铃阅时讯
❌

阅读视图

硅谷王川的公众号文章目录 (2026年七月)

硅谷王川 2026-07-03 06:33 美国

硅谷王川的公众号文章目录

本目录最近一次更新是 2026年7月2日。

有兴趣加入投资俱乐部的朋友,请仔细阅读下面的连接

王川: 长期主义的实践为什么这么难

RTFM - 关于投资俱乐部的使用说明 ( 第二版)

申请者必须有现任会员的介绍,恕不接受直接申请。

我的网站已经上线,地址是 http://chuan.us/   公众号的历史文章和以前微博,X 上的发言纪录都在上面存档。以后公众号的原创文章,一些最新消息,也会在网站上,和微博,X 上面同时发布。

点击下面连接可以直接看到从 2015年初以来的两百多篇原创文章。

往期文章连接目录:(可直接点击下面的连接)

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (七)- 四分之一世纪的轮回

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (六)- 同质化商品的陷阱

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (五)- 牛鞭效应

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (四)

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)

王川:每天睡到自然醒你就赢了 – 美国电信泡沫之回顾

王川:摆脱卡点的解法大多在别处

王川:从九十亿美元对冲基金破产的教训看风险管理

王川:论强制函数 (一)

王川:大家都是普通人 (五) 安重诲

王川:大家都是普通人 (四) 任圜

王川: 大家都是普通人 (三) 康延孝

王川:大家都是普通人(二)郭崇韬

王川:大家都是普通人 (一)李振

王川: 为什么利润翻一倍但股价可能翻九倍

王川:躺平者最终能赢 (一)

王川: 只有生存狂才无需偏执

王川: 论情绪记忆 (一)

王川:论气急败坏, 恼羞成怒之投资大法

王川: 从思科的财务报告历史, 来看英伟达的估值

王川: 长期主义的实践为什么这么难

王川:为什么人们守不住四年三倍的资产?

王川: 从 chatGPT 看人工智能的投资机会和风险

王川:关于 chatGPT 的随想 (一)

王川: 2022年岁末看美联储加息和通货膨胀

王川: 从权力和垄断的演化机制,看投资(一)

王川: 论熊市投资者的自我修养

王川: 论兴趣和世界第九大奇迹 (一)

王川: 从长期国债的悖论到胆固醇的悖论(三)

王川: 论做题家和出题家 (一)

王川:  从长期国债的悖论到胆固醇的悖论 (中)

王川: 从长期国债的悖论到胆固醇的悖论(上)

王川:论投资高成长垄断型资产的八个误区

王川:在元宇宙留下些永恒的印记 (2021年十月)

王川: 幸福来自效率的全面复合增长

王川: 三十二个有用的思维模型

王川:随感合集 - 回报递增 /时间压力 /聪明和智慧 /认知和自信

王川: 从间歇性断食,看躺平的正确姿势 (一)

王川:从刘邦的自吹自擂看区块链

王川:为什么优质 NFT 潜力远大于实体收藏品(二)

王川:为什么优质 NFT 潜力远大于实体收藏品 (一)

王川:入门以太坊的 RTFM

王川:以太坊的费用,为什么这么高?

王川: 为什么你买了腾讯亚马逊特斯拉比特币, 还是很难发大财

王川:去中心化的流动性黑洞, 和区块链第一法则

王川: 关于 GPT-3 的随想 (一)

王川:活下来就好,及时出场就好

王川: 一年读五百本书,让你每天高潮迭起

王川:宁要高维度抽象化的草,不要低维度具象化的苗

王川: 实力决定意图,工具决定价值

王川:为什么读书少会犯大错误(一)

王川:不思考临界值的决策机制是愚蠢的

王川: 为什么摩尔定律一直没死, 但人们还会继续预测摩尔定律要死

王川: 出钱最多者的视角,才是上帝视角

王川: 用摩尔定律武装自己

王川:抛弃对世界的一厢情愿 (一)

王川:创新扩散的理论模型和误区

王川:从商业密度看为什么要坚决拒绝大部分线下活动

王川:论决策机制和纠错成本

王川: 理解别人错误观点背后的原因更重要

王川:谈谈构建个人信息基础设施

王川: 下个十年, 来自软件定义世界的挑战

王川: 重要的东西, 往往是看不见的

王川:脑联网即将带来的智能大核爆

王川:向智能合约进军的号角已吹响

王川:从品牌和应用场景的思维模型看比特币

王川:Uber 上市会引爆硅谷的泡沫破灭吗?

王川:为什么思维模型是最重要的财富 (一)

王川: 为什么宝马可能在2022年或之前破产重组

王川: 论信息与整合

王川:再论选择权

王川: 成功的关键 = 网络网络再网络

王川: 2018年岁末, 七点随感

王川:从算力演变看比特币现金(BCH)的边缘化

王川:三十年前油价大跌后的最大赢家是谁?

王川:2024, 石油工业的我靠时刻

王川:从有限游戏和无限游戏看连续性

王川:从编程技术的变迁看程序员的不连续性

王川:为什么特斯拉是做空者的最爱?

王川:美好未来, 注定并不连续(上)

王川: 与不可预测的未来分一杯羹 (一)

王川:不要打扰别人心中的故事

王川:输入信息狭隘, 近乎精神病 (一)

王川:关于技术本质,财富本质和自我意识本质的夸夸其谈之一

王川:开局的结尾 - 纪念特斯拉私有化, 和汽车工业的我靠时刻

王川:做一个独特而稀缺的人

王川:关于涌现的随想 (一)

王川:你的选择比四年前更多了吗?

王川: 你如何在纷杂的世界中寻找“特立独行的正确”?

王川:为什么你要像爱马仕和香奈儿一样坚定捍卫个人品牌价值

王川:闪电网络要涌现了吗?

王川:财富取决于认可者愿支付的最高价

王川:论指数增长的反直觉性

王川: 给年轻人的十点职场建议

王川:论投资和涌现 (一)

王川:抽象者劳心,被抽象化者劳力 (一)

王川:很少有人因吃喝玩乐而破产

王川:自说自话的人是可耻的

王川:做一个大规模并联者

王川:论数量就是质量

王川:软件定义财富 (一) -- 从特斯拉 Roadster 谈起

王川:关于区块链投资的七个猜测

<硅谷财经圈> 视频第二十季: 区块链和正反馈循环

王川:如何做一个超级连接者

王川:我们正进入一个可以从世界七十亿人民每人身上赚一分钱的伟大时代

王川: 从乔布斯和分析师的最后一次对话,看系统性思维

王川:论写作的六大好处和一个坏处

王川:从“邻近可能性”看创新的秘诀

王川: 从组件的角度看正反馈循环和区块链产业

王川:比数字目标更重要的是扩展性和正反馈循环

王川:好莱坞会被 Netflix 吞噬吗?

王川:论意外好运气 serendipity (一)

中科院穷硕士如何四年内变身为全球第十的比特币大矿主

王川:论特斯拉可能破产的二十个原因

王川:为什么大部分求职者的管理之道荒唐且低级

王川:从选择权看“心灵自由”和“经济自由” (一)

王川:为什么大多数商务社交活动是”彩票型机会主义“

王川:论“非常挑剔”和“非常自由”

王川: 论 1% 和 99%

王川: 为什么特斯拉可以预防忧郁症

王川:从交易的“干柴烈火度” 看扩展性和正反馈循环(二)

王川: 再论区块链和“正反馈循环”

王川:论"正反馈循环" 和 “远离平衡态的耗散结构” (一)

王川:论“扩展性” (一)

王川: 论"目标导向"和"过程导向"

推荐傅渥成同学的新书: “演生” (Emergence)

王川:论弱关系的重要性 - 反脆弱的随想 (四)

王川:无处不在的不对称性 -- 反脆弱的随想(三)

王川: 从叔本华的"天才论"看知识的广度之重要性

王川: 区块链技术的终局是什么?(一)

王川:比特币支付费用为什么这么高?

王川:  适应度地形和模拟退火 - 范式转移的随想 (五)

<硅谷财经圈> 视频第十九季: 比特币- 数字货币的软件平台

王川: 反脆弱的随想 (二)- 机会成本和选择权

王川: 论移动屁股和改变脑袋的艺术 -- 范式转移的随想 (四)

王川: 范式转移的随想 (三)

王川:  范式转移的随想 (二)

王川: 反脆弱的随想 (一)

王川: 范式转移的随想 (一)

王川: 关于区块链的随想 (三)

王川: 关于区块链的随想 (二)

王川: 关于区块链的随想 (一)

王川: 最大的问题是解决正确的问题 - 论第一性原理的理论和实践 (六)

王川: 论第一性原理的理论和实践 (五) - SpaceX如何开辟新市场

王川: 论第一性原理的理论和实践 (四) - SpaceX 如何克服各种困难

王川: 论第一性原理的理论和实践 (三) - 从 SpaceX 谈起

王川: 打比方的误区 - 论第一性原则的理论和实践 (二)

王川: 论第一性原理的理论和实践 (一)从特斯拉的崛起谈起

<硅谷财经圈> 视频第十八季: 论强者益强 (抄袭的进化优势,兰切斯特方程)

王川投资第四法则:波爱为王

<硅谷财经圈> 视频第十二季: 增速为王

王川投资第三法则: 增速为王

巴菲特水牛城历险记和简单粗暴的王川投资第一法则

牛逼的王川投资第二法则: 为什么你要卖掉所有的能源投资

王川: 从波色*爱因斯坦凝聚态,看强者益强的最高境界 (四)

王川: 论兰切斯特方程在商业竞争中的应用 (三)

王川: 从兰切斯特方程, 看强者益强和如何以弱胜强 (二)

王川: 从抄袭的进化优势, 看强者益强 (一)

王川: 论摸着石头过河的艺术 - 从巴拿马运河的选址到渗流理论

<硅谷财经圈> 视频第十七季: 外表丰满,内在骨感的美国风险资本业

王川: 外表丰满, 内在骨感的美国风险资本业

<硅谷财经圈> 视频第十六季: 美国汽车工业和电力公司的我靠时刻

王川:  我和苹果公司, 一个不得不说的故事

王川: 2020, 美国电力公司的我靠时刻 (三)

王川: 2018, 汽车工业的我靠时刻 (二)

王川: 从海明威运动定律,看技术革命的"我靠"时刻 (一)

王川:小议复杂系统里的不要和要

王川: 论投资的十大矛盾 (一) - 简单和复杂的矛盾

王川:论投资的十大矛盾 (二)- 策略和结果的矛盾

王川: 论投资的十大矛盾 (三) - 经验的重要和错误套用经验的矛盾

王川: 论"自动车就是房地产"

王川: 从美国的汽车安全管理历史看自动驾驶的未来

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (下)

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (中)

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (上)

<硅谷财经圈> 视频第七季: 为什么传统汽车厂商大多很快会倒闭?

王川: 为什么传统汽车厂商大多很快会倒闭?

<硅谷财经圈> 视频节目第六季: 无人驾驶技术的现状和未来

王川:论无人驾驶车投资布局的六大要点

王川: 特斯拉推出能量包,躺枪的却是核电站?

王川:2017年, 特斯拉将敲响石油工业的丧钟

王川: 为什么石油在2025年之前会永久性跌破20美元一桶,而一去不复返

<硅谷财经圈> 视频节目第三季: 特斯拉的能量包和Model 3

除非你和瑞士行长睡,否则不要炒外汇

<硅谷财经圈> 视频第十四季: 摩尔定律还能走多远

王川:  摩尔定律还能走多远? (六) - 有钱能使鬼推摩(尔定律)

王川: 摩尔定律还能走多远? (五) -- 这都是为了钱

王川: 摩尔定律还能走多远? (四) -- 并行计算的威力

王川: 摩尔定律还能走多远? (三) - CPU 的内存瓶颈

王川: 摩尔定律还能走多远? (二)

王川: 摩尔定律还能走多远? (一)

<硅谷财经圈> 视频第十季: 亚马逊的云服务将吞噬美国的IT产业吗?

王川:亚马逊的云服务将吞噬美国的 IT 产业吗?(下)

王川: 亚马逊的云服务将吞噬美国的 IT 产业吗? (中)

王川: 亚马逊的云服务将吞噬美国的 IT 产业吗? (上)

王川: 被误读的亚马逊帝国 -   只剩下一颗小石头才能阻止贝索斯了

<硅谷财经圈> 视频第九季: 集装箱的革命 / 软件吞噬世界

王川: 2016, 我的商业计划书

王川:集装箱震撼世界

王川:为什么软件正在吞噬世界 (一)

王川:  为什么天使投资平均回报一年26%的说法完全不靠谱? 论 W 教授的样本偏差

<硅谷财经圈> 视频节目第五季: 劫贫济富的美国信用卡

王川: 劫贫济富的信用卡让美国的互联网金融裹足不前

王川:  有些事,往回看四十年就清楚了

王川:用研究房产的精神去研究股票  - 为什么我还是更喜欢股票

王川:苦命房东的辛酸历史 – 为什么美国的黄世仁反而成了弱势群体

王川: 为什么大多数人靠房地产发财,可我还是更喜欢股票  (一)

王川: 太极站桩是精神抖擞的灵丹妙药 – 再谈如何定量化地提高自己

王川: 为什么日本今年的新生儿有一半将活到 108 岁?

你也可以活到109岁—王川老师教你三招让你健康长寿

王川:每天四分钟,练出六块肌的方法论

王川:减肥其实很简单–只需十六美元和一点定力

王川: Netflix 的前世今生 (下)-- 你不了解的"纸牌屋"后面的故事

王川: Netflix 的前世今生 — 一个硅谷创新者的坎坷历程 ( 上)

王川: 域名大亨叶云的传奇  -- 为什么投资不只是买股票

王川: 只有主动分享,才能实现理想 -- 一个理工屌丝男的第二次忏悔

王川:投资不只是买股票 – 一个理工屌丝男的忏悔

王川: 优步崛起的祭品 – 出租车大亨弗老师的陨落

王川:  Uber 帝国的疯狂崛起

王川:四千亿个理由告诉你,视野比勤奋更重要,长期持有才是王道

王川:瓦老师黑莓走麦城 – 再论价值投资的陷阱

一个陌生老头的来信 – 加拿大的"巴菲特" Prem Watsa 瓦老师的盛世危言

王川:一个不陌生老头的来信 -- 为什么巴菲特的核心竞争力不是选股票

王川:我的伯克利商学院之奇遇  – 扒一下金融工程硕士班的内幕  (下)

王川:我的伯克利商学院之奇遇  – 扒一下金融工程硕士班的内幕  (中)

王川:我的伯克利商学院之奇遇  – 扒一下金融硕士班的内幕  (上)

王川:为什么分析宏观经济大多是浪费时间 – 从希腊赖账谈起

王川:如何避免成为投资上的机会主义者?(一)

王川:投资与做人 - 李嘉诚的故事

王川:投资的几个太极招式 -- 从 "斜行拗步" 到 "掩手肱拳"

王川:杀毒软件大王迈克菲的亡命天涯之旅,以及为什么他和张学友同命相怜

王川: 关于胡雪岩覆灭的三个细节,以及投资的顶层设计

克林顿的女婿的烦恼,以及乔布斯的老婆的前老板的最后一搏

小鲜肉在价值投资中常遇的陷阱 -- 为什么你现在不要买便宜的IBM股票

大数据的内线交易 - 从第一资本的两位华人数据分析师被起诉谈起

让你的投资"下盘稳固"

王川:成长投资才是王道  (上)

关于投资: 用自己选择的方式战斗

关于投资 - 在自己选择的时间战斗

关于投资 - 我只在自己选择的战场战斗

王川: 杠杆是万恶之源

限定自己能力的边界

听得见炮火的地方最精彩

王川:  有了想法你就写

王川:为什么“退休以后就如何如何的计划”完全不靠谱?

为什么焦躁易怒的吃货容易早死 ? -- 赚钱这事,不可入戏太深 (四)

王川: Narrative, 三观和雅浦岛上的石头 - 赚钱这事,不可入戏太深  (三 )

王川: 赚钱这事,不可入戏太深 (二) -- 从德川家康的故事谈起

王川:赚钱这事,不可入戏太深 (一)

王川: 深度学习有多深?(二十五) 从突围看宠辱不惊

王川:深度学习有多深?(二十四) 乔布斯和 Deepmind 的突围

王川:深度学习有多深?(二十三) 经历的回放

王川:深度学习有多深?(二十二) 发散的大脑

王川:深度学习有多深?(二十一) 双陆棋和神经网络

王川: 深度学习有多深? (二十) - 多巴胺的诱惑

王川: 深度学习有多深? (十九) -- 维度的诅咒和蒙特-卡洛模拟

王川: 深度学习有多深? (十八) -- 从贪婪算法和动态规划说起

王川: 深度学习有多深? (十七) -- 衡量GPU的计算能力

王川: 深度学习有多深? (十六) -- 再论计算速度的蛮力

王川: 深度学习有多深? (十五) -- 自然语言的困惑

王川: 深度学习有多深? (十四) 循环神经网络和言情小说

王川: 深度学习有多深? 学了究竟有几分? (十三)

王川: 深度学习有多深? 学了究竟有几分? (十二)

王川: 深度学习有多深? 学了究竟有几分? (十一)

王川: 深度学习有多深? 学了究竟有几分? (十)

王川: 深度学习有多深? 学了究竟有几分? (九)

王川: 深度学习有多深? 学了究竟有几分? (八)

王川: 深度学习有多深? 学了究竟有几分? (六)

王川: 深度学习有多深? 学了究竟有几分? (五)

王川: 深度学习有多深? 学了究竟有几分? (四)

王川: 深度学习有多深? 学了究竟有几分 (三)

王川: 深度学习有多深, 学了究竟有几分? (二)

王川: 深度学习有多深? 学了究竟有几分?  (一)

跳转微信打开

  •  

监督工程: 编排软件的“中环”

Richard Gall 2026-07-02 19:00 北京

AI 编程助手的出现,在传统的“内环”与“外环”之间催生了一个全新的软件工程层次——“中环”。工程师的职责正在从“编写代码”转向“监督工程”:设定约束、评估产出、纠正偏差。这不是人与机器的对决,而是人类的判断力驾驭机器的速度。

几十年来,软件开发被整齐地组织成两个核心节奏:内环和外环。内环很大程度上发生在你的 IDE 中:编写函数、运行本地测试、修复语法。同时,外环则是你在输入 git push 之后发生的一切:代码审查、CI/CD 流水线、暂存环境和部署。

但情况已经发生了变化。生成式 AI 和自主编码智能体打破了这种双环心智模型。智能体现在能够在几秒钟内产出数百行语法完美的代码。瓶颈不再围绕着我们编写或实现代码的速度,而是围绕着我们验证的速度。

这种变化不亚于软件开发中的一个全新层级:中环。更重要的是,这个中环需要一种全新的软件方法;一种我们称之为监督工程的方法。

什么是“中环”?

