meng shao

统计数据

125

文章

0

粉丝

0

获赞

594

阅读

1个月前

提到网易，你会想到什么？猪肉（都，不对是严选！）、有道、游戏？我印象最深的还是网易的游戏（毕竟老玩家…）游戏行业也是营销比赛和活动很多的行业，做过比赛/活动的程序员和设计师们应该都有感受，为了活动效果，这里面的设计元素是真的多，页面设计起来是真不容易，开发起来也是真的复杂繁琐。为了多个活动灵活管理、跟踪效果，还需要设计开发一个复杂的管理后台。我们之前的前端组，开发同事们通常会想选择更有技术挑战的算法、逻辑开发，对活动页面开发（俗称切图仔），总感觉难度不高且事儿多，成就感不高。开发和设计联动起来就更复杂了，工作流程超长，修改成本超高，这种产品功能在产研内部基本属于不得不做，但确实不爱做的活儿。现在有了 AI 原型开发工具（比如 Lovable 和 v0）和 AI 编程智能体（Claude Code、Codex、Cursor 等），能完全解决这个问题吗？还是不太能，主要问题还是 AI 对于设计平台的设计文件还原度不够，Figma 还算 AI 渗透高的，有 Figma MCP（虽然还原度还是不够）；而 Photoshop 和 Sketch、MasterGo 等设计平台，AI 能力的普及还很低，而又确实还是设计稿集中的平台。最近体验网易推出的「CodeWave」，对设计稿的平台支持和还原度，感觉挺不错，Figma、Photoshop、Sketch 和 MasterGo 都支持，且主打企业全栈应用开发。找了一个 MasterGo 平台的 Dashboard 和一个游戏活动设计稿，咱们看看设计还原度（设计稿和网页预览对比，还原度相当可以！） CodeWave 体验地址：

#网易 #游戏活动 #AI原型开发工具 #CodeWave #设计稿还原

1个月前

[Github 官方精选推荐] 9 个开源 AI 与 MCP 项目加速开发者生产力 Github 官方精选了 9 个开源项目，按三大主题分类：框架与平台集成、开发者体验及 AI 增强编码、自动化与测试编排。 1. 框架与平台集成这些项目聚焦于将 MCP 嵌入流行框架中，实现快速、安全的 AI 工具暴露和调试。 · fastapi_mcp：将 FastAPI 端点安全暴露为 MCP 工具，仅需最小配置和认证。关键特性包括统一基础设施下的端点管理和简化集成。它加速生产力，通过无缝将 MCP 能力注入 FastAPI 应用，减少 API 开发中的安全隐患。 · nuxt-mcp：为 Nuxt 开发者提供路由检查和服务器端渲染（SSR）调试工具，帮助 AI 模型更好地理解 Vite/Nuxt 应用。关键特性包括路由分析和 SSR 优化。它提升生产力，让 AI 更精准地辅助前端调试。 · unity-mcp：支持 Unity 游戏引擎 API 的 AI 接口，用于资产管理、场景控制、脚本编辑和任务自动化。关键特性包括游戏开发中的 AI 驱动自动化。它加速生产力，帮助开发者通过智能体实现高效游戏原型迭代。 2. 开发者体验与AI增强编码这些工具强调语义理解和上下文增强，让 AI 智能体更智能地辅助编码过程。 · context7：从代码中拉取最新、版本特定的文档和示例，并注入 AI/LLM 提示中。关键特性包括动态文档检索。它提升生产力，提供更准确的 AI 代码建议，减少版本不匹配的错误。 · serena：一个语义代码编辑与检索工具包，专为智能体驱动编码设计，支持语义检索和编辑。关键特性包括智能代码操作。它加速生产力，让智能体高效处理复杂代码变更，提升协作编码效率。 · Peekaboo：分析 Swift 代码，将屏幕内容转化为可行动的 AI 上下文，用于 GUI 自动化和 AI 助手。关键特性包括代码解析与自动化支持。它提升生产力，在 iOS 开发中快速生成AI驱动的界面测试。 3. 自动化、测试与编排这些项目侧重于安全执行、调试和流程优化，确保 MCP 生态的可靠运行。 · coderunner：将 LLM 转化为本地执行伙伴，在沙箱中编写、运行代码，支持工具自动安装、文件读取和输出生成。关键特性包括安全沙箱执行。它加速生产力，实现即时代码验证，降低实验风险。 · n8n-mcp：增强 n8n 工作流自动化，通过 AI 模型优化节点理解和编排。关键特性包括工作流简化与 AI 集成。它提升生产力，简化复杂自动化任务的构建。 · inspector：MCP 服务器测试与调试工具，检查协议握手、工具、资源、提示及 OAuth 流程，内置 LLM playground 和评估模拟。关键特性包括全面协议检验与性能测试。它加速生产力，确保 MCP 基础设施的稳定性和安全性。官方文章：

#GitHub #开源AI #MCP项目 #开发者生产力 #自动化

1个月前

[论文解读] LightMem: 轻量高效的记忆增强生成 —— 来自浙大的论文，针对 LLM 在动态交互中记忆不足的问题，提出一种高效的记忆系统，帮助 LLM 像人类一样处理历史信息，同时显著降低计算开销。背景与问题 LLM 在单次任务中表现出色，但面对长上下文或多轮交互时，常因“中间丢失”问题而遗忘早期信息。传统记忆系统通过存储、检索和更新历史数据来缓解，但存在三大痛点： · 冗余信息：原始输入膨胀 token 使用，导致高成本。 · 语义丢失：孤立处理每个回合，忽略上下文连贯性。 · 实时更新延迟：在线维护记忆占用推理时间，影响响应速度。论文受 Atkinson-Shiffrin 人类记忆模型启发（感觉记忆 → 短期记忆 → 长期记忆），设计 LightMem 系统，将记忆分为三个互补阶段，实现高效过滤、组织和巩固。方法概述 LightMem 的架构简洁高效，分为三个模块（Light1–Light3），处理从原始对话到持久存储的全流程： 1. Light1: 认知启发感觉记忆（Sensory Memory）快速过滤无关信息。 · 预压缩子模块：使用 LLMLingua-2 工具（或 LLM）保留关键 token，压缩比 r（0.4–0.8）控制保留率，避免冗余。 · 主题分割子模块：缓冲压缩内容至 512 token 时，结合注意力矩阵（捕捉局部依赖）和语义相似度（阈值 τ）进行混合分割，形成主题组。这步像人类“瞬时感知”，轻量（GPU <2GB，运行时 negligible）。 2. Light2: 主题感知短期记忆（Short-Term Memory）将主题组组织成索引结构 {主题, 消息回合}。 · 当缓冲达阈值 th（e.g., 512–768 token）时，用 LLM 生成摘要，形成条目（Entry）：{主题, 嵌入摘要, 用户/模型消息}。这确保语义连贯，减少 API 调用，同时保留关键上下文。 3. Light3: 睡眠时更新长期记忆（Long-Term Memory）解耦在线推理与离线维护。 · 在线：软插入新条目（带时间戳），计算相似队列（Top-k 历史条目）。 · 离线：并行处理更新队列，避免实时 LLM 不确定性（如错误冲突）。像人类“睡眠巩固”，显著降低延迟。整体流程：输入对话 → 粒度处理（D^{(g)}）→ 摘要（U）→ 更新（M'），但 LightMem 通过分层优化避免传统方法的低效。实验与结果 · 基准：LongMemEval-S 数据集（500 个对话，~11 万 tokens/对话，增量回合输入）。后端模型：GPT-4o-mini 和 Qwen3-30B。基线：FullText（全文本）、NaiveRAG、LangMem、A-MEM 等。指标：准确率（ACC，由 GPT-4o-mini 判断）；效率（token 数、API 调用、运行时）。 LightMem 在准确率上提升 2.7%–9.65%，效率提升显著（token 减少 117 倍，运行时快 12 倍）。最佳配置：GPT (r=0.7, th=512)；Qwen (r=0.6, th=768)。 · 消融实验：压缩率 0.5–0.8 保持 80%+ 准确；混合分割优于单一方法（提升 5.4%–6.3% ACC）。 · 类别分析：在时间序列（Temporal，67.18%）、多会话（Multi-Session，71.74%）和知识更新（Knowledge-Update，83.12%）任务中表现突出。论文地址：开源地址：

