铃阅时讯
❌

阅读视图

人生周报v082:化繁为简

原创 李继刚 2026-07-20 21:40 北京

「欲言不敢语」

《剑来》里,陈平安遇到眼前一亮的句子,会一笔一画刻在竹简上,时不时拿出来晒晒太阳,翻拣重读。

以陈平安为师,我想记录一下每周在这世上遇到的好句子。

每周读到的好句子,收下来晾一晾 —— 是以有「读」。

心里总有话忍不住想对这个世界讲,—— 是以有「说」。


读

The older I get, the more I realize that intelligence is mostly the ability to notice what everyone else has accepted.

X @MoZarrinsadaf

Your work should feel like art, and your workplace like a playground.

If not, make it so.

X @MoZarrinsadaf

AI 时代最大的技术债,不是烂代码,而是那些本不该被实现的念头

生成成本一旦归零,建造冲动就会冒充创造力

X @bitfish

ideal prompting technique is:

  • thin prompts

  • thick artifacts + context

  • thin skills

X @trq212

The “original” is a myth. Everything is a remix.

X @MoZarrinsadaf

对他者的贬低和轻佻并不会带来自我的崇高。

即刻 @哈雷 Halley

咨询交付的是“框架”和“视角”,教练交付的是“过程”和“习惯”。

即刻 @菁财资本-葛贤通 Ksir

:什么是“尽人事而听天命”?

:做大概率正确的事,然后尊重它的随机性。

即刻 @ChatV

人只能互相筛选,偶尔被影响,不会被改变

包括分享最终都是“有缘者得”

即刻 @瓦恁

人生最顶级的心态,不是拼命也不是坚持,而是两个字:允许。

即刻 @一个少女嘟嘟

真正的 bitter lesson 是,所有的主观判断都会被无情的客观现实碾压。

所以人生就是一个不断客观的过程。

即刻 @海松

说

一个人遭遇了自己的有限,知道自己无法完全理解另一个人,也无法被另一个人完全理解,却仍然选择向他人靠近。

他不再藏身于正确、客观或含混的表达之后,而是承认自己的欲求,坦陈自己的选择,也不把选择的责任推给任何人。于是,那个不可替换的「我」,便站在他所说的每一个字背后,为自己的言说作证。

真正的相遇,不是两个人终于消除了彼此之间的距离,而是两个无法相互替代、也无法彻底抵达对方的人,各自承担着自己,却仍愿意向彼此走去。

不是每个私人感受都天然普遍,只有当细节承载了别人也可能遭遇的结构性处境,私人入口才通向公共水域。

凡以「不要」说出的愿望,仍属于它所否定的世界。

凡以「我要」说出的愿望,才划出它所创造的世界。

书

本周推荐书籍《简约至上:交互设计四策略》。

这是一本老书,现在阅读,里面针对产品设计时,如何化繁为简的四大策略仍然没有过时:

  1. 删除: 先追问某功能是否真正服务核心体验,并用更好的默认值消除不必要选择。

  2. 打包:不能删的内容进入组织:按用户目标、频率和理解顺序排列,而不是照内部部门或技术模块摆放。

  3. 隐藏:低频但必要的功能可以隐藏,使它在需要时可找到,却不干扰主流程。

  4. 转移:仍然复杂的部分再转移给系统、另一设备、后续步骤、专家角色或用户熟悉的类比。

跳转微信打开

  •  

从“能说话”到“会表达”:Qwen-Audio-3.0-TTS 发布

原创 通义实验室 2026-07-20 16:54 浙江

让语音合成从"能说话"进化到"会表达"

Qwen-Audio-3.0-TTS 实时语音合成模型发布。本次发布包含两个版本:

  • Flash:面向实时交互,首包延迟在 300ms 左右。

  • Plus:面向高质量生成,在自然度和音色还原度上表现更佳。

本次更新,我们把精力放在了开发者在生产环境中真正会遇到的四个问题上:更广的语言覆盖、更自然的指令控制、更精细的标签控制,以及在参考音频不清晰时的鲁棒性。

目前,在全球第三方权威榜单 Artificial Analysis 中,Qwen-Audio-3.0-TTS-Plus 斩获冠军!

以下是具体的更新内容与数据表现。

能力总览

在展开细节之前,先快速看一下 Qwen-Audio-3.0-TTS 的核心能力矩阵:

核心亮点一:多语种与方言全面升级

无论是出海业务还是下沉市场,Qwen-Audio-3.0-TTS都能提供完美融入当地语境的听觉体验。

多语种精准合成,指标全面领先

Qwen-Audio-3.0-TTS 面向全球多语种场景进行了专项优化,覆盖中文、英文、日语、韩语、德语等16 种语言。

🟣 WER/CER(越低越好)

Qwen-Audio-3.0-TTS 系列展现了最强的整体多语言可懂度,在 16 种语言中有 10 种取得了最佳的 WER/CER 表现。Flash 版本的平均 WER/CER 最低,仅为 3.87;Plus 版本也极具竞争力,得分为 3.96。两者在平均表现上均优于其他系统。

评测基于CV3-Eval的multilingual benchmark

🟣 说话人相似度(越高越好)

Qwen-Audio-3.0-TTS 在说话人相似度上展现出了显著且稳定的优势。其中 Plus 版本在所有 16 种语言中均排名第一,平均 SS(Speaker Similarity)达到了 82.75;Flash 版本紧随其后,得分为 80.44。这表明它们在多种语言环境下,都具备极强且鲁棒的音色还原能力。

评测基于CV3-Eval的multilingual benchmark

中文方言正宗度显著提升

通过更高质量的方言数据、更丰富的种类覆盖,以及专门的方言强化训练阶段,Qwen-Audio-3.0-TTS 模型有效缓解了通用语音强化学习中容易出现的“方言特色弱化”问题。

目前模型支持20 种高质量方言(覆盖广东、重庆、东北、甘肃、贵州、浙江、河北、河南、湖北、湖南、江西、宁波、宁夏、青岛、陕西、山西、山东、上海、四川、云南),使合成语音在韵律、声调和口语化表达上更接近母语者,还原各地语言的真实韵味。

核心亮点二:Free-style 自由指令,用自然语言“导演”声音

不同场景对语音风格的需求差异很大——客服需要温和耐心,直播需要热情感染,有声书需要角色代入。

Qwen-Audio-3.0-TTS 支持Free-style 自然语言指令控制。无需掌握专业声学或标注知识,即可通过自然语言灵活定义情绪、角色、场景、语速等维度,让合成结果与预期高度一致。

核心亮点三:细粒度标签控制,精确到呼吸和情绪

除了自由文本指令,模型还支持在文本中直接嵌入结构化标签(如 [gasp]、[giggles]、[angry]),直接对语气、情绪和 breath 类细节进行精准调控。

这种方式特别适合需要精确控制非语言细节的叙事、游戏、影视配音等场景,标签与语音自然融合,可灵活组合构建复杂情感表达。

核心亮点四:复杂声学鲁棒性,无惧嘈杂环境的音色复刻

真实业务中,参考音频往往来自复杂环境。Qwen-Audio-3.0-TTS 对此做了专项优化,通过针对性的真实声学仿真训练,将语音增强能力原生注入复刻流程。

模型能够在嘈杂环境中自动“过滤干扰、保留音色”,复杂场景下的复刻清晰度和感知质量显著提升。即使参考条件不佳,合成语音依然保持高质量。

  • 高混响场景:有效抑制混响干扰,合成更干净清晰。

  • 高噪声场景:抗噪能力更强,语音质量显著优于前代。

Also in this release:精品音色库

Qwen-Audio-3.0-TTS 配套的精品音色库,将模型在多语种、多方言、指令控制和细粒度表达上的能力沉淀为开箱即用的音色资源。音色库覆盖指令风格音色、20 种方言音色、细粒度控制音色以及 14+ 款小语种音色,帮助业务方快速上线不同场景的声音方案。

面向严肃创作场景,我们将音频输出品质从 24kHz 跃升至 48K。同时,单次语音合成支持长达 3 分钟,轻松满足长文本播报需求。

(注:部分方言、小语种精品音色及 48K 高清音频输出功能目前在阿里云百炼平台正陆续上线中,其中 48K 功能预计于 7月24日 正式开放,具体请以控制台实际展示为准。)

核心亮点

  • 可直接用自然语言描述角色、情绪、场景和语气,合成结果会随指令变化。

  • 支持上下文驱动的语气选择,同一句文本在不同场景下可以读出不同情绪。

  • 支持耳语、笑场、情绪转折等细粒度表达,声音更接近真实说话。

  • 长文本中能保持节奏、清晰度和音色一致性。

  • 角色化表达覆盖电台主持、心理咨询、科幻 AI 等场景。

Qwen-Audio-3.0-TTS 现已全面开放。

从“能说话”到“会表达”,技术的边界正在被不断拓宽。我们诚邀广大开发者接入体验,共同探索语音合成的更多可能性。如果您在应用落地中有任何反馈或建议,欢迎通过技术交流群与我们探讨。

推荐内容

跳转微信打开

  •  

风起山野,梦向远方 | 2026Qunar产研应届生素质拓展圆满结束!

Qunar技术沙龙 2026-07-20 16:39 北京

风起山野,梦向远方 | 2026Qunar产研应届生素质拓展圆满结束!

与驼友相伴

与盛夏相拥

2026Qunar产研户外素质拓展

为帮助职场萌新快速融入、平稳过渡,人才发展中心为产运&技术应届生们安排了一场元气满满的素质拓展活动,接下来一起奔赴这场“向往的生活”之旅吧!

01.欢乐出发,趣味破冰!

7月17日集结号正式吹响,2026届产研应届生乘坐大巴从公司出发。一小时的车程满载期待与欢声笑语,转眼间大家便抵达营地,此次“向往的生活”之旅正式开启!

趣味分组

捏捏肩,拍拍背,同事姓名要记对。分组抱团快反应,组员同行才会赢。

经典拼图的趣味游戏帮助大家迅速熟络起来,同时确认分组。找对组员,后面的竞赛才能事半功倍!

默契互动

热身之后,竞赛才刚刚开始。新组建的村庄选出村长后,需要一起完成掰棒谷、五谷丰登、草帽翻盘三项任务。各村庄凝心聚力、配合默契,全员斗志昂扬,全力以赴向着胜利冲刺!

鱼与鸡鹅不可兼得!村民们分工合作,在草地抓鸡采蛋,在栅栏内套大鹅,或在池塘中浑水摸鱼,感受智力和体力的双重考验。

竞赛优胜小队能收获专属金币,将成为后续食材竞拍的关键筹码。满怀期待的新小驼们全员奋力冲刺,丝毫不敢松懈!

02.上得职场,下得厨房!

刺激竞拍

终于迎来本次活动的重头戏,也是新小驼们最期待的环节——食材竞拍!

用竞赛换来的金币竞拍食物,紧张又刺激,为了抢到心仪的食物,叫价声此起彼伏。这场拍卖可不只是金币的豪赌,更是一场决策和统筹的智慧比拼。

✦✦

厨王争霸

心仪的食材到手,大家都投入到紧张刺激的晚餐筹备中,但这不是简单的烹饪,而是获得“厨王”称号的机会。每一个团队都全力以赴,分工明确,势必要拿到“厨王”称号!

评比全程公平公正,评委逐道细品各组拿手好菜,审慎选择心目中的“厨王”,最终究竟花落谁家呢?

答案揭晓!黄队凭借一道色泽浓郁、香辣诱人的特色小炒拔得头筹,全队收获专属彩票奖品,实至名归拿下厨王称号!

03.载歌载舞,青春永驻!

温馨聚餐

夕阳西下,忙碌了一天的小驼们也迎来了放松时间。大家坐在一起,品尝自己制作的美味佳肴,分享一整天的快乐,在欢声笑语间,大家的距离更近了。

左右滑动查看更多

篝火晚会

活动接近尾声,但大家的热情不减,恰如熊熊燃烧的篝火越燃越旺。大家手拉手,跟随教练的口号跳着青春洋溢的舞步。最后,在大家的注视下,绚烂的烟火直上云霄,为本次活动画上圆满的句号。

结语

途有友而不觉远,一场难忘的素拓活动,将每一位Qunar新成员凝聚在一起,相信在今后的工作中他们也能协同合作、互帮互助,以更加昂扬的姿态并肩前行,共同逐梦向往的生活!