The Middle Loop

要理解中环,我们需要看看由于 AI 的影响,软件工程正如何在结构上被重新架构。

从历史上看,软件开发是一个二元模型:你编写代码(内环),然后部署它(外环)。中环可以被理解为一个由于 AI 生成代码的数量和速度而被迫存在的全新操作层。它是人类判断与机器执行相互摩擦的阶段。

要了解为什么中环是独特的,可以将其与传统的两个环进行对比:

内环: 从历史上看,这是人类工程师在本地输入、编译和修复语法错误。今天,AI 智能体正在接管这项工作中的大部分:智能体可以启动本地环境、编写函数并进行迭代,直到代码编译成功。

外环: 这是 DevOps 和平台工程的领域——CI/CD 流水线、自动化安全扫描、容器化以及推送到生产环境。

中环:在 AI 智能体提出解决方案的那一刻,这个新层级就会被触发。在中环,人类工程师评估智能体是否真正解决了正确的问题,确保代码不会引入架构漂移,并编排多个由智能体创建的组件如何契合在一起。

实践中的中环:监督工程

在中环,你不是从头开始编写代码。你是在监督一个系统。然而,“监督”一词并不意味着开发人员除了看管系统并在出错时进行纠正之外别无他法。事实上,他们仍然需要做很多事情。

对齐意图与设定约束

在智能体开始构建之前,监督者需要确立其构建所需的基础参数。这涉及向智能体提供精确的架构约束、API 规范和风格指南。提示智能体构建某些东西很容易;让它以正确的方式构建正确的东西则是另一回事;这需要软件工程师在这种全新监督角色中的知识和经验。

多智能体合成

现代 AI 工作流不仅依赖于一个大语言模型。一个智能体可能编写前端组件,另一个重构后端 API,第三个生成数据库迁移。中环是工程师必须合成这些并行工作流的地方。你要确保智能体 A 的输出能够干净地与智能体 B 的输出集成,而不会破坏整体系统架构。

差异与行为审查

在传统的代码审查中,你会查看同行编写的拉取请求以捕捉逻辑缺陷。在中环,你正在审查在几秒钟内生成的巨大代码墙。你的审查从检查代码是如何编写的,转变为验证代码做了什么。这涉及运行行为驱动的测试、检查隐藏的幻觉漏洞,并确保智能体没有采取古怪的捷径来让测试通过。

把关与护栏

中环应该被视为一种过滤阶段,在任何内容触及你的 CI/CD 流水线之前,都需要通过这个阶段。在这里,你应用自动化的策略即代码、运行针对性的集成测试,并做出高风险的执行决策:这段机器生成的代码是否足够安全,可以合并到我们的核心代码库中?

监督工程的三大支柱

理解监督工程的另一种方式是通过三个关键支柱的视角:指导、评估和纠错。当工程师开始掌握中环时,这些共同强调了软件工程中正在发生的整体转变。

指导: 这远远超出了基础的提示。它涉及将庞大的系统架构分解为“智能体大小”的区块、管理上下文窗口,并明确地将工程标准代码化,这样智能体就不会幻觉出自己的设计模式。

评估: 这是困难的部分。它需要深刻的系统上下文来阅读高度可行、缩排漂亮的代码,并立即询问:“这是否抓住了重载下的边缘情况?它是否使用了已弃用的 API?这是否只是自信的胡言乱语?”

纠错: 将由并行工作的三个不同智能体生成的三个不同代码库缝合在一起,保持架构的一致性并确保系统无缝衔接。

除了这三个支柱之外,也许最需要记住的一点是:你过去常常在编写代码时慢下来;现在,你必须强迫自己在阅读、质疑和审计代码时慢下来。

随规模发展的技能

工程责任的表面积并没有缩小;它扩大了。行业不再需要你成为一本行走的语法字典。相反,它看重:

• 对系统架构的强大心智模型。

• 对软件如何运行的机械同理心与敏感度。

• 委派和编排复杂任务的能力,而不是手动实现它们。

初级开发人员可能需要适应甚至绕过传统的“语法精通”阶段,去学习严谨评估的艺术(尽管这仍然是一个未知数)。然而,花费数十年调试系统的资深工程师,应该已经具备了作为有效监督者所需的精准直觉。

软件工程的未来不是人类 vs 机器;而是人类的判断力管理机器的速度。那么,欢迎来到中环;是时候投入你的专业知识和经验,开始进行监督了。

跳转微信打开

  •  

吴恩达最新思考:从分钟到天,AI产品如何靠三层Loop迭代

高可用架构 2026-07-02 15:38 广东

导读:吴恩达(Andrew Ng)在 the batch 上最新发表文章中详细阐述了“循环工程”(Loop engineering)这一 AI agent 开发热门概念,介绍了构建 0-to-1 产品的三个关键循环:Agentic 编码循环(分钟级)、开发者反馈循环(小时级)和外部反馈循环(天级),并配以循环示意图。

亲爱的读者朋友们:

Boris Cherny(Claude Code 的创造者)和 Peter Steinberger(OpenClaw 的创造者)提到 “loop engineering” 后,这个词在社交媒体上火了。循环现在已经成为我们让 AI Agent 长时间迭代、构建软件的关键方式。在这封信里,我想分享自己用于从 0 到 1 构建产品的 3 个关键循环,如下图所示。这些循环不只指导我如何构建软件,也指导我决定要构建什么软件。

Agentic coding loop: 给定一份产品规格,可选地再给一组 eval,也就是用于衡量性能的数据集,我们可以让 AI Agent 编写代码、测试自己的工作,并持续迭代,直到代码没有 bug 且符合规格。这个闭环思路在去年年底前后开始流行,它彻底改变了 coding agent 的工作方式,让它们可以在没有人工介入的情况下更长时间地持续产出。比如上个周末,我在给女儿做一个打字练习应用,我的 coding agent 可以轻松工作大约一个小时,期间多次使用 web 浏览器检查自己构建的结果,然后再回来找我,全程不需要我介入。

工程循环执行得很快。每隔几分钟,coding agent 可能就会构建并测试一个新版软件。我经常听到开发者分享他们发现的新方法,用来设计更有效的工程循环。这是一个非常活跃的创新领域。

Developer feedback loop: 在这个循环里,开发者检查当前产品,并引导 coding agent 继续改进。去年,很多开发者,包括我自己,都在为自己的 coding agent 扮演 QA(质量保证)角色,手动找 bug,再让 Agent 修复。但随着 coding agent 更有能力测试自己的代码,我们需要花在这项职能上的时间已经显著减少。这样我们就能做更高层次的产品决策,例如应该提供哪些关键功能,UI 哪里需要改进,等等。

开发者反馈循环的时间尺度通常是几十分钟到几小时,这大致就是开发者审查产品并给出反馈的频率。以那个打字应用为例,我几次改变主意,调整视觉设计、孩子在学习过程中可以解锁哪些猫咪服装(她喜欢猫),以及成年人登录并引导孩子学习体验的用户流程。

3 Key Product Development Loops: Agentic Coding Loop (minutes), Developer Feedback Loop (hours), External Feedback Loop (days)
3 Key Product Development Loops: Agentic Coding Loop (minutes), Developer Feedback Loop (hours), External Feedback Loop (days)

3 个关键产品开发循环:Agentic Coding Loop(分钟级)、Developer Feedback Loop(小时级)、External Feedback Loop(天级)

开发者对要构建什么有清晰的愿景,但把这个愿景转化成 coding agent 能执行的规格,工作量仍然不小。此外,在开发者看到一个实现之后,他们可能会更新,或者进一步澄清规格,把它引向自己真正想要的方向。如果你发现系统反复遇到某些问题,为 Agent 构建一组 eval 就会很有用。

AI 原生团队越来越多地用 AI 帮助塑造产品方向,例如自动收集和分析使用数据,总结书面和口头客户反馈,或者做竞品分析。不过,对于我参与的几乎所有产品,我都认为人类相对于当前 AI 系统拥有显著的上下文优势。我们比 AI 系统更了解用户,也更了解产品所处的使用场景,因此人类仍然扮演关键角色。很多人把这种人类贡献称为“品味”,但我更愿意把它理解为人类拥有上下文优势,因为这种说法给了我们一条更清晰的路径,去帮助 AI 系统变得更好。这也解释了为什么这一步无法自动化:只要人类知道 AI 不知道的东西,就需要 human-in-the-loop,把这些知识注入系统。

External feedback loop: 这包括一系列广泛的策略[1],比如请几位朋友反馈、发布给 alpha 测试者,或者把代码上线到生产环境配合 A/B 测试。这些策略通常很慢,很少能在几个小时内完成,有时需要几天甚至几周。这些数据会影响开发者愿景[2],开发者愿景继续驱动详细产品规格,产品规格再驱动 coding agent。

随着 coding agent 加速软件开发,更多工程师开始承担部分产品管理角色。对很多正在成长到这个角色中的工程师来说,最难的部分是塑造产品愿景,并在构建和获取用户反馈之间取得平衡。这里的构建,指的是弥合愿景与规格之间的距离;用户反馈,则用于不断演化愿景。两件事都很重要。

我以后会写更多关于如何做到这一点的内容。不过现在,让我感到鼓舞的是,工程师正在承担更广泛的角色,正如产品经理和设计师现在也在做更多工程工作一样。

继续构建!

吴恩达

参考阅读

References

  1. 策略: https://www.deeplearning.ai/the-batch/how-to-get-user-feedback-to-your-ai-products-fast?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9IU5WWvlZnFv4GFOY2DPAg8PWrnhPB_aFANXt2LIg2tC97Y7bMJ07wp5JEddrBEnV27XVg
  2. 开发者愿景: https://www.deeplearning.ai/the-batch/how-to-get-through-the-product-management-bottleneck?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9IU5WWvlZnFv4GFOY2DPAg8PWrnhPB_aFANXt2LIg2tC97Y7bMJ07wp5JEddrBEnV27XVg
  3. 原文 https://www.deeplearning.ai/the-batch/issue-359

跳转微信打开

  •  

AI巨头们之间的资本混战,到底是个什么情况?

原创 小 Lin 团队 2026-07-02 12:39 北京

错综复杂的美国AI资本圈,和它们之间的派系之争。

美国AI资本圈

派系斗争有多乱?

朋友们,咱们今天来一口气拆析一下,错综复杂的美国AI资本圈,和它们之间的派系之争。

AI就像是一个资本黑洞一样,吸引着全球的钱。谷歌、微软、英伟达、亚马逊、OpenAI、甲骨文等等巨头,自身估值不断膨胀的同时,互相之间也投来投去、买来买去。

比如,最近谷歌就承诺了最多400亿美元投资Anthropic,要知道Anthropic可是谷歌Gemini的直接竞争对手,俩人前两个月还在给企业服务的AI市场打得你死我活呢,突然一下就要钻一个被窝了!

基本上,这就是过去三年,整个AI投资圈的缩影,乱。

所以今天呢,我们不评价模型、不对比芯片,只看资本操作,来跟大家捋一捋,截止到目前为止,这些AI公司、之间是怎么个盘根错节的投资合作关系,其实我们分析到最后,你就能看出来一个很清晰的脉络了。

入围玩家

首先,我今天会聊到哪些公司呢?

做AI的公司那么多,这年头谁不都多少搞点AI啊,是吧。

这个范围说实在的就很主观了,我先跟大家解释一下大概的选择标准:

  • 首先,肯定得是最前沿,站在AI风口浪尖的公司,苹果我就不算进去了;

  • 其次,因为我们今天是说这些公司之间的资本关系、投资关系,所以我会选资本市场很活跃的公司;

  • 再有就是体量够大,估值至少在千亿美元以上。像CoreWeave、FigureAI,这都小公司,上不了咱的牌桌~

根据这三个标准,我就选出来了这些公司。

图片截取自: 小Lin说

产业关系

好,那这些公司在AI产业链里到底是个什么关系?谁和谁是竞争关系,谁和谁是上下游?

我简单把AI产业链从上游到下游,分成了这么四层:

  • 最底层芯片层。GPU、CPU、存储等等芯片都算在内。

英伟达显然是这一层的王者了,AI加速器市占率有百分之八九十。

除此之外还有AMD、英特尔。

谷歌也有自己针对AI训练研发的TPU,数量非常庞大,2026年预计能产超过300万颗,它的Gemini主要都是靠这些TPU来训练的;

亚马逊也有自研的AI芯片Trainium,虽然优化得也不错, 但目前总量还没有很大。

还有一个很厉害的就是博通,其实它是ASIC芯片的霸主,刚才说到的谷歌TPU、还有Meta的芯片都是和博通合作生产的。

大概是这些玩家啊。其它巨头可能多多少少也有自研的AI芯片,不过不太成气候,我们就不算了。

  • 再往上是数据中心和云计算层。

这俩其实放在一起不太严谨,我就简化把它俩合并了。大概都是把一大堆AI芯片放在一起,来提供算力的。

云计算基本上有三大巨头:亚马逊的AWS;微软的Azure;谷歌的Google Cloud。

除此之外甲骨文,这两年在数据中心这块很猛;

SpaceXAI,也就是原来的xAI,也建了非常大的数据中心Colossus,现在马斯克还号称要在太空上建全球,或者说全太阳系最大的数据中心。

它们都是这层里的大玩家。

图片截取自: 小Lin说

  • 然后,就是大模型公司。

这层市占率断层领先的三巨头:OpenAI、Anthropic、还有Google的Gemini。

这个Anthropic,可能有些朋友没那么熟,但我说Claude你可能就听过了,它最近这半年,发展势头极其迅猛, 根据刚刚5月份的一轮融资,它的估值已经超过了OpenAI,达到9650亿美元,无线逼近万亿市值。你知道资本圈看看这些AI大模型公司,一个很常用的指标叫做ARR:年化经常性营收,你可以大概理解成估算的年收入。

这个Anthropic,虽然用户数量肯定还是没有OpenAI多,但它营收,15个月里增长了30倍,26年4月份达到了300亿的ARR,5月达到了470亿,已经超过了OpenAI。也就是说它虽然用户少,但更赚钱,而且还在以火箭般的速度上升。

这就是大模型层的三个主要玩家。

其它巨头肯定也是人人都有自己的大模型了,但市占率上目前还拼不过这三位。

  • 最上面一层就是应用层,这些大模型公司也都做。

以上就是我对AI产业链一个非常笼统的划分,以及这些AI巨头的业务分布。

划重点:我们说的都是它们比较成气候的主营业务,比如英伟达哪个都做点,Meta也有自己的芯片,但我们先只看核心的部分。

资本博弈

OA争夺战

接下来,我们就来看看他们之间的投资合作了啊。

这些大模型公司里面其实最最核心的,就是这两家公司:OpenAI 和 Anthropic。

其它都是大厂,只有这两个是独立的纯模型公司,而且模型能力、人才实力也一直是全球第一梯队。所以这些股权投资,很主要一部分就是围绕着它俩展开的。

其实谷歌的Geimini也强,但它背靠谷歌,又不缺钱又不缺算力,谷歌也不愿意让别人进来,所以资本圈都还是围绕OA这两位。

早期其实就是OpenAI的天下,是独一档的存在。它背后最著名的投资人也是众人皆知,就是微软。早早入局,到现在前前后后总共投资了130亿美元,占它大概27%的股权。

要知道,现在OpenAI的估值已经大概8500亿美元了,微软手上的股权估值大概已经有2290亿美元了,也就是说从纯投资的角度看,微软OpenAI这笔投资已经翻了17倍,非常成功。

作为对比,软银的孙正义已经花了超过600亿美元投资OpenAI,是微软投资的四五倍,却只拿到OpenAI股权的13%左右,还不到微软股份的一半。可见微软这押宝还是非常成功的。

顺带一提,软银孙正义为了凑这笔钱,把手上 58 亿美元的英伟达股票全部清仓了。他自己后来在投资者会议上说:"我太尊重黄仁勋,太尊重英伟达了""我是哭着把英伟达卖掉的"。

也正是因为微软在OpenAI的股份非常高,作为另一大巨头亚马逊,当时觉得再赶过去投资OpenAI,就没啥意思了,怎么办?赶紧扶持OpenAI的竞争对手 Anthropic。亚马逊早在2023年就投了它40亿美元,2024年又跟了40亿,是最早投Anthropic的一批了。

但有意思的来了,后来亚马逊换思路了。它干了什么呢?今年OpenAI和Anthropic都进行了一轮大规模融资,亚马逊都是他俩最核心的外部投资人之一,承诺投OpenAI最多500亿,Anthropic追加最多250亿。

所以你会发现,大厂里微软和亚马逊,都没有自己非常出圈的AI大模型,因为它俩都是早早入股了大模型公司,选择不费那么大劲自研,而是去扶持!

