回放
回放
回放
AI.x社區
- 登錄/注冊
社區頭條
寫作者必備的十個人工智能工具
譯者李睿審校重樓如今，不斷涌現和發展的人工智能工具正在深刻改變著人們的工作方式，寫作者也置身于這一變革浪潮之中。盡管對大多數人來說，借助人工智能進行寫作仍是一個充滿爭議的話題，但不可否認的是，它已經展現出為寫作者提供幫助的巨大潛力。對于寫作者來說，無論是缺乏靈感、結構混亂，還是信息不足，通常是他們在創作過程中通常會遇到的瓶頸。而人工智能工具可以在這方面發揮積極作用，成為突破這些瓶頸的得力助手。...寫作者人工智能工具谷歌CEO：2026年會非常緊張！谷歌內部全員會流出：算力每6個月翻一千倍，否則 AI業務會“困死”！
原創編輯｜云昭過去一個月，硅谷的情緒詭異地分裂：一邊是華爾街開始擔心“AI泡沫”；另一邊則是Google、Nvidia、OpenAI等巨頭瘋狂擴建數據中心，算力永遠不夠。這種割裂，在最新流出的谷歌內部全員會上，再一次被搬上了討論桌。谷歌核心高管上來就點名：每6個月就得擴充算力1000倍！而CEOSundarPichai則更為直白為明年定下了基調：2026年會是緊張的一年，大家不要躺在功勞簿上！1.谷歌內部全員會：算力每半年就得漲1000倍，否則“...AI業務谷歌OpenAI知名開源大佬爆料：Agent 設計依舊很難、很混亂！只有手動管理緩存，才能做到性能最優！
原創編輯聽雨出品51CTO技術棧（微信號：blog51cto）如何設計和構建一個既可靠又高效的AIAgent？表面上看，似乎只要接入幾個SDK、調用幾行代碼就行，但實際操作遠比想象復雜得多。最近，小編刷到一篇博文，作者是Web框架Flask的創造者、Sentry的首批工程師之一ArminRonacher，他分享了自己在構建AIAgent過程中的實戰經驗，以及遇到的各種坑。圖片這篇文章也被Django聯合創始人、Datasette開源項目作者SimonWillson轉發，他指出：Armi...Agent性能AI企業微信API調用實戰：Java/Go/Python高效發群消息
JavaGoPython調用企微API主動發送外部群消息：核心技巧+避坑指南企業微信外部群消息推送是ToB業務觸達客戶的核心場景，但企微API對權限、格式、頻率都有嚴格限制，不同語言開發時還會遇到各自的適配問題。本文結合實戰經驗，拆解JavaGoPython三種主流語言調用企微API主動發外部群消息的核心技巧、通用避坑點，以及各語言專屬優化方案。一、通用前置：企微API發外部群消息的核心前提無論用哪種語言，先搞定這3個基礎（踩坑重災區...javago二次開發外部群
直播
已累計開展直播 39 場
更多 已開設好課 286 個
更多
最新動態
超越 VTM-RA！快手雙向智能視頻編碼器BRHVC亮相NeurIPS2025
在視頻編碼領域，雙向編碼（RA模式）一直是高效壓縮的“秘密武器”，長期以來被廣泛應用于點播、視頻存儲等場景。然而，在基于深度學習的智能視頻編碼中，這項技術也面臨新的挑戰：雙向編碼采用復雜的大跨度分層參考結構，這導致運動的精確處理變得困難，參考幀的價值利用也存在明顯差異。雙向智能視頻編碼的潛力遠未被完全激發，仍有巨大的優化空間等待探索。為破解上述難題，快手音視頻技術團隊提出了全新的雙向智能視頻編碼...音視頻技術快手neurips大模型應用理論那么簡單，為什么實現起來那么復雜？
原創很多人都有這樣的感受——大模型應用的理論我都懂，但為什么就是做不好？其實理論的簡單性和技術的復雜性，往往都隱藏在那些細節里。“紙上得來終覺淺，絕知此事要躬行。”今天閑的沒事回頭梳理了一下這大半年來開發過程中所遇到的問題，然后畫了一個架構圖；然后突然發現，這么長時間好像也沒做太多東西啊，但為什么總感覺自己很忙，很累，但東西又沒做好？原因就在于技術是一項實踐性很強的東西，很多時候你懂了并不代表你會...大模型應用RAG寫作者必備的十個人工智能工具
社區頭條譯者李睿審校重樓如今，不斷涌現和發展的人工智能工具正在深刻改變著人們的工作方式，寫作者也置身于這一變革浪潮之中。盡管對大多數人來說，借助人工智能進行寫作仍是一個充滿爭議的話題，但不可否認的是，它已經展現出為寫作者提供幫助的巨大潛力。對于寫作者來說，無論是缺乏靈感、結構混亂，還是信息不足，通常是他們在創作過程中通常會遇到的瓶頸。而人工智能工具可以在這方面發揮積極作用，成為突破這些瓶頸的得力助手。...寫作者人工智能工具記一次由上下文超長導致的輸出不完整問題——在智能體中怎么處理記憶問題？
