铃阅时讯
❌

阅读视图

懂车帝,靠谱吗?

毛有话说 2026-10-16 20:09 北京

最近懂车帝被一堆“充值、双标”的黑料视频围攻,我倒觉得这事挺好拆的。

法院已经判了部分造谣者道歉赔偿,认定纯属捏造。这波黑公关就是想把水搅浑,争议标题的流量确实高,背后多半是车企在拿钱砸自媒体。

懂车帝靠车企吃饭,结构本身就容易惹人怀疑。但他们为了自证清白,测某界时直接买了六辆车,光买车就花了 600 万。大平台想上市圈大钱,真犯不上为这点公关费砸自己招牌。

不过,测评标准都是他们自己定的,一刀切未必绝对公平。看报告别光盯排名,得看原始数据和测试条件。车企会洗白,平台会剪辑,两边都得保持怀疑。

遇到那些东拉西扯的键盘侠,别跟他们辩论,直接拉黑就行。

跳转微信打开

  •  

懂车帝,靠谱吗?

原创 释老毛 2026-10-16 18:26 北京

有话好好说,对事不对人。

【为什么经常收不到文章?】由于微信修改了推送规则,需要读者常转发或点赞点“在看”,成为活跃用户,否则会逐渐收不到推送。为保文章接收,可转到公号首页右上角拉菜单,设为星标⭐

你这种思维从根子上就走偏了,大脑太容易被噪音干扰。根据现在讨论问题全球通行的罗伯特议事规则,大家讨论任何问题,首先要就事论事,不能质疑动机,不能攻击人身,不能顾左右而言他。
因为不遵循这些基本的程序性规则,就无法有效讨论任何问题。双方将进入各说各话的诡辩陷阱,例如面对问题,你不直接回答,而是反问:你的动机是什么?你有什么资格说话?你的屁股坐在哪边?这里头有没有阴谋?是不是境外势力作祟?
所以我说过,只要做到实事求是、就事论事,你的水平就超过了80%的职场同事,因为绝大部分国人都不会讨论问题。
为什么司法程序能最大限度保证实事求是?因为在法庭上,你用这种话术,东拉西扯,宏大叙事,法官马上会提醒你,直接谈案件本身,针对具体事实、针对具体证据,不许离题万里。如果当事人不断耍流氓,法官可以让你闭嘴,甚至直接逐出法庭。
由此,经过正当司法程序形成的法院判决,往往是最具有公信力的权威结论。
关于懂车帝,目前没有证据表明存在“某种势力”在背后操纵这波视频。事实上,懂车帝起诉了20多名称其“充值”“收钱办事”的用户,法院已判决部分被告道歉赔偿,你说的这些黑料,判决书的认定是“无事实依据、纯属捏造”。
这波突然出现的黑公关,集中发布“扒黑历史”,是典型的抹黑式反击,目的就是把水搅浑,问题也就不了了之。背后有两条原因:
一是流量逻辑:蹭热点,争议即流量。“充值帝”“双标”这类标题的完播率和转发率远高于常规车评,自媒体有天然动机批量生产。
二是车企博弈:每次测试争议后,负面内容都会周期性爆发。大车企的公关部对很多自媒体是有定期投放的,那些车媒大V吃人嘴短,他们开豪车、住豪宅,钱从哪来?绝大部分都是接商单、接广告,车企是他们的金主爸爸。这才是公开的“黑幕”。

懂车帝到底靠不靠谱?

首先它只是一个第三方的汽车测评平台,根据技术规范和自己的规则进行产品测评,从来不保证结论是绝对真理。相反,一般这种报告都有免责声明,就像投行发布的研报,最后都说仅供参考。评论是言论自由,观点是一家之言,只是消费者决策的参考依据。
最大的争议,利益有结构性矛盾,这是全行业的共业,但不是道德问题,也有制度和标准隔离。
测评平台靠车企品牌广告、经销商线索和CPS成交抽佣吃饭(网传2025年营收约245亿,但未上市、无审计财报)。既给车企打分,又靠车企养活——这个结构本身就会让测评结果天然显得可疑。
为了保证测评的独立性和公信力,懂车帝2025年起推行“商测分离”(人员、业务、考核、财务四隔离),但这属于内部章程,也没有第三方审计或监管背书。它能降低主观偏袒的概率,但改变不了共生关系。
至于有些大V质疑的,收钱就说好话,不给钱就黑。这只是谣言,目前没有任何实据。如果一个测评公司真这么搞的话,是自己砸自己牌子。短期弄了点钱,还冒刑事责任的危险,长期胡来你的报告就没人信了,无异于自掘坟墓。
有些搞测评的自媒体、个人号可能会收这种黑钱,甚至有不少因敲诈勒索被起诉的。懂车帝这种大平台应该不会收黑钱,公信力是测评的生命线。他们最终目标是上市,几十亿几十亿地圈钱,不会看上这点小小的公关费。
补一句,这次测试某界,光踩断刹车就用了三辆车,后来又买了三辆车做样品封存。仅仅买车这一项就花了600万的成本。可见其立志高远,直接奔着中国第一、甚至世界第一测评平台去的,哪能看上那点小钱?

当然,制度是力求客观公正的,但结论是否绝对公正,不能保证,值得商榷,因为测评采用的方法和标准都是自己定的,一刀切,可能对有的车企不公。例如2023冬测,争议很大,整备阶段各车空调制热时长、开关门窗次数不一致;以“发动机介入即终止”作为结束标准,而各家保电策略不同,等于用不同的尺子量不同的车。所以很多车企不服,认为这个标准对自己的产品未必公允。
绝对公平无法做到,就跟高考一样,它只能一把尺子量百家人。所以这类报告的做法是把检测条件和标准公开,公布数据,得出结果,最终由消费者自己采信,只是“横向参考素材”,而不是“最终结论”。
消费者需要这种第三方平台,测评行业本身有其存在价值,因为消费者就像盲目的小白鼠,天天被商家的广告轰炸,真正质量如何,需要专业测评,特别是汽车、电脑、手机,这种大金额高科技产品。
对这种测评报告,就跟读研报一样,记住三条:
1. 看方法和原始数据,不看排名。排名是加工品,只有参考意义;数据是原料。问清楚“怎么测的、每辆车条件是否一致、样本几台、有没有复现”。
2. 交叉验证。安全类看C-NCAP/中保研等资质机构报告;续航能耗看车主真实口碑和多家媒体对比;单一来源的极端结论一律存疑。
3. 对两边保持同等怀疑。车企会拿数据自证清白,平台会靠剪辑制造爆点,自媒体会靠指控赚取流量——三方都在讲对自己有利的事实,消费者需要综合起来看,兼听则明。
我认为,懂车帝的测试不是黑幕操纵的产物,但也不是绝对真理,不是最终裁判。它只是按照一系列科学严谨的程序和标准,通过反复实测,获得一个相对靠谱的结论,仅供参考而已。

附:学会讨论问题,看《罗伯特议事规则》

图片

1860年代南北战争期间,26岁的联邦军工程兵亨利·马丁·罗伯特,被派往华盛顿协防。在一次军民共建会议上,主持的罗伯特表现得一塌糊涂。这位西点军校毕业生不甘受挫,于是潜心研究如何开会,一研究就是十几年。最后罗伯特把他总结的高质量开会讨论问题的规则,集结成书。这就是1876年初版的《罗伯特议事规则》。