那谷歌呢?早期也和亚马逊一样,投了Anthropic,不过不多,每笔都是几亿几亿这个规模。了解投资的朋友知道,这种一般压根就不是为了投资,而主要是想交个朋友,认识一下。谷歌主要重心还是放在研发自己的Gemini上。

但后来呢,这个Anthropic的发展太快了,不光没被OpenAI落下,反倒有追赶上来的势头。尤其是Claude Code出圈让它一飞冲天。

对谷歌来说怎么办?俩竞争对手都这么变态,把注全押在自己的Gemini,风险太高;所以它开始虽然没有大额投资,但是我可以怎么样啊?卖给你服务!咱俩合作!

他就找到了Anthropic,说: 你来,你不是缺算力么,我的TPU便宜点租给你,咱俩交个朋友,以后有什么好事儿记得带上我!

2025年10月,双方宣布大规模合作,谷歌提供最多100万颗定制TPU芯片,新增超过1吉瓦的算力,这就非常暧昧了。

而今年随着Anthropic的爆火,谷歌忍不了了,不暧昧了,亲儿子Gemini,不好意思了,他直接去和Anthropic抱在一起了,4月24日宣布投资最多400亿美元,同时还要在未来五年内提供5吉瓦的算力。

图片截取自: 小Lin说

其实围绕这两家核心大模型公司的投资还没完——还有一个重要玩家没登场,谁啊?英伟达。

英伟达和OpenAI,签了300亿美元的战略合作意向书。什么叫战略合作意向书呢?就是我给你投资300亿,但前提是你得用多少多少我的GPU、我的芯片。

其实这笔投资本来最高有1000亿美元,但OpenAI的估值实在太高了,说白了就是英伟达上车太晚了,OpenAI太贵了。

Anthropic 那边呢,黄仁勋说过最多战略投资 100 亿美元,目前还没敲定。

黄仁勋自己在 4 月份的一档播客上承认自己上车晚了:"我承认我错过了 OpenAI 和 Anthropic 的早期入股机会......"

所以,围绕这两家公司投资大致的格局,可以非常笼统地总结为:

  • 微软和OpenAI是一边的,但有点被OpenAI边缘化,也在和Anthropic搞暧昧;

  • 谷歌是跟Anthropic一边的;

  • 亚马逊最开始独宠Anthropic,但今年开始两边都猛猛投资,搞双押;

  • 英伟达入局晚了,两边都投了一些,OpenAI更多;

  • SpaceX和Meta并没有明显的投资、站边,但要补充的是,马斯克和OpenAI的关系是出了名的差,所以他即便要站边,也一定是Anthropic。其实最近也有动作了,这个我们一会儿会说到。

当然我强调一下啊,并不是微软、谷歌、亚马逊就是它们最大金主了。很大一部分都是财务投资人。

比如,软银不就投了OpenAI 600亿么。包括阿联酋的基金、卡塔尔的基金也都投了不少钱,这些纯财务投资我们就不多说了。

图片截取自: 小Lin说

上下游合作

上文是围绕这两边主要的股权投资来分析。那上下游的合作呢,基本上就完全没有什么派系的关系了,大家又不是直接竞争,那就都是好伙伴。

  • 微软不光给OpenAI提供云服务,也会给Anthropic提供;

  • 亚马逊的AWS自然更是两边都满足,年初跟OpenAI签了8年的云服务合同;

  • 谷歌的TPU主要是给Anthropic;

  • 还有马斯克,非常有戏剧性。他今年2月26号在X上发文直接骂Anthropic, 说它反人类,邪恶,都整这么大词儿;可70天之后,5月6号,马斯克的SpaceX就和Anthropic宣布合作了,要给它提供22万颗GPU。

这马斯克赶紧给自己打圆场,说"我跟Anthropic团队聊过了,没人触发我的邪恶探测器"~

你看这就是AI圈,如此巨大的利益面前,打脸就打脸吧,况且敌人的敌人就是朋友嘛!

所以现在很明显,Anthropic的朋友,从数量上来讲更多,是三大云厂商唯一的共同选择,还有SpaceX的合作。

而OpenAI那边怎么没那么多合作呢?它不是领头羊么?因为它有那个著名的算力项目 - Stargate, 星际之门。

但这个Stargate,星际之门项目其实挺戏剧化的。给不太了解的朋友简单介绍一下啊。

它是一个有史以来最大的数据中心项目,2025年特朗普一上台,就牵头,把OpenAI、软银、甲骨文的老大都拉到白宫里,高调宣布了这个项目。

要造号称"史上规模最大的人工智能基础设施计划",要在得克萨斯州,建一个总规模5000亿美元、10吉瓦的超大型数据中心集群。

初始股权出资是软银 190 亿、OpenAI 190 亿、甲骨文 70 亿、阿联酋的 MGX 70 亿。

那这么庞大的项目,肯定首先是要满足OpenAI的算力需求啊,它甚至还牵头在阿联酋、英国、挪威、阿根廷等等地方,都要建立Stargate项目。

大概是这么个庞大的计划,甚至有人拿它和曼哈顿计划相比较。

图片截取自: 小Lin说

可发布当晚,马斯克就开怼,说 "他们其实根本没那个钱"。

而结果呢……还真让马斯克说对了。

这个项目,除了初始那四位承诺的钱以外,几乎没融到像样的大投资。

去年12月份,有媒体爆料OpenAI、甲骨文、软银三方,在东京谈判桌上吵得不可开交,争场地所有权、争系统控制权;

  • OpenAI觉得,我是咱仨里的明星,虽然我没钱,但是我应该有设计权和长期使用权;

  • 甲骨文觉得这都是我主要建的,应该听我的!

  • 软银觉得我出钱最多,你们甭管怎么搞,但是得保证我的投资回报率!

这是我猜的啊,大概这意思吧。你看看,特朗普就管攒局,你倒是指定个老大啊,他不管。

现在据说OpenAI内部,已经实质性放弃了所谓"星际之门"这个大型联合项目了,而变成传统的、简单的找甲骨文、AWS走双边合同,OpenAI就是一个简单的租客。

当然它很多项目还是在建,只是整体这个庞大的项目,就变成一个个单独的数据中心项目了。

这就是AI时代的速度,千亿美元级别的项目也是说起就起,说没就没。你看甲骨文的股价很能说明问题,去年下半年,因为星际之门项目一路疯长,帮助它创始人Ellison一度登上世界首富。

但后来,随着星际之门项目的负面小道消息,接连爆出,感觉要黄,这股价又跌回来了。

视频截取自: 小Lin说

其它

我们再来看看底层芯片层啊。其实要说合作,英伟达几乎是和所有人都合作,谁不需要英伟达的显卡啊。要是全都在这图上表示出来就太乱了,所以我没加上,大家知道一下就好。

英伟达,这两年混得风生水起,手里也确实不差钱。所以除了投资了OpenAI,承诺投资Anthropic,在美国政府的牵线下,投资了英特尔50个亿,还投资了SpaceX 20亿。

除此之外,其实英伟达投资了非常多小型AI公司,当然,我指的"小型"是在咱们今天这个量级来看的啊,千亿以下都算:

比如CoreWeave、FigureAI、Wayve、Mistral、Cohere等等,光今年总计承诺投资400亿美元左右。要从卖铲人,变成整个产业链的大股东。

试想一下,英伟达这边垄断性越强,作为下游的大模型公司就越不踏实。

海量的算力,需求全指望着英伟达这一家公司,一天到晚要看老黄脸色,总归是有点不踏实,所以大家一方面肯定是要和老黄搞好关系,同时还是想尽办法分散一下风险,找找备胎。

所以,咱上文提到Anthropic就和谷歌合作,用它的TPU;和亚马逊合作,用它的Trainium。

而OpenAI呢,主要就是通过各种Stargate项目,用英伟达的GPU。

所以OA这两家大模型公司,非常笼统的来说,OpenAI主要是用英伟达的芯片;而Anthropic,主要是用非英伟达的芯片。有这么一个朦胧的合作倾向。

但听完我这么分析后,你可别觉得英伟达的统治力就不行了啊,其实Anthropic属于比较个例了,其它大部分算力需求,基本上都还是会用英伟达的,它基本上还可以说是垄断,我强调一下怕大家误解。

那OpenAI,也不想在英伟达这一棵树上吊死。它一方面和英伟达战略合作,同时还要和博通合作自研芯片,在去年年底,还和AMD谈下了一笔超级大合作:

在接下来几年,AMD提供总计6吉瓦的算力,但同时必须要专门为OpenAI,发行最多1.6亿股Warrant,权证,行权价$0.01/股。

什么意思呢?就相当于OpenAI,可以以1分钱每股的价格,购买1.6亿股的AMD股票,那就是白送给它1.6亿股股票嘛。当然,具体的条款不是这么简单,还是有很多条件、细节的,但大概就是AMD牺牲自己10%的股权,去换了大订单,说实话对它来说成本挺高的,但没办法,想要坐上这最中心的牌桌就不得不出点血。

然后紧接着,今年2月份,Meta终于有资本大动作了,也和AMD签了协议,几乎就是AMD和OpenAI的复刻版。6吉瓦算力,换10%股权。

图片截取自: 小Lin说

写在最后

这就是整体的大框架,从结果来看,错综复杂,但我们简单拆解了一下每家公司的思考逻辑,其实也不难理解,是吧。

中心牌桌

AI这么一桌人,大家都清楚,这种剧烈波动的行业,短期赚多少钱是次要的,关键是什么,你得留在最中心的牌桌上。

这个牌桌上:

OpenAI和Anthropic,有点像两个天才的年轻创业者,势头很猛、天赋极高,目前还没那么有钱,但未来的天花板极高,风险也极大;

Meta、谷歌、亚马逊、微软这些互联网巨头,已经算是那种体量很大的"老钱"了,手里不差钱。这张图为了清晰美观,所以并没有完全按市值,来画它们的大小,实际上要按比例画谷歌,应该是Anthropic的十多倍。这些"老钱"呢,打法有点跟不上年轻人,一边自己培养自己的"年轻人",一边赶紧投资、拉拢年轻人;

英伟达,就像是正处于鼎盛时期的中年大佬,运筹帷幄统筹整个桌子,它的目标不是分更大的蛋糕,而是把整个蛋糕做大;

博通,就和各个老钱关系都很好,很靠谱供应商,成了新贵;

甲骨文、AMD、英特尔,就属于费不少劲好不容易坐到了这主桌上来,想也来争取更大的蛋糕;

SpaceX呢,就属于那种不是名门正派,完全另一套路数、另一套打法,和大家的竞争关系、合作关系都不是特别紧密,但未来天花板也极高,有可能在某些时候和大家形成强力竞争关系。

有点像这种感觉,这个比喻,就是我非常主观的感觉啊,你要是觉得不妥,可以发表你的版本~

图片截取自: 小Lin说

那这一桌人之间,错综复杂的资本关系呢,基本上就是同级之间竞争,不同级之间捆绑。

有这么三条主线:

  • 英伟达投资所有人;

扶持整个行业加控股,也锁定未来订单,"你以后还得继续用咱这边的GPU啊";

  • 所有人投资OA两强,换取他俩的算力订单;

你看这么多箭头都指向它俩,尤其是今年它俩临近上市,融资活动明显更活跃;

  • 大家都不想在一棵树上吊死;

都在努力脚踩两条船、三条船、四条船。

视频截取自: 小Lin说

一条船上

所以,这么乱七八糟一捆绑,大家都成了一条船上的人。这张图里的投资,其实和我们普通意义上的投资完全不一样。

看似OpenAI和Anthropic很光鲜,众星捧月,融那么多钱,一定很舒服吧。

其实不是的,它融资的同时,是承诺出去很多的算力和合作的。

上文咱们分析不管是英伟达的投资、亚马逊的投资、谷歌的投资等等,都是"承诺最多"多少亿美元么。什么意思啊,就是你得用我的算力,达到多少多少的指标,我才继续投资给你这么多钱。

粗略估算,乱七八糟全加起来,OpenAI已经累计承诺出去超过万亿美元的订单了。

所以,OpenAI不是一家融资1100亿的公司,而是一家融资1100亿、同时立刻欠出去万亿的公司。它已经把自己跟别人死死的绑住了。

这种股份、合作捆绑,它降低了每家公司自己的风险,但增大了整体行业的系统性风险。

就像这么多艘大船小船都绑在了一起,来抵御风浪。那看过三国的朋友都知道,他们怕什么啊?火。

这推翻整个行业的火是什么呢?

可能是算力需求达不到预期,可能是电力跟不上,可能是某个公司的暴雷,都确实有可能"火烧赤壁";

但反过来呢,如果需求持续爆发、算力需求旺盛、行业爆发,那就皆大欢喜,至少是这帮人皆大欢喜。

以上就是大体上这帮巨头、这帮资本之间的关系,有点意思吧。

其实,半年之前这幅图还完全不长这个样子,这里很多箭头,都是最近两个月才加上去的,现在这张图里SpaceX、OpenAI、Anthropic,都计划在年内上市,到时候,估计又要掀起资本市场的腥风血雨。

到时候咱们就再聊吧~

视频截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

  •  

B站技术团队邀您共赴 ACL 2026|携 FATE系列新作&B-UP岗位亮相圣地亚哥

哔哩哔哩技术 2026-07-01 14:12 上海

B站技术团队在展台等候各位同仁与青年技术人才,共同交流前沿技术成果和行业发展!

ACL 2026

ACL 2026(Annual Meeting of the Association for Computational Linguistics)——作为计算语言学和自然语言处理领域的国际顶级学术会议,ACL 被中国计算机学会(CCF)推荐会议列表列为 A 类国际学术会议,被 Core Conference Ranking 评为 A类会议,同时也是国际计算机学科排名 CSRankings 列表中的顶级会议。

本届会议将于 2026 年 7 月 2 日至 7 月 7 日 在美国加利福尼亚州圣地亚哥(San Diego, California)举行,由国际计算语言学协会(ACL)主办。

来自哔哩哔哩大语言模型团队、推荐算法团队的研究员,将和参会的从业者和技术天才们共同交流 AI 时代下的前沿技术成果和行业发展,同时也给大家带来「B-UP 顶尖技术人才项目」的相关校招、实习岗位,欢迎大家来展台投递简历 & 打卡交流!

Fate 系列第一篇:SABER 

让模型学会「何时深思考,何时直接答」

SABER

AAAI 2026

早在今年 1 月的 AAAI 2026 会议上,我们大语言模型团队推出 FATE 系列首作 —— SABER(Switchable and Balanced Training for Efficient LLM Reasoning),一经展出便收获大量关注,一举拿下当日 Best Photo 奖项,团队成员还惊喜抽中显卡大奖。

现有的推理增强大模型(如 CoT / Long-Chain Reasoning)常面临过度思考(Overthinking)问题——即便是“1+1=?”这样简单的问题,也会机械地生成冗长推理链,造成响应延迟高、推理成本大。

SABER 聚焦长思考大模型训练难题,探索如何强化大模型的链式推理能力,让 AI 具备更长的逻辑思考链路,大幅提升复杂任务下的分步求解效果,也是我们 FATE 技术系列的开篇之作。提出了一种可切换、受 Token 预算约束的混合思考训练范式,基于 GRPO 强化学习直接优化(无需 SFT 预热),让同一模型支持四种离散推理模式。

实验表明,SABER 在 MATH / GSM8K / MBPP 及逻辑推理任务上,FastThink 模式可在推理长度减少 65%~80% 的同时保持甚至提升准确率,且 NoThink 模式相比基座模型性能退化极小。

*该论文已被AAAI 2026收录,链接:https://arxiv.org/abs/2508.10026

*项目开源链接:https://github.com/bilibili/saber_rl

*具体成果介绍:https://mp.weixin.qq.com/s/AfN7ON2PPjN5MuFm327FEA

Fate 系列第二篇:CASTER

让AI像真实用户一样评价UGC内容

CASTER

ACL 2026

继 SABER 之后,我们 Fate 系列的第二篇成果 CASTER(Community-Aware Assessment of Social Textual Engagement and Resonance) 已被 ACL 2026 Main Conference收录,并将于 7 月 5 日在 San Diego Poster Session B 进行现场 Poster 展示!