-END-

跳转微信打开

  •  

从“会说”走向“会创作”|Seed Audio 1.0 音频创作模型发布

原创 字节跳动Seed 2026-07-20 11:57 北京

统一框架下联合建模人声、音效和环境声等音频要素

对音频创作者而言,生成单一音频要素并不困难,真正困难的是让台词、音效等各类声音在同一场景中自然配合,服务于叙事和情绪表达。长期以来,这类创作往往依赖多个模型分别生成,再通过人工拼接、对齐和混音完成,不仅流程冗长,也难以兼顾整体完成度与控制精度。

今天,我们很高兴向你介绍音频创作模型 Seed Audio 1.0。

它面向完整声音场景,在统一框架下联合建模人声、音效和环境声等多种音频要素,端到端完成影视级音频创作。声音不再只是画面的补充,而是可以直接参与叙事,在听者脑海中直接形成画面感,做到“听见”即“看见”。

其核心能力主要体现在以下方面:

  • 多要素统一编排,支持精细的时间控制:一条 prompt 即可统一编排带有特定情绪的对白、关键音效和环境声,并可按时间线精准控制声音进场。

  • 音色风格可控,长时稳定:支持文本与参考音频输入,在长音频和多次延长场景下保持角色一致性,同一音色也能自然呈现不同语气和情绪。

  • 多语种自然生成:支持 20+ 语种的音频生成,同一角色声音可依据不同语种的特点,呈现更自然的发音、节奏与表达方式。

目前,Seed Audio 1.0 已在火山方舟体验中心上线,欢迎大家体验,用声音表达创意。

项目主页:

https://seed.bytedance.com/seedaudio1_0

体验入口:

火山方舟体验中心 - 登录 - 选择语音模型 - 语音合成 - Doubao-音频生成-1.0

从拼接生成

到完整声音场景生成

过去,完整音频内容的生产通常依赖多环节拼接。要打破这种级联方式,实现完整声音场景的生成,模型至少需要跨越三个门槛:

1. 兼顾多类声音的细节保留。不同类型音频对表征的要求并不相同:语音看重清晰度和韵律,环境声则要求空间氛围持续稳定。模型需具备足够强的声学细节建模能力。

2. 理解并生成完整声音场景。一段完整音频里,各音频要素间存在时间关系、情绪关系和声学互动,彼此关联、相互影响,模型要理解的是整个声音场景。

3. 遵循多种指令控制。模型不仅要有生成质量,还要能够服从文本、参考音频、时间轴和角色设定等多种条件,使声音在合适的时间、以合适的方式出现。

Seed Audio 1.0 的核心思路,是将不同的音频要素放在统一框架下理解与生成,学习更复杂的联合分布。为此,我们训练了一个通用声学编码器,将各类音频要素视为同一声音场景中的组成部分,映射到统一的声学表征中,而非将多类音频作为独立任务编码。

基于这种统一建模方式,模型能够更自然地组织角色语气、背景氛围和声音节奏,让输出更接近一段完整作品,而不是一组拼接起来的素材。这也是我们更愿意将 Seed Audio 1.0 称为“音频创作模型”的原因。

Seed Audio 1.0 可生成兼具角色互动、情绪推进和氛围营造的复杂音频作品,支持专题叙事、剧情对话、主播互动等典型场景。

在真实创作环境中,声音出现的时机同样关键。它会直接影响节奏推进、情绪表达,以及一段内容能否真正成立。

Seed Audio 1.0 能先将创作意图拆解成结构化时间线,明确角色、台词、情绪和音效的进入时机,从而控制不同声音何时出现、如何衔接,以及怎样更自然地服务剧情。

基于此,Seed Audio 1.0 支持精准时间控制生成,创作者可以在 prompt 中指定角色台词的时间安排,当前时间控制支持 100ms 间隔精度。对于视频配音、视频翻配、广告片等场景,这项能力尤其关键。

音色立得住

接得上、演得开

Seed Audio 1.0 支持零样本音频生成。创作者既可以直接用文字描述目标声音,也可以结合参考音频进一步控制生成结果,而无需为每一种声音单独训练模型。

对真实创作来说,这意味着在前期尚未明确最终声音方案时,创作者可以先快速试出方向,再围绕更合适的音色与表达继续细化,从而减少反复试音和后期返工的成本。

与此同时,在长音频创作场景中,有声书、播客、长剧集和多人对话都要求角色声音前后一致,一旦出现明显音色变化,听众很快就会出戏。传统制作中,这通常需要配音演员长时间连续录制,或者依赖后期反复比对和修正。

针对这一问题,Seed Audio 1.0 支持基于参考音频进行延展生成,当前单次可生成约 2 分钟音频,并可在此基础上继续延长,同时保持角色音色与表达方式一致。

不过,稳定并不意味着表达单一。Seed Audio 1.0 在保持角色辨识度的同时,也支持同一音色自然呈现不同情绪、场景和表达方式。它支持“单音色、多角色”能力,同一音色可以通过差异化演绎塑造不同人物,从而拓展配音、叙事类内容和创意音频的创作空间。

多语种生成

声音表达更地道

多语种创作,不只是内容翻译,而是让声音的节奏、重音、停顿与情绪都更符合目标语言的表达方式。

Seed Audio 1.0 支持同一音色在多种语言中的自然迁移,并已覆盖 20+ 语种,包括中文、英文、日语、韩语、西班牙语、印尼语、德语、法语、泰语、越南语等。

对于出海内容、游戏本地化、品牌广告、多语种播客和短视频创作来说,这意味着一个创意不必在每个语言市场重新制作,而可以基于同一角色或音色设定,高效地扩展出多语言版本。

评测结果

为了更全面地验证 Seed Audio 1.0 在真实创作任务中的表现,我们从文本生成音色、多场景创作和多语种生成三个维度进行了评估。

在文本生成音色能力上,Seed Audio 1.0 在 AB 主观评测中表现出显著优势,可用率和优良率也明显提升。

Seed Audio 1.0 在文本到音色任务上与其他模型的主观评测结果

在多场景音频生成能力上,我们进一步评测了影视、电视节目、短剧、动漫、播客对话、直播带货、网络创作、话剧和语音合成等场景。结果显示,多数场景中的音频可用率已达到 90% 以上。

Seed Audio 1.0 按场景拆分的条件音频到音频生成评测

针对多语言音频生成能力,我们从指令遵循和音频自然度两个维度进行了人工评测。结果显示,在音频自然度上,大部分语言的 MOS 超过 4 分,音质已达到优秀水准;在复杂音频生成的指令遵循上,除越南语外,其余语言的 MOS 均高于 3.5 分,表明 Seed Audio 1.0 已具备较强的多语言指令遵循能力。

Seed Audio 1.0 在 “文本生成音频”任务上的效果

写在最后

从“会说”到“会创作”,Seed Audio 1.0 迈出了重要一步。

以 Seed Audio 1.0 为起点,我们希望进一步拓展模型在真实创作流程中的能力边界,通过模型框架创新支持视频参考等更多模态输入,并满足长音频、分轨等更复杂的音频生成需求。同时,我们也将探索把 Seed Audio 与可控翻译结合起来,提升模型在多语种场景下对内容表达和时长约束的控制能力。

未来,我们希望音频生成朝着更自然、更可控、更贴近创作流程的方向继续演进,让创作者轻松将脑海中的声音变成可听见的作品。

阅读原文

跳转微信打开

  •  

【第3731期】每次都可以放心遵循的视觉设计法则

Anthony Hobday 2026-07-20 09:00 日本

一套源于优秀设计实践、能闭眼套用且保证视觉及格线以上的28条硬性视觉法则。

前言

好的设计不靠灵感,而靠法则。从色彩明度、元素间距到字体搭配与投影处理,这些经过反复验证的准则涵盖了视觉设计中最核心的决策。你不必每次都恪守它们 —— 如果有充分的理由,尽管打破。但遵循它们,永远不会出错。

今日前端早读课文章由 @Anthony Hobday 分享,@飘飘编译。

用于解决实际工作中的【UI 系统规范化与设计走查】问题,最值得借鉴的一点是:测量必须符合数学尺度比例(基于 8px 步长等),并对阴影和间距制定绝对物理公式(如模糊值 = 两倍距离),从而将感性的视觉直觉转化为可复制、易走查的理性工程标准。

译文从这开始~~

你不必每次都恪守这些法则。如果你有充分的理由打破其中任何一条,尽管去做。但每次遵循它们,永远不会出错。

1、用近黑和近白代替纯黑与纯白

纯黑与其他颜色搭配时,往往会产生令人不适的强烈对比;纯白则过于刺眼。请使用接近黑色和接近白色的色值来替代。本文后续提到的 "黑" 与 "白",均默认你已遵循了这一条。

2、为中性色注入一丝彩色

中性色通常指黑、白、灰。如果你的界面中使用了某种彩色,不妨在中性色中融入少许该色调,这会让整体配色显得更加和谐统一。若使用 HSB 色彩模式,饱和度控制在 5% 以内即可。

3、对重要元素使用高对比度

所谓重要元素,是指按钮、正文内容,或任何需要用户注意到的部分。较高的对比度能让元素更抓人眼球 —— 这正是重要元素所需要的。而那些不需要用户特别留意的元素(如结构性元素、投影),则可以将对比度降到最低。

4、设计中的一切都应有据可循

你应当对设计中的每一个细节都做到心中有数 —— 留白、对齐、大小、间距、颜色、阴影,无一例外。如果有人随手指向你设计中的任意一处,你都应该能说出它为何是这个样子。做不到这一点,你的设计就不会有浑然一体的感觉。

如果你是设计新手,可以把这条法则当作自我检视的提示 —— 去发现那些你尚未深思熟虑的地方。

5、视觉对齐往往优于数学对齐

设计软件可以帮你实现数学意义上的精确对齐,但有些形状并不适合这种对齐方式。例如,某些不规则图形的视觉重心与几何中心并不重合。很多时候,你需要凭肉眼去调整,直到看起来 "对了" 为止。

凭眼睛对齐需要一定的练习,但只要你经常这样做,很快就能掌握这种感觉。

6、字号越大,字距与行高越小;字号越小,则反之

这条法则适用于所有文本。字号越大,字母之间和行与行之间所需的间距就越小;反之亦然。如果忽视这一点,大号文字会显得松散零落,小号文字则会拥挤不堪。

7、容器边框应同时与容器和背景形成对比

举个例子:假设你有一张带有 1px 边框的卡片,卡片背景较深,而它所在的页面背景更深。此时,这条 1px 边框的亮度应当比两者都高,而不是取二者之间的某个中间值 —— 否则容器的边缘看起来不够清晰利落。浅色背景同理:1px 边框应当比两个背景色都更深。

下方示例中,左侧为错误做法,右侧为正确做法。

8、每个元素都应与其他元素对齐

对齐帮助我们感知事物之间的关联。如果某个元素与其他任何元素都没有对齐关系,它就会显得格格不入,仿佛不属于这个设计。理想情况下,每个元素都应依据某种逻辑与其他元素对齐。

9、调色板中的各颜色应具有明显不同的明度

当颜色之间存在明度差异时,它们不仅在色相上,更在明暗层次上彼此区分。这会带来更优秀的配色方案,因为各颜色之间不会相互争抢视觉注意力。

10、为中性色注入彩色时,应统一使用暖色或冷色,切勿混用

如果你同时用暖色和冷色去调和中性色,整体色彩将缺乏统一感。

下方示例中,左侧的背景使用了暖色调而前景使用了冷色调;右侧则统一使用了暖色调的背景与前景。

11、尺寸数值之间应存在数学关联

元素之间的间距以及元素本身的大小,都应遵循某种比例尺度。这将使设计呈现出和谐统一的观感。在下方示例中,所有元素均采用 8 的倍数。基于比例尺度建立的水平和垂直网格,能帮助你确保图片等元素的尺寸恰到好处。

12、元素应按视觉重量排列

如果你有一组元素排成一行或一列,其中一些视觉分量比其他的更重(比如两个按钮和三个链接),你应当将它们排列成三角形的递减态势 —— 视觉最重的元素排在最前,最轻的排在最后,依次递减。有一点需要注意:视觉最重的元素应当位于外侧边缘。例如,如果你的元素紧靠设计的右边缘,那么最重的元素就应当贴着右边缘放置。按重量或大小有序排列的元素,看起来会更加舒适。