原創“上下文管理是大模型應用穩定性的一個重要環節。”今天在優化智能體的時候發現一個問題，就是智能體第一次思考和工具調用都是正常的，但第二次思考的時候就輸出一個think標簽就結束了；而且不是因為代碼出現異常結束，而是智能體輸出了stop結束符。所以，這個問題就很奇怪，代碼都是正常但智能體執行一般就正常結束了；哪怕是出現異常導致結束也沒問題，但這種正常結束好像就沒那么好排查了。所以，經過測試發現復現的頻率還挺...智能體上下文管理大模型應用再談RAG的文檔解析——文檔解析的難點在哪里？
原創“知識庫是RAG的靈魂，一個好的知識庫能解決絕大部分RAG問題。”在之前關于RAG的優化文章中，大部分都是在強調檢索端的優化，而關于文檔解析方面的內容卻非常的少，而這也是有原因的。在之前介紹RAG的文章中，曾說過RAG是一種方法論，而不是一項具體的技術；其中有兩個比較重要的模塊：其一是與大模型相關的上下文管理其二是文檔召回模塊其中文檔召回模塊又分為兩大塊，一塊是知識庫的構建，另一塊是檢索召回；而之前的文章主要...RAG文檔解析知識庫AI 智能體的上下文工程企業級落地實踐
原創 精華大家好，我是玄姐。在Manus項目啟動之初，團隊面臨一個關鍵抉擇：是基于開源基礎模型訓練端到端的智能體，還是借助前沿模型的核心能力搭建AI智能體？回溯NLP生涯前十年，我們根本沒有這樣的選擇余地。在七年前的BERT時代，模型必須經過繁瑣的微調與評估，才能遷移到新任務中，即便這些模型相較于如今的LLM體積小巧，每次迭代仍需耗費數周時間。對于亟待快速迭代的應用而言，尤其是在尚未實現產品市場匹配（PMF）的階段，這種緩...AI 智能體上下文工程提示詞工程最佳實踐：讓 AI 給出更優結果
原創 精華大家好，我是玄姐。提示詞工程是上下文工程中至關重要的基礎，而上下文工程已成為與大語言模型協作的核心環節。簡單說，提示詞工程就是通過合理組織指令，讓AI模型輸出更符合需求的結果，比如：怎么提問、指定輸出風格、提供背景信息，最終引導AI按你的目標做事。模糊的指令和精心設計的提示詞，差距可能天差地別：前者可能需要反復溝通才能明確需求，后者卻能一步到位拿到想要的結果。下面就從基礎技巧到進階方法，分享一套實...提示詞工程上下文工程大語言模型AI 智能體的高效上下文工程最佳實踐
原創大家好，我是玄姐上下文是AI智能體的關鍵但有限資源。本文將探討如何有效篩選和管理驅動AI智能體運行的上下文。在應用AI領域，提示詞工程多年來一直是關注焦點，如今一個新術語逐漸嶄露頭角：上下文工程。使用大語言模型（LLM）構建應用，已不再是單純尋找合適的提示詞短語，而是要解決更宏觀的問題：“什么樣的上下文配置最有可能讓模型產生我們期望的行為？”上下文指的是從大型語言模型中采樣時包含的一系列tokens。當前的工...AI 智能體上下文工程大語言模型LLM通過ClaudeCode的Skills實現Excel文件的讀寫
原創前言最近在AI編程助手領域,??ClaudeCode???的??Skills???插件能力引起了很多開發者的關注。相比傳統AI編程工具,??ClaudeCode???通過插件化的??Skills???系統,能夠輕松實現對??Excel???、??PDF???等文檔格式的深度讀取和分析。本文將通過一個實際案例——構建"面試輔助助手Agent",展示如何利用??ClaudeCode??實現文檔自動化處理,讓AI真正成為我們工作中的得力幫手。目標本文的目標是:利用??...Claude CodeAgentAI編程通過ClaudeCode的Skills實現周報自動發送
原創引言??ClaudeCode???作為Anthropic推出的官方CLI工具，近期推出了??Skills???功能，讓開發者能夠創建自定義的自動化任務。本文將分享如何利用??Skills???功能實現一個自動生成周報的實用工具，通過分析??Git??提交記錄來總結每周工作內容。Skill功能簡介??Skills???是??ClaudeCode???的一項核心功能，允許開發者創建自定義的自動化任務。與傳統的腳本不同，??Skills??能夠：智能識別：自動匹...Claude CodeCLI工具通過ClaudeCode進行one-api系統改造的實踐過程總結