#LightMem #LLM记忆增强 #动态交互 #轻量高效 #浙大论文

1个月前

Google 推出新一代学习平台：Google Skills，专注于帮助开发者和技术人员掌握 AI 和云计算技能。这是一个实践导向的学习平台，结合了 Google 十多年的 AI 创新经验。核心特点 1. 实践为先的学习方式 · 强调动手操作 (hands-on learning) 而非纯理论学习 · 数据显示：有讲师指导的学习完成率达 90%，而自学完成率不到 5% · 77% 的学习者更倾向于有讲师指导的培训 2. 三级认证体系 · 证书(Certificates)：入门级，无需前置条件，完成学习路径即可获得可分享的数字凭证，适合职业转型 · 技能徽章(Skill Badges)：中级，通过完成系列课程证明实际技术能力，可向公司展示 · 认证(Certifications)：专业级，需通过监考考试，获得 Google Cloud 行业认可的专业认证 3. 社区驱动学习 · 可加入 Google Cloud Innovators 计划 · 每月获得 35 个免费学习积分用于实践练习价值主张 · 企业价值：投资动手学习的公司，员工留存率提升 133% · 个人价值：在 AI 时代"为未来技能做准备"(future proof)，而不是被动应对 · 可信度：依托 Google 在云计算和 AI 领域的技术积累在线学习地址

#Google Skills #AI学习平台 #云计算技能 #实践导向 #开发者

1个月前

Claude Code 沙箱化：提升智能体安全与自主性 Claude Code 这个强大的 AI Agent 帮助开发者编写、测试和调试代码、管理代码库，甚至执行命令，但面临安全隐患和操作不便。Anthropic 最新工程博客介绍了沙箱（sandboxing）机制，这一技术通过预定义边界，让 Claude 在隔离环境中自主运行，显著降低提示注入等风险，同时减少用户手动批准的频率。内部测试显示，这一优化将许可提示减少了 84%，从而提升了开发效率和安全性。面临的挑战 Claude Code 采用基于权限的模型，默认仅允许只读访问，涉及修改文件或运行命令时需用户逐一批准。这虽安全，却导致“批准疲劳”——用户可能草率同意潜在危险操作，延长开发周期。更严峻的是提示注入攻击：如果 Claude 被操纵，它可能访问敏感文件、泄露信息或下载恶意软件。博客强调，传统方法难以同时应对文件系统和网络漏洞，例如缺少网络隔离可能导致数据外泄，而忽略文件隔离则易于沙箱逃逸。技术解决方案 Anthropic 利用操作系统原生工具（如 Linux bubblewrap 和 macOS seatbelt）构建沙箱架构，实现文件系统和网络的双重隔离，而非依赖容器化以避免额外开销。该设计支持配置化，用户可指定允许的文件路径和域名，确保 Claude 仅在边界内自由行动。即使子进程或脚本被注入，也无法突破限制。 · 沙箱化 Bash 工具：这是一个 Beta 版研究预览，支持沙箱任意进程。在 Claude Code 中，它隔离 Bash 命令执行：文件系统仅允许当前目录读写，外部修改被阻挡；网络流量通过 Unix 域套接字路由至外部代理服务器，该代理严格验证域名，并要求用户确认新连接。违规行为会触发通知，用户可决定批准，工具已开源。 · Web 版 Claude Code：云端部署，每会话运行于独立沙箱，具备完整服务器权限但排除敏感凭证（如 Git token 或签名密钥）。Git 交互通过自定义代理处理：沙箱的Git客户端使用临时凭证，代理验证认证、分支和仓库后，才注入真实令牌并转发至 GitHub。这防止了意外推送或越权操作。性能与影响内部评估证实，沙箱化大幅减少了中断，提升提升了智能体的自主性。即使遭受提示注入，攻击也无法窃取 SSH 密钥或连接外部服务器。Anthropic 视此为构建更安全 AI 智能体的基石，并开源相关组件，鼓励开发者采用。工程博客：

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Claude Code #沙箱化 #AI Agent安全 #提示注入防御 #Anthropic

1个月前

[开源推荐] Anthropic 开源了最新发布的 Claude Skills，有 14 个示例直接复制来用，创意设计、开发构建、文档处理和企业沟通都有。先复习一下 Skills 的概念 Skills (技能) 包含指令、脚本和资源的文件夹，Claude 可以动态加载这些内容，以提高在专业任务上的表现。简单来说，Skills 就是教会 Claude 以可重复的方式完成特定任务的"教程包"。开源项目目的 · 示例展示 - 展示技能系统的各种可能性 · 学习参考 - 为开发者提供创建自定义技能的灵感和模式 · 技术规范 - 提供标准的技能格式定义 Skills 分类项目包含 14 个示例技能，分为以下几类：创意设计类 · algorithmic-art：使用 p5.js 创建生成艺术 · canvas-design：设计视觉艺术（PNG/PDF 格式） · slack-gif-creator：创建适合 Slack 的动画 GIF 开发构建类 · artifacts-builder：构建复杂的 HTML artifacts · mcp-server：创建 MCP 服务器集成外部 API · webapp-testing：使用 Playwright 测试 Web 应用企业沟通类 · brand-guidelines：应用品牌规范 · internal-comms：撰写内部沟通文档 · theme-factory：为 artifacts 应用专业主题文档处理类 · docx、pdf、pptx、xlsx：处理各类办公文档技术架构技能的结构非常简洁： · 每个技能就是一个文件夹 · 必须包含一个 SKILL. md 文件 · 文件包含 YAML 前置数据（元数据）和 Markdown 内容（具体指令）工作原理 · 用户通过自然语言提及技能名称 · Claude 在技能注册表中查找匹配 · 加载对应的 SKILL. md 文件 · 按照文件中的指令执行任务开源地址：