13、使用水平网格时,请采用 12 列

如果你打算将设计划分为纵向列,请使用 12 列网格。12 列网格可以灵活拆分为 1 列、2 列、3 列和 4 列,给你提供了极大的布局弹性。

14、间距应存在于高对比度的节点之间

当你在设计中度量元素之间的距离时 —— 比如你希望落地页内容块之间保持 100px 的垂直间距 —— 间距应当从一个高对比度的节点量到下一个。因为我们的眼睛是通过对比度来识别元素边界的,所以我们会本能地期望间距存在于对比度变化的节点之间。

举个例子:白色背景上的黑色段落文字,对比度节点就是上一段的末尾和下一段的开头。但如果你在某段白色文字的背后加了一块黑色背景,那么间距就应当从上一段的末尾量到黑色背景的起始处,再从黑色背景的起始处量到段落文字的开头。

15、离用户越近的元素应越亮

屏幕上的元素越靠近用户,就应该越明亮。这条法则在浅色模式和深色模式下都适用,因为它符合现实世界中光线的运作方式。

下方示例中,左侧为错误做法,右侧为正确做法。

16、投影的模糊值应为偏移值的两倍

例如:如果你创建的阴影在 Y 轴方向偏移 4 像素,那么模糊值就应设为 8 像素。随着元素 "靠近" 观者,适当降低阴影的不透明度也是个好做法。这样看起来自然,因为元素越接近光源,其阴影就会越模糊、越淡。

17、简繁相宜:简置于繁上,或繁置于简上

复杂的背景(例如多彩的渐变填充)搭配简洁的前景(例如纯文字)效果最佳;反之,复杂的前景元素放在简洁的背景上也同样出色。简对简可以,但容易显得平淡。复杂对复杂则应尽量避免 —— 这很难驾驭,而且会让画面杂乱不堪。

18、容器颜色的明度应控制在合理范围内

背景与容器之间的明度差异,在深色界面中应控制在 12% 以内,在浅色界面中应控制在 7% 以内。这里的百分比指的是 HSB 色彩模式中的明度值。

这一结论基于我对约 100 个设计精良的网站所做的研究,逐一比对了容器与背景的明度关系。

19、外边距应大于或等于内边距

在容器中,内边距是容器内各元素之间的间距,外边距是元素与容器边缘之间的间距。外边距应当大于或等于内边距。关联性越强的元素应该靠得越近 —— 容器内的元素彼此之间的关联,显然强于它们与容器本身的关联。

20、正文字号不应小于 16px

16px 是大多数浏览器的默认字号。低于此值的文字会变得难以阅读,因此正文最好避免使用更小的字号。超出 16px 越多,可读性就越好。

如果你自己编写代码,可以使用你偏好的任何像素等效单位。

21、每行字数控制在 70 个字符左右

60 个字符或 80 个字符都无伤大雅,但如果偏离太远,就可能出现微妙的可读性问题。

22、按钮的水平内边距应为垂直内边距的两倍

标准按钮的形态是宽大于高。如果你希望用户一眼就能辨认出某个元素是按钮,最好遵循这一惯例。在下方示例中,标签上下的内边距为 30px,左右的内边距为 60px。

23、字体最多使用两种

第二种字体是强化设计理念的好机会,也能为设计增添一些变化。但很少有必要使用两种以上 —— 过多的字体反而会让设计显得视觉混乱。

24、圆角嵌套要正确

有时你会遇到两层或多层圆角嵌套的情况。如果想让它们看起来和谐,内层圆角半径应等于外层圆角半径减去两者之间的间距。在下方示例中,外层圆角半径为 30px,间距为 20px,因此内层圆角半径为 10px。

25、不要将两条硬分割线紧邻放置

背景色的过渡、容器的边缘、分隔线都会形成硬性的视觉分割。你不应让两条或更多硬分割线彼此相邻。在下方示例中,红色标注的部分即为问题所在。多重硬分割会造成视觉杂乱,夺人眼球。在示例中,我去掉了背景色过渡,使硬分割仅来自容器边缘。

26、深色界面中不要使用阴影

在深色界面中很难让阴影发挥作用。要么背景色需要足够亮才能显出阴影,要么阴影本身需要足够生硬才能凸显 —— 而这比阴影应有的存在感强了太多。况且在暗处还能看见阴影,本身也不太合乎逻辑。

27、不要混用不同的纵深表现手法

在整个界面中应始终使用同一种纵深表现手法。如果你的主导航栏用了柔和的投影,那么其他地方也应使用柔和投影,不要突然换成硬边 / 抽象投影,或干脆不加投影。这些手法中的任何一种都可以,但混用会显得不一致、不专业。

28、降低图标与文字搭配时的对比度

图标在视觉上往往比与之搭配的文字更重。当图标与文字配对时,应适当降低图标与背景的对比度。在下方示例中,我通过调整透明度来实现这一点,但你也可以直接将图标颜色调浅或调深。

关于本文
译者:@飘飘
作者:@Anthony Hobday
原文:https://anthonyhobday.com/sideprojects/saferules/

这期前端早读课
对你有帮助,帮” 
赞 “一下,
期待下一期,帮”
 在看” 一下。

阅读原文

跳转微信打开

  •  

AI 发展了 4 年,把应用发展没了?| 42章经

原创 曲凯 2026-07-19 22:32 北京

谁不爱打逆风局?

23 年的时候,大家不知道 AI 行不行,我们还在探讨的是 AI 到底是一波多大的机会,该对标什么,以及相信 AI 的也没有办法看清模型和应用之间的关系如何,像 Character.ai 的模型和应用一体的模式一度成为了最优解,最后的结果是市场在摸索中浅尝辄止地投资模型和应用在内的 AI,谁拿到的钱都不算多。

24 年上半年的时候,整体 AI 都很凉,市场连模型带应用一起质疑,记得 24 年 4 月份 GPT4o 发布的时候,市场反响平平,今天回头看我们才知道 4o 对开启推理和 Agent 的跨时代的意义。直到 24 年下半年,整个市场开始回温,尤其在应用市场表现最明显,也许可以称之为一种价值回归,从那个时候开始,市场开启了为期两年的大厂高 P 的创业时代,夸张点说,字节里每个产品线中最有能力的口碑最好的人是谁,可能一些投资人都要比张一鸣本人还更了解。

25 年开端,大家开始讨论模型算法是阶梯上升的,预训练不再 scaling 了,算法撞壁了,本来市场可能会发生一次剧烈的回调,但 deepseek 和 manus 横空出世,生生为模型和应用续上了一条命,这一年里,字节的高 P 几乎是出来就能靠团队和故事连融三轮。

到了今年,26 年,智谱、minimax 接连上市,很多业内的人觉得这是一个见顶的信号,觉得智谱会重蹈上一波 AI 四小龙的覆辙,甚至有人觉得其市值跌到发行价的几分之一才算合理,同时 Openclaw 爆火,也有很多人觉得应用又会迎来一波类似 manus 的大浪潮,在今年上半年,全国可能有上千个公司和团队同时在做 openclaw 相关的创业项目。

但到了今天,结果是,模型的势能达到几年来最强,而应用市场的冷度跌回谷底,甚至是比谷底还低。随之而来的变化是,有的机构跟我说谁还看应用啊,有的机构说应用赛道已经死了,而有的机构投了十多个世界模型的项目。

“不看应用了”,“应用赛道死了”,这个说法是我从业十多年从未听过,也从未想过有一天会听到的话,但它就真切的发生在了今天的市场上。当技术脱离应用、甚至把应用打死了,这个技术到底算是个什么技术。

回头看,不得不承认,市场在奖励早年选中了模型的人,虽然我也仍然觉得模型最终会被 commodify,但短期内模型的价值显而易见,如果这是一场竞赛,那模型已经把应用打的只剩了最后一格血,是的,我并不觉得应用死了,但似乎是真的已经濒死。

我最近见了很多有点颓废的应用创始人,他们在转型,在想该怎么办,在庆幸账上还有钱,在尝试各种解法,却唯独没有想要再出来融资的,因为所有人都在跟他们讲,我们不投应用了。

这里面有客观事实的原因,比如模型吃掉一切的显著证据,比如投资人的非理性、盲从和 FOMO,但我也经常和创始人讲,这次真的不能只怪投资人。

相似的市场、相似的技术,美国的模型能力还显著更强,但我们看到了很多美国市场中 ARR 上亿美金的应用公司,而国内可能甚至找不出几家 ARR 上千万美金的公司,这里的原因是什么呢?

过去几年,我们跟所有的创始人说,你要做海外市场,创始人在融资的时候也对所有投资人说,我要做海外市场,这套话术似乎变成了一种融资时候彼此的默契,但真的做起来,有多少人是在表演型创业?有多少人在内网发英文的宣传视频,最终用户变成了翻墙的中国人?

因为 Token 成本的问题,因为付费意愿和能力等的问题,做海外市场这个大家默契下的说法自然是有其正确性在的,但最终因为创始人的选择、能力和既有惯性等原因,真正做到这点的十不足一,而我们看到的真的坚决出海的公司往往真的有让人惊讶的成绩,比如上过我们播客的 Dify、WorkMagic、Ace Studio 等公司都默默做到了千万刀的 ARR,这里面还包括出国后整个面貌焕然一新的 Meshy 等等。

海外的空气真的更香吗,我相信并不是的,但海外的付费意愿和能力是真的强,这是我们必须要承认的客观现实。

所以,我是真的希望应用公司能更加争气,交付更多的结果出来,不管 Manus 和 Liblib 这类的公司承受了多少争议和骂名,我也始终觉得他们是应用中的一些硕果仅存的代表公司,也真心希望他们能发展的更好,甚至在未来能反向夺回模型现在所侵占的市场和声量。

再讲回模型市场这几年的发展,我觉得最有趣最值得研究的几家公司并不是 Anthropic 或 OpenAI 或 Deepseek,其实是智谱和 google,智谱从似乎落后到第一,google 则是从落后到全民看好再到今天被大家放弃,这都是在一两年内发生的事情。这些似乎都是在模型市场中反复发生的可验证的事情,到今天为止我仍然不觉得模型的战场已经结束了,明天的智谱会不会是今天的 google?Anthropic 能半年超过 OpenAI,是不是也能半年又落后?

我们只能说今天应该已经没人像 23 或 24 年那样质疑 AI 这波机会的体量,但我们也仍然处于 AI 剧烈而动荡得快节奏变化的中早期阶段。

智谱的唐杰老师前些天的公开信中提到“DeepSeek R1 的出现,标志着 Chat 范式的探索已经基本结束,而智谱是在后 DeepSeek 时代的模型训练范式中押中了 Coding 和 Reasoning”。

我觉得智谱今天的成功回头看,除了战略的胜利、人才密度的胜利等等之外,同时也有一定的运气因素,但凡他们的多模态或 C 端应用能做的好些,是否会、是否能这么专注的赌中 Coding 的机会呢?

但不论如何,chat 时代胜利的是 OpenAI、是 Deepseek、是字节豆包,Coding 时代暂时胜利的是 Anthropic、是智谱(OpenAI、Kimi 等其他公司在快马加鞭地追赶),但下一个时代也已经明显到来,唐杰在同一封公开信中说,未来要压住的是长程任务、是自治智能体等,而海外的 Claude Tag 和 GPT Work 也竞争的飞起。

我们对模型的进展和竞争局势的理解总是有很强的滞后性,腾讯的混元和 workbuddy 能在这里弯道超车字节吗?智谱还能持续领先吗?Deepseek 又会充当什么角色?一切都仍然言之过早。

那在这个市场情况下,应用创业者们该如何自处?

