计的长期价值:随着 MCP 生态扩张,nanobot 可以零成本接入所有 MCP 兼容工具。

                                08

                                可借鉴的架构模式

                                拆解到这里,几个可迁移的设计原则值得单独提炼:

                                1. 配置驱动的能力扩展(Markdown-as-Config)

                                  把 prompt 工程从代码层分离出来,用文件系统管理。能力的添加不需要改代码、不需要重启服务。适用于任何需要给 LLM 注入领域知识的场景。

                                2. 懒加载 + 文件系统作为 context 管理策略

                                  不在 system prompt 里预载所有知识,只放索引。让 LLM 用工具按需加载详细内容。降低常规 token 消耗,代价是加载时有额外的 tool call 延迟。

                                3. 消息总线解耦异步任务的结果通知

                                  子任务完成后不通过回调或轮询通知,而是重新注入到输入流,让主处理逻辑统一处理所有输入来源。消除了"结果传递协议",但耦合了子任务与消息总线格式。

                                4. 工具接口的最小公共类型

                                  所有工具返回 str,统一接口。放弃结构化返回值,换取接口的绝对一致性。在 LLM 消费所有输出的场景下这个取舍合理。

                                5. 错误恢复委托给 LLM

                                  工具错误不在框架层处理重试或回退,只追加一句引导提示,让 LLM 决定下一步。这在强模型上有效,减少了框架的复杂度,但把系统的健壮性依赖转移到了模型能力上。

                                09

                                使用建议

                                适合的场景:

                                • 个人自托管 AI 助手,想接入多个聊天平台

                                • 需要快速原型,不想被框架概念淹没

                                • 想理解 agent 框架的最小实现,作为学习材料

                                不适合的场景:

                                • 需要精确的多 agent 协调(spawn 基于 asyncio.Task,无分布式支持)

                                • 大规模历史记忆(grep 文件有规模上限)

                                • 需要细粒度的 agent 行为控制(控制面集中化意味着定制点有限)

                                • 生产环境安全隔离(exec 工具的黑名单机制不够)

                                nanobot 是目前我见过最诚实的 agent 框架:它的代码量和功能声明是匹配的,没有用复杂的抽象隐藏简单的实现。这本身就值得学习。

                                相关链接:

                                -End-

                                原创作者|俞孟凡

                                参考阅读

                                如果你也在关注 AI 应用如何真正落地到生产环境,2026.6.26 - 6.27 举办的 GIAC 深圳站值得关注。这次大会将集中讨论智能应用开发、架构演进,以及来自一线实践的经验与案例。

                                高可用架构读者可使用专属购票优惠码 UOp5XJcq,点击阅读原文进入购票页面即可使用。

                                阅读原文

                                跳转微信打开

                                •  

                                龙虾热退潮后,真正留下的是「置 Agent 于电脑内」

                                原创 刘飞 2026-06-16 12:00 上海

                                关于把一群 Agent 养在电脑里办公。

                                1 把一群 Agent 养在电脑里办公 

                                前阵子《置身钉内》是钉钉一位产品经理的 7.5 万字的长文,复盘了 ONE 项目从被寄予厚望到下线的全过程。我们也看到了事后更大的人事地震:6 月 11 日,陈航卸任钉钉 CEO,92 年的陈宇森接棒。

                                这场换帅本身讨论很多了,我关注的一个有意思的视角是新任 CEO。

                                陈宇森是技术型连续创业者,做过网络安全的长亭科技,后来一直在做云和 Agent 方向。接手钉钉前,他在做一个叫 MuleRun 的 Agent 平台。他也在几次访谈里反复讲一个观点:AI 会经历 Copilot 和 AI Native 两个阶段,Copilot 是副驾驶,人还是主要的执行者;到了 AI Native 阶段,工作会围着 AI 重新组织,人从每一步的执行者,变成标准的制定者和结果的检查者。他还说过,AI Native 组织和非 AI Native 组织之间,效率差距最小也有十倍。