德先生、赛先生,首先就要学会如何讨论问题。千年帝制结束之后,突然发现中国人不会开会,孙中山先生曾大力推广罗伯特议事规则。辛亥革命成功后的1917年,孙先生即着手翻译《罗伯特议事规则》,引入中国,命名为《会议通则》,后改编成《民权初步》。《民权初步》是孙氏《建国方略》三大组成部分之一。

开会的精髓,总结起来就两句话:有话好好说,对事不对人。“就事论事”,看似简单,实际在工作和生活中大多数人很难做到,能做到的就是解决问题的高手了。很多问题,难点不是问题本身,而是讨论者陷入概念之争、口舌之争、意气之争。世界普遍接受的《罗伯特议事规则》,如下:

第一,不得人身攻击;

第二,不得质疑别人发言动机;

第三,不得打断别人正常发言;

第四,一事一议,不得东拉西扯;

第五,发言对主持人,不是对辩方;

第六,提新动议需附议,防止恶意阻挠会议进程。

看看这本小册子,当你遇到这些网络键盘侠,东拉西扯,胡搅蛮缠,最好的处理方式不是与之辩论,说服对方,而是马上拉黑,互道SB。

本文首发于知识星球,感兴趣的朋友可扫下方二维码了解和加入⏬️

跳转微信打开

  •  

从零构建Agent(七):Session管理

原创 从码农到工匠 2026-10-16 17:22 上海

大模型本质上是无状态的数学函数。它不包含任何持久化的记忆机制。每一次发送 Prompt,对模型来说都是一次完全独立的"单次计算"。模型既不知道"你是谁",也不记得"1分钟前我们聊了什么"。

因为模型的无状态特性,所以Agent 的 Session 管理变得至关重要,它必须承担起 "外部记忆硬盘" 的角色。每次请求模型时,Agent 需要主动携带历史消息,并将它们塞进新的 Prompt 上下文里。

即一个完整的Prompt公式应该是:

当前Prompt = System Prompt + (历史Messages列表) + 当前User Question

1. 持久化选型

对于Agent场景,开源数据库SQLite是最佳选择,也是当前主流Agent的共同选择。SQLite 是嵌入式数据库,不需要像 MySQL/PostgreSQL 那样单独启动一个守护进程(Daemon)或容器。Agent 进程启动时直接读写 .db 文件,进程结束时释放。省去了网络连接池、认证鉴权等繁琐步骤,部署极其简单。

其内存占用极低,Agent 通常运行在用户的个人电脑(PC)或小型网关设备上,内存资源有限。SQLite 核心库仅占用 1MB 左右 内存,而 MySQL/Redis 动辄占用几百 MB。

此外,SQLite 是少数原生内置强大全文搜索FTS5(Full Text Search 5)的嵌入式数据库。对于 Agent 而言,用户经常提问:"之前关于那个 API 密钥的对话在哪?"。SQLite + FTS5 可以直接在本地 sessions.db 中毫秒级检索历史会话内容,而如果换成 MySQL,你还需要额外引入 Elasticsearch 或 Meilisearch,极大地增加了架构复杂度。

在 Node.js 22.5+ 中,node:sqlite 作为内置模块直接可用,无需 npm install 任何第三方依赖。这意味着我们的 Agent 项目依然保持零运行时依赖的核心优势。

2. 数据模型设计

Session 管理的核心是两张表:sessions 和 messages。一对多的关系——一个 Session 包含多条 Message。

2.1 表结构设计

一次对话是由Agent Loop的多轮Message组成的,所以Session和Message是显而易见的1对多的关系,其实体联系图如下:

2.2 类型定义

在 src/session/types.ts 中,我们定义了三个核心类型:

/** sessions 表的行结构 */
exporttype SessionRow = {
    id: string;
    title: string;
    model: string;
    workspace: string;
    parentSessionId: string | null;
    createdAt: string;
    updatedAt: string;
};
/** messages 表的行结构 */
exporttype MessageRow = {
    id: string;
    sessionId: string;
    role: string;
    content: string;
    createdAt: string;
};
/** 带消息数的 Session 元信息(list/get 操作使用) */
exporttype SessionMeta = SessionRow & {
    messageCount: number;
};

SessionRow 的各字段含义:

字段

用途

id

UUID v4,主键

title

会话标题,由第一条用户消息自动生成(截取前 50 字符)

model

创建会话时使用的模型名称

workspace

工作目录路径,用于按项目隔离会话

parentSessionId

父会话 ID(自关联),为未来"会话分支"功能预留

createdAt

 / updatedAt

ISO 8601 时间戳

MessageRow 则非常精简——role + content 就够了。注意,我们只持久化 user 和 assistant 的文本消息,不存 function_call 和 function_call_output。原因是:跨轮对话恢复只需要对话上下文(谁说了什么),工具调用是单次 stream() 内的临时行为,由 PromptRequestBuilder 在运行时管理,不需要跨会话持久化。

3.  Session操作

3.1 Session Store

SessionStore(src/session/store.ts)是纯粹的数据访问层,负责 SQLite 连接管理、Schema 迁移和 CRUD 操作。这个比较简单,就是CRUD的SQL操作,比如获取workspace下的所有session:

getSessionsByWorkspace(workspace: string): SessionRow[] {
const rows = this.#db.prepare(
'SELECT * FROM sessions WHERE workspace = ? ORDER BY updated_at DESC'
    ).all(workspace);
return rows.map(rowToSession);
}

3.2 Session Manager

SessionManager(src/session/manager.ts)包装 SessionStore,提供面向 Agent 和 CLI 的领域方法。这一层的存在让 Agent 循环和 CLI 不直接接触 SQL。

大部分的方法都比较直观,需要注意的是appendMessage ,如果是第一条message,需要有自动生成标题的能力,因为每一个session都需要有title,这样用户才能在后续根据title选择想要恢复的session,

appendMessage(sessionId: string, role: string, content: string): MessageRow {
const msg = this.#store.insertMessage({ sessionId, role, content });
this.#store.updateSessionTimestamp(sessionId);
// 第一条 user 消息自动设为会话标题
const session = this.#store.getSessionById(sessionId);
if (session !== undefined && session.title === '' && role === 'user') {
const title = content.length > 50 ? content.slice(0, 50) : content;
this.#store.updateSessionTitle(sessionId, title);
    }
return msg;
}

appendMessage 有两个副作用:一个是刷新 updated_at(让 getLatestSessionByWorkspace 能找到最近活跃的会话),以及从第一条用户消息自动生成标题——就像 ChatGPT 的会话列表一样,用户不需要手动命名。

4. 与Agent集成

为了让我们的Agent具备记忆外挂能力,我们需要把以上实现的Session管理能力和Agent进行集成。主要是两个方面,一个是在Agent Loop中使用持久化的Session,另一个是可以通过CLI管理Session。