要回答这个问题,我们先引申出另外一个老生常谈的话题,那就是投资到底是投人还是投事儿,比如市场中经常讲 IDG 就是典型的投人风格,红杉则是投事儿投赛道的风格。

在我看来,事儿变得快的时候就只能投人,事儿已经稳定了那就可以投事儿,所以越早期的市场往往人的权重越高,越后期的市场甚至职业经理人反而能呈现更好的结果。(说句题外话,如果如此,那红杉为什么投资做得好?我的答案是因为有钱,因为可以全行业全阶段覆盖。早期批量撒,后期精准补枪,就能解决一切的问题。)

所以今天的应用创始人,第一,我反而觉得是处于历史上最好的时候,因为竞争没了,泡沫没了,可以真的回归用户、回归产品、回归初心,这就像 23 年和 24 年初市场给我们的感觉一样,逆风局打的才有意思,噪音多了泡沫多了,难免劣币驱逐良币。(我们经常开玩笑讲,如果把 23 年上过 42章经 播客的创始人都投一遍,最终的回报表现可能优于大多数基金,这也侧面印证了市场最终也是会奖励在低谷期或者说非共识阶段敢于出来的创业者的)

像大厂高 P 这个标签中就很容易混入一些其实在当下不那么适合创业的人,大厂高 P 创业本质上是一种信息套利,但信息套利也分两种,一种是对锤子的,即对模型的了解,另一种是对钉子的,即对用户需求的理解,但 ai 时代信息套利的空间被大大压缩了,而且锤子已经明显溢出了,钉子却不足,未来我们希望能看到更多从钉子出发的产品和项目。

第二,大家要默认我们就是要随波逐流,随模型的波,逐资本的流,要默认我们今天做的事情中只有一部分是值得坚持的,更多还是要锻炼团队、锻炼组织,要不断地转型和寻找新机会,要不断地尝试如何用更新更好更智能的方式来服务同一批用户和解决同一类问题。

第三,不要为了融资讲故事,一切还是要回归到用户和问题上。我们可以褒义上的随波逐流,但不能被市场逼迫到把自己从良币变成劣币。

Ambi 的创始人莫子皓,在做一个通过软硬结合的方式改变人类现有和 AI 交互方式的产品,让智能真正平权,这两年我跟他聊 AI、聊硬件学会了一件事,就是把很多事情反过来想。

大家做许多产品让人去问大模型,并且让大模型去给答案,

我们选择让大模型主动问人并且主动给出答案。

大家做许多产品让大模型和人对齐,一步一步引导大模型产出好结果,

我们选择让人和大模型对齐,让大模型引导人一步一步问出好的问题。

所有人都在服务使用工具创造价值的人,程序员 / 设计师 / 文档使用者,

我们选择服务用对话来创造价值的人,销售 / 顾问 / 非文档使用者。

前阵子他融资的时候,我下意识的给他建议说可以讲讲模型的故事,他问了我一个问题说,我随时可以招到很好的算法的人,我们自己团队其实也有训模型的能力和经验,但为什么现在这个节点要做模型?是啊,他们工程上做的非常好,产品体验也很好,未来的某个节点也会做自己的端侧模型,但今天为什么要讲模型?就因为要融资吗?我最终还是说不出口。所以反过来想,就因为资本热点是模型,讲模型做模型就是对的吗?

一切最终还是回到那句话,所有公司终会回归到用户价值的实现上。

Manus 曾经经历过 5000 万美金估值聊遍市场没有人投资的时刻,经历过达到 1000 万美金 ARR 还被拖延和压价最终不到一亿美金估值的时刻,风水轮流转,足够强的团队总能在夹缝中寻找到机遇,最终打一个漂亮的翻身仗。

就像 Codex 桌面应用负责人在最近一期播客中所说的:“今天的所有产品和创始人,都是模型的期权”。今天的积累会在未来的某个时刻兑现,随着模型更成熟,期权会逐渐变成有价值的资产,而重点是在这个过程中,期权不要清零。

最后,再说下我对于今天整体 AI 是市场的判断。

我们看到二级市场 AI 硬件供应链中惊人的涨幅,我们看到智谱的万亿市值,我们看到具身、世界模型等领域仿佛回到了 2021 年的 SAAS 市场,我们也看到字节等公司中炒股实现财富自由退休的案例,这些是否是市场走到一个阶段性尾声的标志呢?

我不知道当资本从语言模型、图片模型、声音模型、视频模型投到世界模型之后,还能有什么故事可讲,也不知道具身和世界模型能什么时候会真的落地,但我相信一些世界运转最底层的规律和常识,比如合久必分、分久必合,市场不会有一家公司长期独大,一家模型公司不可能长期在万亿、十万亿甚至百万亿的路径上走下去,并吃掉一切,我也相信当大多数人都隐隐觉得这个市场好像有些不对劲的时候,那就真的是有些不对劲。

历史上,我们其实经历过 IBM 用 MIPS 的模式收 CPU 算力钱的时代,经历过运营服务商通过短信和流量赚的盆满钵满的时代,而我们正在经历英伟达产业链和模型公司通过 token 赚钱的时代。运营商在短信和流量上赚了接近十年的钱,AI 从 GPT 3.5 算起到今天已经接近 4 年的时间,且其演进的速度明显快于历史上任何一个周期,那未来市场会如何发展,token 免费、智能平权的时代是否很快就会到来?到那天是不是又会有很多人讲模型赛道没了,我们现在只看应用?

正如经济学家卡萝塔在她的《技术革命与金融资本》这本书中所说,历史上几波大的科技革命都经历过导入期(其中包括爆发期和狂热期)、转折点(即泡沫破裂,典型就如 2000 年的互联网泡沫)、最后再到展开期(即技术真的落地,真的走入经济、社会的各个角落)。

那如果 GPT 3.5 代表了爆发期的开始,今天我们是否已经站在了狂热期?转折点距离我们到底还会远吗?

思考事物本质

42章经

跳转微信打开

  •  

WAIC 2026 必打卡展区——我,我,就是我!

原创 阶跃StepFun 2026-07-19 19:28 上海

等你来玩哟

🔥 WAIC 2026 太太太太太火爆了!!!

大模型、Agent、机器人、智能驾驶、AI 终端……想必大家腿都要走断、看不过来了吧。

 那么在阶跃展区(H1 馆 C107),这些你想了解的前沿技术和热门展项,我们让你一站看够!

“镇馆之宝” STEPX Neo

首先是刚刚斩获 2026 WAIC“镇馆之宝”荣誉的大模型原生智能体手机 STEPX Neo。

它搭载全球首个智能体原生操作系统 Step AOS,内置智能体阶跃Amoo,旨在打造真正的“模型、软件、硬件”三位一体的大模型原生智能体手机,实现效率与体验的双重升级。

STEPX Neo 也是首批通过《人工智能终端智能化分级》系列国家标准 L3 级别测试、目前唯一获得 L3 级检测报告的智能体手机,

在现场,可以尝试用 STEPX Neo 打车、点外卖,只需告诉它“终点”,它就能“自动驾驶”完成一系列操作,解放你的双手。

阶跃 AI 模型实验室

第二站欢迎来到阶跃 AI 模型实验室,在这里可以体验到 Step 系列模型如何在真实生活中成为你的贴心助手。

比如通过手机和电脑联动,只需要在手机上说一句话,阶跃 AI 就能在电脑上自动干活;又或者是来一段炫酷的 vibe coding;再或者是只用 10 秒录音,就让 AI 用你的声音定制一首歌曲。

飞书文档 - 图片

以上底层能力都来自于 Step 系列模型,比如负责解决本地任务的 Step Edge 全家桶、以及效率拉满的 Step 3.7 Flash。

同时我们也展示了多模态模型矩阵中的 StepAudio 语音模型家族。Audio Agent、语音输入法都任你来玩!

汽车 Agent:超级Eva 来啦!

当然还能看到阶跃的好朋友们。阶跃携手吉利、千里科技共同研发的汽车“超级智能体”超级Eva全新升级,并搭载量产车型极氪8X,首发亮相世界人工智能大会,再次突破舱驾融合体验。

作为最懂智驾的汽车智能体解决方案,它不仅会开车、更会生活,情商智商在线,还能办事。只要动动嘴,用户就可以在车上实现模糊语义规划全程、智驾操控、旅行讲解、订票订座订外卖等生活服务,再次刷新了量产级的舱驾协同、人车交互智能体验:

  • 一句话行泊车:一句话规划全程、全链托付、随时语音修改。

  • 一句话控智驾:打通智驾实现语音控车。

  • City Drive:体验式路线规划+讲解+D2D智驾执行。从城市导航到城市导游,一座城秒变熟悉。

  • 一句话会办事:连接生活服务小程序,动动嘴就能订票、定座、定外卖。

6 个机器人协作挑战搭长城

我们还联合原力灵机发起“挑战 15 小时持续作业,6 台机器人协同拼装长城模型”。

Dexmal原力灵机多台不同类型机器人,协同拼装长城模型,基于原力灵机具身通用基础模型和阶跃基础大模型。

每台机器人能够自主感知、独立决策、动态分工,在亚毫米尺度上完成媲美熟练工的精密操作,持续作业实现超8万多件模型的组装,拼装长城3M*1.5M*1.1M。

这也是全球首次机器人自主拼装如此规模、如此精细度的模型哦~

 以上就是阶跃展区的亮点啦,WAIC 2026 还在火热继续,一直到 7 月 20 日,欢迎大家来阶跃展台(H1 馆 C107)找我们玩!

跳转微信打开

  •  

阶跃与上海期智研究院共建智能体前沿研究院

阶跃StepFun 2026-07-18 20:55 上海

探索 Agent 时代关键命题

7 月 18 日,阶跃星辰与上海期智研究院宣布正式达成合作,双方将共同设立智能体前沿研究院,围绕智能体网络及经济原理、AI Safety 等方向开展联合研究,探索 Agent 时代的基础理论、核心技术、标准体系与产业范式。

上海期智研究院院长姚期智与阶跃星辰董事长、千里科技董事长印奇出席揭牌仪式并共同见证合作。

揭牌仪式上,双方联合提出“智能体时代五大全球新命题”,从行动权利、责任秩序、安全范式、经济基础和人机共生五个维度,回应智能体大规模进入真实世界后,人类社会必须共同面对的基础性问题。

作为长期布局 Agentic AI 的基础大模型公司,阶跃持续推动 AI 从模型能力走向真实世界应用。此次与上海期智研究院共建智能体前沿研究院,将进一步加强学术界与产业界协同创新,加快智能体前沿研究成果走向产业实践,助力构建开放、可信、可持续的智能体产业生态。

面向 Agent 时代,阶跃正式推出 StepStar 顶尖人才计划,在全球范围内招募智能体领域优秀人才。该计划旨在汇聚具有长期视野和原创精神的创新力量,支持研究者围绕智能体领域的前沿问题开展长期探索,推动更多原创思想转化为关键技术与真实应用。

阶跃期待与全球优秀人才一起,突破智能体技术边界,共同定义智能体的未来。

跳转微信打开

  •  

WAIC 2026开幕式主论坛 | 印奇:当智能体走进物理世界

阶跃StepFun 2026-07-17 21:50 北京

当智能体进入物理世界,每个人的可能,都将被十倍放大

2026 世界人工智能大会(WAIC 2026)今日开幕。作为全球人工智能领域的顶级盛会,本届大会以“智能伙伴 共创未来”为主题。

阶跃星辰董事长、千里科技董事长印奇作为特邀嘉宾出席大会开幕式并在大会主论坛(上午场)发表主题演讲《当智能体进入物理世界》。

以下为演讲全文——

各位嘉宾、各位朋友:

非常高兴在 WAIC 的开幕式上,和大家一起探讨人工智能技术和产业发展的下个阶段。过去 5 年,AI 快速发展,回看每一次 AI 爆发,都离不开两股力量的结合:超级模型与超级应用。Transformer 大语言模型和 chatbot 聊天机器人的结合,带来了 ChatGPT 时刻;强化学习、推理模型与辅助编程的结合,打开了 AI 编程的巨大机遇。那么,下一波爆发点会是什么?我们看到的一个巨大的可能,就是智能体模型和下一代终端产品的结合。

所以,今天我想分享的主题是:当智能体走进物理世界。

15 年前,我刚刚大学毕业,选择的第一份工作就是成为一名 AI 创业者。15 年后,AI 创业从一个小众赛道变成这个时代全球最大的共识之一。我深感能在这个时代成为一名 AI 创业者,无比幸运。

当今的每一位 AI 研究者和 AI 创业者,都是站在历史巨人的肩膀上。

一边是 70 年来几代 AI 科学家孜孜不倦的探索。不管是符号学派还是连接学派,再到深度学习和大模型。细看整个 AI 技术的发展脉络,都呈现出高度的连续性,同时又具备从量变到质变、如阶跃函数般的跳变性。

另一边,沿着产业和应用的角度,IT 行业、PC 互联网、移动互联网、云计算、半导体、新能源,共同构成了 AI 爆发不可或缺的序章。

2026 年,模型能力跨越了能力的临界点。可以说,我们已经站在 AGI 高峰的山脚下。

5 年前,AI 能连续执行的任务时长仅仅是几秒钟,今天它已经能够独立工作数十小时,而且进步的斜率还在不断增大。我发现其中一个有趣的规律,AI 发展的里程碑似乎总和一个词紧密相关,那就是“语言”。