*论文链接:https://arxiv.org/abs/2606.01897

*代码链接:https://github.com/bilibili/medea_rl

*模型链接:https://huggingface.co/IndexTeam/MEDEA

*DEMO链接:

https://vowel-bagging-tweed.ngrok-free.dev/?token=acl2026caster

*数据集链接:https://huggingface.co/datasets/IndexTeam/CASTER-Bench

让AI学会「站在观众角度思考」

传统视频质量评估(VQA)看的是画面清不清晰、有没有压缩失真。但在B站社区里,一条视频好不好,靠的从来不是画质。一段画质普通但极具创意的手书,可能获得百万播放和满屏弹幕;一段4K高清的vlog,也可能因为内容空洞而无人问津。

UGC质量的本质是社区共识,而不是像素质量。

CASTER做的事情是:给定一条视频的多模态信息(封面、关键帧、标题、标签、ASR等),让AI模拟不同类型观众的反应,然后从这些模拟反应中推断出这条内容能不能获得社区认可。

Social-CoT:

不是逻辑推理,是社会认知推理

Social-CoT是我们提出的核心推理机制。与传统CoT进行逻辑推理不同,Social-CoT进行的是社会认知推理:

第一步:实例化多元观众人设

模型需要想象不同类型的观众:资深爱好者、偶然路过的用户、对该领域感兴趣的新人、挑剔的老用户等。每个人设代表了社区中的一种典型视角。

第二步:模拟情感反应路径

对于每个观众人设,模型需要推理:这个人看完视频后会有什么感受?会被哪个片段打动?会想发什么样的评论?这不是简单的情感分类,而是深入的共情推理。

第三步:汇聚社区心智

综合所有模拟的观众反应,通过统计共识机制(Skellam Scoring)判断:这个内容是否能在社区层面产生正面共鸣?

这种"先模拟再判断"的结构,确保了最终的质量判断是从模拟的社区动态中因果推导出来的,而不是黑盒分类。下面是一个具体的Social-CoT示例:

MEDEA框架

更进一步,我们把Social-CoT落地为可训练的系统,设计了MEDEA(Multimodal Engagement-Driven Evaluation Architecture)框架:

阶段一:挖掘真实社区智慧

基于B站生态用教师模型 (Gemini) 将社区智慧转换成结构化的Social-CoT推理路径,最终构建了54K条标注样本。

阶段二:SFT让模型学会Social-CoT的结构

通过监督微调,模型学会将视觉线索(光线、剪辑节奏)和文本信息(标题、标签)与社会解读对齐。

阶段三:RL对齐人类社区标准

使用GRPO算法 + 四维复合奖励:

  • 格式奖励:输出遵循结构化格式

  • 标签奖励:预测正确性

  • 认知多样性约束:防止模型生成重复评论,必须探索完整分布

  • 社会对齐奖励:模拟评论与真实高赞评论的语义相似

其中社会对齐奖励是关键创新,没有它,模型会退化为生成「好美啊」「太棒了」这样的空泛模板;有了它,模型能生成具体且富有共情的解读,比如将冰岛vlog中风吹发丝的画面解读为「原始自然力量的震撼」。

CASTER-Bench:社区共鸣基准

为支持CASTEaR任务,我们发布了CASTER-Bench:

  • 1485条UGC视频,覆盖30个主要内容品类(生活、知识、游戏、美食、科技、舞蹈等)

  • 平均时长442秒(总时长182.5小时),远超现有VQA数据集的8-10秒短片

  • 多模态信息完整:视频内容、封面图、标题、标签、分区、ASR

实验:全面超越GPT-5.2和

Claude-4.5-opus

在CASTER-Bench上,MEDEA全面超越所有四类基线方法。

高质量类别(最关键指标):

  • MEDEA:F1 = 0.650,精确率 = 0.603,召回率 = 0.705

  • 最强基线(GPT-5.2 reasoning):F1 = 0.555

  • 提升幅度:+17.1%

各类基线的失败模式分析:

传统VQA方法(FastVQA、DOVER、MaxVQA等):

  • 高质量F1仅0.33-0.41,几乎完全失效

  • 原因:它们评估的是画面质量而非内容质量,信号层面的分析无法捕捉社区共鸣

标准大模型(GPT-5.2、Claude-4.5-Opus):

  • 召回率极高(>90%)但精确率极低(~30%)

  • 原因:"慷慨偏差":通过长上下文推理能在任何视频中找到优点,但缺乏区分"还行"和"真正优秀"的社会判断力

推理增强大模型(开启reasoning模式):

  • 有所改善但仍不够(最高F1=0.555)

  • 原因:逻辑推理能力不等于社会认知能力

Social-CoT提示的旗舰模型:

  • 直接用Social-CoT提示词(不微调):F1=0.508

  • 说明推a理模式本身有帮助,但需要专门的训练才能真正内化"社区标准"

已在B站落地:更早发现优质内容

CASTER不只是一篇论文,它已经在B站的内容生态中实际部署运行。

通过将CASTER接入内容分发链路,系统能够在视频发布后的极早期(甚至在评论区形成之前),就识别出具有高社区共鸣潜力的优质稿件。这使得优质创作者的内容能更快地获得曝光,不再需要等待漫长的自然传播周期。

正如电话会议中提到:"我们花了很多时间让AI理解什么是高质量内容,并在更早的阶段识别这些高质量内容。" CASTER正是这一愿景的技术实现。

现场见!技术交流 + 招聘专项

ACL 2026 现场,B 站技术团队将携带 SABER / CASTER 相关技术细节与大家深度切磋,展台还将发放哔哩哔哩精美周边,欢迎来聊!

同时,「B-UP 顶尖技术人才项目」的校招与实习岗位在现场开放咨询与简历投递 👇

● 热招方向:大语音模型、推荐算法、搜索算法、视频生成、视频理解、语音算法、AI Infra、高性能计算、大数据架构、模型工程

● 招聘人群:

应届生:2027届海内外本硕博毕业生(2026年9月-2027年8月期间毕业)

实习生:2027届及之后毕业的海内外本硕博在校生(2026年9月及之后毕业)

7 月美国圣地亚哥

哔哩哔哩技术团队在展台等候各位同仁与青年技术人才,共探大模型技术未来!

跳转微信打开

  •  

从“趁早女孩”到AI公司CEO:我用12年,活成了我理想的样子

鹤鸣 2026-06-30 22:29 北京

以下文章来源于:趁早行动

趁早行动

把事情一件一件做完,让愿望一个一个实现✨

当你出发了,就离完成不远了。

“如果总赢,世界就没什么意思了。”

今天,想和大家分享一个女孩的故事。

她曾用一个ppt就拿到500万投资,爽快地赢过;也曾在至暗时刻独坐到天亮,默默地熬过。

30岁到来时,她的愿望一一落空,却在5年之后,依旧活成了自己理想中的样子。

她就是「句子互动」的创始人&CEO@李佳芮,也是一个“追了潇洒姐整整十12年”的趁早星人。

这是她创业12年,一次次跌入谷底,也一次次绝地重生的故事;

也是一个女孩用12年的时间,终于活成自己想要的样子的故事。

01 

打勾。

“时间看得见。”

这句个人签名,佳芮用了很多年。

她有一个微博账号“芮芮要出马甲线”,专门用来打卡——

#2023运动打卡50天#

#2024运动100天#

#2025运动100天#

#2026运动50天#

跑步、滑雪、跳舞。

“如果不打卡的话,我就觉得这次白练了。”

她对于“打卡”这件事的坚持,有时甚至不会被身边的人理解。

坚持打好一个勾,坚持做完一件事——

但或许,正是这个看似执拗的习惯,会变成她穿越人生风暴时,手里最牢固的那根绳索。

而这一切,还要从2013年,佳芮还在北京邮电大学读书时说起。

有一天,她在宿舍里刷到了一篇文章:《写在30岁到来的这一天》。作者名叫王潇,文字锋利、爽快,对人生的许多困惑给出了痛快的答案。

“就觉得,哇,好爽!”

20+岁的佳芮立刻就被击中了。

“所有人都会有一个30岁的里程碑。

今天我回头看的话,可能会觉得18岁不够作为里程碑,因为你刚上大学,还是没有脱离你的家庭。

但是30岁是一个一定能过上自己理想生活的那种状态,或者说如果你没过上,就是你不行,跟你原生家庭没有关系,因为你完全独立了。”

就像追星一样,佳芮把潇洒姐所有的内容都翻了一遍。那个时候她心里就认定:

这个人,就是我想要成为的样子。

那天,佳芮在宿舍里写下了自己对30岁的期待,写下了3件想完成的事情。之后,她开始“像追剧一样”追着潇洒姐的人生轨迹。

也是从那时起,她学到了两件影响她一生的事。

第一个,是打卡。

“我特别喜欢做打勾的爽,以及我特别喜欢把任务拆开,去分门别类地打勾。

有的时候打勾那一刻的完成、打勾的意义、那个使命的感觉,可能超过了你完成这件事本身。”

· 佳芮的日常跑步打卡

第二件,是自律。

看到潇洒姐的健身微博,佳芮也开始去健身:

“……今天早上忽然想起女神@王潇_潇洒姐 的好看小巅峰,忽然决定我从明天开始练习潇洒健身100天,不练100天,就练到生日那天……”

在读到潇洒姐书中跑马拉松的故事时,佳芮的心中也忽然想到:哎,我要不要跑一场马拉松?

· 2015年,佳芮跑完了她的第一场全马

以及更重要的,活成自己想要的样子。

“我觉得其实你能够选择自己的人生是很重要的,包括我可以选择我的身材、我的体型、我的伴侣、我的生活、我的工作,我的每一件事我都有自己很大的选择权。

我真的是在‘按自己的意愿过一生’,这件事是很重要的一件事。

当然,你为了实现按自己的意愿过一生,你要付出很多。”

每年年末,佳芮都会写下一篇《写在xx年的最后一天》,一写就写了将近十年。

只有两年她没有写。

那是她即将迎来30岁的时候,那两年没有如约成为她的里程碑,反而成为了她人生中低谷的两年。

02

一个ppt,

价值500万。

2014年,命运第一次来敲门。

“双创时代”,钱到处都是,风口上飞着各种各样的故事。还没毕业的佳芮和几个同学一起做项目,参加腾讯的创新创业比赛。

她当时的想法很简单:积累一些项目经验,找一份好工作。

结果,她成了现场唯一拿到投资的团队。

拿着500万,佳芮休了学,和两个合伙人一起去深圳创业,公司就开在腾讯大厦旁边。

只可惜,她的第一次创业没能走得太远,公司解散之后,佳芮回到北京继续上学。

但她并没有停下来。

之前接的项目客户还需要服务,她成立了新的公司,合作对象很多是国内外知名的大厂。接到的项目越来越多,她赚到了第一桶金。

“其实做生意就是做人,你认识了一些人以后,大家觉得你靠谱,就不停地有人给你介绍项目。”

她称那个时候的自己是一个“程序员贩卖师”。

然而,内心深处,佳芮却觉得,她不能再这么做下去了。

“我也想解释,但怎么解释呢?说我其实不是在砌一块砖,也不是在搭一面墙,我是要修建一座教堂?我根本都不知道那座教堂有没有,是什么样。”(王潇,《按自己的意愿过一生》)

读到潇洒姐书中这段话时,她觉得,这就是在说她自己——她想要建一座教堂,但现在,她只是不停地为别人搬砖砌墙。

她想做自己的产品。

“后来我就不再接项目了。”

佳芮自己非常喜欢舞蹈,就和朋友一起录了很多舞蹈教学视频,做了一个舞蹈自媒体,结果全网播放过亿,积累了大量的粉丝,建起了很多微信群。

但管理数量这么庞大的社群,太难了。

“我自己是一个程序员,所以我就当时写了一个小的demo,解决我自己的问题。”(来自「三橙星球」专访)

于是,2016年,佳芮写了开源框架「Wechaty」。

“Wechaty后来长成全球最大的对话式RPA开源框架,也是今天「句子互动」产品的底子。

一开始的理由特别朴素:我就想把我自己的群管起来。”

顺着这条路,她开始做AI。

2016年,AlphaGo击败了韩国棋手李世石,所有人都在说AI的奇点来了。

佳芮也一样,她开始研究深度学习、NLP,但那个时候的技术远远达不到智能化。她在弯路上绕来绕去,环境也渐渐冷却。

“没有钱,没有呼声,没有喝彩”,佳芮“只是在熬”。

压力是现实而残酷的,身边的同学很多都进了大厂,赶上了互联网的黄金十年,薪资和职位越来越高。和他们相比,那个当初用一个ppt就拿到500万投资的女孩好像在走一条下坡路。

但从第一个项目开始,佳芮就从来不是一个会中途放弃的人。就算失败了也要画个完整的句号,在很多年里,这种“把事做完”的执着一次又一次拉住了她。

“随着你不烂尾的过程中,你就会解决一个又一个的问题。”

2017年,佳芮给自己这一年的总结是“蛰伏”,她要把自己关进“山洞”。

“先踏踏实实回来把你的产品做好,踏踏实实把你现在的一些基础东西做好。等你准备好的时候,开始重新再去聊。”

03

熬。

山洞里的日子,比想象中更难熬。蛰伏,原来要以“年”为单位来计算。

30岁即将到来,却不是她想象中的样子。最焦虑的时候,身高有171cm的佳芮体重一度掉到90多斤。

她真的不止一次想过放弃。

不停地有大厂的HR来挖她,有一次她甚至真的去谈了薪水。

“倒不是真想入职——我就是想知道,我在这个市场上到底值多少钱。”

市场给出的定价一次比一次更高,也给了她越来越多的底气。

但更重要的是,每到年末,当她回头望去,都会发现自己确实成长了很多。

“我发现每年我都在进步。

人活着的意义是什么呢?

其实就是不停地探索,你不停地去看这个世界,不停地有一种成长的体验,这个我觉得可能是人最大的意义。”

2017年年末,佳芮写下了一句话:

“我爱这个行业,就像我爱活着的人生。”

一年又一年,公司在生存的边缘起起伏伏,佳芮“熬”了下去,熬到技术成熟,熬到拐点出现,熬到下一次转机。

2019年,创业再次经历危机,她去土耳其旅行,心里想着“回来就不干了”。

· 佳芮在土耳其

结果在去土耳其的路上,她收到了Y Combinator的offer。

· Y Combinator,全球顶级创业孵化器,孵化过Airbnb、Reddit、Dropbox等公司

“全球最好的孵化器说要投你,我就试一试嘛。”

接受offer的那一刻,她就知道,自己要继续创业,继续走下去。

“你既然拿了这么多钱,总不能卷铺盖走人吧,那就干呗。”

那一年,佳芮现在的公司「句子互动」成立了。

2021年,“双减”政策公布,一夜之间,佳芮的客户少了90%。

公司每个月都在亏损,办公室要退租,团队要调整,核心成员提了离职,还有客户投诉系统不稳定。

所有的坏消息,好像约好了一样一起砸到她面前。

佳芮的脑子很乱,也很累,不知道明天要怎么给客户交代,不知道技术问题要怎么解决,不知道要怎么面对这一切。

她一个人在公司的行军床上坐了一整夜。

所有的信息和压力都在她一个人身上,找不到任何人来替她承担。

但第二天天亮,她站起来,把事情一件一件地解决。

“如果你不做完,就没有今天。”

创业中的危机数不胜数,佳芮引用了电影《火星救援》里的一句话:

“你想各种办法,解决一个问题,然后接着解决下一个问题,循环往复,等你解决了足够多的问题,你就可以回家了。”

· 电影《火星救援》台词

从2016年到2026年,整整10年,AI的周期起起落落,经历过狂热,也经历过寒冬。当年和她同时期做AI的公司,很多已经“死掉了”。

但佳芮和她的公司“活了下来”。

“拼到最后,谁能心态平和地一道一道题目解下去,谁就能走得更远。”

回望这段经历时,佳芮觉得可能连她自己都没有再来一次的勇气,但正是因为她的“较劲”甚至“死磕”,她和公司一路蛰伏、成长,直至一次又一次运气降临的时刻。

在一次演讲中,她分享道:

“周期不是穿越的,是熬过去的。

熬过去之后,你就可以很得意地说,我穿越了周期。”

潮水退去,她做成了想要做成的事,成为了想要成为的人。

04

时间看得见。

今年年初,佳芮刚刚生完宝宝。

“我希望从她的视角里看,重新养自己一回,这也是一种人生体验。”

对于这场人生,她是冒险家,是体验派。

佳芮曾想象出理想中的30岁的样子,后来愿望迟到了几年,但是没关系,因为她过上了更想要的人生。

现在,她可以肯定地说出,如今的她就是18岁时她想要活成的样子。

“如果最终一定能完成,那晚几年又怎么样?”

比起“心想事成”,她更想要这场人生体验。

“如果总赢,世界就没什么意思了。”

“我是一个苦行僧。”她很清楚,自己选择的是一条更加辛苦的道路。

“我到底图什么?你总得给自己一个答案。

我的答案是:我图成长得更快,图探索到大厂看不到的那些东西。这是我人生里最宝贵的财产。”

探索成长的边界就像不停地打怪升级,

“能打到A级的时候,你就希望说我想看看S级的boss什么样,你打到S级的时候,我想看S++级的boss什么样。”

佳芮一直把跑步的习惯坚持到了现在,每一次打卡的快乐一如当初。

“跑步和成长本质上是一样的:和自己比,看到自己的进步,追踪自己的进步,持续给自己正反馈,本身就是一件很幸福的小事。”

“我一直都去奥森跑5公里。

当你到了奥森的时候,基本上你就一定能跑完这5公里。但很多时候是你不想去,你犯懒,你不出发。

当你出发了,就离完成不远了。”

本周三晚7点,佳芮将作为「心想事成的女孩」栏目嘉宾,分享她过去十几年来在AI技术浪潮中的创业心得,和她从一个趁早女孩到CEO到成长故事。

如果你正在为未来感到焦虑,或者正在坚持和放弃之间徘徊,如果你也想知道如何跨越周期、活出想要的人生——

明晚7点,欢迎来趁早行动直播间,和佳芮一起聊一聊。

我们不见不散!