4.1 让循环拥有记忆

这是最关键的一步——让 Agent 的 stream() 方法感知 Session。我们需要在Agent.stream() 的loop前进行session预备,在loop结束时进行session持久化:

async *stream(input: string, options: AgentOptions = {}): AsyncGenerator<AgentEvent> {
// ... 加载 skills ...
const sessionManager = options.sessionManager ?? this.#sessionManager;
const sessionId = options.sessionId ?? this.#sessionId;
const hasSession = sessionManager !== undefined && sessionId !== undefined;
const requestBuilder = new PromptRequestBuilder(model)
        .addDeveloperMsg(`Working directory: ${this.#workdir}.`)
        .setInstructions(this.#skills.buildPromptInstructions())
        .setParallelToolCalls(false)
        .setStore(false)
        .setReasoning(options.reasoning ?? { effort: 'low' });
// ① Session 模式:注入历史 + 持久化用户消息
if (hasSession) {
const history = sessionManager.getMessages(sessionId);
for (const msg of history) {
            requestBuilder.addInputItem({
                role: msg.role as InputMessage['role'],
                content: msg.content,
            });
        }
        sessionManager.appendMessage(sessionId, 'user', input);
    }
// ② 共同路径:添加当前用户消息
    requestBuilder.addUserMsg(input);
// ... agent loop(工具调用循环)...
// ③ 运行结束:持久化 assistant 回复
if (hasSession) {
        sessionManager.appendMessage(sessionId, 'assistant', responseText);
    }
yield { type: AgentEventType.RunEnd, steps: step, text: responseText };
}

与原来的逻辑相比,主要涉及三处关键修改:

时机

操作

目的

请求构建前

从 DB 加载历史消息,注入 builder

让模型看到完整对话上下文

请求构建前

appendMessage('user', input)

持久化用户消息

运行结束后

appendMessage('assistant', responseText)

持久化 assistant 回复

4.2 基于CLI的session管理

我们对session的要求不高,只需要能枚举、恢复、清除即可,对于我们当前的CLI Agent而言,通过斜杠命令实现这几个能力并不难:

// /sessions — 列出当前 workspace 的所有会话
if (prompt === '/sessions') {
const sessions = sessionManager.listSessions(workspace);
if (sessions.length === 0) {
console.log('No sessions found.');
    } else {
for (const s of sessions) {
console.log(`  ${s.id}${s.title || '(untitled)'}  [${s.messageCount} msgs]  ${s.updatedAt}`);
        }
    }
}
// /resume <id> — 切换到指定会话
if (prompt.startsWith('/resume ')) {
const id = prompt.slice('/resume '.length).trim();
const session = manager.getSession(id);
if (session === undefined) {
console.log(`Session not found: ${id}`);
    } else {
        agent.setSessionId(id);
console.log(`Resumed session ${id} — ${session.title} [${session.messageCount} messages]`);
    }
}
// /clear — 新建会话
if (prompt === '/clear') {
const session = manager.createSession(workspace, model);
    agent.setSessionId(session.id);
console.log(`New session: ${session.id}`);
}

5.  实际运行

1、创建新session

$ pnpm --filter @zero-agent/chapter7 start
[session] New session: a1b2c3d4-...
Interactive mode — type your prompt and press Enter. Ctrl+C to exit.
❯ 我叫 Frank
[step 1]
你好,Frank!有什么可以帮你的吗?
[run_end after 1 step(s)]
❯ 我叫什么名字?
[step 1]
你叫 Frank。
[run_end after 1 step(s)]

第二轮对话中,Agent 准确回答了"Frank"——Session 管理生效了。

2、恢复老session

$ pnpm --filter @zero-agent/chapter7 start
[session] Resumed: a1b2c3d4-... — 我叫 Frank [2 messages]
Interactive mode — type your prompt and press Enter. Ctrl+C to exit.
❯ 我刚才说了什么?
[step 1]
你刚才说你叫 Frank。
[run_end after 1 step(s)]

Agent 重启后自动加载了上次的会话,无需任何手动操作。注意:这个功能只是为了演示,真实的Agent不需要自动恢复会话,重启后都是全新的会话,用户可以选择手动恢复想要恢复的会话。

3、 查看与切换会话

❯ /sessions
Sessions (newest first):
  a1b2c3d4-...  我叫 Frank  [4 msgs]  2026-10-16T10:30:00.000Z
  e5f6g7h8-...  查询天气    [2 msgs]  2026-10-16T09:15:00.000Z
❯ /clear
New session: i9j0k1l2-...
❯ /resume e5f6g7h8-...
Resumed session e5f6g7h8-... — 查询天气 [2 messages]

6. 总结

本文为 ZeroAgent 构建了完整的 Session 管理能力,SQLite 嵌入式数据库是做Agent持久化的最佳选择。Session管理的代码逻辑不复杂,其操作可以从CLI发起,也很简单。但Session能力本身对于Agent而言却非常重要。

Session 管理是 Agent 从"单次问答工具"进化为"持续对话助手"的关键一步。没有记忆的 Agent 就像一个每 5 秒钟就会失忆的助手——能力再强也无法完成需要跨轮上下文的任务。

读者可以在 https://github.com/significantfrank/ZeroAgent 的 chapter7 中获取本文的完整源码。

跳转微信打开

  •  

现在看短剧要高抬腿了

原创 帅呆的sixgod 2026-10-16 17:19 重庆

一本的学历不够用了

文/六神磊磊 

一

有些事情来得猝不及防。说一个很惊讶的事,短剧现在拼命卷知识了,跟要考研一样。要是再卷下去,我就只配看电影了。

很多人印象里,短剧都是又粗又low的,都是霸道总裁和保洁阿姨谈恋爱。导致我偶尔想看两集,都有一种晚上悄悄打开网盘的偷感,还有一种放下身段搞田野调查的骄傲,假装我不是来看剧的,我只是想看看它还能怎么low。

然而,是我飘了。也就一年工夫,短剧行业的头部生态都变了。最近看了几个剧,发现居然开始猛卷专业细节了。

作为一个“知识博主”,好歹也是第一学历读过一本的,现在看短剧,知识居然不够用了。刚看了一个《持械入宋》,发现自己不懂宋朝兵制。还有一个《寒塘鉴人心》,看了才意识到,我卖了三年螃蟹,还是不懂螃蟹。好不容易被《新三国》培养起来的文化自信都给整没了。

回想了一下,也就是当初网络小说精品化的那几年,才有过这种类似的感觉。记得那时看了《盗墓笔记》,才发现自己根本不懂盗墓。

二

举几个例子。在邢立达那里种草了一个剧,叫《持械入宋》,讲一个现代小队带着枪穿越回宋朝的故事。起初我还挺自信,枪咱不懂,宋朝咱还不懂吗?东邪西毒南帝北丐,宋朝哪有我不懂的?