从早期的图灵测试,机器能否如人类一般掌握自然语言,是衡量智能最重要的标准;后来大语言模型 predict next token 的模式出现,一开始大家认为这不是智能,到后面惊讶的发现这恰恰开启了通往智能的真正大门。

再到 2026 年的关口,AI 已经不光掌握了人类交流的语言,还在人类最重要的智力劳动——编程上快速追赶甚至超越人类。

这可能会成为图灵测试的 2.0 版本:在最重要的语言框架下,机器是否能超越人?下一阶段更关键的问题也将变成,我们如何为 AI 进入物理世界设计一套新的语言体系?哲学家维特根斯坦曾说:“语言的边界,就是世界的边界。”在 AI 的世界里,也似乎遵循这个规律。

无论是从模型技术演进还是产业发展的角度,“智能体”都变成 AI 下一阶段最重要的关键词。回看历史,所有的产品都是某种服务的载体。在信息革命 80 年的时间里,最重要的产品形态,从大型计算机、个人计算机,再到软件、网站、移动应用,接下来可能快速转变成“智能体”这样一种新载体。

智能体,将不仅是一个聊天的机器人,它能感知外部物理世界,理解用户深度记忆和偏好,综合决策和执行,完成用户交予的各项任务。

智能体,正在成为生产力的最小单元。

未来,每个人身边都会有专业智能体:工程师有代码智能体,设计师有创意智能体,研究员有分析智能体……这些智能体,会让一个人拥有一支团队的能力,也让屏幕里的智能真正走进我们的工作和生活。

因此,智能体带来的不是一个单点应用机会,而是三个结构性变化:新系统、新载体、新网络。

第一,是新系统。

过去四十年,每一次计算平台的变化,都伴随着操作系统的变化。PC 时代管理软件,移动时代管理应用,智能体时代则要管理很多能够理解目标、规划路径、调用工具并执行任务的智能体。因此,智能体能做什么,不只取决于模型有多聪明,也取决于操作系统为它打开了多大的能力边界。

因此我提出一个公式:智能体能力 = 模型能力 × 智能体操作系统能力。

如果说模型决定智能体能“想多远”,那么 Agentic OS 决定智能体“走多远”——它连接模型与数据、工具、接口和设备,让智能体不仅能够理解世界,也能够采取行动。这就是智能体原生操作系统,它将成为未来人机交互和产业生态的重要基础设施。

第二,是新载体。

移动互联网时代,终端连接人与数字世界;智能体时代,终端将带着智能走进物理世界。它不再只是等待人的操作,而是能够感知环境、理解情境并采取行动。

这意味着,终端的设计逻辑正在改变:过去,我们围绕人的操作方式设计机器;未来,我们将围绕人与智能的协作方式重新定义终端。

终端的设计理念也将从“以人为本”,进一步走向“人机共生”。

电脑将成为 Agent 工作站,手机将成为随身智能中枢,汽车将成为移动智能空间,机器人将成为人类身边的智能伙伴。更重要的是,这些终端不再彼此孤立。电脑、手机、汽车和机器人,将成为同一个智能体在不同场景下的不同身体。智能可以在多个终端之间连续存在、自由迁移、协同完成任务。

未来的终端竞争,不再只是设备之争,而是谁能让智能体更好地感知环境、采取行动,真正进入物理世界。

第三,是新网络。

互联网时代,连接的是人、信息和服务;智能体时代,我们将还将连接能够理解目标、调度资源、协同工作的智能体。这就是 A2A 网络。

从产业视角看,这不仅一种通信协议,更是一张由 Agent 和人类共同构成的人机共生价值网络。未来,数十亿人、数百亿设备和智能体,都可能成为其中的节点,形成一个规模更大、协作效率更高的新型网络。

对创业者而言,这意味着新的产业机会:智能体会有自己的身份和信用。人们可以找到它、了解它擅长什么、把任务交给它,也可以根据它的表现付费、评价,以及与它合作。

当智能体能够自主寻找伙伴、组织协作、完成交易,A2A 就不再只是技术协议,而将成为智能体经济的基础设施。

但也正因为智能体正在进入组织、网络、设备和真实世界,我们必须看到:人机共生带来的,不只是能力跃迁,更是秩序重构。

当智能体开始代表人行动,我们必须回答三个问题:

    • 它可以代表谁行动?

    • 行动产生后果,谁来负责?

    • 当它连接数据、设备和真实环境,怎样确保身份可信、权限可控、行为可追溯?

过去,我们更多是在科幻作品中思考这些命题。今天,随着智能体走进现实,它们正成为必须真正面对的问题。

为此,阶跃正与图灵奖得主姚期智先生领衔的上海期智研究院开展前沿研究。我们也期待与全球专家学者一道,探索智能体时代新的技术体系、治理机制与社会契约。作为年轻一代 AI 创业者,我们既是这场技术浪潮的参与者和受益者,也是下一阶段秩序的共同建设者。我们有机会把智能从屏幕带入真实世界,也有责任让它更可信、更安全、更普惠,成为人类长期的伙伴。

Agent 时代最大的意义,不是替代人,而是放大人。它正在孕育新一代 AI Native 建设者,也催生新一代 AI Native 组织。

AI Native,不只是会用 AI,而是从第一天起,就把 AI 写进产品、系统和组织的基因里。对个人,它让一个人拥有一支团队的能力;对创业者,它意味着创造新产品、新组织,甚至一个全新的产业。

每一次技术革命,都会催生新一代伟大的企业。我们相信,人工智能时代的超级建设者,也一定会从 AI Native 组织中诞生,并由他们参与书写下一段产业历史。

最后,我想回到阶跃最朴素的使命:智能阶跃,十倍每个人的可能。

我相信,未来不是机器替代人的世界,而是人与智能共同进化的世界。

在 AI 行业的 15 年里,我觉得最有意思的地方是:技术还年轻,产业还年轻,很多问题还没有标准答案。大家不是在一条已经铺好的路上竞速,而是在一起把这条路修出来。

因此,我们这一代 AI 创业者要做的不只是创造更强的模型,更要让智能走进真实世界,成为每个人都能使用、都能信任的力量。

当智能体进入物理世界,每个人的可能,都将被十倍放大。

谢谢大家。

跳转微信打开

  •  

Wan-Streamer v0.2:响应延迟仅550ms,让 AI 真正与你"面对面"

原创 通义实验室 2026-07-17 15:14 浙江

实时互动,丝滑连麦~

和 AI 打视频电话,卡顿、延迟、声画不同步,是常态。

这本质上就是“语音识别 ➡️ 大模型 ➡️ 语音合成 ➡️ 动画驱动”的流水线拼装。环节越多,延迟越高,割裂感越强。

但真正的自然交流,应该像和朋友打视频一样自然:没有卡顿,没有等待。

它能实时读懂你的微表情,像真人一样点头、做手势,让声音、唇形与神态在毫秒间完美同步。

最新发布的 Wan-Streamer v0.2 让这成为现实。

一分钟认识 Wan-Streamer

它是面向实时双工交互的端到端全模态理解与生成模型,把“听、看、说、演”统一进单个 Transformer 中,让 AI 像真人一样边听、边看、边回应。

  • 极致低延迟:端到端响应延迟 550ms(200ms模型延迟 + 350ms网络延迟),

  • 画质增强:输出分辨率从 v0.1 的 192×336 提升至 640×368 @ 25FPS,微表情场景细节清晰可见;

  • 全模态端到端:原生支持文本、音频、视频的实时理解与同步生成,无需外部模块拼装。

我们对比了市面上主流的实时交互系统。在响应延迟上,Wan-Streamer 的端到端交互延迟在 0.55s 左右(含网络传输),显著快于常见的实时语音对话模型。

在功能覆盖上,Wan-Streamer 同时具备了视频感知、视频输出、全双工交互、端到端架构且响应延迟控制在1秒内。

架构重构:从“流水线”到“原生因果流”

传统的实时数字人系统,底层通常是级联流水线。

“

举个例子:当你说一句话,系统需要等语音转成文字,大模型生成文本回复,再合成语音,最后驱动数字人张嘴。这个过程不仅要等待,而且各个模块独立运行,容易出现声音和嘴型对不上、表情僵硬的问题。

”

Wan-Streamer 将用户的文本、音频、视频输入,与智能体的输出,统一映射到同一条因果时间线(Causal Timeline) 上。

模型无需等待“一整段话”说完,而是引入了流式单元(Streaming Unit) 的概念。大约每160ms就会完成一次完整的闭环:

  • 感知当前 160ms 的用户音视频输入;

  • 更新共享的交互状态与上下文;

  • 生成同步的语音和视频 Latent(潜变量);

  • 解码并输出上一单元的音视频响应。

这意味着,AI 不需要等你说完再想,而是在你说话的每一小段时间里,同步完成“感知 ➡️ 理解 ➡️ 生成 ➡️ 解码”。这种原生流式的建模方式,是实现极低延迟与全双工交互的基础。

从 v0.1 到 v0.2:画质跃升与“场景锚定”

v0.1 验证了端到端原生流式音视频对话的可行性,但 192×336 的分辨率在视觉上局限于近景特写(Close-up),主要聚焦于面部和嘴型。

v0.2 将输出分辨率大幅提升至640×368。这不仅仅是像素的增加,更带来了视觉构图与应用场景的质变。

AI 不再只是一个“悬浮的头部”。在 v0.2 的画面中,你可以清晰看到它的视线方向、身体姿态、自然的手势动作,甚至它面前的桌子和周围的房间布局。

技术解密:Thinker-Performer 双通路与 Ulysses 并行

分辨率的大幅提升,意味着视频 Latent 生成的计算量显著增加。如果将这些计算任务放在原有的低延迟通路中,200ms 的模型侧延迟底线将被突破。

如何在提升画质的同时,不增加用户可感知的延迟?

Wan-Streamer v0.2将模型拆分为两条并行通路,在物理硬件上进行解耦:

思考者:单卡快车道

Thinker 部署在单张 GPU上,负责所有对延迟敏感的任务:流式音视频感知、语言与状态更新、构建 K/V 缓存(让模型记住上下文),以及音频解码。 

它就像对话中的“大脑”,负责快速听懂你的话、记住上下文,并立刻组织语言,保证 200ms 的极低响应。

执行者:多卡 Ulysses 并行

640×368 的高分辨率视频生成计算量极大。在 Wan-Streamer v0.2 中,Performer 被扩展为一个多 GPU 的 Ulysses 式上下文并行集群,专门承担这部分重载计算。 

它就像幕后的“渲染团队”。因为高清画面计算量大,系统采用 Ulysses 序列并行机制,将长视频序列切分给多张显卡分工合作、并行去噪。(注:由于音频 Latent 序列较短,切分反而会增加通信开销,因此音频生成不进行序列切分,直接计算)。

时序重叠

更关键的设计在于时序调度。单卡 Thinker 的工作窗口与多卡 Performer 的计算窗口是重叠的。 当 Performer 集群在后台处理当前帧的高清视频 Latent 时,Thinker 已经在处理下一帧的用户输入,并解码上一帧的音频。

通过这种“快慢分工、时序重叠”的架构,v0.2 将额外的视觉生成成本从延迟敏感路径中剥离。在包含 350ms 双向网络预算的情况下,总远程交互延迟依然保持在约 550ms。

Wan-Streamer v0.2  延迟保持部署拓扑时序图

万物皆可对话:想象力才是唯一边界

只要能用自然语言描述,Wan-Streamer 就能在虚拟世界里把那个"角色"实时呈现出来,和你面对面交流。没有预设剧本,没有固定角色库——你的想象力就是唯一的边界。

你可以和秦始皇聊统一六国,听李白即兴吟诗、让蒙娜丽莎开口说话,和清明上河图里的路人聊聊宋朝生活,还能问问你家猫主子整天都在想什么......