点击预约直播👇

跳转微信打开

  •  

一顿饭撞上 Claude Tag 发布:OpenClaw 如何催生了 slock 赛道,以及对 FDE 的新理解

原创 yan5xu 2026-06-29 12:07 上海

前几天,和觐开(Linkloud)、Patrick(Clink)约了顿饭。席间说起各自怎么在内部接入 Agent,又扯到上半年 AI 圈最火热的 Agent 协作赛道。slock(现改名 Raft)3 月亮相,三轮融资紧跟着进来,估值直奔六千万美金。国内国外,一堆团队往这个方向涌。

巧的是,饭局那晚 Anthropic 也出手了。Claude Tag 上线,把 Claude 装进了组织里的 Slack。

第二天,Creek Stone 的投资人李一豪、Gary.z 到办公室,我们又谈了很久:组织内的 Agent 怎么落地,怎么完成 AI-native 化改造。也就是 FDE。

为什么 Agent 协作在今年集中爆发?不同企业各自怎么把 Agent 接进来?Anthropic 这些模型厂商讲的 FDE,跟 Palantir 说的是一回事吗?一并整理在这里了。


slock 们其实是 OpenClaw 后的衍生产物

长程 Agent 的出现,让 Agent 可以被分发。组织 AI 落地的要求彻底变了。以前每个人都要会,现在只需要一个人(FDE)。

为什么 Agent 协作在今年上半年集中爆发?

这就像 2024 年 Sonnet 3.5 造就了 Cursor。Sonnet 3.5 是第一个能稳定写好代码的模型,在此之前 AI coding 有 demo 没有 production。底层的 model 能力过了阈值,Cursor 从一个小众工具变成了所有开发者的默认 IDE。不是 Cursor 突然变强了,是下面的东西变了。

slock 赛道也是同样的事。下面变了的东西,是 Agent 能记住了。

要理解这件事多重要,得先看它出现之前 Agent 是什么样的。

以前。 去年 7 月,我写过一篇《忘掉〈Her〉吧,诺兰旧作〈记忆碎片〉才是 LLM Agent 的必修课》。文章里用 Leonard 来比喻那时的 Agent。Leonard 本身强悍,有着特工级别的专业技能,但患有顺行性遗忘症,每十几分钟记忆清零一次。拍立得照片帮他采集信息,照片背面的笔记做上下文标注,纹身用来固化核心线索。一整套外部系统对抗失忆。可每次记忆重置之后,他还是一脸迷茫,出现明显的行为断层。最后困在一桩其实已有结局的案件里,出不来。

那篇文章的核心问题是:「如何在一个本质上无状态的、记忆窗口极其有限的系统中,去执行一个需要长期有状态跟踪的复杂任务?」

2025 年的 Agent 就是 Leonard。Manus 是代表,session-based,用完就丢,没有记忆。每次都要重新告诉它你是谁、要干什么、前面发生过什么。

这意味着什么?不是 Agent 不够强。是落地门槛太高了。

每个使用者都得自己理解什么叫上下文、什么样的上下文能让 Agent 更好工作,自己学会沉淀 skills、用文档做经验复用。用好 Agent 的门槛极高。一个没有长期记忆的人,业务能力再强也很难跟他谈协作。人天然排斥重复劳动,每次合作都要从零开始交代一遍,谁也受不了。

换个角度说:以前 AI 落地,组织里每一个人都要会。每个人都是自己的 FDE。

现在。 今年 1 月,OpenClaw 出现了。Peter Steinberger 发布了这个本地部署的自主 AI 助手。记忆持久化存在本地,跨 session 保持上下文。还有一个 Skills 系统,Skills 以目录形式存储,像给 Agent 装上了可插拔的能力模块。GitHub 飙到 247,000 stars。

为什么说 OpenClaw 启发了后来的 slock?不是因为它用了什么新技术。是因为它让很多人第一次看到:Agent 可以持续存在,持续积累,持续干活。

更重要的是,它改变了 Agent 的分发模式。

以前每个人都要自己管 session、自己写 prompt、自己做上下文管理。Agent 用完就丢,任何经验都没法沉淀。现在一个人调教好一个 Agent,交给全组织用。调教的人不需要懂研发,用的人不需要懂 Agent。觐开在 Linkloud 做的就是那个「一个人」的角色。

slock 的设计哲学里有一条:「一个 Agent 是一个 session:一个持续的身份,跨越数天和任务保持活跃。」Claude Tag、Viktor、Moxt,各自的路径不同,但都在做同一件事。不同团队在不同的路径上撞到了同一个结论。不是谁学了谁。是 Agent 的存在形态变了,底层限制一打破,不同的团队几乎同时看到了同样的可能性。

OpenClaw 打破了 Agent 的无状态限制。Agent 能记住之后,协作才成立。slock 赛道不过是这个变化长出来的东西。


Agent 进了组织之后

分发问题解决了。一个人调教好 Agent,交给全组织用。但下一步的问题马上来了:Agent 以什么形态住进组织?

目前两条路。

接入现有 IM。 Viktor 坐进 Slack 和 Microsoft Teams,$20M ARR,40,000 多个团队在用。Moxt 接入 Slack,觐开就是用它在 Linkloud 做的落地。Claude Tag 也是,Anthropic 没有另起炉灶,直接把 Claude 装进了组织已经在用的 Slack。Karpathy 说得直接:「I work from Slack now。」

自建 IM。 slock 自建了整个协作平台,自己的 channels、自己的 DMs。Agent 不是接入 Slack,是 slock 自己就是工作入口。helio 也是,王文锋做的是一个 AI-native 的工作空间,AI 同事有名字、头像、邮箱、日程。FloatIM 甚至为 Agent 重新设计了群聊协议。

这两条路看起来各有道理。但我们的观点很明确:自建 IM 这条路大概率走不通。

理由不复杂。

第一,IM 体验。 自建 IM 的 IM 体验永远超不过 Slack 和飞书。人家做了十几年,消息、搜索、文件、通知、emoji、thread,每一个细节都是时间堆出来的。自建一个和 Agent 协作的 IM,就是在和这些几十亿美金的公司在他们最擅长的领域竞争。

第二,切换成本。 切换 IM 的成本极高。组织的一切上下文已经在现有 IM 里。几年的聊天记录、文件、决策过程全在里面。让一个团队为 Agent 换工作入口,和让一个人为了一款新 app 换手机是两回事。觐开选 Moxt + Slack 而不是自建一个,就是这个原因。

接入路线不意味着产品没有分歧。相反,分歧更深。不是产品形态,是组织隐喻。

  1. 频道隐喻。 slock 和 helio 把 Agent 当作频道里的同事。@Agent 和 @真人一样的语法,对话长在 channel 里,上下文是连续的。

  2. 看板隐喻。 multica 把 Agent 放进看板,像接 ticket 一样接任务。26K GitHub Stars,开源路线。

  3. 公司隐喻。 buda 把 Agent 当雇员。Agent 是龙虾(执行),人是兔子(决策)。每个 Agent 有自己的 Drive、Memory、Skills。

  4. 文件系统隐喻。 moxt 的核心主张:MD 和 CSV 是 Agent 的母语,OS 文件目录是 Agent 的工作环境。不是给人用的文档工具加 AI 按钮。

  5. 知识层隐喻。 glean 不做 IM,不做 workspace,先索引企业一切数据,让 Agent 跑在索引上。$300M ARR,七年老兵。

隐喻不同,意味着每一家对「Agent 应该怎么工作」的基本假设不一样。

而在这些分歧之上,有几个问题是所有产品都绕不开的。

第一,scope 怎么切。 一个组织里要有多少个 Agent?按部门拆(财务 Agent、法务 Agent、研发 Agent)还是按流程拆?单个 Agent 的职责边界在哪?这本质是 Domain Agent 怎么划分的问题,目前没有共识。

第二,通信怎么搞。 群里有多个 Agent,你 @ 一下,谁回?都回就炸了。Agent 和 Agent 之间的对话,人要不要看到?看不到的话,它们天天在那发消息,出了问题谁负责。看得到的话,人的信息流被 AI 的对话淹没。通信风暴是真实的问题,不是理论上的。

第三,门槛怎么降。 slock 走本地优先路线,需要用户自己配 Codex 和 Claude Code。helio 走云端优先,开箱即用三步 45 秒。王文锋说本地优先「天然把门槛抬高」,但云端优先意味着 Token 消耗量提高了一个数量级。两条路在赌不同的人群。

这些问题的答案还没有共识。但问题本身说明了一件事:Agent 已经进了组织。剩下的不是「能不能」,是「怎么做得更好」。


FDE 的另一面

FDE 挣的不是卖人天的服务费,不是 Token 转售的利润。是你帮客户改造流程创造了超额收益,他离不开你的钱。

分发模式变了,组织里只需要一个人来调教 Agent。Agent 进了组织,scope 怎么切是所有产品都绕不开的问题。这些事都指向同一个角色:FDE。

关于 FDE,我 5 月写过一篇长文。概要就是:FDE 是嵌入客户环境的工程师,背靠平台,产物回流。Palantir 那套打法是 Echo 找问题、Delta 快速原型、Dev 抽象为平台能力。碎石路变铺好的路。

这是 Palantir 式的 FDE。 你有一个平台产品,派人进客户现场,做的方案回流到平台。收的是交付的钱。

但这次和 Creek Stone 聊完之后,我发现 5 月那篇漏了一个视角。

今年 5 月,OpenAI 联合 TPG 等 19 家机构砸了 40 亿美元成立 Deployment Company,专门往企业里派工程师。Anthropic 跟 Blackstone、Goldman Sachs 合作投了 15 亿美元成立企业服务实体。

这是模型厂商的 FDE。 和 Palantir 完全不是一回事。

要理解他们的做法,先看他们的位置。模型厂商手上有断层级别的模型。他们可以不发模型,或者保证内部 SOTA 比分开发模型领先六个月。垄断优势就这么来的。

有垄断优势,下一步自然不是卖 Token。是改造行业。

AI 是蒸汽机之后的下一场工业革命。每一个行业都会被重塑。重塑之后的行业,生产力高一个量级。改造成功,必然产生超额收益。他们要做的,就是从这些超额收益里分钱。

怎么做?三步。

第一,用 AI 改造工作流程。 进场不是卖软件,是用 AI 的方式把一家公司的工作流程重新做一遍。

第二,收超额费用。 改造成功,必然产生超额收益。没产生,说明改造失败了。产生了,就从超额收益里分走一大块。不是按 Token 计价,是按你多赚了多少钱来收。

第三,绑定。 工作流跑在他的模型上,数据喂给他的模型,模型越来越好,你越来越离不开。就像当年的 Intel Inside,芯片成了行业的基础件,谁也换不掉。

有垄断优势,自然会先进军利润最高的地方。金融、法律、医疗。精力有限,肯定从最肥的肉开始。

他们甚至不需要自己做每一家客户。Harvey 就是模板。Harvey 用 Anthropic 的模型服务律所,Anthropic 从 Harvey 的超额利润里分走一大块。Harvey 赚的是行业信任溢价:「我是一百亿美金的公司,我能兜底一亿美金的 case」。Anthropic 赚的是模型垄断溢价。各赚各的。

两句话区分:

  • Palantir 式 FDE:有平台,派人进场,收交付的钱

  • 模型厂商 FDE:有垄断,改造行业,分超额收益

独立 FDE 公司的机会在别处。隐形冠军。行业里排前三、年收入几个亿美金、利润率极高,但永远不会上头条的公司。制造业某个细分环节、物流供应链、跨境电商涉税合规。这些行业 Anthropic 不会亲自碰,但同样需要 AI 改造,同样能产生超额收益。

本质上,独立 FDE 赚的是 AI 认知差。你知道 AI 能干什么,这些行业里的人不知道。不是「听说 AI 很强」那种知道,是真正动手改造过、知道具体怎么干的知道。拿着这个信息差进场,帮他们完成改造,从增量里分钱。

但这个窗口不会一直开着。可预见的只能按六个月到一年去看。等大家都会了,认知差就没了。先找一家,先干进去。

李一豪那天说得最直接:你选一个行业钻进去,帮他把 AI 改造做完。他离不开你的时候,价格是你来开的。不进核心流程就不叫 FDE。


OpenClaw 打破了 Agent 的无状态限制,分发模式从「每个人都要会」变成了「一个人调教好,其他人直接用」。这是 slock 赛道今年爆了的根。

Agent 进了组织之后,产品形态在分叉,scope、通信、门槛全没有共识。但没有共识说明一件事:它已经进来了。

FDE 也是。以前觉得 FDE 就是 Palantir 那套,派人进场做交付。现在模型厂商自己下场,用垄断优势改造行业,从超额收益里分钱。独立 FDE 的机会在隐形冠军,挣的是 AI 认知差。

上面聊了这么多,其实都在说同一件事。AI 正在迅速从 C 端转入 B 端。不是 chatbot,不是个人效率工具。是怎么进组织,怎么改流程,怎么算钱。


附:文中提到的公司与产品

Linkloud — 华人 AI/SaaS 出海社区,通过线下沙龙、Workshop、先锋加速营(美国/日本游学)等服务帮助中国创业者打开海外市场。覆盖北京、上海、杭州、深圳、硅谷、东京等城市。没有研发团队。觐开是 Linkloud 的创始人。

Clink — AI-native 支付基础设施公司,总部 San Francisco。创始人 Patrick Wu。今年 4 月发布了世界首个 Fiat Agentic Payment Skill,让 AI Agent 用真实法币付款,在用户已有的信用卡上,用户设定限额。支持 135 种货币和 100 多种本地支付方式。投资方包括 Celtic、Baidu Ventures。「十几个人外加几十个 Agent 的公司。」

Creek Stone — 2025 年上海成立的 two-man VC 基金,LP 高瓴。创始人李一豪、钟陆欢(从弘毅资本出来)。专注垂直领域的 ASI、关键组件、Coding AI、AI 硬件。

slock(Raft) — Agent-native 实时协作平台,人和 Agent 在 channels 和 DMs 中平等工作。dxhuang(前 kimi CLI 作者)在团队中。王慧文首先出手,真格红杉跟进,三轮融资从发布到六千万美金估值不到两个月。

Viktor — 「AI employee that lives in Slack and Microsoft Teams」,前 Meta 工程师创业。20M ARR,40,000+ 团队。

Moxt — 「Build your AI-Native team」,每个 Agent 独立拥有 memory、skills、identity。接入 Slack。

Dust — 巴黎的 Multiplayer AI platform。$60M+ 融资,3,000+ 组织。

helio — Sheet0 团队王文锋的产品,AI-native team workspace。2026 年 4 月内测。

OpenClaw — Peter Steinberger 创建的本地部署自主 AI 助手。持久化记忆存在本地,Skills 系统。GitHub 247,000 stars。2026 年 1 月爆发。

Claude Tag — Anthropic 的 Slack 内团队 Agent。2026 年 6 月 23 日发布。per-channel identity,持续积累上下文。Karpathy 称其为 LLM UI 第三次范式。

FloatIM — Floatboat 的 Agent 原生消息层。为 Agent 重新设计群聊协议,三个开源组件 MIT 许可。创始人谭少卿,10 年 OS 级 AI 经验。$2M 种子轮,红杉中国+微光创投。

multica — 开源 Agent 管理平台,"Project Management for Human + Agent Teams"。把 Agent 放进看板接 ticket。26K GitHub Stars。支持 12 种 Agent runtime。

buda — 云原生多 Agent 工作平台。"用 Agents 开一家公司"。Agent 是龙虾(执行),人是兔子(决策)。每个 Agent 有独立 Drive、Memory、Skills。创始人陈霈霖。

glean — 企业 Work AI 平台。先索引企业全部知识,再让 Agent 跑在索引上。7.2B 估值。2019 年成立,创始人 Arvind Jain 前 Google 搜索 10 年。

Harvey — 法律行业 AI 平台。总融资超 110 亿。142,000+ 法律专业人士,60 家 AmLaw 100 律所。Anthropic 生态里的垂直品牌模板。


前文

跳转微信打开

  •  

《HelloGitHub》第 123 期

原创 HelloGitHub 2026-06-29 08:15 北京

兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!每月 28 号更新。

兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!

简介

HelloGitHub 分享 GitHub 上有趣、入门级的开源项目。

github.com/521xueweihan/HelloGitHub

这里有实战项目、入门教程、黑科技、开源书籍、大厂开源项目等,涵盖多种编程语言 Python、Java、Go、C/C++、Swift...让你在短时间内感受到开源的魅力,爱上开源!