结果看了才知道,这个剧讲起宋朝兵制还真是有板有眼,不懂的是我。比如兵马监押和兵马钤辖,具体有什么区别?监押、巡检、都监,各自都负责什么?完全没搞明白。我只知道张都监负责害武松。

你说这些东西多高深吗,其实也不是,只是过去的很多剧通常不需要弄明白。一打仗,就是十万人一起同时冲上去。一传令,就是八百里加急。至于这支军队是谁管的,谁有权调兵,谁负责后勤,根本没人关心。

另一个剧叫《寒塘鉴人心》,讲养螃蟹的。因为最近正好在南京卖螃蟹,我就好奇去看了剧,没想到被技术扶贫了。

剧里说,大降温的天气,蟹腿发脆,捞上来还可能发癫、互残。我问了蟹农,还真是这样。还有,天冷运螃蟹,只装半筐,不然车一颠簸,蟹爪互相钳住,一拽就掉一排蟹脚,这个也算靠谱。

不像以前,拍一个养蟹老板,主要任务就是让他开路虎到塘边,宣布包下整个八百亩蟹塘,然后打脸反派。现在居然还要研究螃蟹的腿了。这让我很不适应。

三

再举一个例子。有一个剧叫《站在外科之巅,我在急诊科疯狂摸鱼》,讲急诊室里一个天才帅哥医生的故事。

其实这个剧从主角建模,到整个故事套路,都还是常见的逆袭剧。男主明明帅得不行,一看就是主角,偏偏周围所有人都假装看不出,非要轮流打压他,最后被他一路打脸。

配方没有太大变化,但是区别在于,过去是,你只要接受了男主是个神医,剩下的一切都可以乱编。而现在这个剧里,填进了一些比较专业、鲜活的东西,比如医疗场景里的检查、会诊和抢救流程,还有很多人际关系、同行竞争等等,不光是给霸总换件白大褂谈恋爱。

里面有些术语,的确是AI已经可以写的,比如“3床,疑似LAD近段慢性闭塞,基础上急性血栓形成,建议复查肌钙蛋白及冠脉CTA”等等,AI确实给编剧省大力气了。

但真正有意思的反而是另一类细节。比如同事在背后蛐蛐男主医生不靠谱:“拎着折叠床报到,报到第一天就问WiFi密码。”“真的假的?”“真的,当着主任的面问的。”

有时候八卦比专业术语难写,因为每一个行业的八卦都是不一样的。编剧要知道医生们平时怎么相处、怎么说话、怎么互相蛐蛐,还要知道一个新来的年轻医生做出什么事会让科室觉得离谱。至少,不能让外行人看了都觉得一眼假,这个全丢给AI是不灵的。

四

短剧为什么忽然卷得一日千里,我弄不明白。我甚至怀疑是不是长剧的编辑都下沉了,打不过就加入了。

有朋友的剧本工作室,就是长剧行情不好,转型短剧,希望“降维打击”,结果一看身边全是熟人,互相问:你也是来“降维打击”的?

VISTA看天下报道过一个编剧的例子,她是国际名校的文科硕士,毕业论文研究的是法国新浪潮电影,猜她现在每天的工作是什么?筛选赘婿逆袭剧本。不丢人,还可以说我在改造短剧的大环境。

这种感觉很像当初网络小说,最开始很糙很粗暴,男频“退婚、练功、打脸”就可以,现在不可以了,慢慢出现一批作者,为了写个故事,可以钻研很久的民俗、地理、行业知识,卷得要命。

短剧的这一天也到了。

事实上,一个行业真正开始升级,不是成本越来越高,演员越来越好看,场面越来越大,而是它开始相信,观众有理解复杂事物的能力。

一个人下班很累,想看个爽剧,不代表他就活该降低标准,失去了理解复杂的能力。

我感觉,从片方到平台,好像也逐渐想明白了一件事:有脑子的人也要看剧。门槛高没事的,只要东西够硬,真正想来的人,他们会主动高抬腿。

而且,他们的口味还很重,你越是拍些他们不懂的知识,不熟悉的行业,他们越会快乐得嗷嗷叫。

短剧居然也走上了“知识付费”的路子了,估计连知识类App也没想到,最后的一波对手会是这个。

打不过就加入,拍起来吧。题目我都想好了,《站在知识付费之巅,我在得到精品课疯狂摸鱼》。

跳转微信打开

  •  

Hy Memory 2.0 发布:模型、框架、应用三层全开源

腾讯混元 2026-10-16 17:15 广东

打造私人记忆管家

10 月 16 日,腾讯混元宣布智能体记忆框架 Hy Memory 升级到 2.0 版本,并开源专用模型、记忆框架和 MemHub 应用,三层能力既能独立使用,也能组合成一套完整的 Memory 解决方案,打造私人记忆管家。

图 1 · Hy Memory 2.0 三层开源架构

Hy Memory 框架负责聊天、工作、代码三类记忆的存储、更新与进化,开发者可通过 SDK 将其接入 Agent;在覆盖聊天、工作、代码场景的 4 个 Benchmark 上均为开源记忆框架第一名。

Hy-Memory-30A3B 模型专为记忆场景训练,具备很强的记忆更新、管理等能力,在多个主流记忆框架(Hy Memory、Mem0、MemOS等)上效果均超过 Opus5。

MemHub 是本地记忆管理应用,CLI 和 Mac端 APP 均可使用,可连接 WorkBuddy、Cursor、Codex 等 10 种 AI 工具,内置 Hy Memory SDK,提供历史记忆导入、跨工具实时记忆同步功能。在 AI 时代,无论技术如何演进,属于每个人的记忆应当始终完整、连续。使用 MemHub,让“ 对话常新,默契常在 ”。

图 2 · Hy Memory 2.0 使用方式

目前,Hy Memory 已在腾讯内部金融、资讯、知识管理、办公 Agent、社交娱乐和游戏等领域的多个业务中使用。

腾讯自选股 AI 助手中使用 Hy Memory 后,多跳召回率从 50% 升至 90%,综合得分提升 23.8%,整体通过率从 64% 升至 81%;腾讯新闻在智声、新闻妹两个 AI 助手场景的长期偏好评测中,平均得分 91.68,其中 87.8% 的案例超过 90 分;iWiki 仅用 Hy Memory 召回的记忆作答,正确率比提供全部原始对话相对提升 48.6%。

从 1.0 到 2.0:聊天记忆升级,新增工作记忆与代码记忆

聊天记忆,从零散事实升级为完整的事件脉络。当遇到跨时间、跨对话的聊天场景时,Hy Memory 2.0 能够把分散的内容关联整理,以事件为主体梳理出时间、地点、人物等关键要素,并关联事件的后续发展。当遇到一个问题需要结合多条线索才能回答时,Hy Memory 会围绕问题整理相关内容,先合并重复信息、剥离前后冲突,然后再把清晰的记忆交给模型。 

新增工作记忆与代码记忆。针对工作和代码场景,Hy Memory 2.0 使用多个维度记忆一项任务,并按时间规整所有信息更新。其中包含:

  • 任务目标、已确定的做法和阶段结果

  • 可复用的经验、经验适用条件等

当复用过往经验时,Hy Memory 会先判断当前是否符合该条经验的适用条件,只在符合的情况下,精准采取对应经验作为辅助。针对长程任务,每次继续开启任务前,Hy Memory 会先判断当前在处理哪一件事,再找回相关决定、仍然适用的经验以及历史工作过程。从而精准获取最相关的记忆、辅助任务执行。

图 3 · Hy Memory 1.0 与 2.0 对比

三类记忆场景占用很少存储空间,效果达到开源框架第一

Hy Memory 是业界首个提出工作记忆与代码记忆的记忆框架。在聊天、工作、代码三类场景的4个Benchmark上,对比 Mem0、MemOS、EverOS、OpenViking、RepoMemory 和 Simple RAG,Hy Memory 为开源框架第一。

工作记忆。 在 MemoryArena 的旅行规划与组合购物任务上,平均分为 55.31%,领先次优的 EverOS 10.2 个百分点。

图 4 · 工作记忆评测结果

代码记忆。 在 CodeMemoryBench 上,代码问答准确率 64.2%,代码任务解决率35.6%,均为记忆框架第一。在 SWE-ContextBench 上,代码任务解决率 28.3%,高于 MemOS 和 Mem0 的 25.3%。