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Anthropic #Claude Skills #开源 #技能系统 #教程包

1个月前

[论文解读] DeepAnalyze: Agentic LLM 助力自主数据科学来自中国人民大学和清华大学团队的论文，提出 DeepAnalyze-8B 模型，基于 Agentic LLM 实现从原始数据到深度报告的自主数据科学，突破传统固定流程的局限。核心贡献 · DeepAnalyze-8B：80亿参数开源模型，自主协调规划、数据理解、代码生成等任务，通过提示或微调支持数据问答、建模及开放研究。 · 课程式训练：从单一技能（推理、代码）到综合能力，结合强化学习解决反馈稀疏问题。 · 轨迹生成框架：通过多智能体交互和关键词引导，从数据集生成50万条高质量训练样本（DataScience-Instruct-500K，已开源）。 · 实现从数据清洗到报告生成的端到端流程。方法概述基于 DeepSeek-R1-0528- Qwen3-8B，模型通过五类行动标记（如⟨Analyze⟩规划、⟨Code⟩代码生成）循环优化输出。训练分两阶段： 1. 单一技能微调：监督学习提升推理、数据理解、代码能力，关键词优化增强表格处理。 2. 多技能训练：交互轨迹微调后，用.GRPO 强化学习，结合规则、准确性和 LLM 评分优化。训练在 NVIDIA A800 GPU 上完成，支持 32K tokens 序列，轨迹从 Spider/BIRD 等数据集生成并过滤。主要成果在12个基准测试中，DeepAnalyze-8B 表现优异： · 完整流程（DataSciBench）：成功率59.91%，完成率66.24%，接近GPT-4o（66.31%），数据准备（71.68%）和可视化（69.09%）领先。 · 分析/建模（DSBench）：准确率30.04%，成功率90.63%，超GPT-4o智能体。 · 多步推理（DABStep）：准确率38.88%，远超ReAct+GPT-4o（15.77%）。 · 深度研究（DABStep-Research）：内容得分3.81/5，格式4.39/5，优于GPT-4o（3.05/5），案例中识别18-27%费用优化和35-42%欺诈降低潜力。 · 代码/表格问答：代码生成61.7%（超GPT-4-turbo 53.9%），表格问答64.47%（SOTA）。消融实验显示课程训练提升23.54%，轨迹优化增4.57%。模型、代码、数据集已开源。论文地址：

#DeepAnalyze-8B #agentic LLM #自主数据科学 #数据分析 #开源模型

1个月前

优秀文档的核心原则 —— 来自 OpenAI 团队 Cookbook 文档的核心目标是将有用信息高效注入读者的头脑中，避免读者在信息海洋中迷失。优秀文档不是长篇大论，而是通过结构化、清晰和共情的设计，帮助读者快速解决问题。 1. 让文档易于浏览（Make docs easy to skim）读者很少从头到尾线性阅读文档，他们更倾向于跳跃式浏览，寻找直接解决问题的部分。因此，文档应像一张高效的“信息地图”，降低搜索成本，提高成功率。 · 使用描述性标题：标题应是信息完整的句子，而非抽象名词。例如，用“流式处理将首 token 响应时间缩短50%”代替“结果”，让读者无需深入阅读即可获知要点。 · 添加目录：目录如哈希表般加速定位，同时提供文档整体线索，帮助读者判断是否值得阅读。 · 保持段落简短：短段落易于扫描；关键点可独立成一句单句段落，避免被长文淹没。 · 以独立主题句开头：段落和节的首句应自成一体，不依赖前文。例如，“向量数据库可加速嵌入搜索”优于“基于此，让我们讨论更快的方法”，便于跳读者快速理解。 · 主题词置于句首：如“向量数据库加速嵌入搜索”比“嵌入搜索可由向量数据库加速”更高效，因为读者只需读前两词即可把握主题。 · 要点前置：将最重要的信息置于文档或节的顶部，避免司马式渐进式展开，先结果后过程。 · 多用 bullet 列表和表格：这些格式天然支持扫描，提高可读性。 · 加粗关键文本：大胆突出重要内容，帮助读者快速锁定。这些技巧的核心是“读者优先”：设计时假设读者时间有限、注意力分散。 2. 写出高质量文本（Write well）糟糕的文风会消耗读者的认知资源，导致疲劳。优秀文档应追求简洁、流畅，减少解析负担。 · 句子简洁：拆分长句、去除副词和冗余词，使用祈使语气（如写作书籍建议）。 · 确保无歧义解析：避免词性模糊的句子。例如，“用句子标题节”（Title sections with sentences）易混淆词性；改为“将节标题写成句子”（Write section titles as sentences）更易解析，即使稍长。 · 避免左分支句子：这类句子要求读者短期记忆过多，如“你需要面粉、鸡蛋、牛奶、黄油和少许盐来做煎饼”。改为右分支：“做煎饼需要面粉、鸡蛋、牛奶、黄油和少许盐”，更符合大脑处理习惯（类似于深度优先搜索）。 · 少用指示代词：如“this”跨句使用易造成回溯负担。改为具体名词：“基于消息格式，让我们讨论函数调用”优于“基于此讨论”。 · 保持一致性：统一标题大小写、标点（如尾随逗号）和命名规范（如 Cookbook 中的下划线+句首小写），避免读者分心。 · 不假设读者心态：避免“你现在可能想了解函数调用”这类推测；改为“To call a function, ...”，保持中立。写作原则源于认知科学：减少大脑负载，让内容自然流动。 3. 广泛有益于读者（Be broadly helpful）文档用户背景多样（从新手到专家、多语言使用者），优秀文档应包容性强，覆盖潜在痛点，而非仅针对“理想读者”。 · 用简单语言：比预期更简化解释（但不低估）。考虑非母语者和术语生疏者，优先清晰而非炫技。 · 避免缩写：全写出，如“instruction following”而非“IF”；“retrieval-augmented generation”（或“搜索-询问流程”）而非 “RAG”。专家成本低，新手收益高。 · 预解常见问题：即使 95% 读者知晓 Python 包安装，也值得说明——专家可略过，新手避免卡壳。记住，跨语言专家（如 JavaScript 开发者）可能 Python 是新手。 · 选用具体准确术语：避开行话，如用 “input” 代替 “prompt”，“max token limit” 代替 “context limit”，更自明且贴合实际。 · 代码示例通用自洽：最小化依赖，避免额外库或跨页引用，确保可直接复制运行。 · 优先高价值主题：聚焦常见问题（如 token 计数），而非罕见场景（如表情符号数据库优化）。 · 避免不良习惯：如 API 密钥勿硬编码示例。 · 以广义开场引入主题：如解释推荐系统时，先提及 YouTube、Amazon 等应用场景，增强读者安全感。这些建议体现共情：文档是为“所有人”服务的工具，过多假设会疏离部分用户。 4. 必要时打破规则（Break these rules when you have a good reason）这些是指导而非铁律。文档写作是移情练习：代入读者视角，选择最有帮助的方式。最终，灵活应用才能适应具体情境。 OpenAI Cookbook 地址：