以下为本期内容|每月 28 号更新

C 项目

1、keyd:Linux 系统级改键工具。这是一个 Linux 上的系统级键盘重映射守护进程,基于内核输入层(evdev/uinput)实现,无需依赖桌面环境,配置在 X11、Wayland 和 TTY 终端中均可生效。支持按下、长按设置不同动作、自定义按键组合,以及为不同键盘单独配置按键映射规则等功能。

地址:github.com/rvaiya/keyd

2、mbedtls:灵活易用的 TLS 库。该项目是用 C 语言编写的加密库,可用于实现加密原语、X.509 证书操作以及 SSL/TLS 和 DTLS 协议。它体积小巧、易于移植,并提供丰富的示例,适用于物联网和嵌入式系统等资源有限的设备。

地址:github.com/Mbed-TLS/mbedtls

C# 项目

3、PaperTodo:极简的 Windows 桌面便签工具。这是一款极简的 Windows 桌面便签工具,每张便签是独立无边框浮动窗口,无主窗口、无账号、无分类管理,内容自动保存。支持待办纸和笔记纸(轻量 Markdown 高亮)两种形态,可折叠成置顶小胶囊,自动贴到屏幕边缘。来自 @snownico0722 的分享

地址:github.com/snownico0722/PaperTodo

C++ 项目

4、luanti:开源体素游戏创作平台。这是一个开源体素游戏引擎,可以用 Lua 快速做出自己的 3D 方块游戏。它内置内容商店可直接下载来自社区的模组和游戏,支持单人、局域网和多人联机,可在 Windows、macOS、Linux 和 Android 上运行。

地址:github.com/luanti-org/luanti

5、SpeedyNote:老旧平板也能用的手写笔记工具。这是一款专为低成本设备优化的跨平台手写笔记应用,目标是在老旧平板上实现接近 iPad 的书写体验。它支持压感书写、多图层、PDF 批注和手写 OCR,可在 Windows、macOS、Linux、Android 和 iPadOS 上运行。作者想让无纸化学习平民化,同时为那些被遗忘在角落的旧设备注入新的活力。

地址:github.com/alpha-liu-01/SpeedyNote

Go 项目

6、chinese-poetry-api:开箱即用的中国古诗词 API 服务。该项目是用 Go 语言编写的中国古诗词 API 服务,收录了唐诗、宋词、元曲等近 40 万首作品。它提供 REST API 和 GraphQL 接口,支持全文搜索、IP 限流、按朝代/作者/诗型随机取诗和 Docker 一键部署。

地址:github.com/palemoky/chinese-poetry-api

7、fight-the-landlord:终端里的斗地主游戏。这是一款用 Go 编写的斗地主游戏,主打随机发牌、无控牌算法。支持联网对战、房间匹配、断线重连、记牌器、音乐开关等功能,还集成了快手开源的 DouZero 斗地主 AI,可作为机器人补位或对战。

地址:github.com/palemoky/fight-the-landlord

8、gopass:专为团队设计的命令行密码管理器。这是一款用于存储管理和同步密码、密钥与证书的命令行工具,可作为 UNIX 密码工具 pass 的替代品。默认用 GPG 加密和 Git 管理凭据,可通过 Git 仓库在多设备、多人团队之间同步。

地址:github.com/gopasspw/gopass

9、tinyauth:开源的零代码身份认证中间件。这是一个 Go 语言开发的极简认证中间件,可通过 Docker 快速部署。它能为任何 Web 应用或服务一键添加登录界面或 OAuth 登录(Google、GitHub 等),无需修改现有代码,可无缝集成到 Traefik、Caddy、Nginx 等主流反向代理,极大地简化了登录实现流程。

地址:github.com/tinyauthapp/tinyauth

JavaScript 项目

10、emdash:WordPress 的无服务器替代品。该项目是基于 Astro 构建的内容管理系统,可作为 WordPress 的替代品。它提供 WordPress 导入、可视化编辑、全文搜索、定时发布等功能,可直接运行在 Cloudflare 或本地 Node.js+SQLite 等环境上。

地址:github.com/emdash-cms/emdash

11、r2-web:纯前端的在线文件管理平台。这是一款纯前端的 Cloudflare R2(云存储)文件管理器,打开网页输入 R2 凭证,就能直接管理桶里的文件。它内置图片、视频、音频和文本预览,支持拖拽/粘贴上传、图片压缩、批量管理等功能。来自 @Viki9VD3M 的分享

地址:github.com/vikiboss/r2-web

12、react-scan:自动揪出 React 应用性能问题的工具。该项目是专门用来发现 React 应用性能问题的可视化调试工具,无需改动任何代码,只需添加一个 script 标签或运行一条命令,即可在页面上高亮显示哪些组件发生了不必要的重渲染,适用于 React、Next.js、Vite、Remix 等项目。来自 @JRZYgit 的分享

地址:github.com/aidenybai/react-scan

13、tiny-world-builder:在浏览器里搭建 3D 体素迷你世界。这是一个基于 Three.js 构建的 3D 体素世界编辑器,类似迷你版《我的世界》创作沙盘。无需安装打开网页即可搭建地形、修道路、挖河流、搭房子、种作物、摆道具,支持本地保存、导入/导出、车辆自动寻路和避障。

地址:github.com/jasonkneen/tiny-world-builder

14、tolaria:基于 Git 的本地 Markdown 知识库工具。这是一款用来管理 Markdown 知识库的桌面应用,每个知识库即一个 Git 仓库,天然拥有版本历史和变更记录。笔记以 Markdown 文件存储随时可迁移,并内置 MCP 服务器,支持 Claude Code、Codex 等 AI 工具直接读写知识库,适用于搭建个人第二大脑、沉淀团队文档或作为 AI 助手的长期记忆库。来自 @JRZYgit 的分享

地址:github.com/refactoringhq/tolaria

Kotlin 项目

15、shiguangschedule:极简的 Android 课程表。这是一款面向中国高校师生的开源 Android 课程表,可通过适配脚本一键导入,不同学校教务系统的课程数据,支持今日课表、桌面小组件、上课自动静音或开启勿扰模式等功能。来自 @星河欲转 的分享

地址:github.com/XingHeYuZhuan/shiguangschedule

Python 项目

16、ASCILINE:把视频变成字符流的引擎。这是一款跨平台的实时 ASCII 视频渲染引擎,可实现 30 FPS 的流畅播放效果,支持 URL 直接播放、音视频同步、自适应帧编解码等功能,ASCII 模式下无需 GPU 即可流畅运行。

地址:github.com/YusufB5/ASCILINE

17、black:省心的 Python 代码格式化工具。该项目是由 Python 软件基金会(PSF)官方维护的代码格式化工具。配置项少、结果可重现,只需一条命令,代码就会变成统一风格,彻底消除团队的代码风格之争。来自 @Xuefeng Xu 的分享

地址:github.com/psf/black

18、mpmath:任意精度的 Python 数学计算库。该项目是可以计算到任意小数位的 Python 库,支持求根、线性代数、微积分、实数和复数运算等功能,适用于处理普通浮点数不够用的高精度数值计算场景。来自 @Xuefeng Xu 的分享

地址:github.com/mpmath/mpmath

19、Scrapling:自适应网页改版的 Python 爬虫框架。这是一款自适应的 Python 爬虫框架,解析器会学习网站结构变化,在页面改版后自动重新定位目标元素。内置开箱即用的抓取器,支持多会话并发、断点继续、域名屏蔽和 MCP 服务等功能。来自 @Karim shoair 的分享

地址:github.com/D4Vinci/Scrapling

20、winpodx:把 Windows 应用“嵌”进 Linux 桌面的工具。这是一款在 Linux 上运行 Windows 应用的开源工具,无需进入完整的 Windows 桌面。它会在后台用容器起一个 Windows 系统,并通过 FreeRDP 把每个 Windows 应用变成独立原生的 Linux 窗口,支持固定到任务栏、Alt-Tab 切换、文件关联和 USB 设备。

地址:github.com/kernalix7/winpodx

Rust 项目

21、llmfit:一条命令找出本地能运行的模型。这是一款用 Rust 编写的终端工具,能够自动检测本机的 CPU、GPU、内存等硬件信息,并推荐适合本地运行的大模型。它会从质量、速度、适配度和上下文等维度给模型打分排序,支持 Ollama、llama.cpp、MLX、vLLM、LM Studio 等主流本地推理环境。

地址:github.com/AlexsJones/llmfit

22、rerun:物理 AI 的多模态数据可视化平台。这是一款专为机器人和物理 AI 场景打造的多模态数据可视化平台,支持图像、点云、时序数据、关节状态等随时间变化的传感器数据。它内置实时查看器支持回放和多传感器并排对比,可通过 DataFrame 或 SQL 查询数据,并提供 Python、Rust 和 C++ SDK。来自 @Jas0nG 的分享

地址:github.com/rerun-io/rerun

23、smolvm:亚秒级冷启动的虚拟机管理工具。这是一款轻量级的虚拟机管理工具,虚拟机冷启动不到一秒。让你用接近容器的体验,获得虚拟机级别的隔离,兼容 Docker 镜像,支持将虚拟机打包成单个可执行文件,方便迁移和运行。

地址:github.com/smol-machines/smolvm

Skills

24、academic-research-skills:用于学术研究的 Claude Code 技能包。这是一套面向学术研究的 Claude Code 技能包,将查文献、引用验证、数据核查、逻辑一致性检查和写作风格校准等繁琐的工作交给 AI 处理。它不是替你写论文,而是让你专注于提出问题、选定方向和解读结论。

地址:github.com/Imbad0202/academic-research-skills

25、ponytail:让 AI 编程助手少写代码。该项目是把一位懒得多写一行代码的资深程序员,装进你的 AI 编程助手的技能包。让 AI 少写代码,防止过度工程化,可减少约 54% 代码量、20% 花费和 27% 时间。

地址:github.com/DietrichGebert/ponytail

26、stop-slop:让 AI 写作少一些套路。这是一个专门用于去掉 AI 味的写作技能包,让模型在生成、润色和审稿时主动规避那些一眼像 AI 写的句式,比如套话开场白、商业黑话、夸张转折、无意义金句等。

地址:github.com/hardikpandya/stop-slop

27、text-to-cad:一句话生成 CAD 模型的技能包。这是一套赋予 AI 智能体 CAD 建模能力的技能包,支持通过自然语言或参考图片生成、修改和校验 CAD 模型。以 STEP 为主格式,可导出 STL、3MF、GLB 等文件,还支持生成 URDF/SRDF/SDF 机器人描述文件和浏览器本地预览等功能。

地址:github.com/earthtojake/text-to-cad

Swift 项目

28、Atoll:把 MacBook 刘海变成灵动岛的应用。这是一款用 SwiftUI 写的 macOS 工具,能够将 MacBook 顶部的刘海变成类似灵动岛的多功能控制中心。它平时隐藏于屏幕顶部,支持 Apple Music/Spotify 媒体控制、CPU/GPU/内存等系统监控、计时器、剪贴板历史和日历预览,并提供锁屏小组件和手势操控。

地址:github.com/Ebullioscopic/Atoll

29、MacTools:住在菜单栏里的 macOS 工具集合。这是一款免费开源的 macOS 菜单栏工具,将一堆常用的系统操作和实用功能放到菜单栏里,支持防休眠、自动隐藏 Dock、系统静音、Xcode 清理、弹出磁盘、清空废纸篓、IP 查询和翻译等功能。

地址:github.com/ggbond268/MacTools

人工智能

30、CapsWriter-Offline:超低延迟的离线语音输入工具。这是一款完全离线的语音输入工具,按住 CapsLock 键说话、松开即可转换为文字。支持实时语音识别、音频文件转录、数字格式转换、热词替换、LLM 润色等功能,所有录音均保存在本地,还可放进 U 盘即插即用。来自 @Anouâr 的分享

地址:github.com/HaujetZhao/CapsWriter-Offline

31、GOD:AI 智能体小镇。这是一款本地优先的多智能体模拟和实时操控平台,不同于只能旁观的 Agent 模拟器,支持随时暂停/回放、注入干预指令、向单个或全体成员提问,以及一键重置整个模拟世界和多种地图包。来自 @Yige Luo 的分享

地址:github.com/XiaoLuoLYG/GOD

32、OpenMAIC:开源的 AI 互动课堂平台。该项目是由清华团队开发的多智能体互动课堂平台,可将任意主题或文档一键生成沉浸式课程,AI 老师和智能体同学实时授课、讨论、互动。它内置白板绘图和语音合成,课程可导出为 PPT 或交互式网页,支持 3D 可视化、模拟实验、小游戏、思维导图和在线编程。来自 @猪笑驴脸长 的分享

地址:github.com/THU-MAIC/OpenMAIC

33、train-llm-from-scratch:从零开始训练大语言模型。该项目是手把手带你从零训练大语言模型的实战教程,不是简单调用 transformers 跑个示例,而是用 PyTorch 从底层实现 Transformer、预训练、监督微调、奖励模型和评测的完整流程。

地址:github.com/FareedKhan-dev/train-llm-from-scratch

34、vllm-omni:全模态模型推理框架。该项目是由 vLLM 官方开源的全模态推理与服务框架,在 vLLM 基础上扩展了图像、视频、音频的输入与生成能力,同时支持自回归模型与扩散 Transformer(DiT)等非自回归模型。

地址:github.com/vllm-project/vllm-omni

其它

35、Echo-Loop:把英语音频变成听说训练的应用。这是一款专注于英语听说训练的应用,帮助用户把一段音频从完全陌生练到听懂会说。支持导入本地音频和字幕,提供逐句精听、意群划分、跟读评分、段落复述等功能,还可将生词连同原句语境一起存入闪卡随时复习。学习进度自动保存,下次打开直接从上次的句子继续,让碎片时间也能高效利用。来自 @echo-loop 的分享

地址:github.com/echo-loop/Echo-Loop

36、micro-radar:放在桌上的迷你航班雷达。这是一款基于 ESP32-C3 的开源桌面航班雷达。它不是真的接收 ADS-B 无线电信号,而是通过 Wi-Fi 从 OpenSky API 获取附近实时航班数据,并将其显示在 1.28 英寸的圆形屏幕上。

地址:github.com/AnthonySturdy/micro-radar

37、optocamzero:用树莓派自制的口袋数码相机。这是一款基于 Raspberry Pi Zero 自制的迷你数码相机,小到能直接塞进口袋。它配备 1.4 英寸 LCD 屏幕和自动对焦摄像头,支持拍摄 2592×2592 像素的照片、GIF 录制、8 种滤镜和 Wi-Fi 传输照片。

地址:github.com/dorukkumkumoglu/optocamzero

38、tab-harbor:安静的新标签页工作台。这是一款将 Chrome 新标签页变成浏览器工作台的插件,能够自动按域名分组整理标签页。支持手动分组、快捷链接、会话保存与恢复,可一键清理重复标签、标签休眠,同时所有数据均保存在本地。来自 @fxdy2004 的分享

地址:github.com/V-IOLE-T/tab-harbor

最后

感谢参与分享开源项目的小伙伴们,欢迎更多的开源爱好者来 HelloGitHub 自荐/推荐开源项目。

希望本期内容有你感兴趣的开源项目,兴趣是最好的老师,它能点燃你对开源的热情、勇敢地迈出第一步,随时欢迎你加入开源的大家庭!如果还没看过瘾,点击阅读 往期内容。

图片

点击阅读原文可按照编程语言浏览项目

阅读原文

跳转微信打开

  •  

GIAC 2026 圆满落幕:AI Native 进入深水区,技术组织如何重构?

高可用架构 2026-06-27 18:57 中国香港

Image

6月26-27日,由msup和高可用架构联合主办的 GIAC 全球智能应用开发与架构大会,在深圳好日子皇冠假日酒店隆重举行。本届大会紧扣「大模型产业化落地」这一核心议题,集结了快手、字节跳动、腾讯、喜马拉雅等一线研发创新负责人,共同呈现50个源自真实业务场景的前沿架构案例。议题全面覆盖生成式AI、AI安全、Agentic AI、多模态等年度热点技术方向,每个案例均经过严格筛选,确保为参会者带来可落地的工程智慧与创新灵感。

Image

开幕式精华

本届大会开幕式,立足2026年技术新坐标,以 “从模型到产品,从产品到产业” 为主线,为现场500+听众呈现年中首场硬核架构实践,确保每一位参会者带走的不只是趋势判断,更是可复用的工程范式。如下是5位大咖的干货分享:

刘付强:用工程师文化构建 AI-Native 组织

_

Image

msup创始人兼CEO、微上信息技术研究院院长刘付强以“用工程师文化构建 AI-Native 组织”为题进行分享。他指出企业不应仅仅停留在工具使用或Token消耗的层面,打造 AI-Native 组织的核心在于实现“从研发层到经营层”的认知升维,将技术真正融入商业模式的血液中。他基于最新的实战观察,提出了迭代后的“DRIVE”模型,以五个维度构建组织竞争力的护城河:

关键实践一:技术战略解码,从“支撑”走向“引领”。摒弃“用技术的勤奋掩盖战略的懒惰”。重新定义技术委员会在组织中的定位,使其不只是技术选型部门,而是由一号位主导,预判拐点、制定三年至五年“技术战略屋”的核心部门,确保技术直接驱动商业增长与收入模式的重构。

关键实践二:团队认知重塑,实现“战略与能力的上下同欲”。不仅是工程师的技能升级,更核心的是一号位及中高层对AI战略的认知对齐。通过“训战营”而非单一培训,通过定标、对标、达标,打通从战略意图到一线落地的链路,确保左膀右臂与核心岗位能够承接并执行AI战略。

关键实践三:构建试错土壤,培育智慧涌现的机制。好的管理不是控制KPI,而是激发创新。企业应通过设立创新基金、荣誉体系及常态化的“Hackathon”机制,培育容错土壤,鼓励跨部门结对、揭榜挂帅,像种植花草一样为组织注入阳光雨露,让创新自然发生。

关键实践四:跨越技术鸿沟,完成“技术管理”到“技术经营”的转型。识别并规避创新陷阱。科技型领军者需打破“研发即一切”的桎梏,主动向业务向上,向经营靠拢。以CEO的视野审视技术团队,将技术能力转化为商业SaaS模式或结果导向的经营成果,真正实现技术与商业的一体化。

