Leo Xiang

Gemini Live API 这次模型更新有两个特别好的能力： 1、Proactive Audio（主动音频响应） 模型会根据上下文主动判断是否有必要作出回应，以及打断。 2、Asynchronous Function Calling（异步函数调用） 允许模型在函数执行期间继续与用户对话。 这两个都非常实用。

不知道有没有基于webscoekt 的agent 互通协议， 基于http的agent协议完全不考虑实时场景。 基于http的agent 协议在实时场景有很大问题，http 这种调来调去 一是延迟大 ，二是还得搞webhook，交互一点没简单。

太忧伤了，还是继续用ChatGPT吧。

Google 在多模态方向真是碾压的存在。

Gemini 放出来了一次性合成多个人的对话的TTS，复现NotebookLM 的多人播客效果的门槛也没了。

每天通过Chatgpt 学习一个小时，很快就能初步了解一个方向：

OpenAI 在协议定义上还是有号召力，Realtime API 的规范也基本成为标准了，看到多家的端到端方案都采用了Realtime API标准，或者是修改版的Realtime API 标准。

好消息是：gemini live api 支持中文了 坏消息是： 中文tts效果基本没法听

OpenAI Agent SDK 仓库中有一个"Research Agent" 的实现， 流程如下： 1、用户输入研究主题。 2、planner_agent 制定搜索计划，列出查询词及其理由。 3、search_agent 并行执行搜索，使用 Web Search 工具获取并总结结果。 4、writer_agent 整合搜索摘要，生成最终报告。 ChatGPT 的 DeepResearch应该

OpenAI 这套开发工具把Agent开发需要的基础能力都提供了，搜索、RAG、意图识别、内容审核、Computer use 以及 Browser use，整个Agent开发的成本瞬间降低了很多。 预期可见的会出来一批Agent方向的产品。

国内大模型公司To B不好做了，大家需求很一致，效果对齐deepseek 或者 直接部署deepseek。

看到好几个群里都有在找 deepseek 稳定的api供应商的信息，从这个层面说算力还是远远不够。

在Deepseek R1 之前，OpenAI 的O1还是领先中国的大模型厂商一代，R1出来之后已经不存在代际差了。 OpenAI如何说服大家购买他的200$ 每月的Pro？

早晨醒来一想到我的ChatGPT Claude 以及 Cursor还没开始干活就有点愧疚，浪费了这个时代对我们的馈赠。

写代码的时候我会Cursor 和 Claude App混着用，Cursor中有的问题解决不了，反而Claude 能给出更好的代码， 不确定Claude App中加入了什么样的魔法。