基于这种高度自由的角色生成能力,Wan-Streamer 典型的应用场景包括:

  • 视频通话式 AI 助手:打开摄像头即可面对面交流,适用于口语陪练、面试模拟、心理咨询等需要“在场感”的场景。

  • 场景化陪伴与教育:AI 老师可以通过画面“看着”学生的表情判断理解程度;AI 可以在厨房里实时指导做菜的步骤。

  • 沉浸式游戏 NPC:游戏中的角色可以拥有表情、肢体语言和实时反应,与玩家进行真正的“面对面”对话。

  • 无障碍交互:为听障用户实时生成带精确唇语和手势的视频回应;为视障用户实时描述摄像头捕捉到的周围环境。

让 AI 能够自然地参与实时对话,需要它真正理解用户的话语、读懂表情,并在几百毫秒内给出综合反应。

Wan-Streamer v0.2 是我们在这一方向上的持续探索:通过原生流式架构与分布式推理拓扑,在单一模型的交互循环中同时完成理解与生成,让 AI 的沟通方式进一步逼近真人。

这是一条长期的研究路线,我们将持续迭代 Wan-Streamer,敬请期待。

推荐内容

Qwen-Audio-3.0-Realtime 如何让语音交互“懂倾听,更聪明”?

跳转微信打开

  •  

AI专栏 | Demo 跑通了,上线就翻车?Java Agent 生产的那些坑,我们帮你填了

原创 Cris/小蜗牛 2026-07-17 11:50 上海

一个 Harness,把 Java Agent 从 Demo 拉到生产

作者简介

Cris Yang,携程资深后端开发工程师,关注AI原理探索与Agent构建。

奋斗的小蜗牛,开源项目 SnailJob / SnailAi 作者。专注于系统架构、分布式设计、高性能系统与 AI Agent 技术探索。

导读:Java 团队做 Agent,不缺模型接入方案,缺的是让 Agent 稳定跑在生产里的运行时能力。记忆漂移、大报文击穿上下文、推理不可复盘、工具变更要发版——这些问题现有框架不兜底。Spring-Ai-Trip 在 Spring AI 上叠加了一层 Harness,用渐进压缩、Spill 溢出保护、认知可观测等机制,填平 Demo 到生产之间的鸿沟。如果你也在 Java 侧做 Agent,也在被这些“Demo 跑通了,上线就翻车”的问题反复折磨,这篇文章或许能帮你少踩几个坑。

一、Java 侧做 Agent,我们到底缺什么

二、设计哲学:我们如何看待 Agent 运行时

三、系统架构:Spring-Ai-Trip 的全景视图

四、短期记忆:渐进式压缩

五、可观测性:Span + Event 树

六、Spill:大结果的溢出保护

七、能力供给:填平 Skill 的空白 + MCP 热插拔

八、并行工具调用:能同时做的事,别排队

九、端到端实战:一次排障会话,把所有机制串起来

十、Roadmap:我们还在往哪走

一、Java 侧做 Agent,我们到底缺什么

过去两年,Agent 生态的语言分布很偏——Python、TS 那边百花齐放,Java 这边一直不温不火。LangChain4j 和 Spring AI 把接入大模型这件事做得挺到位,后来的 Spring AI Alibaba、AgentScope Java 又在编排和多 Agent 协作方向补上了部分能力。但真正在生产里做过 Java 侧 Agent 的团队,大概率都踩过下面这三个问题:

  • 技术栈错配:国内后端团队的技术栈基本以 Java 为主,用 Python 独立搭建服务会带来跨语言 RPC 调用,同时需要维护两套可观测体系、两套配置中心,让整队人转去写 Python 也不现实。他们要的不是能用 Python 跑的 Agent,而是"能用 Java 写、能长在现有业务代码旁边"的 Agent。

  • 企业级治理断层:多数开源框架只做到能跑起来:调通模型、跑通工具。至于链路追踪、配置中心、限流熔断、审计合规、灰度发布——大多要业务方自己接。

  • 运行时空白:即便选了 Java 方案,现有框架也基本只做到能调通大模型。而生产化真正的难点在运行时:短期记忆怎么管、单次工具返回的 5 万字报文怎么处理、错误结论的推理过程怎么回溯、工具怎么在不重启的情况下加减、并发工具调用怎么保证一致性——这些几乎没有框架给你兜。

会调大模型,只是拿到了入场券;让 Agent 稳定、可控、可解释地跑在生产里,才是真正难的部分。

现有 Java 方案审视

Spring AI把接入大模型这件事做得很轻,统一的模型抽象、Advisor 拦截链、Tool Calling 注解对 Java 工程师很友好。但也就到接入这一步:ChatMemory 只有滑动窗口这类基础实现,工具返回值直接进上下文、没有溢出保护,Observation 只覆盖到"调用发生了"这一层,工具注册是启动期静态的,会话生命周期没有作用域概念。

Spring AI 是模型抽象层,不是Agent 运行时。它给你一辆能开的车,但生产化需要的变速箱、ABS、行车电脑,得自己造。

Spring AI Alibaba走得更远,Graph 编排、Nacos 集成、DashScope 生态、Studio 工具链。我们没选它:一来我们已经在用 QConfig、CAT、内部 MCP 网关,换 Nacos 这套等于把现有基建全部替掉;二来它的重点在编排,我们头疼的是单个 Agent 内部怎么更稳定的运行。

AgentScope Java出现得晚,但布局铺得比较全:不可变消息、@Tool 注解、A2A / MCP 双协议、Reactor 非阻塞,适合新起项目。它和我们的场景不一样:它是一站式开发平台,我们是往已有 Spring Boot 服务里嵌的一层。后文会把它拿来做对照。

Spring AI 之外这块空白,大到值得单独做一层。我们将该中间层叫做 Spring-Ai-Trip,作为挂载在 Spring AI 与业务 Agent 之间的Harness。

二、设计哲学:我们如何看待 Agent 运行时

在讲机制之前,先把心法交代清楚,后面所有具体设计,都是这四条原则的推论。

2.1 叠加,而不是替代(Additive over Replacement)

不重造 Spring AI 的轮子,所有能力以 Advisor / ToolCallback / Observation 的方式挂到它上面。业务方随时可以只用 Spring AI 原生能力,也随时可以按需开启我们的能力项。

2.2 读写分离,把复杂度推后(Lazy Compaction)

写入路径永远简单快速——毫秒级落库,零加工。所有 Agent 决策(压缩、预算判断、锚定、修复)都推迟到注入模型的那一刻再做。原始数据永远完整保留在库里,复盘、审计、回放随时可查。

2.3 信息不丢弃,只降级(Progressive Degradation)

面对上下文压力,信息从高精度原文渐进降级到高密度摘要,而不是断崖式截断,也不是被打散成检索碎片。我们要的是斜坡,即保留连续的、可读的、只是密度不同的一份历史。

2.4 默认安全,业务无感(Safe by Default)

异常路径的清理、并发下的一致性、工具下线的安全窗口、进程重启后的会话续接,这些脏活都由框架在业务背后处理干净。

三、系统架构:Spring-Ai-Trip 的全景视图

3.1 整体架构图

3.2 核心数据流

一次 agent调用穿过 Harness 的完整路径,大致是这样:

四、短期记忆:渐进式压缩

Agent 的短期记忆决定了它是能连续作战的助手,还是每轮从零开始的无状态函数。没有记忆的 Agent 本质上是 f(当前输入) → 输出,会在三个层面断裂:

  • 对话连续性断裂:第 1 轮说"处理订单 ORD-2024-001",第 5 轮问"进展怎样了"——Agent 已经不记得订单号

  • 决策链断裂:中间环节丢失,无法基于已有结论继续推进

  • 行动链断裂:早期工具返回消失,可能重复调用或跳过步骤

记忆不是 Agent 的附加功能,而是 Agent 区别于 API wrapper 的本质特征。

4.1 通行做法的结构性缺陷

上下文窗口是固定的,对话越长越满,必须淘汰一些内容。核心问题是淘汰标准:按什么规则丢、丢完之后关键信息还在不在。

滑动窗口——Spring AI 的 MessageWindowChatMemory、LangChain 的 ConversationBufferWindowMemory 都是这个路子:保留最近 N 条消息,超出从队头丢。它用位置作为唯一淘汰标准,可信息的价值根本不由时间决定——用户第 1 轮说的"帮我处理订单 ORD-2024-001 的退款",可能比第 19 轮那句"嗯"重要一万倍。到第 21 轮,窗口一滑,最初的目标被无声丢弃,于是 Agent 开始目标漂移:越聊越偏,或者每一轮都在重新猜用户到底想要啥。

RAG 检索——把历史向量化,用时再捞。它擅长跨文档知识检索,但用作会话记忆有个硬伤:它按语义相似度捞相关片段,却感知不到时序,也拼不出对话的整体画像——Agent 知道自己某次查过订单,却不知道整个任务进展到哪一步了。

看清了这些,我们的设计哲学其实就一句话:

永远不丢弃任何信息;注入模型时,按信息价值的衰减曲线,渐进地压缩。

"渐进"是关键词。信息不是在某个边界突然消失,也不是被打散成碎片,而是连续、分级地从高精度原文过渡到高密度摘要。

在思考这套渐进压缩具体怎么做时,Claude Code 的四层上下文管理机制给了我们很大启发——我们借鉴了其中三条核心思想:信息不应被断崖式截断、摘要应该结构化而不是"总结一下"、压缩之后需要显式恢复。但不能直接照搬:Claude Code 是单机 CLI,单进程持有会话状态、SM 文件写本地磁盘;我们是分布式服务端,多实例无粘性会话、要跨实例续接、要接多家模型厂商——这些差异决定了我们最终落地的形态和它不同。

4.2 三层防御体系

第一层:完整持久化。所有消息逐条落库,只追加、不删除。

这一层还带来一个容易被忽视、却极其关键的设计——读写分离。写入永远只是简单的一次落库,毫秒级,零压缩开销;所有压缩都只发生在读取、注入模型的那一刻。原始数据一条都不少地躺在库里,复盘、审计、回放随时可查。这一步还顺带解决了服务端才需要面对的跨实例会话续接:任何实例接过 sessionId,都能从库里拿到完整历史 + 摘要,不依赖任何本地状态。

第二层:工具结果微压缩。这是一个纯内存计算、完全不调用大模型的轻量回收。它的核心洞察是:一次工具调用的返回值,价值衰减得极快。一个 3000 token 的订单查询结果,在 Agent 已经据此告诉用户"订单已发货"之后,那 3000 token 的原始 JSON 就不再需要了——留下"我查过了,已发货"这个事实就够了。

    压缩前(约 3000 tokens):

      [工具] query_order → {"status":200,"body":{"orderId":"...","items":[...大量数据...]}}




    压缩后(约 10 tokens):

      [工具] query_order → "[旧工具结果已清理,可按 evidence-id=e7f3a 回查]"


    一些打磨得比较细的点: 以完结轮次为原子单位——工具调用链可能横跨好几条消息,只有当整轮真正结束了其中的结果才有资格被回收,绝不切断正在进行的调用链;按工具分策略——不同工具挂不同压缩规则,关键操作永不压缩、查询结果过期即清

    替换文本带证据指针——清理后的占位符里带一个指向持久化层的 evidence-id,排障时需要还原当时看到了什么,直接按指针回查即可,和后面讲的可观测性打通,原始工具返回并没有真的消失,只是从注入模型的上下文里退场。一次 20 轮工具调用的对话,光微压缩就能释放约 5 万 token。

    第三层:LLM 结构化摘要。 当微压缩之后仍然超预算,才动用大模型,把早期对话折叠成一份结构化摘要。注意,这不是让模型随便总结一下,而是按一个固定的九段式模板来写,并且给每一段排了优先级:

    这个设计直接命中前面说的目标漂移:User Intent 和 Current State 被显式地、结构化地锚定在摘要里,无论压缩多少轮,Agent 始终清楚"用户要什么"和"我做到哪了"。token 实在不够时,先从 P3 往下砍,P0 段落死保。摘要以 <system-reminder> 标签包住、作为一条历史消息注入,插在近期原文之前,既压缩了信息量,又最大限度保住了会话连贯。

    对话再长呢?摘要之上还能再做摘要。当已有一份摘要、又积累了一批新对话,框架会以合并更新的方式做增量摘要——在旧摘要基础上更新各段,而不是从头重写。于是摘要的质量随对话深度线性提升,而不是反复推倒重来。

    顺带对照一下 AgentScope Java 的思路:它的短期记忆走标准的消息容器

    ( InMemoryMemory ),长期记忆则通过 LongTermMemory 接口委托给 ReMe / Mem0 /阿里百炼等外部服务——重心是"记忆服务的对接"。回到"单会话内不忘事"这个问题上,它的重心不在这里;我们更像在做"记忆的注入形态"。两种取向没有对错,解决的是不同层次的问题,甚至可以叠加。

    4.3 悬空调用修复:服务端才会踩到的坑

    还有一个真实生产才会踩到的坑:服务中断。假如一轮工具调用刚发出、结果还没回来,进程就重启了,库里就留下了一个悬空的工具调用——这违反了大模型 API 的消息协议,下次直接报错。框架在加载历史时会自动检测并修复这种残缺,把违规的悬空消息剔除干净,让会话能安全地接着跑。这类"脏活",正是分布式 Harness 该替业务扛下来的。

    4.4 动态预算:为什么固定配额会翻车

    那么,超不超预算这条线,到底谁来划?