图 5 · 代码记忆评测结果

聊天记忆。 在 LoCoMo 上,准确率 72.6%,高于 EverOS 的 71.9%。同时,每题使用的 Token 从 1,159 降至 703,减少 39.3%,以更少的上下文取得更高的准确率。

图 6 · 聊天记忆评测结果

更重要的是。在工作、代码、聊天三个场景中,Hy Memory 占用的存储空间均很小。

图 7 · 工作记忆效果与 Memory 存储占用

图 8 · 代码记忆效果与 Memory 存储占用

图 9 · 聊天记忆效果与 Memory 存储占用

约 3B 激活参数,平均分超过 Opus5

接入 Hy Memory、Mem0、MemOS、EverMemOS 四套记忆系统测试,Hy-Memory-30A3B 得分 55.49,高于 Opus5 的 54.62、DeepSeek V4.1 Flash 的 53.64,以及 Qwen3-30B-A3B 的 44.37。

图 10 · Hy-Memory-30A3B 跨四套记忆系统评测结果

10 种 AI 工具,共享一份个人记忆

用户逐渐在日常中同时使用多个 AI 工具,记忆也随之分散在不同场景。在 Cursor 中交代过的偏好,Codex 并不知道;在 OpenCode 中定下的规范,到了 WorkBuddy 又要重新说明。每切换一次工具,上下文就要从头补齐。

MemHub 希望让记忆成为用户的长期资产,不应被任何单一工具限定,让每次开口,都从懂你开始。所以 MemHub 把不同工具中的会话汇聚成全局的个人记忆,并持续更新。用户无需改变使用习惯,也无需切换正在使用的工具,只需要在MemHub 中授权关联应用,即可导入各工具的历史会话,并通过内置的 Hy Memory SDK 沉淀为本地记忆。此后,各工具中产生的新会话都可实时同步,汇入同一份记忆。同时,MemHub 还支持以插件形式一键接入各个 AI 工具:用户在任何一个已关联工具内发起任务,MemHub 都可管理和使用相关记忆,作为上下文补充给当前工具。

目前已覆盖 WorkBuddy、Cursor、Codex、Pi、Qwen Code、Hermes、DeepSeek Harness 和 OpenCode 等 10 种 AI 工具,涵盖商业编程工具、开源 Agent。 

已接入腾讯多个业务,专项评测表现出色

目前,Hy Memory 已接入腾讯自选股、iWiki、腾讯新闻等多个业务。在各业务的专项评测中,Hy Memory 显著提升了记忆召回与回答的准确性,让 AI 助手更好地理解并延续用户的长期偏好。

腾讯自选股:多跳召回提升 40 个百分点。 自选股 AI 助手需要跨天、跨会话记住用户主动提供的关注方向、分析习惯和规则,例如“这周只盯有色和半导体”“分析先报 PE 历史百分位”。在 A 股投研记忆专项评测中,接入 Hy Memory 后,综合得分从 64.3 提升至 79.6,整体通过率从 64% 提升至 81%,多跳召回从 50% 提升至 90%,冲突消解从 67% 提升至 83%。用户调整关注方向后,旧方向归档但可追溯,助手不会再把已放弃的板块推回来。

图 11 · 腾讯业务专项评测结果

iWiki:只用记忆,回答正确率高于完整原文。 iWiki 基于 Hy Memory 推出 CTX 记忆插件,让多个 Agent 共享同一份长期记忆。在 251 道问题的评测中,使用同一模型和同一套提示词,只提供 Hy Memory 检索出的记忆,正确率为 36.7%;提供全部原始对话,正确率为 24.7%,相对提升 48.6%。

腾讯新闻:长期偏好理解评测平均 91.68 分。 腾讯新闻将 Hy Memory 引入智声、新闻妹两个 AI 助手场景。AI 能记住用户关注的话题和偏好的称呼,开场时主动提及用户关心的内容,多轮对话中延续上次聊过的话题。在智声场景的离线评测中,10 位用户的 41 个复杂对话案例平均得分 91.68(满分 100),87.8% 的案例得分在 90 分以上。

除金融、知识管理与资讯外,Hy Memory 也已在办公 Agent、社交娱乐和游戏等领域的业务中完成接入与评测。

接下来,腾讯混元将继续和更多业务深度协同,在真实场景中打磨记忆能力,让 Agent 在更长的任务、更多的工具之间保持连续。

开源与使用地址

跳转微信打开

  •  

低至每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。

原创 阿真 2026-10-16 17:02 广东

Vidu Q4 Preview来了,便宜大碗,嘎嘎好用!

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-01.png

嗨大家好!我是阿真!

AI 漫剧越来越精彩,AI 短剧、漫剧等也都在往更精品化的方向走。观众对角色“演技”、镜头和剧情的要求,自然也跟着提高了。

一个眼神能不能传递情绪,一组镜头能不能把故事讲顺,一场打斗能不能让人看得过瘾,都在考验视频模型的表现力。对于创作者来说,AI 视频模型这些能力越成熟,脑子里的好想法就越容易做出来。

前几天生数科技也就是我们熟悉的 Vidu 上新了视频模型,Vidu Q4 Preview。

Vidu Q4 Preview 是 Vidu 新一代视频生成旗舰模型的首个预览版本,定位是高表现力的全能旗舰模型。 简单来说,人物更会演,镜头更有张力,特效更有冲击力。

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-02.png

目前 Vidu Q4 Preview 已支持参考生视频 / 图生视频。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-03.png

目前有价格优惠,0.09 元/秒起,同样的预算最高可以多生成 5 倍内容。 价格降下来了,人物表演、镜头和特效的表现也在持续提升。

对我们来说,就是可以更放开地尝试,给喜欢的创意更多打磨的机会。

先看一支很有意思的短片,来自 LAND 的《接招吧!咻孩》。整个故事充满了想象力,这种画风太亲切了,让我感觉一下子回到了童年。前面看得哈哈笑,后面又很温情,看得心里暖暖的。👇

接下来,试试 Vidu Q4 Preview 的实测效果。这里我用的 AI Agent,生成图片后调用 Vidu Cli 生成视频,下方视频部分均为1080P画质,15-16秒。

特效够燃,细节够真

打斗、特效,各类粒子、火焰和能量冲击等效果方面,Q4 Preview 有持续提升。武打、奔跑、追逐和对抗这些大动作场景,也是这次强化的重点。

先看一组双人光剑打斗,镜头切换很自然,同时也体现出了人物情绪,从全身交锋到人物用力咬牙的特写交替等。

还有双方不同的剑光在夜色里,对于服装的反光细节,以及碰撞的火花带来的冲击感,动作、表演、特效相辅相成,非常精彩。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-04.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/01_夜间屋顶光剑对决_提示词.png

光影和场景一起变化,让画面也更有沉浸感,不会有角色和场景不在一个图层那种难受的感觉。

画质方面,Vidu Q4 Preview 支持 2K、4K 输出,强化了光影、美学和画面质感,SaaS 和 MaaS 均支持最高 4K 直出。 展现产品材质等也能体现更多细节。

原产品的细节维持、动效与光影变化也不错。

比如这支香水,花瓣围着瓶身旋转、散开,玻璃的通透感和特效的冲击力就一起出来了。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-06.gif