#文档写作 #OpenAI Cookbook #高质量文档 #用户体验 #简洁明了

1个月前

[开源模型] DeepSeek-OCR: DeepSeek 最新开源的 VLM，参数规模 3B，核心目标是从 LLM 的视角探索视觉编码器的作用，并推动视觉-文本压缩技术的边界。该模型被命名为“Contexts Optical Compression”，目的是高效处理图像中的文本提取和文档结构化任务，适用于 OCR 和文档数字化场景。关键创新与架构 DeepSeek-OCR 的设计强调 LLM 中心化的视觉处理创新： · 视觉-文本压缩机制：通过动态分辨率处理（如 Gundam 模式，将图像裁剪为多个 640×640 块加一个 1024×1024 中心块），将视觉输入压缩为少量 token（例如 Base 模式下 256 个视觉 token），减少计算开销的同时保留高保真度。这不同于传统 VLM 的固定分辨率编码，更注重与 LLM 的无缝融合。 · 多模态提示支持：引入 grounding 提示（如“<|grounding|>”），允许模型针对性执行任务，如“Convert the document to markdown”用于结构化输出，或“Free OCR”用于纯文本提取。 · 训练策略：模型借鉴了 Vary 和 GOT-OCR2.0 等开源项目，聚焦于文档、图表和弱视觉信号的处理，支持 32 种语言的 OCR（包括中文和英文）。这些创新使 DeepSeek-OCR 在处理复杂布局（如表格、图表）时表现出色，避免了传统 OCR 工具（如 Tesseract）的刚性限制。性能表现在基准测试中，DeepSeek-OCR 展现出高效性和准确性： · OCR 准确率：在 OCRBench 等数据集上，超越部分开源 VLM（如 Qwen-VL），尤其在手写体和低质量图像上表现稳健。 · 推理速度：使用 vLLM 引擎，在 A100-40G GPU 上处理 PDF 可达约 2500 token/s，支持并发批量评估。 · 分辨率适应：支持 Tiny（512×512）到 Large（1280×1280）模式，平衡精度与效率；在 OmniDocBench 等文档基准中，文档到 Markdown 转换的 F1 分数高于基线模型 5-10%。它在资源受限环境下（如单 GPU）实现 SOTA（最先进）性能，但对极高分辨率图像的泛化仍需优化。使用与应用部署简单，支持 Hugging Face Transformers 和 vLLM： · 环境准备：Python 3.12+、CUDA 11.8、Torch 2.6.0，安装 flash-attn 和 vLLM。 · 应用场景：文档数字化（如 PDF 转 Markdown）、发票提取、学术论文图表解析。仓库提供可视化示例，展示从杂乱图像到结构化输出的效果。开源模型

智谱直播发布全球最佳视觉模型GLM-4.5V，挑战AI视觉领域极限· 21 条信息

#开源模型 #DeepSeek-OCR #VLM #视觉-文本压缩 #文档数字化

1个月前

工作16年后，终于还是领到了第一笔「失业保险金」😂 是的，失业，被裁员，中年，男性，程序员。。好像掉进了一个俗套的危机

#失业 #裁员 #中年危机 #程序员 #失业保险金

1个月前

[开源推荐] Amplifier：微软官方开源，Claude Code 等 AI 编程智能体的超级倍增器！它通过整合已验证的开发模式、专业化智能体和自动化工作流，帮助开发者更快地构建复杂解决方案，避免从零开始重复试验。核心目标与价值 Amplifier 的愿景是实现“描述即构建”的未来：用户用自然语言描述需求，AI 即可生成并测试多个方案，同时积累知识以提升长期效率。它强调工具中立性，设计为可移植框架，能适应各种 AI 技术演进。目前作为研究演示器，它不保证稳定性，但展示了 AI 辅助开发的潜力，尤其适合处理架构设计、调试、安全审查等复杂场景。关键特性 · 20+ 专业智能体：针对特定任务的专家，如 zen-architect（简约架构设计）、bug-hunter（系统性调试）、security-guardian（安全分析）和 performance-optimizer（性能优化）。这些智能体可通过自然语言命令调用，例如“用 zen-architect 设计缓存层”。 · 并行工作树系统：使用 Git worktree 隔离多个实验分支，同时测试 10 种方案，避免主分支混乱。 · 知识提取系统：自动从文档中抽取概念、关系和模式，形成可查询知识库，支持命令如 make knowledge-query Q="认证模式"，并生成可视化图谱。 · 对话记录管理：在 Claude Code 压缩上下文前自动导出完整历史，支持搜索和恢复，防止关键细节丢失。 · 模块化构建器：一键工作流，从合约/规范到生成/审查，支持自动、辅助或干跑模式，适用于快速原型开发。 · 自动化工具：内置质量检查、代码格式化和测试命令，提升开发卫生。如何工作 Amplifier 在 Claude Code 基础上扩展：克隆仓库后运行 make install 安装依赖，激活虚拟环境，然后启动 claude 即可加载所有增强。用户可在 Amplifier 目录或外部项目中使用智能体和工具；知识更新通过 make knowledge-update 处理文档；并行开发用 make worktree feature-name 创建分支。整个系统注重分解策略、演示驱动开发和元认知配方，确保 AI 输出高效且可控。目标用户与适用场景主要面向使用 AI 助手的软件开发者，特别是那些处理多任务、知识密集型项目的团队。它在 Windows WSL2 上测试最充分，也支持 macOS 和 Linux。适合架构师、调试专家或知识管理需求高的角色，但不推荐生产环境使用。技术栈与安装 · 核心技术：Python 虚拟环境、Claude Code、Git、Makefile 和 Shell 脚本。依赖 Claude Code 环境处理智能体和记录。 · 使用示例：启动 Claude 后，输入 /modular-build 构建模块，或 /transcripts 管理记录。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#开源推荐 #AI编程 #Amplifier #微软 #代码生成