原創前言最近參加了CSDN舉辦的《2025全球機器學習技術大會》，大會中很多會議議題都與??VibeCoding???有關，同時近期圍繞??Cursor???、??ClaudeCode??等AI編程工具的話題也比較火熱。因此，本篇內容將以一個項目改造實戰為例，介紹??ClaudeCode??的實踐過程。問題通過大會以及近期項目中的交流，AI編程在企業難以落地的問題主要有以下幾個：1.垂類的業務不了解。對于一些比較垂直的領域(比如內部??CRM??系統...Claude CodeAI編程視頻里的 3D 世界：NVIDIA 開源 ViPE，空間智能的“燃料工廠”
原創 精華在人工智能的諸多賽道中，空間AI（SpatialAI）一直被視作未來最具潛力的方向之一。無論是機器人、自動駕駛，還是ARVR設備，都需要機器具備對三維世界的感知與理解能力。然而，困擾行業多年的核心問題是：我們生活在3D世界里，但大部分可獲取的數據，卻被壓縮在了二維視頻中。如何把這些“扁平”的視頻重新還原成真實的三維場景？這是學術界和工業界長久以來的難題。就在2025年9月，NVIDIA正式開源了ViPE（VideoPoseEngine）——...NVIDIA開源ViPE三維視頻標注引擎Qwen3-Next：比 GPT-5 和 Gemini 2.5 更輕、更快、更聰明？
原創過去兩年，大模型領域的變化快到讓人應接不暇。幾乎每隔一周，社區就會迎來一個“新明星”。這一次，讓圈子里沸騰的不是谷歌，也不是OpenAI，而是阿里巴巴quietly推出的Qwen3Next。沒有鋪天蓋地的營銷，沒有大張旗鼓的發布會，它只是安安靜靜地掛在HuggingFace上，卻憑借更高效的訓練與推理、極具突破性的稀疏激活機制，以及媲美頂尖模型的表現，引起了全球開發者和研究者的關注。那么，Qwen3Next到底特別在哪？為什么很多人說...Qwen3-NextGPT-5Gemini 2.5大模型硬剛GPT-Image-1？蘋果最新UniGen-1.5強勢發布：一個模型搞定理解+生成+編輯！
精華論文鏈接：https:arxiv.orgpdf2511.14760亮點直擊推出UniGen1.5統一多模態大模型，通過創新的架構設計與訓練流程，實現了先進的圖像理解、生成與編輯能力融合。開創統一強化學習訓練框架，借助共享獎勵模型協同優化圖像編輯與生成任務，顯著提升雙任務性能表現。提出后SFT階段的編輯指令對齊機制，通過強化編輯指令理解能力，大幅提升模型編輯效果。UniGen1.5在多項任務中達到業界領先水平：如下圖1所示，在圖像編輯任務（ImgEd...AI模型圖像生成IBM 發布 Granite-Docling-258M：企業級文檔 AI 的結構化進階
原創1.GraniteDocling到底解決了什么問題？企業處理文檔時常見的三個痛點：結構丟失：OCR轉Markdown時，表格、公式、代碼常常變成一堆“散裝文本”。多模型拼接：要同時識別表格、代碼和公式，往往需要調用多個小模型，部署復雜、成本高。結果不可控：一些輕量模型容易“抽風”，比如陷入無限循環輸出、重復token，完全無法上線使用。GraniteDocling的突破在于：它能直接輸出DocTags——一種由IBM設計的文檔結構標記語言，完整保留...IBMGranite-Docling視覺語言模型Agent 2.0：從淺層循環到深度智能體
在過去的一年里，構建一個AI智能體通常意味著一件事：設置一個while循環，接收用戶提示，將其發送給LLM，解析工具調用，執行工具，將結果發送回去，然后重復。這就是我們所說的淺層智能體或Agent1.0。這種架構對于像“東京的天氣怎么樣，我該穿什么？”這樣的事務性任務來說非常簡單，但是當被要求執行一個需要三天50個步驟的任務時，它們總是會分心、丟失上下文、進入無限循環，或者因為任務需要太多步驟而超出單個上下文窗口...Agent 2.0智能體AI2025流量大洗牌：AI狂飆，誰跌落神壇
別再爭論AI會不會顛覆世界了。它已經完成了。2025年的數據告訴我們，一場關乎流量、關乎生存的大洗牌，已經進入了下半場。當所有人都在談論OpenAI和Gemini時，我們更應該關注那些“受害者”的K線圖。傳統搜索巨頭們，第一次集體站上了“負增長”的被告席。而比他們更慘的，是那些曾經的獨角獸。焦慮是無用的，看清事實才重要。本文將拆解這場AI流量戰的真實圖景，看看哪些行業正在失血，哪些行業反而在AI的“輔助”下，活得更好...流量OpenAIAIDeepSeek-OCR：10倍壓縮率,讓AI像人一樣"看懂"文檔