换到吉他演奏的场景,镜头推近后,琴弦、金属配件和镜头靠近的琴身反光也有了更直观的细节展示。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-07.gif

简单运镜有质感,看这盏台灯,暖光透过灯罩落在木桌上,配合缓慢移动的镜头,材质和氛围都很舒服。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-08.gif

细微反应,角色有戏

看完特效,再把视线转到 Vidu Q4 Preview 的微表情方面。

眼神的移动、说话前后的停顿、情绪一点点转过来的过程,还有自然的肢体反应,都是微表情需要注意的细节。

文戏要细腻,武戏要有感染力,才能引起观众的共鸣。

比如这位站在幕布旁的女孩,从紧张地按住胸口到抿嘴微笑,眉眼和嘴角的小变化就把情绪转变带出来了。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-09.gif

到了动画角色身上,男孩从托腮发呆到惊讶、脸红低头,眼神和肢体反应连在一起,害羞的感觉就很生动。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-10.gif

再看中年人从神情紧绷到泪中带笑,眼角的褶皱和嘴角的牵动,让这个笑容多了几分复杂的情绪。👇

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-11.gif

多图参考方面,现在 Q4 Preview 支持最多 15 张参考图,可以将更多复杂的创意进行组合。

同时,它目前支持最多 3 段参考音频,可以让角色的音色更加统一,避免因音色出戏,达到更加声情并茂的效果。

比如这个人和猫同框的场景里,音色是给了音频参考,猫咪也给了配音。人物的眼神细节和猫咪的动作反馈都比较到位,情绪相对克制,但是又有细节。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-12.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/04_女孩与猫咪的生日愿望_提示词.png

再来一组不同视觉风格的场景。

女孩端盘垂眼,略显拘谨;老太爷抿茶皱眉,抬眼的怒意也很明显。茶水泼来,角色先是惊吓瑟缩,再认错,委屈。眼神、表情与身体反应一起递进,整体的表现力就出来了,更容易让观众共情。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-13.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/05_阿禾奉茶_古装情绪戏_提示词.png

AI 漫剧常见风格,视频效果👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-14.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/06_情侣追剧_最后一块炸鸡_提示词.png

场景中多人物切换,多个人物与各自的场景也对应清楚。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-15.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/07_美式校园_周六约会_提示词.png

镜头切换,节奏在线

多景别切换和复杂镜头衔接,也是 Q4 Preview 相比之前有所提升的。

多景别+复杂镜头组合,也能为情节提供更丰富的节奏。镜头有了变化,人物出场、动作追逐、产品展示等等,就可以有更明确的情绪和张力。

FPV 第一人称视角也轻松拿捏。掠过障碍、进入另一个空间的连续镜头,从跟着角色走,到让观众直接进入角色的视角,镜头语言更生动。主体和空间的关系体现比较好。

这里的重点集中在速度与空间,脸部表演占比更少。开阔的场景交代了环境与背景,提供了另一种视觉方向。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-16.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/10_风隼信使_海上风能站轮滑_提示词.png

想要让分镜更加可控,也可以使用类似的多宫格去引导它,生成指定的场景角度的视频。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-17.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/09_阿真方便面_番茄浓汤广告_提示词.png

把镜头交给高速移动的主体。悬浮艇穿进集装箱夹道,镜头从远跟贴到艇尾推进器,接着随悬浮艇转入暗仓库,再冲向明亮海面。雨水、地面反光和遮挡一层层掠过。

这种连续追拍的观感,也能看出镜头、主体动作与空间关系配合起来的速度感。👇

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-18.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/11_暴雨海港_磁悬浮快艇_提示词.png

最后再来一段舞台特效视频,看看灯光、粒子和色块转场一起卡点的效果。做完发现提示词忘了放歌词了,下次一定。🐶

▤↕滑动查看参考图&提示词

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/img-19.png

附件/最低每秒9分钱,Vidu Q4 Preview做AI漫剧性价比天花板了。/12_HUSH_RIOT_女子摇滚乐队舞台_提示词.png

小结

可以看到 Q4 Preview 在漫剧和 3D 动画方向的表现都不错。AI 漫剧里,角色的眼神、停顿和情绪变化能把戏接起来;其他视频场景,高速追拍、空间穿行和光影变化,也都有很好的表现。

关于大家关注的速度和价格。官方平台目前首发 0.09 元/秒起,同样的预算,最高可以多生成 5 倍内容。

此外 Vidu Q4 Preview 也强化了图生视频生成效率,优化首帧、首秒响应,效率也比之前更高了。

多规格的成本下降,让创作者可以更放开地进行尝试。同一个创意,可以多调整一次表演,多尝试几个镜头版本。创意覆盖不同题材,也方便比较不同表演、镜头和风格的创作空间。

商业级视频创作更加自由,如果需要更高清的话,2K、4K 也可以放量生成。从试镜到交付,它的整个流程都可以尝试更多。

Vidu Q4 Preview 目前还是预览版,后续还会继续迭代,期待接下来的正式版,在各项能力上继续提升。

好了,今天的分享就到这里,如果觉得内容有趣、有用,欢迎给阿真猛猛三连鼓励,这对阿真真的很重要~

下期见!

点击阅读原文查看链接,邀 ZHENQ4 ,大家懂我意思吧哎嘿。

阅读原文

跳转微信打开

  •  

我们现在可能处于一个未变将变的时代。

一泽Eze 2026-10-16 16:53 浙江

最近 X 上很多人聊 REA、逆向软件。小红书上也传任天堂的游戏被破解,甚至都能在 Mac、iPhone 上免费玩塞尔达。

就算守规矩,AI 也能凭视觉,「复刻」一个产品。

于是很容易有疑问:单机软件、游戏是否就不存在了呢?

试想,你做一个付费产品,用户就能让 AI 来「复刻」,遇到攻克不了的技术问题,还能直接逆向。

哪怕 AI 只能实现 80% 的原体验,但只收 0 元、免费开源。你的受众在付款前,会不会多考虑一下,还要不要拿钱为你投票。

以往不是不能破解、「复刻」,而是人力有限,大家只会盯着验证了商业价值的产品、游戏。

而现在,每个普通用户随着 AI,有着每天更强的“替你开源”的能力;若有意愿,甚至能做出 7*24 的检测新产品、“帮你开源”的自动化生产线。

去年 vibe coding 盛行之际,就有人提到,产品即内容。

今年也有愈多梗图调侃当下是独立开发者多于用户的市场环境。

然,一切更进一步:

当任何人都能简单地“替你开源”,将推出「免费产品」视作赚取所谓 IP 的柴薪。

当大家把「破解、抄袭」美化为「开源、复刻」。

就连我自己,在面对定价超过心理预期、但又做的体验糟糕的产品时,都有“不如随手做个自用平替”的想法。

再往下,不禁怀疑在互联网软件行业,壁垒是否最终只在于大模型和云服务资源,其他人只能作为其消费者、转售商?

(这里不得不说,有些 UI 如 Costco 大卖场的 Agent 产品,没准才是真正有远见的?)

当然,以上只是这两天看社区帖子,在巨变当下一些片面的感慨。

但苦涩教训一直在上演,且越来越快。

过去几年我们以为 AI 只能补全代码,做不了全栈;今年之前没人能想到,仅凭 Coding Agent 就能自主做完故事脚本、画面、情绪兼具的视频(Opus 5.5)。

创造越来越变成了一种消费。

好的方面,对消费者来说,这是好消息:好产品们不得不更谨慎地定价,做到物美价廉。

坏的方面,我们正在用最新的发明,抹平一些旧时代的秩序与利润(虽然旧时代也只是 10 来年的光景)

那创造者的新收入,又将从何而来?