1个月前

[PDF 资源共享] 15家Top公司 AI Agent 企业级实战资源最近在帮一个团队做内部 AI Agent，找了一遍顶级企业的 AI Agent 指南和企业实战报告，精选了 15 篇，来自谷歌、微软、OpenAI、AWS、Cohere、德勤和毕马威等顶级软件团队，看看他们是怎么构建企业级 AI Agent 的。老规矩，PDF 文件，在 X 修改针对 🔗 降权算法前，先放评论 😂

#AI Agent #企业级应用 #实战资源 #顶级公司 #PDF共享

1个月前

每次看到这种 JD 都感觉莫名其妙，把职位名字写对，是基础要求吧，Ai / IOS 这种错误在开发者看来是非常低级，可以直接放弃的职位 😂

#JD #职位错误 #Ai/IOS #低级错误 #负面

2个月前

[YC AI Startup School 经典重温] Andrej Karpathy：软件，再次，变革！假期做什么？除了带孩子，当然是重温经典视频了，AK 在三个月前 YC AI Startup School 上对「软件在 AI 时代的变化」的演讲必须值得反复观看学习。作为 Stanford、OpenAI 和 Tesla 的资深研究者，他将当前 AI 浪潮比作软件发展的第三个重大跃迁——从传统编程到神经网络，再到用自然语言“编程” LLM。这场演讲不只是技术展望，更像是一份给新入行者的路线图：软件正从静态指令转向动态智能，机会与挑战并存。软件的“三重奏”：从 1.0 到 3.0 1.0 - Karpathy 用一个巧妙的框架回顾软件历史：70年来，软件基本停留在“1.0”阶段 —— 人类用 Python 或 C++ 等语言编写精确指令，驱动计算机执行任务，就像 GitHub 上那张“软件地图”一样，密密麻麻的全是代码仓库。 2.0 - 但最近几年，一切加速变迁。首先是“2.0”：神经网络的权重取代了部分代码。你不再手写算法，而是通过数据训练优化器，让模型“自学”图像识别或决策树。Hugging Face 就像 2.0 的 GitHub，模型参数如 Flux 图像生成器，成为可迭代的“代码提交”。 3.0 - 如今，我们进入“3.0”时代：LLM 如 ChatGPT 让神经网络可编程——用英语提示作为“程序”。例如，情感分析不再需要 Python 脚本或专用模型，只需几行提示如“分析这条评论的语气”，模型就输出结果。这不是小修小补，而是范式颠覆：编程从机器语言转向人类母语，门槛瞬间拉低。Karpathy 的推文「The hottest new programming language is English」因此爆火，成为他的置顶帖。 LLM：公用事业、芯片厂，还是操作系统？ LLM 不是简单工具，而是全新“计算机”。Karpathy 借用历史类比，剖析其生态： · 像公用事业：OpenAI 等实验室砸重金训练模型（资本支出），然后通过 API 按 token 计费提供服务（运营支出）。需求如低延迟、高可用性，与电网相似。OpenRouter 像变电站开关，让你无缝切换模型。当顶级 LLM 宕机时，整个世界仿佛“智力停电”——这已不是科幻。 · 像芯片厂：训练成本高企，技术树（如 NVIDIA GPU vs. Google TPU）高度保密，纯软件与全栈（自建硬件）模式并存。但软件的易复制性让防御壁垒更薄。 · 最贴切的：像操作系统：LLM 不是商品水电，而是复杂生态。上下文窗口如内存，提示如 CPU 指令，工具调用如外设。闭源模型（如 GPT 系列）对标 Windows，开源 Llama 生态似 Linux。我们正重演1960年代计算史：云端时间共享、批量处理为主，本地个人计算尚未普及（尽管 Mac Mini 已显露端倪）。聊天界面像终端，GUI（如 Cursor IDE）才刚起步。独特之处在于“技术扩散倒置”：以往新技术（如电力、GPS）先服务政府企业，再渗入消费；LLM 反之，从“怎么煮鸡蛋”起步，普通人先拥抱，企业政府却慢半拍。这让 LLM 从诞生之日起，就成了亿万人的“即时下载”软件。 LLM 的“人格”：超人与缺陷并存 Karpathy 将 LLM 形容为“people spirits”——人类精神的随机模拟，由自回归 Transformer 驱动，训练于海量文本，涌现出类人心理。优势显而易见：百科全书式记忆（如 Rain Man 里的记忆天才），能轻松忆起 SHA 哈希或历史细节。但缺陷同样突出：幻觉（编造事实）、锯齿智能（9.11 > 9.9的荒谬错误）、逆行性遗忘（上下文窗口如工作记忆，每轮重置，无长期学习）。安全隐患如提示注入，让它们易受骗。Karpathy 推荐看《记忆碎片》和《50次初恋》，生动描绘这种“每日重启”的困境。关键是：我们必须直面这些“认知疤痕”，设计系统绕过弱点、放大强项。机会：部分自治与人类- AI 共舞演讲转向实践，Karpathy 强调“部分自治”应用：LLM 不是全能智能体，而是可控助手。拿 Cursor 举例，它融合传统界面与 LLM：自动管理上下文、多模型协作、应用专属 GUI，还有“自治滑块”——从单行补全到全仓库重构，你决定让渡多少控制。 Perplexity 搜索工具类似：从快速查询到深度研究，渐进自治。核心是加速“生成-验证”循环：GUI 利用人类视觉优势（阅读文本费力，看图直达大脑），而非让 LLM 狂飙万行代码（10,000 行 diff？人类瓶颈依旧）。他警告：别被“2025 is Agent Year” 泡沫冲昏头，自治如开车，需人类监督。Tesla Autopilot 的教训历历在目：2013 年 Waymo 完美试驾后，12年过去仍未全解；Iron Man 盔甲更妙——既是增强（Tony Stark 亲控），又是智能体（自主飞行），滑块一推即变。教育是另一个切入点：别直奔 ChatGPT “教我物理”，AI 易迷路。Karpathy 设想双 App 系统——教师端生成课程（可审计大纲），学生端交付（循序渐进），用中间产物“拴住” AI。 Vibe Coding：人人皆程序员 LLM 的英语接口民主化编程：无需5-10年苦学，任何人可 “vibe coding”——凭直觉、提示迭代，快速原型。Karpathy 自嘲建 iOS App（Swift 零基础，一天搞定）和 MenuGen（菜单拍照生图，menu. app 试用免费$5信用）。但痛点暴露：核心逻辑易，DevOps 繁琐——浏览器点来点去，何不让智能体代劳？为智能体而建：基础设施重塑 LLM 如新物种：数字信息的“消费者与操纵者”，介于人类 GUI 与程序 API 间。Karpathy 呼吁适应：lm.txt 文件直述网站意图（胜过解析 HTML）；文档转向 Markdown + Curl 命令（Vercel/Stripe 先行，取代“点击此”）；Anthropic 的模型上下文协议标准化交互。工具如 GitIngest 或 DeepWiki 已现雏形。未来 LLM 或能“点击浏览”，但 “ halfway meet” ——半路相迎，能省时省力。结语：LLM 的 1960 年代，我们来筑基 Karpathy 以乐观收尾：软件需重写，专业码农与 vibe coder 共舞；LLM 如 1960s OS，公用+ fab + OS 三合一，却已普惠亿人。这是“疯狂时刻”——别畏惧缺陷，建盔甲而非机器人，滑自治杆从左（增强）向右（智能体）推移。引用其博客，软件3.0不止工具革命，更是新计算机的诞生。入行者，正逢其时：与 Karpathy 一起，编程未来。