                                这个很有意思,换帅的目标就是要用 AI 重置组织数字化协作的感觉。

                                这就有一个推论:未来的数字化办公,是「置 Agent 在电脑内」。

                                过去我们用 SaaS、用各种在线协作工具,都是把活搬到云上去做:文档在云端,表格在云端,人对着浏览器一个个标签页切。另外很多工作流都分散在各个地方。

                                而 Agent 则代表的是,不需要再把活搬上去,而是再次回到本地,回到电脑里,用本地的文件夹、本地的浏览器、以及本地的定时脚本。它不再是云上一个服务,是机器里一个常驻的数字同事。

                                最近在试用的 Kimi Work,就是在这几点上,体验非常鲜明。

                                下面我就用几个真实跑过的任务,挨个说说这几点变化具体是什么体感,再聊聊我更大的几点感受。

                                2 Agent 团队配合作战

                                我在做半拿铁的「中国互联网故事」系列,需要一期讲「中文社区」的稿子,要覆盖豆瓣、知乎、虎扑、小红书、B 站。我就让 Kimi Work 去尝试,让它给我三万字。

                                这个活如果交给 Chatbot,它能列个提纲,也能写完。但拿到手往往有几个常见问题:结构上虎头蛇尾,开头详尽,越往后越敷衍;需要交叉验证的地方做得不扎实;给它投喂的资料,它也未必真用得上、读得完。有点像一个人对着一个长任务从头写到尾,本来就容易顾此失彼。

                                交给 Kimi Work 之后,它派了八个子 Agent 并行去查:一个查豆瓣,一个查知乎,各跑各的,互不耽误。光这一轮调研就跑了一百多次搜索,产出八万字研究资料。然后在这堆资料上搭出十章大纲,再派一批写手 Agent 分头写,每个负责一章。最后合稿、统一脚注、转成 Word 格式。

                                我拿到的是一份三万两千字、带三十多条出处的成稿,外加一个排好版的 docx。

                                这不是「答得更长的 Chat」。而是把一件本来需要凑好几个人、干好几天的活,拆开、分给一支临时组建的团队、并行跑完。

                                而且这支团队里的每个 Agent,都能单独调和换。哪个岗位的数字员工干得不行,可以随时替掉,也可以接着调教他,让他下次干得更好。这一点后面还会再聊。

                                3 用苦功夫替代幻觉

                                并行只是表面。更关键的是,它能把整条工作流串起来,从原始资料一直走到成品。

                                我让 Kimi Work 整理一下「置身钉内」这篇文章的前因后果和相关的信息与讨论,最后输出给我一个 PPT。

                                它去搜了来龙去脉——腾讯、财新、虎嗅各自的说法,马锐拉那篇《置身钉外》,阿里合伙人的回应,先都爬下来。然后读了 PPT 制作规范,定了一套视觉风格:深炭底色配琥珀金,结论先行,关键数据做成卡片。

                                再一页页生成,自己检查报错、修掉问题、转成 pptx。

                                第一版 16 页。

                                我说不够,Kimi Work 就扩写成 32 页,补查了新 CEO 陈宇森的背景、钉钉「悟空」的 AI 战略、几家协作工具的竞争格局,重新做成六个章节。

                                整个过程,我只做两件事:提一句需求,然后验收。不满意了,就继续提出修改意见。Kimi Work 就能针对性调整。中间「查资料 → 定结构 → 配数据 → 出设计稿 → 自查纠错」这一长串工作流,它可以自己走完。

                                类似的还跑过一份 SpaceX 投资者报告,这个更复杂,十个子 Agent 分头深挖公司历史、技术、财务、竞争、监管、人物。每个至少搜十五次,最后交叉验证、标出哪些是高置信度发现、哪些是有冲突的说法,产出三十页、三百多条脚注、十三张图表。体感上像是临时拥有了一个研究小组。

                                关键问题不在于推理能力和思考能力。关键问题在于搜集能力和整理能力。有的 Chatbot 有朋友会觉得,明明大家都说很厉害,但为什么还是有幻觉?就是因为这个。

                                搜集整理的能力和推理能力是两码事。

                                4 查得足够广,才足够准

                                查得足够全面,最后的结果才足够准确。

                                我让 Kimi Work 从各个维度分析一下中国半导体公司的现状。这个题目很大,很多 Chatbot 会写成空泛的综述。

                                Kimi Work 的做法是先派八个 Agent 做一轮广扫,再把题目拆成十二个维度——政策、设计、制造、存储、设备材料、制裁、市场、资本、人才、应用、封测、技术差距。