跳转微信打开

  •  

奇舞周刊第598期:别只盯着 AI Coding,真正的变化发生在整个研发流程

原创 小编 2026-10-16 15:29 北京

奇舞推荐

■■■

别只盯着 AI Coding,真正的变化发生在整个研发流程

本文以腾讯 OK 平台的实践为背景,讨论 AI 如何从辅助写代码,进入需求理解、实现、验证和交付的完整研发流程。方案强调先将需求与验收条件结构化,再约束 Agent 的修改范围,通过质量门禁、关键路径测试和代码审查形成反馈闭环,并把可复用经验沉淀为知识资产。文章将关注点从代码生成速度转向需求交付质量,为团队设计 AI 研发流程、确定人工介入节点和建立质量标准提供参考。

我们放弃了“全自动生成代码”——网盘 Coding Agent 落地与迭代实录

本文复盘了百度网盘团队将 Coding Agent 接入真实研发流程的探索。早期方案按需求分析、技术设计、任务拆分、代码生成和质量检查依次执行,但未经确认的需求、缺失的历史约束和未就绪的外部接口,会让错误沿流水线不断传递。团队因此转向人机多轮反馈的 Agentic Engineering Loop:执行前识别歧义与待确认项,执行中分轮验证,通过过程记录和统一状态视图帮助开发者及时介入。文章揭示了“流程跑通不等于交付正确”,并讨论如何重新划分人、Agent 和工程工具的职责。

Agent 不能只记录调用了什么,还要记录为什么调用|KDC 系列 03

本文从用户询问退款条件、Agent 却直接执行退款的案例出发,说明工具调用成功并不意味着业务行动正确。文章提出用可审计的判断记录连接目标、知识、证据、风险、授权和执行结果,并区分 Tool、Skill 与 Capability,分别承担具体操作、业务步骤组织和行动治理职责。核心不是保存模型完整的内部思维,而是让系统能够检查行动依据和授权条件。这套探索性设计思路,为业务 Agent 的权限控制、人工确认与事后追溯提供了参考。

技术实践

■■■

淘宝AI购物助手在线评测落地实践

本文介绍淘宝购物助手如何将 LLM-as-a-Judge 从离线实验推进到日级线上评测。面对多业务域、多轮对话和持续变化的数据,团队围绕数据清洗、分布式推理、评测标准、结果聚合及人工校准建立完整流程,并将数仓逻辑与推理工作流解耦。文章还讨论了上下文过长、重复回刷和评测分母污染等工程问题,说明低分可能来自数据或评测标准,也可能来自 Agent 本身。核心启发是:可信评测不仅依赖模型能力,更依赖数据质量、判定口径和持续校准。

给270万行代码开“上帝视角”:Agent 自主定位根因实践

本文围绕腾讯广告复杂商品数据链路的排障问题,介绍如何利用 Agent 辅助跨服务根因定位。由于异常会沿数据流和调用链传播,问题表象与故障源往往不在同一位置,单看局部日志难以还原全貌。方案以系统拓扑、服务依赖和代码信息为知识基础,连接问题发现、根因分析、受控修复与经验沉淀,让后续排查能够复用既有处置知识。文章重点展示了系统级上下文对 Agent 排障的价值,以及自动修复中保留控制边界的必要性。

从海量用户行为中挖掘 LLM 智能,十项基准全线提升

本文介绍小红书的 Vela 框架,探索如何从海量用户行为中提取大模型可学习的训练信号。方案将匿名化、脱敏后的用户行为历史转换为训练任务,研究用户理解能力的训练对其他任务表现及后续强化学习的影响。相较于只依赖人工指令或合成问答,这项工作提供了一种从行为序列构造训练数据的思路。文章适合关注数据工程、用户理解与模型后训练的读者,阅读重点在于行为信息如何转化为学习任务,以及这些训练信号能否带来跨任务的能力迁移。

淘宝直播数字人互动Harness-Aware Training实践:让Agent Model随Harness一起进化

本文讨论直播数字人互动中,模型如何适应持续变化的 Agent 运行环境。实际系统中的 Prompt、Skills、Hooks 和工具配置都会迭代,仅提升模型在固定配置下的能力,未必能保证部署后的稳定表现。团队将运行环境变化纳入训练分布,通过监督微调、On-Policy Distillation 和强化学习等阶段,推动模型同时学习任务能力与环境适应能力。文章将模型训练和 Harness 工程联系起来,为理解低延迟业务模型的训练、部署及协同优化提供参考。

拓展边界

■■■

从单服务到跨应用工作流:小红书 AllSpark 提出 CompoWorld,探索组合式环境扩展

本文介绍小红书 AllSpark 团队提出的 CompoWorld,探索如何通过组合可复用服务扩展 Agent 的训练环境。单个工具调用通常只覆盖局部操作,而真实任务往往需要跨应用传递信息、处理依赖并完成多个步骤。该工作从工具规范与服务构建出发,组织服务之间的依赖关系,进一步生成跨应用任务,用于模型训练与评测。文章提供了一个新视角:Agent 能力提升不仅来自更强的模型,也来自训练环境的丰富程度,以及任务是否覆盖真实工作流的组合与协作要求。

淘宝 TaoMate-H3 开源:三步生成「分钟级」音视频连续创作

本文介绍面向连续音视频创作的 TaoMate-H3,关注生成时长扩展后的一致性、音画同步与推理效率问题。方案结合少步生成 LoRA、分块自回归和持续音视频 KV 缓存,使生成过程能够分段推进,利用前序信息保持连续性,并通过音频引导协调声音与画面。项目提供推理代码和权重,便于进一步研究具体实现。阅读时也应区分模型计算耗时、首段潜变量生成时间和首段可播放视频的等待时间,避免将不同延迟指标混为一谈。

SSR-Merge:把 LoRA 合并从“参数算术”变成“信号路由”|ICML 2026

本文介绍 SSR-Merge,尝试解决多个 LoRA 直接进行参数合并时的能力干扰问题。其思路从参数空间的平均与加权转向信号空间的路由:利用校准数据的统计信息构造解析路由器,通过流式统计降低处理成本,再将结果重参数化为标准 LoRA,避免额外引入运行时路由开销。文章为理解模型合并提供了不同角度:关键不仅是参数如何相加,还包括不同适配器产生的信号如何协调,适合关注参数高效微调与多能力融合的读者。

-END -

如果您关注前端+AI 相关领域可以扫码进群交流

图片

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

图片

跳转微信打开

  •  

千问 AI Arena × 沙利文|联合发布二期任务,聚焦“消费决策助手 Agent”

沙利文 2026-10-16 11:35 浙江

以下文章来源于:弗若斯特沙利文

弗若斯特沙利文

全球增长咨询公司,弗若斯特沙利文(Frost & Sullivan,简称“沙利文”)融合全球65年的咨询经验,28年来竭诚服务蓬勃发展的中国市场,以全球化的视野,帮助客户加速企业成长步伐,助力客户在行业内取得增长、科创、领先的标杆地位。