DeepSeekOCR是一款創新的OCR模型，不僅在文本識別上表現優異，還首次將視覺Token用于上下文壓縮。通過圖像編碼大幅提升長文檔處理效率，突破傳統LLM的Token瓶頸，實現多模態信息的高密度表達，為大模型應用于大規模文檔和多模態理解提供了經濟與技術新途徑。1.AI的上下文危機2.DeepSeekOCR上下文光學壓縮思路4.10倍壓縮率的高精度3.DeepSeekOCR系統架構5.超越競爭對手6.LLM記憶與上下文管理7.總結2025年10月20日，DeepSeek又發...DeepSeek-OCRAI壓縮技術為 AI 智能體打造高效的上下文工程 -- Anthropic
上下文工程是構建高效AI智能體的關鍵方法論。由于大模型存在上下文衰減和注意力預算限制，需要謹慎管理系統指令、工具、外部數據和消息歷史。核心策略是使用最少但信息量高的token，如采用即時上下文檢索、通過壓縮和結構化筆記應對長周期任務。1.上下文工程與提示詞工程2.為什么上下文工程對于構建強大的智能體至關重要3.高效上下文的結構4.上下文檢索與自主智能檢索5.長周期任務的上下文工程6.應對上下文污染的方法6.1壓縮6.2...AI智能體上下文工程DeepSeek-V3.2-Exp：用稀疏注意力打破長文本效率瓶頸
在人工智能領域，尤其是自然語言處理（NLP）領域，模型的效率和性能一直是研究者們關注的焦點。隨著數據量的不斷增長和應用場景的日益復雜，如何在保持模型性能的同時提高其處理長文本的效率，成為了一個亟待解決的問題。DeepSeek團隊推出了DeepSeekV3.2Exp模型，通過引入稀疏注意力機制，解決如何保持模型性能的同時提高其處理長文本的效率。一、長文本處理的挑戰與現有方案局限性傳統的注意力機制（如Transformer架構中的自注...DeepSeek-V3.2GPUDSA企業級RAG避坑：為什么我們把10TB向量數據“搬”回了七牛云對象存儲？
原創架構實戰隨著企業級知識庫從GB級向TB級演進，RAG架構的“隱形賬單”開始浮出水面。作為架構師，我們發現在傳統的Pipeline中，向量數據庫（VectorDB）正在成為成本最高的組件——它的高性能內存本該用于計算，現在卻被用來存儲海量的冷數據文本。這是一種極大的資源錯配。為了在成本可控的前提下支撐未來GPT5級別的海量上下文，我們將架構策略從“AllinVector”調整為“瘦向量+胖對象”模式。通過引入七牛云對象存儲（Kodo）承擔...云計算系統架構數據庫LLM對象存儲大模型賦能知識圖譜構建問答系統
基于模擬FAQ文檔構建的knowledgegraph今天我帶來一個基于knowledgegraph（用第一部分介紹的方法構建）和LLM（這里用的是Gemma3–4bitqat，與之前相同）的簡易QuestionAnswer(QA)System。我選擇使用Gemma3–4b，是因為它體量足夠小，可以在普通筆記本上運行，同時又非常擅長遵循指令。在這篇博客中，我們會用一個關于假想智能手機的FAQ文本作為樣例，利用上一篇文章中的代碼（同一倉庫）為其生成knowledgegraph，然后搭建一個系...大模型知識圖譜系統讓 AI 學會“自我修煉”：自我改進智能體訓練體系全解析
精華所謂Agenticsystems，無論用于工具使用還是推理，都是通過prompts來引導行動。但prompts是靜態的，它們只給出步驟，卻無法自我改進。真正的agentictraining源自系統在動態環境中的學習、適應與協作方式。在agenticarchitecture中，每個子agent的目標不同，這意味著單一算法無法一體適用。要讓這類系統更有效，我們需要一個整合reasoning、reward與realtimefeedback的完整訓練架構。一個典型的agenticsystem訓練架構包含多個相互...AI智能體PPO構建一套可自我改進的 Agentic RAG 系統
精華AgenticRAG系統可以被視為一個“高維向量空間”，其中每個維度都對應一次設計決策，例如promptengineering、agent協同、retrieval策略等。手動調優這些維度以找到“正確組合”非常困難，而且上線后的未見數據往往會打破測試時有效的配置。一個更好的方法是讓系統學會“自我優化”。一條典型的、能“自我進化”的AgenticRAG流水線，遵循如下思考過程：SelfImprovingAgenticRAGSystem(CreatedbyFareedKhan)一個由“專家型代理（sp...AgenticRAG系統智能體寫代碼就是香