#LLM #AI #Andrej Karpathy #软件变革 #编程

2个月前

Designing Claude Code —— Claude Relations 负责人 Alex Albert 与 Claude Code 设计负责人 Meaghan Choi 一起探讨了 Claude Code 的设计理念、终端界面的演变，以及它如何赋能非技术人员如设计师。探讨的焦点在于 Claude Code 如何将 LLM 的力量无缝融入开发者日常工作流中，强调简洁、集成和创新。起源与设计核心：为什么选择终端？对话从 Claude Code 的独特“栖息地”—— CLI 终端开始。Meaghan 解释，这源于 Anthropic 早期工程师的热情：终端开发速度快、迭代灵活，且它是每个开发者的“标配”。出乎意料的是，这个选择让产品如鱼得水——无论你是 IDE 重度用户还是 Vim 爱好者，终端都是工作流的核心。它避免了引入新工具的摩擦，直接嵌入现有习惯。 Alex 补充，终端是软件开发的“基石”，Claude Code 则将其推向新高度。Meaghan 生动比喻：终端是人类与计算机的“第一界面”——纯文本、命令驱动。从早期命令行到如今的富媒体 Web UI，我们一度远离了这种简约。但 LLM 的出现让一切回归本质：输入文本、输出文本，无需繁复按钮。Claude Code 正是这种“完美婚姻”——它让模型的聊天式智能在终端中绽放，同时解决痛点，如从 Web 界面复制粘贴代码的烦恼。现在，提示一发，模型就能直接编辑本地文件。终端的演变与开发者工作流升级 Meaghan 分享了她对终端历史的热情：从文本命令的“超级工具”到 Web 时代的动画盛宴，再到 LLM 驱动的“聊天回归”。Claude Code 不是简单回溯，而是跃进——它将工作流从“逐行编码”提升到“全文件/任务级”变更，甚至未来可能到“项目级”协作，涉及多智能体协调。他们讨论了最近推出的 subagent 功能：通过斜杠命令和配置文件（如 settings.json 和 CLAUDE. md），用户能轻松切换提示、工具和设置。这借鉴了软件开发的经典架构（如 README），让终端从静态命令行变成动态智能体平台。Meaghan 坦言，早期设计挑战巨大——如窗口缩放时输入框的“轮廓线”会乱套，但通过库和迭代，他们克服了这些，实现了流畅的“提示分离”。设计过程：发明与精炼新功能的诞生很“Anthropic 式”：小团队（1-2名工程师）快速原型，内部全员测试（Anthropic 员工几乎人人用 Claude Code），然后迭代 UX。Meaghan 强调两大原则： · 保持简洁：CLI 空间有限，别淹没用户于信息洪流。 · 让模型闪耀：终端是最薄的“包装纸”，直达 Claude 的核心能力。例如，subagent 从 idea 到上线仅几周，焦点是视觉区分（如 subagent vs. 主 Claude）。Meaghan 的最爱是 ASCII艺术的“思考中”动画和模式指示（如规划模式或自动接受模式）——这些小触感注入个性，让编码从“机械敲击”变成生动互动，缓解编程的单调感。非技术人员的“解锁”：设计师的实战 Tips 视频高光是 Meaghan 作为设计师的亲身分享。她自嘲代码是 vibe-coding，但 Claude Code 让她从“求助工程师”转向自给自足，开启“新技能树”。关键益处： · 零成本脑暴：新功能设计时，先问 Claude 常见用例、边缘场景，或“如果你设计，会怎么做？” · 时间估算：拖入设计图，求模型评估开发时长，便于与工程师“友好辩论”。 · 收尾打磨：产品上线后，她能独立修复那些“P2 级”小瑕疵（如 UI 微调），无需排队。这不只提升效率，还加强跨角色协作：设计师的初步尝试，能让工程师对话更高效。Alex 赞叹，这模糊了“设计师 vs. 工程师”的界线，催生“设计工程师”时代。整体洞见这个视频不仅是 Claude Code 的设计解剖，更是 AI 时代工具哲学的缩影：回归简约、拥抱集成、赋能人人。Meaghan 的乐观显而易见——终端可能不是终点，但它证明 LLM 能重塑工作流，让编码从孤立任务变成协作冒险。对于开发者或设计师，这是个启发：试试 Claude Code，或许下一个 idea，就从终端一键落地。Anthropic 的风格一如既往：务实、热情，少点华丽，多点实用。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Claude Code #LLM #终端 #开发者工作流 #设计工程师

2个月前

我这两天到底触发了什么 😂 96110 连续电话(静音没接到) 当天晚上民警直接上门宣传反诈第二天民警又上门，反复确认我有没有接到 00 开头诈骗电话，有没有点击诈骗链接被盗刷吓得我赶紧翻了所有银行卡 App，没看到异常，再把所有 Visa Mastercard 都做了限制刚刚，又收到反诈短信，确实搞不懂了

#反诈宣传 #96110 #民警上门 #诈骗风险 #银行卡安全

2个月前

2025云栖大会开幕！阿里云CTO周靖人将聊通义大模型升级，主题“云智一体·碳硅共生”直击AI云融合，准有实用惊喜。云栖这AI盛会总让人上头，这次通义千问“全家桶”太对胃口——文本到多模态，全场景解锁。焦点千问3-Max，参数破万亿，家族最强将。Instruct日常稳，Thinking推理猛：在数学AIME 2025和HMMT 双100满分、代码SWE-Bench 69.6分也亮眼。它“多想几步”优化输出，报告分析快准狠，长文本稍耗力但值。千问3-Omni真人般聊天：视频+文本+语音，211ms延迟，还DIY角色。Wan2.5-Preview视频生成顺，音画同步，我试“夜城咖啡”出一段节奏感短片，创作者必备。 Coder-Plus代码稳、Next成本降九成，全覆盖，Qwen Chat免费玩，你的idea会擦出啥火花？云栖见！ #阿里云 #通义千问 #Qwen3 #2025云栖大会