                                然后每个维度再派一个 Agent 深挖,每个至少搜二十次。前后加起来跑了三百多次搜索,最后出了一份十几万字的报告。

                                让我在意的是它对「靠不靠谱」的处理。十二个维度查完,它没有直接拼起来交差,而是也做了一轮交叉验证:哪些数据是多个来源都对得上的高置信度发现,哪些是各家说法打架的。比如中芯某个制程的良率,不同来源从 85% 到 99.7% 都有,它会把冲突标出来用区间值,而不是直接选一个数。来源可疑的,会标上「据报道」。最后还单独提了十条跨维度的洞察。

                                顺带说一句数据源。

                                这份报告走的是公开搜索, Kimi Work 本身接了一批专业数据源的,包括天眼查、同花顺 iFinD、Yahoo Finance、World Bank、arXiv、Google Scholar 等等。对要查公司工商信息、财务数据、学术文献的人来说,这一层十分关键。

                                5 操作本地电脑,常驻干活

                                作为本地的 Agents 工具,Kimi Work 自然也能操作本地电脑,以及持续地、定时地跑任务。

                                我让 Kimi Work 帮我关注杭州出发的机票,降价三成以上就提醒我。

                                它做的不是查一次价格告诉我,而是在本地建了一套脚本:23 条航线的基准价、一个检测脚本、一份提醒日志,还配了个定时任务,每天早中晚各跑一次,降幅够高就在对话里告诉我。

                                中途我修改了几次需求,比如加国际航线、调日期、改频率,很快就能调整过来,达到我的预期。

                                聊天是一次性的、被动的,这是常驻的、主动的。它会通过代码脚本常驻在电脑里,有自己的工作目录、文件、日程。这也是为什么 Kimi Work 做成了桌面应用,而不只是一个聊天窗口。它要能碰本地文件,还能开浏览器直接访问(需要安装插件),能在后台定时干活。这些都是 Kimi Work 之所以叫 Work 的原因。

                                6 一些感受

                                用完 Kimi Work ,我会有这些感受。再展开说一说。

                                第一,AI 本来就该并行干活,是我们的习惯把它困在了「一个助手」里。

                                我们看到「八个 Agent 同时查资料」会觉得新鲜,恰恰说明,我们一直在拿对待人的方式对待 AI,问题和流程是串行的。

                                但很多时候任务的完成是并行和协作的。所谓「最多 300 个 Agent」不是一个噱头数字,其实是就是为了这一点而服务的。

                                很多工作就像刚才说的一样,先做一些拆解和并行的安排,远比串行能解决的问题多很多。

                                第二,Agent 从云端落到本地,才算真正接入了普通人的日常工作。

                                作为本地 Agents 工具,意义就不同了。云端 Agent 能查能写,但无法使用电脑里的东西。如果要阅读或者使用,每次都面临把文件传来传去的麻烦。

                                而我们日常的工作,很多都是沉淀在本地的,存了好几年的文档、正在改的稿子、刚导出的表格、堆满文件的文件夹,可以直接按照权限提供给它。

                                所以有一种说法,叫做从 Vibe Coding 到 Vibe Working。过去程序员用自然语言指挥 AI 把代码写出来,现在同样一套「交代目标、让 AI 跑完流程」的方式,正在平移到写文档、做调研、出报告这些普通知识工作上。

                                它能平移的前提,就是 Agent 得先从云端走到桌面。用之前用过的比喻的话,就是 AI 长出了双手。

                                第三,接下来拉开差距的,可能不再是「会不会写 prompt」,而是「会不会拆任务、派任务、验收」。

                                在 2024 年,大家比的是谁更会调教 AI、谁的 prompt 更精妙。但现在不一样了。你需要知道该怎么跟 AI 派发任务。

                                像前面提到的机票票价监控的任务,你得先有一个明确的预期,表达清楚,Agents 才能去工作。

                                这种表达更多是源于我们对任务的预期有没有想明白。对于一个报告,我们想要的是哪些维度的看法?对于一个监控任务,我们想要的是怎样的标准?这些会变得很重要。

                                只要用好了,在日常这些知识工作上,AI 将会帮我们大大省事。

                                第四,在这上面花钱,买的不是消费,是执行杠杆。

                                最后说句实在的,这类工具值不值得花钱。

                                我的看法是:一旦发现这件事 ROI 是足够的,那它就是非常好的执行杠杆。

                                我自己的工作就能算得过来。比如一篇文稿我自己过去需要 4 天的整理,如果现在能通过工具缩减到 2 天,那这 2 天的时间值不值我在工具上的付费,是一个很简单的数学题。

