搜索
现在的 Agent 将所有的工程线索和垃圾噪音都一股脑扔进 Chat Context 里，缺乏一层独立、结构化的 Engineering State 来做隔离与控制。为了打破这个瓶颈，Valkor 联合浙江大学智能计算与软件研究中心、伦敦大学学院（UCL）软件工程团队正式推出并开源了 loom。
这些项目未必都是最成熟的，但它们有一个共同点：没有把模型本身当作产品，而是把 AI 放进一条具体的任务链里，让一个想法变成物品，让一个需求得到回应，或者让一套智能系统真正运转起来。
官宣入职 Anthropic 才两个多月，Andrej Karpathy 就要走了？刚刚，有网友发现 Karpathy 修改了自己的个人简介，去掉了其中的公司信息。在删除之前，他的信息简介栏有着清晰的「Anthropic」字眼。有人说，这个改动发生在昨天。
我们想强调的是：智能体 “跑得久”，并不等于 “具备长程能力”。真正的关键，不在于占用更多时间与算力，而在于能否在更长、更复杂、更真实的推理依赖链上持续、有效地行动。长期以来，Autonomous Agent、Self-Evolving Agent 等概念常与长程智能体混用。
你有没有想过，写代码这件事的对象正在悄悄换人？上周一晚上，我在旧金山Market Street上WorkOS的办公室里待了将近两个小时，看了二十几个现场demo。进门之前我以为这只是一场普通的创业展示夜，但看完之后我意识到，这群人在展示的根本不是产品，而是他们对"写代码、用代码、读代码"这件事本身的理解，已经发生了多深的变化。
SFT是LLM从“通才”变成“专才”的关键步骤。业界默认做法是：准备标注数据（QA对、指令-回复对等）在基座模型上跑SFT训练。看loss曲线收敛了→认为训练完成。但问题在于：loss是全局平均，掩盖了样本间的差异。loss收敛只代表“大部分样本学会了”——那些始终学不会的样本被淹没了。
经常用AI的人都知道，AI给出的答案质量，很大程度上取决于你提问的方式。这一点，几乎成了当下社交媒体的流量密码。打开各大平台，随处可见兜售各类Prompt的帖子，我们自己的收藏夹里也往往躺着几十套Pr
按照超聚变的定位，TokenBox™ 是一套面向办公室场景的企业级本地 AI 平台。它将算力模块、模型服务、推理加速、Token 运营和安全管理整合进同一套产品体系，让企业能够在本地持续生产、调度和管理 Token。
Anthropic又被扒光了！这一次，Claude Opus 5的系统提示词，被人整份扒下来，传到GitHub上了。旗舰刚发，就被全网「开盒」，这一波属实猝不及防。就在上线的同一天，开发者Eversmile1直接建了个新仓库。
Agent 执行任务的时候，会反复踩坑、不断试错，最后积累一些正确的经验。但这些经验通常只能停留在当前会话，或者当前 Agent 的记忆里，很难传给其他 AI。一个 Agent 调用某个 API，花了半个小时查文档、改参数，连续失败好几次，最后终于找到正确方法。