    给历史消息分配固定配额(比如窗口的 80% 留给历史)这个想法,建立在一个错误假设上——prompt 里除历史之外的部分是稳定的。它一点都不稳定:系统提示词(从几十到三千多 token)、工具 Schema(20 个工具轻松过万)、当前用户输入(一句"好"是 1 token,粘贴一份日志是几千 token)——固定比例要么太保守、要么一遇工具增多就溢出。

    正确的算法不是"取窗口的某个比例",而是"窗口减去所有已知固定开销之后,剩下多少给历史"

      有效窗口   = 上下文窗口 − 预留输出(默认 8000) − 安全缓冲(默认 3000)

      固定开销   = 系统提示词 + 工具 Schema + 当前输入

      历史预算   = 有效窗口 − 固定开销

      预估总量   = 固定开销 + 摘要 tokens + 历史 tokens

      触发压缩   ⇔  预估总量 > 有效窗口 × 阈值(默认 0.90)


      关键在"先扣后算":不可压缩的输出预留和安全余量先扣掉,固定开销再扣掉,剩下的才是历史的真实空间;判断是否压缩时,摘要本身也占地方,必须算进去。所有 token 数由一个本地近似估算器算出——英文约 4 字符 1 token、中文约 2 字符 1 token、JSON 上浮 15%——不调用远程 tokenizer,靠 10% 的阈值余量兜住估算误差。

      五、可观测性:Span + Event 树

      Agent 的故障模式和传统服务根本不同:没有异常堆栈,没有错误码,服务运行一切正常——只是推理方向偏了。传统 APM 能覆盖调用链路和耗时分布,但覆盖不到推理层:模型在哪一步、基于什么证据、做出了什么判断,这些信息在现有监控体系里是缺失的。

      5.1 一个真实的排障案例

      用户问:"帮我看看为什么昨天下午订单转化率跌了。"Agent 调了几个工具,最后回答:"经查,是支付网关超时率上升导致的转化率下跌,建议排查支付链路。"

      结论有零有整,业务方信了,排查支付链路一整天,结果发现支付一切正常。

      问题到底出在哪?如果没有可观测性,你只能靠猜。而当你能把这次会话完整回放出来,真相一目了然:

      真相浮出水面:那个查超时率的工具,数据只覆盖到中午 12 点,而下跌发生在下午两点后。模型拿到的是一份残缺数据,却把"上午的上升趋势"错误外推成了"下午的根因"。

      错误不在模型笨,而在于它拿到的证据本身有问题,且没人能看见这个断裂。有了完整的 Span + Event 回放,你一眼就能锁定:不是模型的锅,是那个工具的数据覆盖范围有问题,去修工具,而不是去调提示词。

      5.2 认知可观测 vs 传统监控

      这就是认知可观测性和传统监控的根本区别:它记录的不只是调用发生了,而是模型基于什么证据、做出了什么推理、得到了什么结论。

      我们把一次 Agent 执行,建模成一棵由Span和 Event 组成的树:

      • Span 是有始有终、可嵌套的执行区间:一次会话套着多轮对话,每轮里有模型调用和工具调用。它天然还原了 Agent "思考—行动—再思考"的递归结构。

      • Event是 Span 内部的关键瞬间:模型的思维链、最终回复、工具的入参与出参、以及错误。

      尤其是 Thinking 事件——模型的思维链被显式捕获下来。上面那个例子里,正是第 3 轮那句"有上升趋势 → 大概率是它导致的",暴露了模型的推理跳跃。没有它,你永远只能对着一个错误结论干瞪眼。

      5.3 可观测性后台

      那么,如何让这些认知层的可观测事件——思维链、证据链、工具入参出参、token 消耗、错误现场——被开发者直观地感受到呢?一个好用的可视化后台同样必不可少。为此,我们把整棵 Span + Event 树做成了一个专门服务于 Agent 开发的可视化平台。

      通过它,开发者可以按会话回放 Agent 的每一次执行,把模型看到的"有效上下文""每一步的思维链""工具的入参与出参""token 与耗时的分布""异常事件的现场"一并摊在同一个视图里。最终答案只是结果,Trace 才是调优入口——写完一版提示词、加了一个工具、换了一个模型之后,改动到底让 Agent 变好了还是变差了,不再靠肉眼比对输出去猜,而是能落到一条条可对照的证据上

      六、Spill:大结果的溢出保护

      短期记忆管的是随时间累积的膨胀,但还有一类膨胀是瞬间的——单次工具调用就能返回 5 万字。我们踩过这个坑:一个 BAT 生态的 MCP 工具,某次调用甩回将近 5 万字的报文。这份报文一旦原样进入上下文,三件事同时发生:

        预算瞬间击穿——单条消息就吃掉大半个窗口,其它历史被迫大规模压缩甚至丢弃;

        注意力被稀释——模型淹没在海量它根本不关心的字段里,真正该看的那几行反而被忽略,输出质量肉眼可见地下滑;

        成本被引爆——这份报文会跟着后续每一轮对话反复重新发送,token 一次次翻倍计费。

        而模型绝大多数时候只需要其中某个字段,或者只需要知道这个接口调通了、数据拿到了。

        6.1 思路:类比操作系统的内存交换

        我们的应对,叫 Spill(溢出保护)。思路和操作系统的内存交换如出一辙:内存(上下文)放不下的大块数据,落到磁盘去,在内存里只留一个指针。

        具体来说,任何工具的返回值,一旦超过阈值(默认 32000 字符),框架会自动接管:

        • 把完整原文落盘持久化,一个字节都不丢;

        • 给模型的上下文里,只留一段预览(默认前 2048 字符)+ 一句明确的说明 + 一个可回读的路径。

        模型看到的,从一堵 5 万字的墙变成了这样:

          [工具结果过大,已溢出到磁盘]

          预览(前 2048 字符):

          {"code":0,"data":{"list":[{"id":"...","name":"..."} ...

          完整内容已保存至:spill://order-assistant/conv-abc/tool-7f3a.json

          如需完整数据,可使用读取工具按该路径获取。


          这个设计的巧妙之处在于,它把要不要看全文的决策权,交还给了模型自己。绝大多数情况下,预览里的信息已经足够它继续推理;万一真需要全文里的某个细节,它可以主动拿着路径去回读——甚至只读其中一段。

          信息一点没少,但它从"强行灌进大脑"变成了"需要时再查阅的档案"。

          6.2 几个我们打磨过的细节

          按 tool 粒度可配置。哪些工具触发、阈值多少、预览多长、要不要落盘,都能挂到策略上按工具定制。有些工具的输出天然结构化(比如 JSON List),可以在预览时智能截取前若干项 + 计数摘要;有些工具的输出是纯文本报告,直接截前 N 个字符就够了。

          回读工具支持范围读取。回读接口不是要么给你全文、要么什么都没有,而是允许按字节区间、按 JSON path、按分页游标读取——避免回读又把上下文爆一次。模型看到一个 5 万字的 spill 文件路径时,它可以只回读第 3 到第 5 条 list 项,而不是被迫拿全文。

          命名空间和会话生命周期绑定。Spill 文件按 agentName/sessionId/toolId 组织,天然属于一次会话的资源。会话结束(无论成功、失败、取消、超时),这批文件跟着会话作用域一起被清理,不会在磁盘上留下孤儿。

          并发一致性。多个工具在同一轮里并发返回、并发触发 Spill 时,文件命名要不冲突、回注消息要顺序对齐、可观测 Span 要各挂各的——这些一致性细节在虚拟线程环境下都经过了针对性测试。

          "大工具返回值该往哪放"这个问题,不是我们独家看到的坑。Spring AI 目前还没有这一层的原生抽象,工具返回值直接进上下文;LangChain 一侧靠调用方手动 truncate——信息就直接丢了。有意思的对照来自 AgentScope Java,它的 ToolResultEvictionMiddleware 思路和我们的 Spill 几乎撞在一起:超过阈值自动接管、原文落盘、上下文里换成预览占位符、模型按需回读。它甚至在设计文档里明确区分了两件事——eviction 解决"上下文的宽度"(单条消息太大)、compaction 解决"上下文的深度"(消息太多),和我们把 Spill 与短期记忆压缩分成两层的思路完全一致。不同团队独立收敛到相近的方案,这本身就说明"大工具返回值该落盘 + 预留回读入口"是这类问题现阶段的合理解。差异更多在细节和归属——阈值、预览方式、挂载层次、命名空间——来自各自场景的具体约束,而不是设计思路的分歧。

          七、能力供给:填平 Skill 的空白 + MCP 热插拔

          Agent 的能力边界,由它手里的工具决定。这里有一对天生的矛盾:

          • 工具给少了——Agent 啥也干不成;

          • 工具给多了——每个工具的名字、描述、参数 Schema 都要塞进上下文,20 个工具轻松吃掉上万 token,不但烧钱,还稀释模型注意力。

          更别提工具还会变:今天上线一个新数据源,明天下线一个旧接口。难道每次都要改代码、发版?

          7.1 拆解一:填平 Spring AI 在 Skill 上的空白

          Skill 按需加载的思路早已是业界共识:上下文里只放技能清单(name + description),模型判断需要时,再调工具捞正文。这一层机制本身不新——新的是 Spring AI 在这件事上是一片空白,业务方要么自己拼加载器,要么把指令全塞进 system prompt。

          我们把 Skill 作为一等公民补齐,做了两个来源的实现:

          • 内置 Skill(classpath 加载):团队沉淀的通用能力——日志排查、大工具输出处理、ClickHouse 查询等——以 jar 内置形式随框架下发,引依赖即得。

          • DB 动态 Skill(后台可配):每次 spawn() 拉取当前 (appId, agentName) 绑定的技能清单,后台上架、编辑、绑定,下一次 spawn 即生效——不改代码、不发版。

          同名 DB Skill 覆盖内置 Skill。平台方提供默认能力池,业务方按需扩展或覆盖。

          7.2 拆解二:让工具能"热插拔"——MCP 动态工具注册

          工具集本身可由配置中心(如 QConfig)驱动、运行时热更新:改一份配置即时生效,全程不重启、不发版。

          热更新的难点在"安全":更新的瞬间,可能正有请求在用旧工具。两个机制兜底:

          • 差量刷新:只动真正变化的部分,避免"配置一变就全量重连"的雪崩。

          • 引用计数 + 延迟关闭:要下线的工具连接,等它身上所有在途调用都结束才真正释放——绝不会在请求执行到一半时把连接抽走。

          7.3 内置原子工具

          框架还内置了一批开箱即用的原子工具:文件读写、命令执行、任务清单、HTTP 调用等——都是我们在多个业务场景里反复用到、抽象出来的最小可复用能力集。

          八、并行工具调用:能同时做的事,别排队

          还有一个体感极强的痛点:慢。

          模型常常一次性决定调好几个相互独立的工具——查订单、查物流、查用户等级。串行执行意味着耗时累加,但这几个调用之间根本没有依赖,没必要排队。

          8.1 虚拟线程:契合"大部分时间在等网络"的场景

          框架的做法很直接:当模型在一轮里请求了多个独立的工具调用,用Java 虚拟线程把它们并发执行——总耗时从各段相加变成取最长的那段。虚拟线程极其轻量,成百上千个并发的 IO 等待也扛得住,契合工具调用这种"大部分时间在等网络"的场景。