                                哪怕是一些很小的事情,比如电脑的空间满了,需要整理电脑的文件。本来需要花费一整天的时间,一个个文件去甄别筛选。但现在 AI 工具换算下来,可以 10 块钱解决这个事情,那我自然特别愿意花这个钱。

                                7 写在最后

                                年初养龙虾的时候我打过一个赌:慢则一年、快则半年,大厂会出来商用的、很好用的 Agent。如今这样的工具越来越多了。

                                半年多时间,本地 Agent 从发烧友才玩得转的东西,变成好几家在认真做的产品。这个速度,比当年从 Altair 到 Apple II 快很多。

                                Kimi Work 现在 Beta 版本发布,大家可以官网上体验一下。看有没有什么新的体感。

                                希望对大家有帮助。

                                跳转微信打开

                                •  

                                17 岁高中生做了个假 AI,上线一个月获 2.8 亿次访问

                                原创 StartupBoy 2026-06-15 21:20 四川

                                AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵

                                这绝对是近期把“反向创新”和“互联网幽默”玩到极致的一个案例,当整个 AI 行业都在比拼模型参数、Agent 框架、推理能力和算力规模时,一个 17 岁印度高中生却用一种近乎恶作剧的方式,创造了 2026 年最幽默的一个产品。

                                它没有大模型,没有融资,没有 GPU,甚至没有 AI。但上线一个月就获得超过 2500 万独立访客和 2.8 亿次访问。更有趣的是,用户以为自己在和 AI 聊天,但实际上对面是另一个正在憋笑的真人。

                                这就是由年仅 17 岁的 Mihir Maroju 做的网站 youraislopbores.me,可以说他创造了一个几乎没有边际成本的“互助扮演型”流量神话⁠。

                                当所有人都在做 AI,他做了一个“假 AI”

                                这个产品的核心逻辑极其简单,它把硬核的 AI 交互,做成了纯粹的“人类行为艺术互助会”。打开网站,没有注册、没有下载、没有 onboarding。只有两个按钮:

                                1. 人类(Human)模式(提问者)

                                输入任何问题:比方说我该不该联系前任?帮我画一个在太空打碟的 DJ?给我写一封辞职信?人类为什么存在?每次提问消耗一个 Credit。

                                1. 扮演 AI(Larp as AI)模式

                                如果你的 Credit 用完了怎么办?那就去这个模式下“打工”。系统会把别人提的问题随机派发给你,你必须在60 秒内,疯狂敲击键盘,模仿 ChatGPT、Claude 或 Midjourney 的语气把答案回复给对方。通过扮演 AI,你可以赚取 Credit 点数。

                                于是整个网站变成了一个巨大的真人版图灵测试:每个人都在扮演 AI。每个人又都知道对方也是人。这形成了一个完美的、自给自足的闭环。平台本身不提供任何算力,全靠用户互相消耗对方的精力和时间。你以为你在调戏 AI,其实你在调戏另一个屏幕前憋笑的真人。

                                传统 AI 产品:用户提问—>调用模型—>消耗 Token —>产生服务器成本

                                Your AI Slop Bores Me:用户提问—>随机分配给另一个用户—>对方免费回答—>平台成本≈0

                                提问者同时也是回答者,消费者同时也是生产者,无需真正的 AI,因为它让用户直接扮演 AI。

                                它是如何一夜爆火的?