关键实践五:效能生态化,将“组织能力”封装为API。效能的核心从资源储备转向资源的流动性。通过构建企业内部的“API平台”或“MCP模式”,将部门能力封装为易被调用的Skill。不仅要成为被企业内部调用最频繁的模块,更要努力成为外部生态可调用的高效节点,实现组织能力的数字化封装与价值释放。

蒋力:
Google Cloud Agentic AI 打造出海“超级引擎”

_

Image

Google Cloud AI GTM 专家蒋力为大家带来了《Google Cloud Agentic AI 打造出海“超级引擎”》的话题分享。AI正从单一模态和效率工具,全面演变为驱动业务增长的超级引擎。从纯文本拓展到原生多模态,从试点工程迈向大规模生产落地,AI已经发生了质变,并催生了以Token为核心的新经济模式,标志着Token经济已从概念走向实实在在的爆发。

面对这一趋势,Google自身正全面转型为AI-first组织。在底层配备了从训练到推理的全链路专用芯片,为海量AI原生应用提供坚实支撑。

对于企业出海而言,Google Cloud提供了独一无二的全栈式AI解决方案。从底层算力、自有大模型到上层应用,均由统一技术栈深度优化,实现效率的指数级提升,已帮助众多全球用户大幅节约成本、提升服务响应速度。同时,Google Cloud也是提供生成式AI训练与输出数据赔偿保证的云服务商,全面覆盖数据、版权及合规风险,并通过数字水印等技术确保资产可追溯。Google Cloud期待与更多企业携手,借助Google的AI超级引擎与全球生态,在全球市场扬帆远航。

李思:迈向AINative:技术团队的范式跃迁与组织进化

_

Image

快手主站 AIDevops 负责人李思带来了《迈向AINative:技术团队的范式跃迁与组织进化》的精彩分享。他分享了三个模块,分别是宏观判断、千人级实践和组织进化。这不是一个成功故事,而是一个还在演进的过程。

89%的企业已把AI投入实际业务,但生产力提升只有0.29%。DORA报告也显示,个体效能上去了,组织效能却没变。AI到位了,研发体系还是老样子,必须围绕AI重新设计。

过去一年踩了不少坑。24年下半年代码生成率从17%涨到30%,交付周期却没变。后来发现只有不到10%的工程师真正变了,差异不在用不用AI,而在有没有改变工作方式。快手把范式分成L1辅助、L2协作、L3自主,走两条路:L1到L2铺开,L1到L3特定场景突破。但个人快了组织没快,AI越快人和人协作摩擦越大,人机摩擦也成了新负担,根源在围绕人设计的结构卡住了AI。

解法就是三层重构。信息层面让AI能拿到知识,流程层面从串行改成Agentic模式,组织层面交付和守护分开、产研边界溶解。后面直播礼物的案例就是三层重构的落地缩影——方向、分镜、生成、评审都由Agent做,人只定目标,上新周期从20天压到4天以内。目前L2已成主流范式,较L1周期缩短20%到30%。

往前看还有验证规模化和先锋队模式两个难题。但说到底,变革落在每一个人身上。知识能被看见,品味和判断却很难,组织得给这些看不见的价值一个位置。人人都在加速,也要给远见留空间。AI跳过了慢慢写的过程,更要给年轻人慢慢生长的机会。范式在变,组织在变,底色永远是每一个工程师。

张宏波:
从“会生成”到“可交付”:AI时代的软件工程、语言上限与可靠性

——以MoonBit生态增长与大规模迁移实践为例

_

Image

来自粤港澳大湾区数字经济研究院基础软件中心首席科学家张宏波,带来了主题为《从“会生成”到“可交付”:AI时代的软件工程、语言上限与可靠性——以MoonBit生态增长与大规模迁移实践为例》的精彩分享。他认为,AI原生编程语言完全有可能。尽管有人质疑新语言缺语料,但过去半年用AI复制MoonBit生态的经验表明,软件工具链重构后,编程语言作为AI入口,值得为智能体全新设计。

AI时代软件工程面临四大挑战:可维护性—AI代码难转成长期资产;工具链碎片化—传统工具分散,AI上下文有限无法拼接;可靠性—Copilot生成代码三到四成有漏洞,人已无力审查;部署难—跨平台分发仍是瓶颈。

新语言能做减法:语言层减少历史包袱、提供更强护栏;反馈层统一编译、测试、诊断,让AI快速迭代;部署层一套代码输出Wasm/JS/Native,降低学习成本。但冷启动需3-4年高强度投入积累语料。意大利学者论文显示,MoonBit语料仅Gleam七分之一时,AI生成效果反而更好,证明AI友好设计确有其事。

通过类型系统和语义重构接口保障可维护性;将编译器、构建、IDE等统一到moon入口,解决碎片化;引入形式化验证确保安全;多后端和轻量Wasm支持跨平台部署,自带沙箱保护IP。整个生态可自动包装成Agent Skill,如PPT库编译为Wasm后无需安装即可调用。MoonBit的定位不只是一门语言,而是从语言设计开始的垂直整合软件生产线,覆盖编译、构建、测试、验证到部署全链路。

李朝明:
CLI原生·Agent共生——快递100的AI Native实践与开放生态

_

Image

快递100产研中心负责人李朝明带来了《CLI原生·Agent共生——快递100的AI Native实践与开放生态》的主题演讲。他表示,快递100 从2010年成立以来,一直在回答客户三个问题:货发了没有、货到哪里了、什么时候能到。去年快递100发布了中国首个快递物流网络数智图谱,通过AI加Data的能力,首次真正回答了“什么时候能到”这个困扰行业多年的问题。三个问题都回答完之后,这次会上又提出了新三问——用什么快递公司寄最合适、快递员什么时候上门取件、出了问题怎么办——其实都在回答同一个命题:快递物流的确定性。

经过一年进化,快递100网络数智图谱覆盖度从10家拓展到近15家主流快递公司,智能时效预估已服务超千家企业的5亿次调用。今年还衍生出新能力“智选运力”,能精确到小区楼栋,根据客户的位置和寄件需求,从网络图谱里推荐最匹配的快递品牌和运力,让确定性服务真正落地。

在AI Native的探索中,快递100总结出适用于他们的AI领创方法论,也就是端云协同+两个结合+CLI&Skill&MCP。他们把自己的能力封装成三大AI原语——CLI是命令管道,让AI直接调用;Skills是封装好的意图加执行链,指导AI如何使用;MCP是标准化协议,任何遵循MCP的AI都能接入。这三者共同构成AI可理解、可执行的原子化能力。

基于图谱和原子化能力,快递100还推出了全流程经营Agent“果宝”。它不是一个对话框,而是能独立上岗的数字员工——面向个人是AI快递助手,面向企业是AI快递管家,面向快递员是AI快递小哥。果宝具备自我进化能力,能够每天复盘工作、补齐知识,越用越聪明。

李老师分享结束后,小芒电商产研总监兰勇、雷赛智能IT总工涂楠、中捷通信有限公司物流事业部总经理助理兼电信业务中心经理兼翼快递孵化中心经理黄志中、北京芬香科技有限公司研发负责人苏金波、广东省快递行业协会秘书长助理何惠娟、Msup创始人兼CEO暨微上信息技术研究院院长刘付强、快递100总经理陈登坤、快递100副总经理兼首席产品体验官陈武强等八位嘉宾共同上台,见证快递100 AI Native新品发布。

Image

从代码开发到智能系统交付:

Agentic Coding 时代的

程序员新范式

本次开幕式新增了圆桌对话环节,GIAC 发起人,高可用架构发起人Tim Yang作为主持人、AfterShip CTO 洪小军、Lovstudio.ai创始人手工川、盛大集团EverMind COO韩云芸三位嘉宾,分享了各自领域的关键突破:

Image

关于程序员数量,大家的共识是传统写代码的岗位会减少,但更综合、更复合的高级群体会增加,编程会像数学一样成为普遍技能。在真实研发实践中,目前很多团队已无人写代码,全流程由AI和Agent串联,但挑战在于与外部协作仍需人类处理,同时要用更充分的上下文、更完善的验证和权限控制来应对AI犯错。关于新人该学什么,数据结构、计算机组成和哲学是基础,但学会学习、掌握与AI沟通的方式更重要。资深工程师的价值不可替代,他们能端到端负责事情、做关键决策和促成团队协作,懂得AI的边界,知道什么时候需要兜底。招聘和晋升时,大家更关注候选人做了什么、能否让一群人变快,以及是否有解决过棘手问题和展现Humanity关怀的特质。判断力、协作能力和对AI边界的理解,是未来工程师最稀缺的能力。

至此,GIAC开幕式圆满结束,各位嘉宾纷纷表示收获满满,期待明年和大家再聚。

跳转微信打开

  •  

TRAE Work Design 初体验:设计领域的翻译器

原创 刘飞 2026-06-25 21:23 上海

谁都能用 AI 的时候,关键不是看 AI,关键是看谁用。

1

最近试了一下 TRAE Work 新上的 Design 模式。

TRAE Work 和 TRAE IDE不一样,前者是面向普通用户的工作流的,后者更多是面向代码生产的。这也是一个本地运行的软件(也可以云端运行),所以能够检索和使用本地的文件和脚本。

自从 Claude 有了 Design 能力之后,我身边很多朋友就一直在等国内有没有类似的产品。现在终于来了。

用下来之后,我的第一感受是,TRAE Work Design 当然不是一个「让所有人都成为设计师」的产品。这个说法过于营销,不太准确。它更像是一个设计领域的翻译器。

过去我们的一个想法,要经历很多次翻译。

脑子里的想法,要翻译成需求文档;需求文档,要翻译成原型;原型,要翻译成设计稿;设计稿,还要翻译成代码。每一层都可能丢东西。老板说「高级一点」,产品经理可能理解成「信息层级更清楚」,设计师觉得是「留白更多、颜色更克制」,开发会说「又要改按钮样式」。过程中信息的失真程度太高,就跟传话游戏一样,最后东西经常不对。

TRAE Work Design 的意义,是把中间最费劲的一层翻译成本降下来了。用自然语言描述一个页面、一个产品、一套模板,它能先翻译成一个可视化结果。这个结果可能不完美,但重要的是,它终于变成了一个可以看的东西、可以点的东西,尤其是,一个可以继续改的东西。

这件事比单纯「AI 生成一张图」重要得多。

2

先说最直接的场景,产品原型。

我之前做过一个很小的游戏库 App,叫 Gamepix。功能很简单,就是收录自己玩过的游戏,记录起来作为游戏墙,是一个自己的游戏档案。

这种产品如果只是用文字讲,其实很难说清楚它应该长什么样。说「现代一点」「干净一点」「适合 iOS」,听起来都没问题,但千人千面,不同人脑海里想的是不一样的。

我就让 TRAE Work Design 帮我做这个 App 的主界面。

第一版,它做的是比较素雅的深色画廊风格。背景是深灰黑,紫色作为品牌色,游戏封面卡片排成两列,搜索栏、筛选器、底部 Tab 都比较克制。

注意,这个界面里的各个元素都是可以交互的。比如下面这些小标签,都可以直接通过可视化的操作调整。也可以直接添加到对话,让 AI 修改。

这就是翻译器的意义。

以前我们讨论设计风格,经常都在讨论形容词。什么叫「有质感」?什么叫「年轻」?什么叫「不要太互联网」?什么叫「高级但不要太冷」?什么叫「五彩斑斓的黑」?现在可以先生成出来,不是问大家「高级是什么意思」,而是直接把三版做出来:到底哪个更高级。

这个画布相当于就是一个靶子,至少让大家讨论的时候有的放矢。

这对产品经理和独立开发者非常重要。这个并不代表绕过设计师做最终稿,而是需要一个更接近正式产品的半成品。低保真原型太抽象,老板看不懂,开发也容易误会。而高保真设计又太重,需求还没定,就拉设计师出三版,资源也协调不开,最后就会卡在这。

一个可交互的 Demo 不光能可视化呈现大致的效果,更关键的是,如果后面继续进入 Code 模式,很多东西也不用再重新解释一遍。这也是之前 Figma 非常重要的一个价值。

过去从需求到设计、从设计到代码,每一层都有转译损耗。现在有了 AI design 工具,这个损耗会少很多。或者说,大家有种语言统一的感觉。

3

如果说刚才说的案例离大部分人还比较远。那么接下来我们说说别的。

其实设计这件事,在我们日常生活工作里面也是常见的。比如 PPT。

我之前用 AI 生成 PPT 试过很多工具。第一眼乍一看会觉得还行,甚至有时候挺惊艳。但真到关注细节的时候,发现问题可以说是琳琅满目。什么字号不统一、配色对不上、排版错位、图片位置诡异、文字太多、留白太少等等。如果让 AI 改,可能 A 改好了,B 又乱了。最后我通常都发现,比起来一遍遍抽盲盒,不如自己手搓。

对于大部分人来说,我始终觉得,理想中的 AI PPT,不是「一键生成完整 PPT」。真正的用户需求通常是:先定一套自己认可的模板,固定字体、颜色、版式和排版规则。以后每次把文稿喂进去,AI 理解内容之后,按模板填进去。

这次我就尝试让 TRAE Work Design 先做一套 PPT 模板。

一开始,我给的要求很简单:稳重、干净,适合商业和技术内容,不花哨,信息清晰。它生成了几种固定版式:封面页、章节过渡页、左文右图页、纯文字论点页、数据图表页、结尾页。

这一步看起来跟别的工具差不多。但其实是在建立一套表达规则。

我继续说,背景要更有高级感,想要克莱因蓝风格,要漂亮一点的底纹,文字不要罗列太多,字号放大。于是它把整套模板改成了克莱因蓝背景,加了几何底纹和很轻的内发光,把每页文字从段落改成关键词。

同时我给了他一篇我之前做的播客文稿的原稿。效果变成这样:

比如原来这一页第一行写的是:

「1900 年出生,父亲是鞋厂缝纫工,中学毕业后做面包师学徒,但志不在此,转而学习制鞋手艺。」

它会按照我的要求把它简化,改成:

「1900 年出生 · 鞋匠世家」

中间会有一些细节,比如章节过渡页里大号数字「02」的位置很奇怪,放在左侧垂直居中,显得特别突兀。我可以直接选中这一页说,这个数字位置不对,放到左下角。这个一下就可以改好。

正如前面所说,这种小修改看似不起眼,但是多了之后会非常麻烦,每次制作 PPT 的时候最头疼的就是这些步骤。这次如果规范建立了,接下来的所有的 PPT 都可以按照这个模板来。

这才是 AI Design 产品和传统设计软件很不一样的地方。传统设计软件考验会不会操作、记不记得功能具体的地方,AI Design 考验的是能不能把问题说清楚。

AI 工具好不好用,不应该看它第一次能不能「蒙对」,而应该看它错了之后,好不好改。TRAE Work Design 更像一个可以不断对话的设计助理。而且它也能有记忆。

4

对于内容创作者来说,也可以有自己的一套 VI 系统了。过去想要有这种设计系统,可能要花钱请外包团队,或者白嫖自己的设计师朋友。

现在要简单很多。

比如我做公众号,经常需要文章头图。头图当然可以用统一的字体模板,但是这种设计略显简陋。而如果每次都专门微调设计一个头图,成本又比较高。

这就可以让 TRAE Work Design 做一套头图设计系统。

我给他的需求是:科技商业类公众号,内容方向包括 AI 工具测评、科技史叙事、商业观察。整体要克制、干净、有杂志感。不要科技公司那种冷感渐变和发光,也不要营销号那种大字塞满的风格。

第一版是深色的。深海军蓝背景,白色标题,右下角固定「刘言飞语」署名。右侧会有一个淡淡的线框图,来体现主题。

后来我又想换成石膏白黄风格。底色变成暖白石膏,标题变成深炭黑,竖线变成暗金色。增加了镂空效果。

这套头图系统的关键不是某张图好不好看,还是规则固定了。背景、线条图案、标题效果是固定元素;每篇文章只替换标题文字,根据字数微调字号。这样以后不用每次从空白画布开始,也不用每次重新跟 AI 说一遍要求。

一说「设计系统」,会觉得这是大公司设计团队才会用的东西。但其实,就跟 Excel 模板、合同模板、邮件模板一样。一个设计系统本质上就是降低重复工作的边际成本。每次做 PPT,不用重新想版式;每次做公众号头图,不用重新想颜色;每次做网页,不用重新想按钮圆角、字体层级和卡片样式。这就是系统的价值。

5

AI Design 并不会让人人都是设计师,就像 AI coding 也并不会让每个人成为独立开发者一样。

AI Design 真正降低的不是审美判断的门槛,而是表达和执行的门槛。它让更多人可以把脑子里的想象先拿出来,不需要先熟练掌握 Figma、Photoshop、PowerPoint 的各种功能,才能看到一个初步结果。可以先说出来,生成出来,再改。

但这不代表专业能力不重要了。恰恰相反,当大家都能生成一个「看起来还行」的页面,真正稀缺的就是判断力。

设计师不会失去价值。以后更重要的可能不是会不会画出一个按钮,而是能不能定义系统、判断风格,以及知道一个页面为什么「看起来好像不对」。为什么同样是极简,有的像 Apple,有的像毛坯?这些判断,要么是需要有大量经验积累的,要么是需要专业训练的,并不是自然具备的。

产品经理也一样。以前产品经理有一部分能力是中间态技能:写 PRD、画原型、做流程图。这些当然还会有价值,但如果 AI 能更快生成可视化原型,产品经理的价值就会继续往前移:能不能定义问题,能不能拆需求,能不能判断优先级,能不能知道拥挤的首屏到底该放什么,这些会更重要。