          8.2 并发了,但不能乱

          • 结果顺序对齐:并发返回的工具结果回注 Prompt 时,要和模型请求顺序严格对齐——不能因为查物流比查订单快 200ms 就颠倒。

          • 观测 Span 不串味:每个工具调用挂在自己那条 Span 子树上,Thinking / ToolInput / ToolOutput 归属不错乱。

          • Spill 和微压缩在并发下照常工作:多工具并发触发 Spill 时文件命名不冲突;微压缩"完结轮次"的判定依然正确。

          这些一致性细节,框架都在底层处理干净——业务侧感知不到并发的复杂,只感知到变快了。

          九、端到端实战:一次排障会话,把所有机制串起来

          单看每个机制,都像一个独立的补丁。但它们真正的威力,在于协同。我们用一个贯穿始终的场景,把它们串成一条线。

          用户:"帮我排查下为什么订单 ORD-2024-0117 一直卡在'支付中'。"

          第 1 步——技能与工具就位。 收到问题,Agent 扫一眼上下文里的技能清单,判断这是支付排障,用内置工具把"支付状态机排查"这份技能的正文加载进来。同时,配置中心早已把这个环境该有的查询工具热插拔就绪。

          第 2 步——并行取证。 模型一次性决定:查订单主表、查支付流水、查网关回调日志。三个调用互不依赖,框架用虚拟线程并发执行,耗时取最长的一段,而不是三段相加。

          第 3 步——大报文不炸场。 网关回调日志甩回来一份 4 万字的报文。它没有污染上下文——超过阈值的部分被自动落盘,模型只拿到预览和一个回读路径。模型瞄一眼预览,发现关键信息不在里头,于是拿着路径只回读了它需要的那一段。上面这几步,都发生在响应这同一个问题的过程里,即模型内部"思考—取证—再思考"地递归推进,整个过程被记录成一棵 Span/Event 树。

          聊到后面几轮——记忆不漂移。 排障很少一问一答就结束:给出初步结论后,用户往往接着追问——"那网关重试过没有""换昨天同一时段再看看"。这样一来一回,就成了多轮对话。压缩正是在这里发挥作用:它不发生在某一轮的内部推理中,而是当新一轮对话到来、框架把历史加载进来准备注入模型的那一刻才触发。此时,前几轮里那些完整的工具返回值,被微压缩成"查过了、结果如何"的事实条目;更早的几轮被折叠成结构化摘要,而"用户要排查 ORD-2024-0117 的支付卡单"这个目标,始终被稳稳锚定在摘要的 P0 段落里——哪怕聊到第 20 轮,Agent 依然清楚自己在查什么。

          结论给出后——一切可回放。 整个过程被完整记录成一棵 Span + Event 树。万一结论有问题,你能一眼看到模型在哪一步、基于哪份证据、想岔了。

          会话结束——干净收场。 无论这次是顺利结案还是中途被取消,会话谢幕的那一刻,spill 文件、内存缓存、临时工具连接被成套释放,不留一点残渣。

          而这一整套协同,业务方几乎一行都不用写。 你只管把对话喂进去,把业务工具接上去;压缩、预算、锚定、修复、观测、清理,全在后台悄悄运转。业务代码里,剩下的就是那件你本该专注的事:把这个领域的问题解决好。

          十、Roadmap:我们还在往哪走

          Spring-Ai-Trip 解决的,是"让 Agent 稳稳跑在生产里"这一层的问题。往前看,还有更大的图景:

          • 更强的 Agentic Loop: 让 Agent 的自主规划、反思、纠错能力更成熟,并支持Plan Mode、Sub Agent,从"能完成任务"走向"能把任务完成得更好"。

          • 长期记忆: 短期记忆解决一次会话内不忘事,长期记忆要解决跨会话地积累经验、认识用户。

          • 自愈与容错: 把"悬空调用修复"这类点状能力,扩展成一套系统化的故障自恢复机制。

          • 提示词治理: 让提示词像代码一样,可版本化、可评测、可灰度。

          写在最后

          回头看,Spring-Ai-Trip 做的所有事情,其实都围绕一句话:

          把"会调大模型"和"能在生产里跑好一个 Agent"之间那道鸿沟,用一层 Harness 填掉。

          它不替代 Spring AI,而是叠在上面;它也不去和 Spring AI Alibaba、AgentScope 抢编排层的位置,而是专心把单个 Agent 内部怎么活下去这件事做好——记忆、Spill、可观测、能力供给、并行工具调用,每一层都是我们在业务里被问题绊过一次之后,补上的一块。它们对业务方大多只是一行配置,但每一行背后,都是从 Demo 到生产之间必须过的一道坎。

          如果你也在 Java 这边做 Agent,也在被这些问题反复折磨,希望文章里的思路对你有用。

          【推荐阅读】

           “携程技术”公众号

            分享,交流,成长

          跳转微信打开

          •  

          让 Token 消费看得见、管得住、省得下 - AI 网关成本治理能力解析

          绍玮、鸿杰、渴炜 2026-07-15 15:00 陕西

          模型能用,但成本理不清怎么办?腾讯云 AI 网关,帮你看好每一分钱。

          一封让 CTO 一夜没睡的邮件

          上个月,某公司的 CTO 收到了一封让他睡不着的邮件 - 大模型月账单比上个月涨了 3 倍。

          更让他崩溃的是:财务追问 “这些钱花在哪儿” ,工程团队查了半天,只能给出一个模糊的答案: “大概……是这个 AI 助手在跑吧?”

          没有多维度的成本拆解、没有多维度的场景分析、没有异常消费的提醒—— 只知道成本多了,不知道花在了哪里。

          大模型接入不是终点。当业务真正跑起来以后,另一场硬仗才刚刚开始: 模型 Token 成本怎么观测,模型配额怎么管理 。

          解决这样的问题,不止需要一个功能点 — 从实时成本观测到多维配额、从默认策略到配额计数,都需要一整套体系来支持。基于 腾讯云原生智能网关-AI 网关(以下简称 AI 网关)拥有完整的成本治理与配额体系,可以让大模型的每一次 Token 消耗都 “看得见、管得住、省得下”。

          开头的情况并非个例

          过去三个月,AI 网关团队走访了几十家把大模型接入生产的客户。我们发现: “账单暴涨” 背后不是一个问题,而是同一套结构性漏洞的多种表现。

          场景一 | 账单失控,谁花了多少一无所知

          月底账单出来,Token 消耗暴涨 300% 。可你不知道:

          • 是哪个团队在花?

          • 是哪个模型在烧?

          • 是哪个时间段异常?

          • 是业务增长,还是有人在 “刷模型” ?

          问题本质 :Token 消耗黑盒,缺乏多维度使用量统计与成本溯源能力。

          场景二 | 集群配额计数不一致,超限流量溜过去

          业务高峰期,网关 A 节点计数到 80%,网关 B 节点才 50%——因为 “已用额度” 各自在内存里维护。

          同一个消费者,实际早已超限,但换一个节点还在继续放行。

          问题不是没设配额,问题是—— 配额被三个节点分别数了三份 。

          问题本质 :本地内存计数无法跨节点共享,集群环境下配额计数不一致。

          其他更多问题场景

          场景

          痛点

          新消费者 Token 用量 “裸奔”

          管理员忘配配额,月初就把整月的 Token 配额全部使用

          配额粒度太粗

          大小用户一刀切,大的被限死、小的挡不住,配额运营死板

          Token 重复消耗

          用户换个说法问同一个问题,每次都花一遍推理成本,极大浪费资源

          成本配置太复杂

          搭一套完整管控要在 4 个页面间反复跳,容易遗漏

          AI 网关是这么解决的 — 一套体系,五项能力

          针对以上痛点,腾讯云 AI 网关给出的答案不是 “加个功能” ,而是提供 一整套成本治理体系 。

          【能力一:多维度配额治理】Token 不是唯一要关注的指标

          每个模型的 Token 价格完全不同,请求次数多起来也会更难处理,只限 Token 远远不够。 除 Token 外也需要关注成本和请求次数 :

          维度

          管什么

          Token

          Token 消耗上限

          请求次数

          模型调用次数

          成本

          花费的成本金额

          三个维度独立计数、独立判定,粒度精细到每一个消费者。同时在时间上,AI 网关支持按照 日、周、月和年 时间维度配置消费者配额,让配额运营更加灵活。

          【能力二:默认配额策略】让新消费者 Token 配额不再 “裸奔”

          新消费者创建时,AI 网关会 自动注入一条默认配额规则 ——哪怕管理员忘配置,也不会出现 “月初打穿全月 Token 配额池” 的 “惨剧” 。可在配额管理处配置默认配额,设置完成后所有新建消费者都会自动配置一条配额。

          (图:默认配额策略配置)

          【能力三:语义缓存】Token 消耗的 “沉默杀手”

          用户换个说法问同样的问题—— “今天北京天气” 和 “北京今天天气怎么样” ——在传统系统里是两次独立推理,两次 Token 消耗。

          语义缓存不是关键词匹配,而是 基于向量相似度 :语义相近就命中同一份缓存,可以极大降低 Token 消耗和工具请求次数。

          (图:语义缓存工作示意图)

          【能力四:实时成本计量】从 “事后对账” 到 “即刻可观测”

          传统方案每小时才统计一次。这意味着 — 9:05 发生的超量流量,你要等到 10:00 才能看到。中间的 55 分钟,系统还在放行。

          但是面对 AI 成本黑盒,AI 网关拿出成本观测方案:

          • 分钟级实时:直接从 Redis 读,不再等定时任务获取,两分钟内就可以看到最新的成本情况报表和数据

          • 重启不丢:Redis 配置全局统一管理,配置重启后对应的配额计数仍然完好

          展示能力

          内容

          解决问题

          周期总成本

          实时展示当前自然累计费用

          不用等月底账单,随时知道已花多少

          最高成本消费者

          标出当月费用最高的消费者(含名称、所属组、已用费用)

          快速定位 “谁在烧钱” ——是正常业务增长还是异常调用

          最高成本模型服务

          标出当月费用最高的模型服务(含服务名、已用费用)

          快速定位 “钱花在哪个模型上” ——是否该考虑模型降级

          成本趋势图

          按日展示输入成本 + 输出成本双柱状对比

          看趋势——是平稳消费还是在逐日攀升;输入 vs 输出成本比例是否异常

          多维下钻明细

          按消费者/消费者组/模型服务/模型 API/路由 5 个维度下钻

          账单暴涨时,从总览逐层定位到具体的消费者+模型+API+时间段

          【能力五:成本管理大盘】从 “管得住” 到 “算得清”

          能观测具体额度后,下一步是算清楚账。多维度使用量统计让每一次 Token 消耗都有迹可循,账单暴涨时,可以极快发现哪里是成本 “漏洞” 。

          展示视角

          回答的问题

          消费者视角

          哪个团队/应用消耗最多?钱该算到谁头上?

          模型服务视角

          哪个模型是成本大头?该不该换便宜的?

          模型 API 视角

          哪个接口消费最高?是不是有接口被滥用?

          (图:成本管理大盘)

          技术底气 | 为什么能做到 “分钟级 + 强一致”

          整个系统的核心是 两条分离原则 :

          • 配置与执行分离 ——控制面管控不影响调用执行

          • 热路径与分析路径分离 ——统计分析延迟也不影响限流与配额

          围绕这两条原则,三条链路各司其职:

          链路

          方向

          关键特征

          配置下发

          控制面 → 数据面

          双写一致、准实时生效

          实时计数

          数据面 ↔ Redis

          原子递增、跨节点共享

          统计分析

          日志 → 控制面

          准实时、与执行解耦

          跨节点一致性的核心: 用 Redis 的 INCRBY 原子递增把集群里所有节点拧成 “一个视图” — A 节点数到 80%,B 节点看到的也是 80%。计数偏移的病根一次性除掉!

          (图:三条链路架构示意图)

          总结

          大模型从 “能用” 走向 “生产” 的过程中,成本治理不是可选项,而是必答题。

          智能路由解决了 “选最优模型” ,业务连续性解决了 “模型不稳定” ,而 Token 成本治理与配额运营解决的是第三个关键问题 — 模型能用,但成本理不清怎么办 。

          AI 网关给出的答案是 “一套体系、多维治理” :

          • 一套体系 :从实时计量 → 多维配额 → 默认策略 → 语义缓存 → 成本大盘,形成完整的成本治理闭环

          • 多维治理 :Token 数量、请求次数、成本独立管控,粒度精细到消费者

          六个用户场景、五项核心功能、一套完整的成本运营体系 — 大模型用起来很好,但账单得有人管。 AI 网关,帮你看好每一分钱。

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

          AI 网关能力全景

          点击 👇 视频查看 「AI 网关接入演示」


          阅读原文

          跳转微信打开

          •  
          ❌