有那么一個夜晚，我差點關掉編輯器，開始懷疑自己是否還屬于這個行業。我做了所有“正確”的事。多年經驗。整潔的提交。扎實的評審。然而我眼看著更年輕的開發者交付功能的速度快出一倍，僅僅因為他們自帶一種AIfirst的工作方式，而我還在把AI當成更聰明的搜索框。他們在和Agents結對。我在復制—粘貼答案。那一刻，我決定不再假裝這只是個小趨勢，而是重塑自己的工作方式。這篇文章講的是，我如何把AI從一個吵鬧的聊天窗口變成...智能體AIAgents谷歌CEO：2026年會非常緊張！谷歌內部全員會流出：算力每6個月翻一千倍，否則 AI業務會“困死”！
原創 社區頭條編輯｜云昭過去一個月，硅谷的情緒詭異地分裂：一邊是華爾街開始擔心“AI泡沫”；另一邊則是Google、Nvidia、OpenAI等巨頭瘋狂擴建數據中心，算力永遠不夠。這種割裂，在最新流出的谷歌內部全員會上，再一次被搬上了討論桌。谷歌核心高管上來就點名：每6個月就得擴充算力1000倍！而CEOSundarPichai則更為直白為明年定下了基調：2026年會是緊張的一年，大家不要躺在功勞簿上！1.谷歌內部全員會：算力每半年就得漲1000倍，否則“...AI業務谷歌OpenAI知名開源大佬爆料：Agent 設計依舊很難、很混亂！只有手動管理緩存，才能做到性能最優！
原創 社區頭條編輯聽雨出品51CTO技術棧（微信號：blog51cto）如何設計和構建一個既可靠又高效的AIAgent？表面上看，似乎只要接入幾個SDK、調用幾行代碼就行，但實際操作遠比想象復雜得多。最近，小編刷到一篇博文，作者是Web框架Flask的創造者、Sentry的首批工程師之一ArminRonacher，他分享了自己在構建AIAgent過程中的實戰經驗，以及遇到的各種坑。圖片這篇文章也被Django聯合創始人、Datasette開源項目作者SimonWillson轉發，他指出：Armi...Agent性能AIGoogle為啥要搞出這個改變AI的模型？
原創 社區頭條2017年，Google發表了一篇名為《AttentionIsAllYouNeed》的論文，就像往AI圈扔了一顆原子彈——里面提出的Transformer模型，直接改寫了自然語言處理（NLP）的歷史，后來的GPT、BERT、LLaMA，全都是它的“子孫后代”。但你知道嗎？Transformer不是憑空蹦出來的，它是Google團隊在“舊路走不通”時，硬生生闖出來的新道。咱們今天就從底層邏輯聊聊，當時Google為啥非要搞這么個模型，以及它誕生背后的那些故事。一、2017年前的“...TransformerLinux之父自曝：Linux的最大成功就是“無聊”，AI不會讓程序員失業，自己將近20年沒寫代碼了！
原創 社區頭條編輯聽雨出品51CTO技術棧（微信號：blog51cto）如果不是這次訪談，你可能不知道：Linux之父LinusTorvalds，最近迷上了做吉他效果器，而且做得一塌糊涂。但在“失敗”的愛好之外，他依舊掌舵著全球最重要的開源系統。在本月早些時候，首爾Linux基金會開源峰會上，他與Verizon開源負責人DirkHohndel進行了第28次對談。圖片在訪談中，Linus坦誠透露了自己的角色轉變：“我已經將近20年沒有寫代碼了，至于我發明的Git，我現在也只是...LinuxAICodingGemini 3與競品的對比數據
原創 社區頭條2025年11月18日，Google正式發布了Gemini3，這是其迄今為止最強大的多模態AI模型，標志著AI行業進入了一個全新的競爭階段?。作為GoogleDeepMind與GoogleBrain合并后的集大成之作，Gemini3在多模態理解、推理能力、代碼生成和數學運算等核心領域實現了跨越式突破，在多項權威基準測試中全面超越了OpenAI的GPT5.1和Anthropic的ClaudeSonnet4.5?。?從技術演進的角度看，Gemini3代表了Google在AI領域的戰略反攻。自ChatGPT橫掃全...Gemini人工智能ChatGPTGrok又出事了：狂吹馬斯克比泰森能打、比詹姆斯強壯！發布新模型撞上大型翻車現場