对于内容创作者也一样。以前不会设计,就只能凑合;现在可以做自己的公众号头图系统、PPT 模板、官网页面。工具会让个人表达更像一个完整品牌,而很多个体的品牌也会变得更加重要。前提还是,你得知道自己想要什么。

说到最后,AI 会放大内在丰富的人,也会暴露没有思考的人。

很多人过去说自己有个点子,就差一个程序员,有了 AI coding,这句话越来越站不住了。接下来可能还会有人说,我有个产品,就差一个设计师。Design 这类工具出现后,这个借口也会少一点。

不是说真的不需要程序员和设计师了,而是说至少可以先把第一版东西做出来看看。一个想法到底有没有价值,不用再永远停留在「我就是没有他们有资源」,而是真的可以拿出 Demo 来,先把问题暴露。Talk is cheap , show me the demo。

很多想法都是异想天开的。比如「做一个年轻人的社区」「做一个打败滴滴的网约车平台」「做一个更懂用户的内容产品」。这种话可以在会议室和咖啡馆说上三天三夜,但交给 AI 做出来,放到应用商店里给人用,结果会更加直观。

AI 是翻译器,但不是作家。原文写得随意,译文不会变成文学名著。

谁都能用 AI 的时候,关键不是看 AI,关键是看谁用。

跳转微信打开

  •  

AI专栏 | 上下文越多,Agent 越笨?开源框架 Flow2Spec 给出另一种答案

原创 Lands 2026-06-25 17:00 上海

让项目在开发中自然长出知识图谱

作者简介

Lands,携程高级前端开发工程师。专注工程化实践、性能调优与底层架构设计。拥抱 AI 浪潮,推动 AI 辅助编码与 D2C 全链路落地,用前沿技术极致提升开发效率,重塑研发生产力。

一、前言

二、只做“记忆”为什么不够

三、Flow2Spec的关键差异:开发过程生成知识图谱

四、知识库接口:不是一个大文档,而是一套路由协议

五、渐进式读取:AI 每次只拿该拿的知识

六、多依赖能力:不让 Agent 只读到一半规则

七、知识库正确性:不是写了 topic 就算完

八、意图识别:不是所有话都应该自动进流程

九、一个更真实的开发闭环

十、它不只管知识,也管开发闭环

十一、和普通知识库最大的区别

十二、几个常见问题

十三、适合什么项目+快速体验

一、前言

最近一年,很多 AI 编程工具都在解决同一个问题:让 Agent 记住项目上下文。

这件事当然重要。但现在只说"项目记忆""上下文管理""规则文件",已经不够了。

因为很多开源项目都在做类似的事:写一个 AGENTS.md/ CLAUDE.md,加一组 rules,建一个 docs 目录,让 Agent 先读项目说明,或者接入向量库做检索。

这些方案能缓解问题,但我真正想解决的不是"启动时塞给 AI 一堆上下文"。我想解决的是:

在真实开发过程中,项目知识能不能被持续沉淀、自动路由、持续验证,并且随着代码一起演进。

这就是 Flow2Spec。一句话介绍:Flow2Spec 是一个让项目在开发过程中自然长出知识图谱的 Agent 工程框架。

二、只做“记忆”为什么不够

很多项目接入 AI 后,会很快遇到一个悖论:你希望 AI 多了解项目,但你给它的上下文越多,它越容易读不完、读偏、忘掉重点。

于是大家不断加规则:先读这个文件,再读那个目录,这个模块不能改,那个接口有历史兼容,改完记得更新文档……最后上下文变成另一种负担。它看起来像知识库,实际上更像一个不断膨胀的说明书。

Flow2Spec 的判断是:项目知识不能只靠"写下来",还要能被路由、被组合、被校验、被持续更新。

三、Flow2Spec 的关键差异:开发过程生成知识图谱

Flow2Spec 不是要求你先做一场大规模文档工程。它更推荐的方式是:

  1. 先 flow2spec init 初始化一个空骨架

  2. 用 f2s-doc-arch 生成项目架构说明,沉淀进知识库

  3. 真实需求来了,Agent 先按现有知识路由

  4. 功能实现后,用 f2s-kb-sync 把本轮确认的事实同步回知识库

  5. 下一次类似需求,再从这份知识中渐进读取

知识不是一次性建设出来的。它是在需求澄清、技术方案、代码实现、修复问题、知识同步、提交代码的过程中逐步长出来的。

这也是 Flow2Spec 和普通"项目记忆文件"的区别:普通方案更像给 Agent 一份说明书;Flow2Spec 更像给项目维护一张可演进的知识图谱——落在仓库里的 .Knowledge/ 中,能 diff、能 review、能随代码提交。

四、知识库接口:不是一个大文档,而是一套路由协议

Flow2Spec 的知识库有一个明确的接口结构:

    .Knowledge/
      manifest-routing.json   # 机读路由清单
      matchers/               # 关键词分片
      topics/                 # 主题摘要
      stock-docs/             # 已落地能力长文档
      req-docs/               # 需求 / 技术方案文档

    Agent 的读取顺序不是自由发挥,而是按协议走:

      manifest-routing.json
        -> matcher 分片
        -> topic 摘要
        -> topicDependencies
        -> stock-docs / req-docs
        -> 源码兜底

      这套结构的价值在于:知识库对 Agent 暴露的不是"文件",而是"怎么找到正确知识"的接口。

      manifest-routing.json告诉 Agent 有哪些主题;matchers/*.json告诉 Agent 这个需求可能命中哪些主题;topics/*.md给 Agent 短摘要和硬约束;topicDependencies告诉 Agent 哪些前置规则必须一起读;stock-docs/和 req-docs/只在需要时下钻。

      五、渐进式读取:AI 每次只拿该拿的知识

      Flow2Spec 的读取模型可以概括成四步:match → expand → verify → act

      match:Agent 先读 manifest-routing.json,再按任务读取对应 matcher 分片。不遍历整个知识库,先缩小候选范围。

      expand:命中主主题后,通过 topicDependencies继续读取依赖主题,避免只看到局部规则。比如一个功能可能同时依赖公共配置规则、鉴权规则、某个业务模块的约束。

      verify:命中 topic 不代表知识一定够。Flow2Spec 要求 Agent 在执行前检查:当前主题是否真的覆盖用户问题,是否缺关键依赖,是否需要读长文档,是否需要先反问用户。这一步把"看起来命中了"变成"确认可以执行"。

      act:只有在知识覆盖足够、边界清楚时,Agent 才进入实现、修改或提交。如果置信度不足,就先澄清,而不是硬改。

      六、多依赖能力:不让 Agent 只读到一半规则

      真实项目里,很多错误不是因为 AI 完全没读知识,而是它只读了一个局部知识,漏掉了前置约束:

      • 改功能时读了业务 topic,但没读提交规则

      • 生成技术方案时读了需求文档,但没读 req-docs / stock-docs 的边界规则

      • 修改配置时读了模块说明,但没读配置开关默认值

      Flow2Spec 把这些依赖显式放进路由层。一个 topic 可以声明它依赖哪些 topic,Agent 命中主主题时会先展开依赖。这不是简单的"多读几个文件",而是把项目知识从扁平文档变成有边的图:

        需求实现
          -> 文档路由规则
          -> 技术方案规则
          -> 任务追踪规则
          -> Git 提交规则

        这让 Agent 每次读取的不是孤立片段,而是一组经过声明的上下文组合。

        七、知识库正确性:不是写了 topic 就算完

        知识库最怕两件事:过期和写错。Flow2Spec 没有假设知识库永远正确,它把"验证"放进了开发流程。

        典型场景:用户问一个业务细节,Agent 先查知识库,发现 topic 有覆盖但不够细,继续读源码得到更准确的事实。这时 Flow2Spec 不应该只回答完就结束,还要判断:

        • 这个事实是否已经写进 topic

        • 如果没写或不够细,是否应该提示用 f2s-kb-distill 把本轮问答提取入库

        • 如果知识看起来已覆盖,是否能证明覆盖来源;不能证明就不能静默

        这就是"知识库补充建议收口"。它让 AI 从源码里找到的每次新知识,都不只留在本次聊天里,而是反哺回知识库。

        八、意图识别:不是所有话都应该自动进流程

        用户说一句话,Agent 到底应该回答、讨论、澄清,还是直接进开发流程?

        • "这个方案可行吗?" → 应该是讨论,不应该自动开始写代码

        • "修一下这个 bug" → 应该进入 fix 流程

        • "我想做一个新能力,先帮我把需求问清楚" → 应该进入需求澄清,而不是直接实现

        Flow2Spec 里有 intentRecognition开关,开启后 Agent 会按意图识别规则做辅助判断:高置信新增能力进入 feat 流程,高置信修复问题进入 fix 流程,需求不清楚进入 req-clarify,只是询问/讨论则保持普通对话。

        经过一段时间真实项目验证,意图识别已经比较稳定,建议默认开启,让 Agent 在大多数场景下自动分流;当然你也可以随时显式输入 f2s-req-clarify、f2s-kb-feat、f2s-kb-fix 等命令,覆盖自动判断结果。建议多显式使用 f2s skill**,熟悉这些技能的用法,可以更高效地使用 Flow2Spec。

        九、一个更真实的开发闭环

        使用 Flow2Spec 后,一个需求可能是这样流动的:

          用户提出需求
            -> 显式 f2s-* skill / intentRecognition 辅助判断
            -> f2s-req-clarify 反问到无歧义
            -> f2s-req-tech 生成技术方案
            -> Agent 按知识库渐进读取
            -> 实现代码
            -> changeTracking 记录任务进度
            -> f2s-kb-sync 同步新知识
            -> f2s-git-commit 提交前检查

          这条链路里,每一步都会留下可追踪的资产:需求文档在 req-docs/,已落地知识在 stock-docs/,主题摘要在 topics/,路由关系在 manifest-routing.json,任务进度在 .task/。

          Flow2Spec 做的不是"让 AI 单次回答更好",而是在把一次次开发过程转化为项目知识图谱的增量更新。

          十、它不只管知识,也管开发闭环

          任务进度落盘:开启 changeTracking后,Agent 执行功能开发或方案实现时,会把任务 checklist 写到 .task/。新会话继续做时,不需要重新问"上次做到哪",直接从磁盘任务接上。

          技术方案不硬套模板:f2s-req-tech会根据当前需求选择合适的技术方案结构,而不是把所有章节机械套一遍,避免前端改造也生成一堆数据库章节。

          多 Agent 编排与校验:复杂任务可以通过 subAgent拆给子 Agent 处理。如果开启 switchAgentVerification,还可以让写入方和验证方分离,降低单个 Agent 自己写、自己验、自己放过的风险。

          提交前知识覆盖检查:f2s-git-commit会在提交前检查 diff、冲突标记、暂存范围,也会检查本轮变更是否需要同步知识库,让"改代码后忘记更新知识"在提交前能被发现。

          模板与路由升级检测:Flow2Spec 启动时会检测 .Knowledge/结构版本,如果落后于 npm 包版本,Agent 会提示执行 f2s-kb-upgrade,确保项目知识结构与工具版本保持同步。

          十一、和普通知识库最大的区别

          如果只用一句话概括差异:普通知识库是给 Agent 查的;Flow2Spec 的知识库是给 Agent 参与维护的。

          普通知识库关注:文档放在哪里、怎么检索、怎么总结。

          Flow2Spec 更关注:需求来了该读哪个主题、主题之间有什么依赖、当前知识是否足够执行、源码兜底后是否要反哺、用户意图是否应该触发流程、改代码后知识是否一起更新、提交前是否检查过知识覆盖。

          这也是为什么 Flow2Spec 会同时包含 .Knowledge/、.task/、f2s-* skills、Agent rules 和 flow2spec.config.json——它们不是散件,而是一套围绕开发闭环组织起来的协议。

          十二、几个常见问题

          Q:改动一个能力后,怎么保证对应主题都能更新?

          Flow2Spec 通过五层机制提高覆盖率:

          • 路由层 matcher 找主 topic;

          • topicDependencies展开依赖 topic;

          • f2s-kb-sync先给出更新大纲让用户确认;

          • 普通问答下钻源码后提示补充;

          • f2s-git-commit提交前做知识覆盖检查。

          Q:Flow2Spec 怎么解决 Agent 遗忘规则的问题?

          分两侧看。

          • 使用侧:规则不塞进一个大文件,而是拆成可路由、可依赖的结构——入口规则写进各端配置、业务知识放进 topics、匹配词放进 matchers、依赖关系放进 topicDependencies、长文档放进 stock-docs / req-docs。Agent 每次不靠记忆,而是按 match → expand → verify → act 重新取规则。

          • 设计侧:五层约束分阶段拦截"规则写了但不遵守"的情况:

          • 入口层:声明读取顺序和禁止项

          • 配置层:执行任何技能前必须先读配置开关

          • 路由层:所有任务先读 manifest,不直接全仓搜索

          • 技能层:每个技能定义前置检查、确认点和收口方式

          • 门禁层:在多个节点分别设门禁——任务归档前检查 checklist、知识落盘前确认大纲、问答下钻源码后强制收口自检、代码提交前检查 diff 与知识覆盖

          两个典型场景说明这五层如何生效:一是防止意图误判(用户还在澄清阶段,Agent 不能跳去实现);二是防止源码答完后知识不反哺(必须判断是否需要 f2s-kb-distill 把本轮问答提取入库,不允许静默跳过)。

          Flow2Spec 的目标不是完全消除遗忘,而是让"绕过规则"在每个阶段都更难发生。

          Q:单个主题文件过大怎么办?

          topic 的定位是"路由摘要",记触发词、边界、关键约束和下一步指针,不承载所有细节。大功能拆成多个 focused topic,再用 topicDependencies串起来。Agent 先读概览判断相关性,再按需下钻具体子主题。

          Q:如果知识库没有覆盖当前模块怎么办?

          Flow2Spec 提供三个互补命令,按触发方式与粒度区分:

          f2s-kb-distill 由 Agent 自动提示:在一次问答中下钻源码找到答案后,把本轮问答提取入库;技能内部会按下钻深度与命中主题,自动判新建主题或补充既有主题。

          f2s-kb-add <路径或能力描述> 由用户主动触发:想把一个整体模块 / 历史能力一次性解析入库时使用,输入路径或多文件聚合,适合从未入库的整块代码。

          f2s-kb-sync 由用户主动触发:用于已实现能力的全局 / 批量同步,可零输入推断,先输出更新大纲再落盘,适合阶段性体检式补强。

          简言之:单次问答 → distill(Agent 自动),新模块整体入库 → add,多个已落地能力一次性同步 → sync。

          每次「从源码里找答案」,都可能变成一次知识库补强。

          十三、适合什么项目+快速体验

          最适合:中大型业务项目、长期维护的代码仓库、多人协作规则很多的项目、经常使用 Cursor / Claude Code / Codex 的团队、希望 AI 不只是"看文档"而是参与维护项目知识的场景。

          可能不适合:一次性脚本或非常小的个人项目(< 5000 行,一份 README 够用)。

          5 分钟快速体验:

            npx @double-codeing/flow2spec@latest init

            开始使用时建议优先显式输入f2s-* skill,熟悉这些技能的用法,可以更高效地使用 Flow2Spec。默认开启 intentRecognition 即可让 Agent 在常见任务下自动分流。

            常用流程:

              /f2s-req-clarify   需求澄清
              /f2s-req-tech      生成技术方案
              /f2s-kb-feat       新增能力并同步知识
              /f2s-kb-fix        修复问题并修正知识
              /f2s-kb-add <路径>  解析已有模块入库
              /f2s-kb-sync       全局/批量同步已落地能力到知识库
              /f2s-kb-distill    把本轮问答提取入库(自动判新主题或补充既有主题)
              /f2s-git-commit    提交前检查并生成提交信息

              目前已支持 Cursor、Claude Code、Codex 三端初始化,也支持中文 / 英文模板。

              结语

              AI 编程的终点不是"写更多代码"。真正难的是:让 AI 在长期项目里持续理解上下文,并且把每次开发产生的新知识沉淀下来。

              Flow2Spec 把项目知识从静态文档变成可路由、可依赖、可验证、可反哺的知识图谱。它让 Agent 不只是消费上下文,也参与维护上下文。

              如果你的项目已经出现"每次都要给 AI 解释同一套业务规则"、"AI 经常漏读前置约束"、"文档和代码越来越不同步"这类问题,可以试一下:

                npx @double-codeing/flow2spec@latest init

                开源地址:https://github.com/Lands-1203/Flow2Spec

                PPT演示:https://lands-1203.github.io/Flow2Spec/

                延伸阅读

                • Flow2Spec 官方文档:

                https://github.com/Lands-1203/Flow2Spec/tree/main/docs

                项目体系与原理、使用说明、命令详解的完整文档,包含多端配置差异说明。

                • Building Effective Agents — Anthropic:

                https://www.anthropic.com/research/building-effective-agents

                Agent 工程的权威指南,包含工具使用、上下文管理和多 Agent 协作的设计原则,是理解 Flow2Spec 规则环/技能环设计的重要参考。

                • Memory for Agents — LangChain:

                https://www.langchain.com/blog/memory-for-agents

                对 AI Agent 记忆机制的系统性分析,涵盖程序性/语义性/情节性三类记忆分层,以及热路径更新与后台异步更新两种实现方式,与 Flow2Spec 的 Memory Coding 理念形成对照。

                【推荐阅读】

                 “携程技术”公众号

                  分享,交流,成长

                跳转微信打开

                •  
                ❌