#2025云栖大会 #阿里云 #通义千问 #AI云融合 #Qwen3

2个月前

懒猫微服升级为「懒猫家族」了 👏🏻 去年有幸参与了王总的懒猫微服测评，后来同事看到后买了懒猫 AI 算力舱，我的微服就送给他做实验了！看看这回懒猫家族都有哪些新成员。懒猫 AI 算力舱 X3 · 星战风外观，超跑曲线加持，内置英伟达芯片，275T算力、64GB显存，轻松跑 70B 大模型。 · 用途？个人知识库、文生图、文生视频、音视频转文字，AI研究和推理全搞定。买它，领先一步，私人超算就是你的“赚钱神器”！懒猫微服新款 · 赛博朋克风小桌面，7盘位全固态，最高96TB存储，IO 速度飙升50倍。网盘、相册、家庭影院，2000+云应用随便玩。 · 内网直连不限速、防黑客，还能免费远控。省钱又安全，家用服务器天花板！懒猫 AI 浏览器 · Chromium 内核，速度快、隐私强，内置AI插件，配合算力舱和微服，手机也能跑大模型。 · 多标签、支持 Chrome 插件，全免费、无限 Tokens，随时随地玩转 AI。

懒猫家族新成员亮相，AI算力舱引发热议！· 143 条信息

#懒猫家族 #AI算力舱 #微服 #AI浏览器 #个人超算

2个月前

Kimi K2 版信息卡提示词，新发了一篇公众号，3/4 信息卡和 2.3/1 封面都有，效果意外的好，和 Gemini 2.5 Pro 的感觉不一样，我自己更喜欢 Kimi K2 这种感觉，对内容突出更清晰看着更舒服。感兴趣的朋友可以扫描二维码或搜索公众号“AI 启蒙小伙伴”，排版篇幅原因，就没在 X 单独再发。

#kimi k2 #信息卡提示词 #公众号 #AI 启蒙小伙伴 #内容清晰

2个月前

OpenAI 和 Anthropic 同一天发布 AI 使用数据报告「追踪 AI 在美国与全球经济中的作用」和「人们如何使用 ChatGPT」，看看这两大 AI 顶尖团队的报告反映了全球 AI 什么趋势，他们之间又有哪些对照？ Anthropic 报告解读：AI 采用的不均衡与自动化加速这份报告是 Anthropic Economic Index 系列的第三期，扩展了地理维度，分析 Claude 的使用如何反映经济结构。核心是通过 “Anthropic AI Usage Index (AUI)” 追踪 AI 在国家、州和任务中的分布，以及时间/业务变化。数据覆盖从 24.12 至今的 Claude AI 对话，加上 25.08 的 API 样本（约100万条）。 1. 地理分布与经济相关性 · 全球：美国占 Claude 使用21.6%，印度第二，其次巴西、日本、韩国。高收入国家（如以色列、新加坡、澳大利亚）AUI 最高，与 GDP per capita 强正相关（1% GDP 增长对应 0.7% AUI 增长）。低使用国家更倾向自动化任务，可能因知识工作较少。高收入国家使用更协作（augmentation），低收入国家更自动化（automation）。这暗示 AI 可能像电力或内燃机一样，加剧全球经济分化。 · 美国内部：哥伦比亚特区 AUI 最高（3.82），知识工作（如文档编辑、信息搜索）主导；加州第三（编码为主）；纽约第四（金融任务）。犹他州第二，但部分受滥用影响。使用与州 GDP 相关（1% GDP 增长对应 1.8% 使用增长），但经济组成更关键（如夏威夷旅游任务占比高）。这显示 AI 采用受本地产业驱动。 2. 使用趋势与任务演变 · 任务类型：计算机/数学任务始终主导（37-40%），但知识密集型任务增长：教育从9%升至13%，物理/社会科学从6%升至8%；商业/管理任务下降（管理从5%至3%，金融从6%至3%）。软件开发仍是全球最常见，但高采用国家任务更多样化（教育、艺术、行政）。 · 交互模式：自动化占比从49.1%超过协作（47%），其中“指令式”（directive，用户最小输入）从27%升至39%，表明用户信任 AI 增加，可能因模型改进（如从 Sonnet 3.5 升级）。高采用国家更偏协作，低采用国家更自动化（1% AUI 增长对应3%自动化减少）。 3. 业务使用 API 用户（主要是企业和开发者）更专注编码/行政（44% vs. Claude AI 的36%），自动化占比77%（指令式为主），远高于 Claude AI 的49%。高成本任务（如复杂编码）使用更多，表明企业重视 AI 价值而非成本。这暗示 AI 将引发劳动力转型和生产力跃升。 4. 结论与启示 AI采用不均（高收入/知识经济主导），自动化加速可能重塑工作，但也带来风险（如经济分化）。报告提供互动网站和开放数据集，鼓励进一步分析。 OpenAI 报告解读：AI 的民主化与经济价值创造这份报告是基于 NBER 工作论文，由 OpenAI 经济研究团队和哈佛经济学家 David Deming 撰写，分析 ChatGPT 消费者使用（非 API），覆盖 150 万条对话（相当于7亿周活跃用户的代表性样本）。焦点是使用演变、经济价值（生产力和个人益处），强调 AI 作为“基本权利”。 1. 用户群体演变 · 用户统计：早期性别差距缩小——2024年1月，女性名用户占37%，2025年7月升至52%，接近成年人口比例。全球采用加速，低/中收入国家增长率超高收入国家4倍以上，显示 AI 民主化。 · 整体采用：从早期用户（技术爱好者）向大众扩展，700百万周活跃用户反映广泛渗透。 2. 使用模式 · 任务类型：75%对话聚焦实用：寻求信息、实用指导、写作（写作是最常见工作任务）。编码和自我表达仍是小众。框架分为： · Asking（49%，增长中）：咨询建议，用户最重视AI作为顾问。 · Doing（40%，1/3为工作）：生成输出，如起草文本、规划、编程。 · Expressing（11%）：个人反思、探索、娱乐。 · 工作 vs. 个人：30%工作相关（生产力提升，如知识密集职位的决策支持），70%非工作（日常价值，如个人成长）。两者均增长，AI 捕捉 GDP 未衡量的价值（如判断改善）。 2. 使用演变与经济影响 · 使用深化：用户随模型改进和新用例发现而增加活动。AI 提升判断力和生产力，尤其知识工作；个人益处包括日常指导和自我表达。 · 隐私注记：使用自动化分类，无人类审阅消息。 3. 结论与启示 ChatGPT 创建双重价值（工作生产力+个人赋能），差距缩小证明 AI 包容性。报告提供完整论文，展望未来演变。总体洞见两份报告一致显示 AI 使用正成熟——从技术任务向日常/知识扩展，用户信任增强，产生经济价值。但 Anthropic 揭示潜在不均衡（高收入主导、自动化分化），可能放大全球差距。 OpenAI 展示包容路径（差距缩小、个人价值），建议 AI 可作为平等化工具。结合看，AI 经济影响双面：机遇（生产力）与挑战（转型风险）。未来，随着模型迭代，这些趋势或进一步分化，值得持续追踪。