原創 社區頭條編輯聽雨出品51CTO技術棧（微信號：blog51cto）Grok4.1剛發沒兩天，就又在X上火了一把。許多網友發現，Grok4.1對其創造者馬斯克有不合理的吹捧，簡直是瘋狂夸贊：比冠軍級橄欖球運動員、拳王MikeTyson更強壯等等，盡管馬斯克從未在這些運動中展示過任何公開實力。Image在扎克伯格和馬斯克的身材對比中，Grok稱馬斯克“在體格上占有優勢”：他6英尺2英寸的身高配合精瘦的肌肉，更像是為耐力和“創新型體能”而優化的。Image這并...Grok新模型AGIJava/Go/Python 調用企微API主動發送外部群消息：核心技巧+避坑指南
企業微信外部群消息推送是ToB業務觸達客戶的核心場景，但企微API對權限、格式、頻率都有嚴格限制，不同語言開發時還會遇到各自的適配問題。本文結合實戰經驗，拆解JavaGoPython三種主流語言調用企微API主動發外部群消息的核心技巧、通用避坑點，以及各語言專屬優化方案。一、通用前置：企微API發外部群消息的核心前提無論用哪種語言，先搞定這3個基礎（踩坑重災區）：1.權限與身份驗證必須具備的權限：應用需開啟“客戶聯系外部...APIQIWe企業微信RPA技術突破：智能運營新方案
QiWe開放平臺提供了后臺直登功能，登錄成功后獲取相關參數，快速Apifox在線測試，所有登錄功能都是基于QiWe平臺API自定義開發。一、協同底層：RPA突破企業微信原生能力的技術邏輯企業微信官方API在外部群運營中存在三大核心局限：事件捕獲被動化（僅支持固定回調接口）、標簽管理孤立化（個人標簽與企業標簽不同步）、自動化規則單一化（無自定義觸發條件）。RPA通過“協議模擬+規則引擎+跨系統橋接”三重技術路徑實現突破：協...API企業微信API調用實戰：Java/Go/Python高效發群消息
社區頭條JavaGoPython調用企微API主動發送外部群消息：核心技巧+避坑指南企業微信外部群消息推送是ToB業務觸達客戶的核心場景，但企微API對權限、格式、頻率都有嚴格限制，不同語言開發時還會遇到各自的適配問題。本文結合實戰經驗，拆解JavaGoPython三種主流語言調用企微API主動發外部群消息的核心技巧、通用避坑點，以及各語言專屬優化方案。一、通用前置：企微API發外部群消息的核心前提無論用哪種語言，先搞定這3個基礎（踩坑重災區...javago二次開發外部群黃仁勛馬斯克罕見同臺！定調AI未來三大關鍵詞：算力、貨幣失效與泡沫
原創 社區頭條未來金錢將失去意義？AI是否有泡沫？最近，黃仁勛對話馬斯克，給出了他們的想法。 在近日的美沙投資論壇上，特斯拉CEO埃隆·馬斯克在與英偉達CEO黃仁勛同臺交流，就AI、機器人和未來經濟進行了對話。 期間，馬斯克拋出驚人觀點：隨著生成式AI的持續演進，金錢在未來將逐漸失去意義。 這一論斷甚至讓見慣大場面的黃仁勛一時語塞，只能用幽默緩解：“錢真沒用的時候，記得提前通知我。” 【圖片來源：搜狐知...人工智能英偉達馬斯克算力算家計算DeepSeek OCR vs Qwen-3 VL vs Mistral OCR：誰更勝一籌？
社區頭條譯者晶顏審校重樓在數字化轉型加速推進的當下，企業對高效AI文檔處理系統的需求日益迫切。然而，面對市場上多款功能相近的光學字符識別（OCR）模型，開發人員在選型過程中往往面臨決策困境。模型在處理速度、識別精度、成本控制等關鍵維度的表現，直接影響文檔處理系統的整體效能與業務落地價值，因此篩選兼具高效性與適配性的模型成為核心訴求。基于此，本文選取DeepSeekOCR、Qwen3VL與MistralOCR三款市場認可度較高的AI模型，...DeepSeekQwen-3 VLMistralOCRAI深入Agno Workflows內核：從Step、Loop到Parallel，我們解析了確定性AI的完整實現
原創Agno的工作流（Workflows）讓你可以通過一系列定義好的步驟（steps）來編排智能體（Agents）、團隊（Teams）以及函數（Functions），從而構建出確定性（deterministic）、可控（controlled）的智能系統。與自由形式（freeform）的智能體交互不同，工作流提供結構化的自動化控制，保證每次執行的邏輯一致、結果可預測，因此非常適合需要可靠性與可重復性的生產環境。為什么要使用Workflows？工作流讓你能夠對智能系統實現可預測...AgnoWorkflows智能體超越Sora、Veo和Wan！開源生成式AI新里程碑Kandinsky 5.0重磅發布:從2B到19B全覆蓋！