千问 AI Arena 第二期正式上线:打造你的智能选购顾问

千问 AI Arena 是由千问 AI 平台推出的一个围绕真实行业需求,面向行业专家和开发者提供 Agent 开发、评测与展示机会的平台,致力于推动 AI Agent 在真实场景中的探索与应用。

现在,由弗若斯特沙利文(以下简称“沙利文”)、 阿里云高校合作团队与千问 AI 平台联合推出的第二期题目「消费决策好帮手:智能选购顾问」已正式上线,欢迎开发者参与体验和开发。

https://www.qianwenai.com/arena/competitions/shopping-decision-agent

信息越多,消费决策反而越难

如今,消费者在购买商品前,可以从货架电商、社交媒体、用户评价及专业测评等渠道获取大量信息。丰富的信息为消费决策提供了更多参考,但不同来源的内容较为分散,评价标准和观点也不尽相同。面对众多商品和复杂信息,许多消费者仍然难以判断哪些信息值得参考、哪些产品真正适合自己。

基于这一现实需求,本期邀请参与者打造一款智能选购顾问 Agent。它需要理解用户以自然语言描述的预算、使用场景、偏好与限制条件,并从题目提供的商品信息、用户评价和媒体评价中提取有价值的信息,对候选产品进行统一整理与比较。

Agent 将通过三个环节完成任务:

1.理解用户需求:从用户描述中提炼核心诉求,形成清晰的用户画像。

2.梳理商品信息:整合不同来源的信息,形成结构统一、便于比较的产品列表。

3.生成推荐建议:将用户需求与商品特点进行匹配,选出三款更适合用户的产品,并说明推荐顺序及依据。

最终,Agent 需要输出一份完整的消费决策建议,不仅回答“推荐什么”,还要解释商品与用户需求之间的匹配关系,帮助用户在复杂信息中缩小选择范围,让消费决策更加清晰、有据可依。

开发有支持,参与有收获

在本期任务中,千问 AI Arena 将提供开发代金券补贴,降低模型调用与调试成本;优秀作品还将获得专属奖品奖励,让每一份认真投入都能获得认可。

通过参与这一真实任务,你将亲手完成从用户需求理解、商品信息整理,到产品匹配与推荐建议生成的完整 Agent 开发链路。在实践中学习 Agent 工作流设计、大模型调用、多来源信息处理、提示词优化,并根据评测结果持续调试和改进,进一步提升 Agent 开发能力、AI 应用思维和解决实际问题的能力。

高校大学生专属优惠与能力评测

本任务是沙利文与阿里云高校团队共同发起的大学生AI人才灯塔计划中的实践能力测评任务,大学生参与可领取高校专属优惠券,降低开发成本:

完整能力测评包含:

1)AI认知测评:大学生生成式 AI 认知与应用基准调查问卷;

2)AI实践能力测评:AI实践能力测评智能体,欢迎广大同学参与:

加入千问 AI Arena,开启 Agent 实践

千问 AI Arena 第二期「消费决策好帮手:智能选购顾问」现已正式上线。欢迎加入本期任务,将你对 AI Agent 的理解转化为能够解决真实消费难题的作品,在开发与迭代中探索更多 AI 应用的可能。

现在报名并开始开发,打造真正懂需求、辨信息、做推荐的智能选购顾问,让每一次消费决策都有据可依。

立即报名,开启你的 Agent 实践:

扫码进入千问 AI Arena

千问AI平台-为Agent而生,驱动AI生产力
扫描下方二维码,直达千问AI平台体验

点击阅读原文即可体验!

阅读原文

跳转微信打开

  •  

@同学们 来看AI高手过招、现场聊offer!

飞书 2026-10-16 10:54 北京

想看 AI 高手怎么解决真问题?想找份好工作?

来飞书 AI 先锋未来人才大赛总决赛,一趟全安排!

👀 全国赛区 12 强,用 AI 解决企业问题

📮 数百真实岗位,现场和 HR 聊机会

💬 和企业老板面对面,听听他们最想招什么人

🎁 豆包工作会员、品牌限定好礼,现场等你拿

📍10 月 20 日|北京 751D·PARK—79 罐

展区 10:00 开放|决赛 14:00 线上线下同步开赛

扫码报名,约上正在秋招的朋友一起冲!

点击下方卡片预约直播👇🏻

跳转微信打开

  •  

GLV号外|源归材料完成数亿元融资,推进先进制程关键前驱体材料国产化

高瓴创投 2026-10-16 10:32 上海

GLV划重点

先进制程前驱体

源归材料研发生产用于芯片薄膜沉积的高纯前驱体材料,为原子层沉积(ALD)等工艺提供关键原料。在高深宽比的复杂微结构上生长均匀的纳米级薄膜,对材料纯度、稳定性和工艺兼容性提出了严格要求。这类材料的产业化,需要贯通研发、生产与客户工艺验证,并持续保持批次质量与供应稳定。创始人奚斌教授在ALD前驱体领域拥有二十余年研发与产业化积累,带领公司构建全链条技术平台,推动部分核心产品进入客户基准工艺并实现稳定量产供应,为先进制程关键材料的国产化积累了扎实基础。

近日,上海源归材料科技有限公司(以下简称“源归材料”)完成新一轮数亿元融资。本轮融资由高瓴创投领投,深创投、昆山国科参与投资。

本轮融资将用于公司旗下工业品牌“源展材料”在ALD前驱体领域的产能扩充与新产品研发,持续丰富高端产品矩阵,推进先进制程关键材料的国产化进程。

在芯片制造中,薄膜沉积是形成器件结构的重要环节,广泛采用物理气相沉积(PVD)、化学气相沉积(CVD)和原子层沉积(ALD)等工艺。其中,ALD能够在高深宽比的复杂微结构上生长均匀的纳米级薄膜,是先进制程不可或缺的关键工艺。

前驱体材料是薄膜沉积的核心原材料,其纯度与稳定性直接影响薄膜质量与器件性能。产品需要同时满足超高纯度、稳定蒸气压与良好的工艺兼容性,金属杂质需控制在ppb至ppt级别,研发与生产壁垒较高。长期以来,这一市场由海外厂商主导,提升关键材料的自主供应能力,是完善我国半导体产业链的重要一环。

围绕这一需求,源归材料构建了覆盖“研发—中试—量产—应用验证”的全链条自主可控技术平台,推动研发成果走向客户验证与规模化供应。

在创始人、董事长兼CEO奚斌教授的带领下,公司旗下工业品牌“源展材料”已开发超300种前驱体产品,应用领域覆盖半导体、新能源、光学器件、平板显示等,累计服务全球超200家客户。多款核心产品已通过客户验证并实现批量导入,其中某High-k类前驱体材料已纳入头部客户基准工艺(POR)清单,实现稳定量产供应。

随着本轮融资完成,源归材料将进一步扩充产能、推进新产品研发,为先进制程提供更丰富的高端前驱体材料选择。

关于源归材料

GL Ventures

ALD技术专家奚斌教授在ALD前驱体领域拥有二十余年研发与产业化积累,于2020年一手创办源归材料,专注于高纯电子化学品研发、生产与应用。目前,公司研发中心位于苏州工业园区,量产基地坐落于江苏泰兴。公司坚持靠技术立身、靠产品说话,致力于实现集成电路关键材料的国产化替代,成为国际领先的多元化新材料企业。

跳转微信打开

  •  
❌