                                这个产品 2 月份上线,一个月就收获了超过 2500 万独立访客和 2.8 亿次访问,但真正让它爆火的核心原因我觉得是AI 疲劳。很多人把它理解成一个搞笑网站,其实它更像是一场大型互联网行为艺术。

                                首先是对“AI 垃圾信息(AI Slop)”的极端审美疲劳。产品名字就带有极强的反叛色彩(Your AI Slop Bores Me,翻译过来就是你的 AI 垃圾信息真无聊)。

                                在 2026 年的今天,互联网上充斥着毫无营养的 AI 生成文本、一眼假的 AI 假图片以及视频等。大众从最初的惊艳,变成了如今的厌恶。这个产品用一种极其戏谑的方式,公开嘲讽了当前 AGI 泡沫下的“注水互联网”。

                                整个互联网正在被一种叫做 “AI Slop” 的东西填满。而所谓 Slop,就是大量低成本、低质量、缺乏创造力的 AI 内容。我之前在《最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿》里也曾提到,有人认为它也是一种行为艺术或讽刺作品,其产品名字 Polsia 反过来也是 AI SLOP(AI 垃圾)的意思。

                                其次是“梗文化(Meme)”与极佳的传播载体。网站里充满了让科技圈会心一笑的黑色幽默:

                                比如在扮演 AI 的界面,系统会用一行灰色小字警告你:“你只有 60 秒的时间来完成请求,否则 Sam Altman(OpenAI CEO)就会烧掉你的 H100 显卡。”

                                这种极具网感的讽刺瞬间引发了 Twitter (X)、Reddit 等社区的疯狂转发。而粉丝们甚至总结出了“高分攻略”:回复开头一定要写“作为一个 AI 语言模型,我没有情感,但我的建议是……”。

                                最后就是混沌与意想不到的“笑果”。因为背后是真人,所以交互结果充满了失控的乐趣:有人要一张“太空打碟 DJ”的图,真人只能用符号或极其抽象的文字拼出一幅画,结果看起来和早期 AI 跑图失败的畸形产物一模一样。有人问严肃的人生情感问题,却得到了一个陌生人带着一本正经口吻胡说八道的“AI 幻觉式”神级回复。

                                人们怀念的不是旧互联网,而是“人味”。

                                现在这个产品的流量下降了不少,但仍然很高。我感觉它本质上就是在卖情绪,在生产力工具卷成红海的今天,能够提供极端娱乐价值、讽刺价值或社交谈资的产品,依然能瞬间卷走海量流量。

                                其次是它这个供需互换的设计非常巧妙,几乎零成本解决“冷启动”与“算力成本”,传统的社交或互动软件最怕两件事:冷启动没人玩,以及用户量暴增后撑爆服务器/算力账单。

                                Mihir Maroju 的设计,把供给侧(回答者)和需求侧(提问者)融为了一体。想提问?先去当生产力。这让平台在没有一分钱算力预算的情况下,支撑起了数千万用户的实时互动。

                                同时产品设计非常极简,降低一切用户阻力(No Friction),这个网站没有手机号注册、不需要绑定邮箱、没有付费墙、甚至没有引导你下载 App 的弹窗。你点开链接,立刻就进入了笑话的核心。在用户注意力只有 3 秒的时代,把“发现产品”到“获得快乐(Aha-moment)”的路径缩短到了极致,可以说是病毒式传播非常经典的一个案例。

                                另外,其网站页脚有一行不起眼的灰色小字:

                                “Humans make mistakes because that's what makes us human.”(人类犯错,因为这正是我们身为人类的原因。)

                                当所有大模型都在追求 100% 的准确、绝对的理性、完美的对齐时,人们反而开始怀念互联网早期的混乱、无序、沙雕和充满人情味的错误。这提醒我们:AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵。

                                1.最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿

                                2.10 万名创作者在 Substack 上赚到了钱,AI 版 Zapier 如何 2 年拿下 7000 万美金?

                                阅读原文

                                跳转微信打开

                                •  

                                43 Talks报名 | Context Is All You Need!AI 时代最后的差别

                                薛临风 2026-06-14 00:10 北京

                                模型人人都有,提示词人人会写,最后的差别,是 Context。这究竟意味着每个人、每个组织都能构建起独一无二的智能护城河,还是打开了让数据、记忆与隐私边界彻底失控的潘多拉魔盒?

                                Context Is All You Need!