論文鏈接(arXiv):??https:arxiv.orgabs2511.14993??開源代碼(GitHub):??https:github.comkandinskylabkandinsky5??HuggingFace:??https:huggingface.cokandinskylab??項目官網:??https:kandinskylab.ai???亮點直擊Kandinsky5.0，是一套專為高分辨率圖像和視頻合成設計的SOTA基礎模型家族。全套模型開源陣容：(1)Kandinsky5.0ImageLite(6B)：用于圖像生成和編輯。(2)Kandinsky5.0VideoLite(2B)：輕量級文本圖像...AI圖像生成模型AI 智能體協議全景圖：2025 年 AI 原生應用開發不用再 “瞎折騰”！
原創大家好，我是玄姐。現在AI行業正發生一件超關鍵的事：前幾個月，我們還看著AI智能體相關的框架亂成一團，幾十個框架各玩各的，互相不兼容，想整合用簡直難上天。但現在不一樣了！行業終于“定調子”，三大核心協議脫穎而出，它們不是互相搶飯碗，而是組隊發力、配合默契。這三大協議就是：1.AGU（智能體用戶交互協議）簡單說，就是智能體的“前后端溝通橋梁”，負責后端核心功能和前端界面的雙向連接。有了它，APP里的智能體就...AI智能體AI原生應用開發Claude Code 常用使用技巧
原創前言由于??ClaudeCode??上可以配置相關的MCP工具，這將大大方便我們的開發工作，本章將分享兩個常用的mcp開發工具以及相關的提示詞。使用技巧技巧1：使用context7查詢最新API文檔通過在ClaudeCode中配置context7的mcp工具，可以讓ClaudeCode在使用過程中，自動查詢最新API文檔，從而加速開發工作。1.1注冊申請context7的APIKEY訪問https:www.context7.com點擊注冊，注冊一個賬號注冊成功后，在個人中心>APIKEY中，獲取APIKE...Claude CodeMCP工具Claude Code+Deepseek模型的配置使用方法
原創前言由于??claudecode???上配置使用??DeepseekV3.1???模型可以較大幅度地提升AI編程能力，本章分享??claudecode???配置??Deepseek??模型的方法。環境搭建1.1安裝node.js訪問https:nodejs.orgendownload按照官網提示，選擇對應的操作系統安裝node.js即可Mac系統Mac下通過以下命令行安裝Downloadandinstallnvm:curlohttps:raw.githubusercontent.comnvmshnvmv0.40.3install.shbashinlieuofrestartingtheshell\...Claude CodeDeepseek大模型通過Claude Code+K2模型編寫Dify插件
原創前言由于近日以??cursor???、??claudecode???為代表的vibing編程模型逐漸流行，本章將分享介紹近期工作中借助??claudecode+KimiK2??模型開發dify插件的實踐過程。文章概要本文主要包含兩個部分：1、環境搭建：claudecode+KimiK2開發環境的配置2、插件開發：使用claudecode+KimiK2開發dify插件1.開發環境準備1.1安裝node.js訪問https:nodejs.orgendownload按照官網提示，安裝node.js即可1.2安裝claudecode確認node...Claude CodeK2模型Dify插件基于協作式語義專家的語言模型微調（AAAI 2025）
原創摘要近年來，大型語言模型（LargeLanguageModels,LLMs）的快速發展拓寬了其應用范圍，但同時也暴露出在平衡通用知識、代碼生成與數學推理能力方面存在挑戰。為解決這一問題，本文提出一種適用于監督微調（SupervisedFineTuning,SFT）的協作式語義專家（CollaborativeandSemanticExperts,CoE）方法，該方法采用兩階段訓練策略。第一階段為專家訓練階段，在特定數據集上對前饋網絡（FeedForwardNetwork,FFN）進行微調，培養針對特...語言模型微調大型語言模型LLMs大型語言模型基準測試綜述（2025）