#AI经济影响 #AI使用趋势 #OpenAI #Anthropic #AI民主化

2个月前

[开源项目推荐] 超过2万行的 AI 工具系统提示词和 AI 模型信息，包括了几乎所有主流 AI 工具、智能体和编程智能体等，更新也很及时，推荐大家保存备用 🤝 项目概述该仓库专注于收集和整理各类 AI 工具的系统提示和底层模型细节，涵盖了多个专注于编程和软件开发的工具，包括：Cursor、Devin、Replit Agent、Manus、Augment Code、Lovable、Windsurf Agent、VSCode Agent、Dia Browser、Xcode、Trae AI、Cluely 和 Orchids 等等。这些开源项目涵盖了开源和专有系统，仓库提供了它们的提示结构和功能逻辑的深入洞察。核心内容 1. 系统提示集合：包含详细的系统提示，揭示这些 AI 工具如何处理输入和生成输出，是理解其行为的关键。 2. 模型信息：列出了驱动这些工具的 AI 模型，帮助用户了解其技术基础。 3. 开发者友好：数据按工具或类别组织，便于开发者快速访问和使用。 4. 社区互动：README 鼓励加入 Discord 社区获取更新和参与讨论，促进协作。项目重要性这个仓库对AI开发者和研究人员来说意义重大： · 支持自定义开发：开发者可以基于这些提示开发或优化自己的 AI 应用。 · 功能优化：通过了解现有工具的逻辑，可以改进或整合新功能。 · 透明度：揭示热门 AI 工具的运作机制，对爱好者和专业人士都极具价值。

#AI工具 #系统提示 #开源项目 #开发者友好 #模型信息

2个月前

感兴趣的朋友，可以到 Lovart 体验：Lovart + Nano Banana + Veo 3 的无限画布 + 超强多模态模型带来的创作自由。 Lovart 地址：

#Lovart #nano banana #Veo 3 #多模态模型 #创作自由

2个月前

美团 LongCat API 平台开放了！ · 每天 10万免费 Token · 支持 OpenAI API 和 Anthropic API 两种主流格式 Claude Code 又有新模型可以用了！先切为敬 😄 btw... 看到默认登录方式是「美团 App 扫二维码」😄，点餐和扫共享单车的记忆回来了~ 正经说，开放平台地址：

#美团 #LongCat API #开放平台 #OpenAI API #Anthropic API

3个月前

除了删库跑路，还能拖库投敌 😂 老马的 xAI 对一名前工程师发起了诉讼，原因是他离开 xAI 加入 OpenAI 时带走了整个代码库。。前公司也发生过类似的事，一位核心开发拷贝了核心运控类算法，加入了一个初创团队作为联创，现在好像还在诉讼过程中，我们该配合提供过操作记录。抛开种族问题，不想偏激的认为这是中国工程师的身份导致的，想跟朋友们探讨，作为研发团队 lead，大家会怎么避免这样的问题发生呢？保密协议？公司法务？这些是必备的，作为研发管理咱们能做什么呢？代码仓库权限控制？核心算法加密？发明专利申请？还有什么可以做的呢？

#XAI #OpenAI #代码泄露 #诉讼 #研发管理

3个月前

前几天看到各家 AI Coding Agent 争相宣布 Sonic (Grok Code Fast 1) 的接入，终于等到了官方发文，看看最近各家模型都在推出的 Coding 模型，相比通用模型会有什么特别之处 👇 核心内容：grok-code-fast-1 是什么？ xAI 推出的新型 AI 模型，专为编程任务优化，特点是速度快、成本低，特别适合日常的“智能体编码”（agentic coding）工作流。所谓智能体编码，是指 AI 通过多次推理和工具调用来完成复杂编程任务。解决现有模型在这种场景下反应较慢的问题，带来更流畅的体验。 Sonic 有什么特别？ 1. 全新架构，专为编程设计 · xAI 从零开始设计了模型架构，预训练数据包含大量编程相关内容，后训练数据则基于真实的代码提交和编程任务，确保模型贴近实际开发需求。 · 模型熟练使用常见开发工具（如 grep、终端、文件编辑），能无缝融入主流 IDE。 2. 超快速度 · 通过创新的推理技术和提示缓存优化，模型的响应速度极快，平均 190 tokens/s（TPS），远超其他模型（如 Claude Sonnet 4、Gemini 2.5 Pro 等）。 · 缓存命中率高达 90%，进一步提升效率。 3. 多语言支持，功能全面 · 模型擅长多种编程语言，包括 TypeScript、Python、Java、Rust、C++ 和 Go。 · 能处理从零开始的项目开发、回答代码库问题到修复 bug 等各种任务。 4. 经济实惠 · 定价为：输入 $0.20/M token，输出 $1.50/M token，缓存输入 $0.02/M token。 · 相比其他高性能模型，它在性能和成本之间取得了平衡。 5. 免费试用 · xAI 与 GitHub Copilot、Cursor、Cline 等合作伙伴联手，限时免费提供 grok-code-fast-1，让开发者体验它的能力。性能如何？ · 在 SWE-Bench-Verified 测试中，模型得分 70.8%，表现优异。 · xAI 不仅依赖公开基准测试，还通过真实开发者的日常任务评估模型，确保它在实际使用中的表现可靠。 · 开发者反馈称，grok-code-fast-1 在速度和实用性上表现突出，甚至改变了他们的工作方式。未来计划 · xAI 在上周以代号“sonic”悄悄发布了该模型，并根据社区反馈快速迭代。 · 未来几周，xAI 将推出支持多模态输入、并行工具调用和更长上下文的新版本。 · 开发者可以通过 xAI API 使用该模型，定价透明，同时 xAI 提供了「提示工程指南」帮助用户优化使用体验。如何体验？ · 平台：可在 GitHub Copilot、Cursor、Cline 等合作伙伴平台免费试用（限时）。 · API 访问：通过 xAI 云控制台使用，价格如上所述。 · 更多资源：xAI 提供了模型卡和提示工程指南，开发者可以查阅详细信息。

#Grok-code-fast-1 #AI 编程模型 #XAI #智能体编码 #快速