                                当提示词技巧被写进每一份入门教程,当 Agent 们开始替我们读文档、写代码、做决策……为什么有人的 AI 如虎添翼,有人的 AI 却始终答非所问?我们正在逼近 AI 时代一个朴素的真相。

                                长久以来,我们把全部的注意力倾注在模型与提示词上——更大的参数、更巧的咒语,仿佛智能的上限只取决于这两件事。而现在,当模型能力日趋同质,提示词红利逐渐消退,真正拉开差距的东西浮出水面:你喂给 AI 的上下文。模型人人都有,提示词人人会写,最后的差别,是 Context。这究竟意味着每个人、每个组织都能构建起独一无二的智能护城河,还是打开了让数据、记忆与隐私边界彻底失控的潘多拉魔盒?

                                当 Context 工程的热度不断攀升,喧嚣之下,我们必须回到最本质的追问:

                                • 当模型趋同、提示词平权,「上下文」凭什么成为新的分水岭?它是一门可以被工程化的手艺,还是一种世界观?

                                • 当 Context 从一个人的积累,变成一群人的共享资产,组织的知识、记忆与默契,该如何被重新组织和喂养?

                                • 当我们谈论「让 AI 懂你」,我们究竟在谈论存储、检索、观测,还是在谈论一段关系的构建?

                                让我们共同落座,来一场 Context 于你,于组织,于智能时代的思辨。

                                本期 43 Talks,我们邀请了四位「上下文工程」的探路者。他们中有把 Context 从个人实践推向组织协作的布道者,有深耕人机对话的提示词先行者,也有在基础设施与产品一线躬身入局的创业者与工程师。他们将从组织协作、人生叙事、Agent 架构到工程方法的多元视角,剖析当下的技术路径,与我们一同探寻 Context 时代的未来图景。

                                PART 02

                                特邀嘉宾

                                张凯寓

                                分享主题:《当 Context 从一个人,变成一群人》

                                身份:43 AI 集团联合创始人 | 43 Cloak CEO

                                张凯寓长期专注于提示词与智能体的企业应用落地,是把 AI 真正带进组织一线的实践者。这一次,他要谈的是所有团队都会撞上的问题:个人用好 AI 靠日积月累的私人语料,那一群人呢?当 Context 从个人资产变成组织资产,知识如何沉淀、默契如何共享,他将带来 43 Cloak 实践中的一线观察。

                                小七姐

                                分享主题:《人生上下文与 AI》

                                身份:词元共振 CEO | "Her" 创始人

                                AI 浪潮中最早一批认真研究「如何与 AI 对话」的人——小七姐的提示词教程曾是无数人的入门引路牌。提示词是一句话的艺术,Context 却是一生的叙事。这一次,她将从「人生上下文」出发,聊聊当你的经历、偏好与价值观成为 AI 理解你的底层语料,人与 AI 的关系会走向何处。

                                杨攀

                                分享主题:《Context 即 Agent》

                                身份:bilink 创始人

                                写了三十余年代码,从即时通讯云到 AI Infra,杨攀始终站在基础设施的最前线,如今他再次出发,创立 bilink。「Context 即 Agent」是一个足够大胆的判断:剥开框架与编排,一个 Agent 区别于另一个 Agent 的,就是它携带的上下文。他将从一线构建者的视角,拆解这个判断背后的逻辑。

                                三亿

                                分享主题:《从存储到观测:一种世界观先行的 Context 工程》

                                身份:地球爱好者 | 产品经理

                                在一众头衔中,「地球爱好者」显得格外朴素。作为一线产品经理,三亿给出的切入角度也最反直觉:Context 工程的起点不是技术选型,而是世界观——「存储」是把信息堆进仓库,「观测」是带着问题去看世界,两种姿态会长出两种完全不同的系统。具体怎么讲,留给现场。

                                PART 03

                                圆桌激辩:当 Context 成为新的护城河

                                主题分享结束后,四位嘉宾将同台论道。

                                从个人的人生上下文,到组织的共享记忆;从 Agent 架构的底层判断,到工程落地的方法论——这场圆桌将是组织、叙事、架构、工程四种视角的正面碰撞。各位嘉宾将从「Context Is All You Need」这个命题出发,激辩上下文的边界与归属:它是谁的资产?该如何被保护、被交换、被定价?当模型的浪潮一波波涌过,沉淀在上下文里的,会不会才是这个时代真正留得下的东西?

                                请相信每一个问题,都会对你有帮助。 答案,只在落座后的交锋中浮现。

                                那就请大家扫码报名,欣然入座,且思且辩。

                                跳转微信打开

                                •  
                                ❌