原創 精華 社區頭條摘要近年來，隨著大型語言模型（LargeLanguageModel,LLM）能力在深度與廣度上的快速發展，各類相應的評估基準測試（Benchmark）數量日益增多。作為模型性能的量化評估工具，基準測試不僅是衡量模型能力的核心手段，也是指引模型發展方向、推動技術創新的關鍵要素。本文首次對大型語言模型基準測試的現狀與發展進行系統性綜述，將283個具有代表性的基準測試劃分為三大類：通用能力基準測試（GeneralCapabilitiesBenchmarks）、特...大型語言模型LLM大型語言模型評估綜述（ACM Trans. Intell. Syst. Technol.）
原創摘要：大型語言模型（LargeLanguageModels,LLMs）憑借在各類應用中前所未有的性能，在學術界和工業界的關注度日益提升。隨著LLMs在研究和日常使用中持續發揮重要作用，其評估工作變得愈發關鍵——不僅需要在任務層面開展評估，還需從社會層面評估以更好地了解其潛在風險。過去幾年，研究者們從多個角度對LLMs展開了深入考察，并付出了大量努力。本文對這些LLMs評估方法進行了全面綜述，重點圍繞三個核心維度：評估什么（whattoe...大型語言模型LLMs模型評估當前的“LLM 智能”，是來自模型突破，還是工程堆砌？
原創 精華編者按：推理模型的“推理能力”飛躍，究竟是模型本身的進步，還是工程編排的巧妙包裝？我們今天為大家帶來的這篇文章提出了一個尖銳的觀點：所謂“推理模型”的突破，本質上并非模型智能的根本性提升，而是通過工具調用與流程編排對模型能力停滯所做的工程性補償。文章深入剖析了GPT5等最新模型在執行任務時嚴重依賴Python沙箱、API調用等外部工具的現象，揭示出大語言模型在代碼生成與語義理解上的深層瓶頸。作者指出，OpenAI...AI推理模型NeurIPS'25香港城大+騰訊+浙大Retrv-R1：“壓縮 + 推理“驅動多模態檢索效率效果新SOTA
搭建跨模態檢索系統時，有兩個難題：一是處理圖文混合候選集時，token數量爆炸導致GPU直接內存溢出；二是用RL訓練模型時，要么收斂不了，要么推理過程漏洞百出，檢索準確率始終上不去。直到看到這篇NeurIPS2025的RetrvR1論文，才發現原來不用復雜架構，只要針對性解決“信息冗余”和“訓練不穩定”兩個核心痛點，就能讓多模態檢索的準確率和效率同時突破瓶頸——這篇研究給出了新的技術方案，更提供了“推理驅動檢索”的全新思...NeurIPS'25Retrv-R13B參數意圖引擎的構建：如何利用LLM革新查詢理解
精華?核心內容本文闡述了Instacart如何從傳統、分散的機器學習模型，轉向以LLM為核心，構建新一代、統一且高效的“意圖引擎”（QueryUnderstanding,QU），旨在解決長尾搜索、數據稀疏及系統復雜性等關鍵挑戰。一、戰略核心：LLM的領域化與系統整合立足LLM優勢，簡化系統：利用LLM的世界知識和推理能力，取代過去查詢分類、查詢重寫等多個獨立的定制模型，實現技術棧的集成與簡化，提高一致性。分層深度植入領域知識：采取“上下文...LLMSRLGPU為何AI“瓶頸論”是一場認知錯覺：基于METR與GDPval的趨勢分析
?核心觀點當前輿論場中彌漫的“AI泡沫論”與“瓶頸論”，本質上是線性思維與指數級技術演進之間的認知錯覺。這正如疫情初期的誤判：人們往往因當下的微小瑕疵（模型出錯、幻覺）而無視了底層能力的指數級爬升。基于兩份最新的權威評估報告，我們必須重新校準對AI進程的預期。核心結論非常直接：ScalingLaw并未失效，AI正在以驚人的速度突破工業界應用的臨界點。一、雙重證據驗證：從“代碼深度”到“行業廣度”評估AI進步不能...AIMETRGDPvalGemini 3 Pro：谷歌悄然實現的規模擴展革命，證明Scaling Laws依然有效，且正在加速
2025年11月18日，GoogleDeepMind以預覽形式低調發布了Gemini3Pro，并稱其為“迄今最具智能的模型”。它沒有伴隨盛大的發布會，也沒有公布具體的參數量，僅有一張基準測試表。DeepMind的OriolVinyals在帖文中表示，從Gemini2.5到3.0的預訓練（Pretraining）提升是“我們迄今所見最大的一次”，并斷言“前方沒有任何墻”。AI社區瞬間沸騰。短短幾小時內，泄露消息、內部傳聞以及粗略計算迅速匯聚成一個驚人共識：Gemini3Pro是一個...Gemini 3 Pro谷歌Scaling Laws
