Notion推出了3.0版本，核心是引入了强大的“Agent”功能，旨在成为内置的AI队友，能自主执行多步骤复杂工作流，并具备高度个性化的学习能力。这一重大升级将用户从繁琐的重复性任务中解放出来，显著提升个人及团队的生产力，使其能专注于核心工作。Notion 3.0 与 Agent 功能的发布 Notion 3.0 版本正式上线，创始人Ivan Zhao称其为“Notion迄今为止规模最大的一次升级”。 核心引入的“Agent”功能被定位为内置在Notion中的“AI队友”，能够完成人类在Notion中的所有操作。 Agent是世界上第一个知识工作Agent，能与数据库协同，自主执行长达20分钟的多步骤复杂指令，并包含一个自定义“记忆库”。 Notion AI Agent 的核心能力与应用场景 知识检索与整合： 能够跨Notion、Slack和Google Drive搜索信息，如项目更新和发布时间线，并提供整合后的见解。 任务自动化与协作： 可将会议纪要转化为精美的提案，更新任务追踪表，保持知识库实时更新，或生成个性化新员工入职计划。 内容创作与编辑： 协助撰写和润色草稿，根据Notion风格指南提供反馈，如调整语气、结构和格式。 多步骤工作流执行： 能够处理完整的工作流，例如从汇总客户反馈到创建结构化数据库，甚至同时处理几百个页面。 个性化设置与协作效率提升 高度个性化： 用户可通过“指令页面”（记忆库）自定义Agent的行为模式，如任务分类和回复格式，Agent会从使用中学习并提升个性化程度。 提升团队协作： 充当“随叫随到的队友”，帮助团队成员快速获取信息，避免打断同事的工作流。 独特品牌形象： Notion AI拥有波浪眉和涂鸦般字迹的独特设计，旨在为日常工作增添趣味性。 Notion AI Agent 的未来发展 Notion将推出“自定义Agent”功能，允许用户创建可自动运行并与整个团队共享的AI专家。 这些自定义Agent能按设定时间或触发条件工作，例如汇总每日用户反馈、发布每周项目更新或自动分类IT需求。

来源：https://mp.weixin.qq.com/s/2sNq-AMGP3CODOvkqxrb8w OpenAI研究员姚顺雨在访谈中阐述了AI进入“下半场”的观点，核心在于从模型训练转向任务与环境的定义。他强调了语言作为通用工具对Agent泛化能力的重要性，并指出创业公司在设计新型交互方式上的巨大机会，预见了一个既可能由Super App主导又趋向多元化的AI生态。AI发展与Agent研究路径 个人研究历程： 姚顺雨从清华姚班和普林斯顿毕业，因发现语言是构建通用系统的关键，转向Language Agent研究，至今已有6年。 AI范式演变： AI经历了符号主义AI、深度强化学习（如AlphaGo），最终发展到基于大语言模型（LLM）的第三波Agent浪潮，核心是LLM提供的推理能力实现泛化。 技术选择与突破： 早期意识到GPT而非BERT更适合开放行为空间任务；通过WebShop解决Agent环境问题，并用ReAct框架协同推理与行动，标志着从“训练模型”到“使用模型”的转变。 非共识的价值： 在多数人关注垂直细分任务时，姚顺雨坚持做简单且通用的Agent，认为这是一个非共识但极具潜力的方向。 Agent核心能力与泛化 Agent的定义与推理： 从自然语言处理角度，Agent是能与外界交互、调用工具的系统；更广义上，是能自我决策、优化奖励的系统。其核心区别在于语言模型提供的推理能力，使得Agent能泛化到不同环境。 OpenAI的Agent分级： OpenAI将AI能力分为5级，Agent（L3）建立在聊天机器人（L1）和推理者（L2）能力之上，进一步发展方向是拥有奖励机制和多智能体协作。 关键能力与“机器之手”： 姚顺雨最看重Agent的上下文（Context）和记忆（Memory）处理能力，认为这是实现终身学习的基础。他将代码（Code）比作AI最重要的“手”，是实现AGI的关键环境之一。 泛化的本质： 语言是人类为实现泛化而发明的工具，AI通过语言和推理也实现了泛化，这体现在模型在数学和编程领域训练后，也能提升创意写作能力。 任务设计与商业价值 “AI下半场”的瓶颈： AI发展的主线瓶颈已从模型训练转移到如何定义好的任务和环境，需要用通用方法解决有价值的实际问题。 结果导向的奖励机制： 成功的Agent任务（如数学和编程）应采用基于结果、白盒、规则化的奖励机制，而非过程导向或基于主观偏好的奖励，以避免“投机取巧”。 AI与人类任务差异： 人类认为简单或困难的任务，对Agent而言可能相反，例如软件工程对Agent可能比客服更容易，因为前者有更清晰的环境和奖励。 Agent的应用分类： 任务可分为注重可靠性（如客服，需要Pass^k指标）和注重创造力（如科学发现，允许多次失败）两种，以及不同深广度的任务，Agent需要针对性优化。 AI生态与未来展望 创业公司的机会： 大模型能力溢出为创业公司带来机会，尤其是在设计“超越ChatGPT”的新型交互方式上，因为Super App（如ChatGPT）会形成路径依赖，为新入者留下空间。 Agent生态的构建： 未来Agent生态的重要方向包括长期记忆（Long-Term Memory）、内生奖励机制（Intrinsic Reward）和多智能体系统（Multi-Agent System），对应OpenAI的创新者（L4）和组织者（L5）框架。 中心化与去中心化： AI世界可能呈现出巨头公司推动中心化Super App与个体赋能的去中心化Agent网络并存的局面，形成一个既单极又多元的世界。 未来Agent的演化： 预测未来12-24个月，模型公司的Chatbot系统将演化为Agent系统，出现更多类似Cursor的新型Copilot产品，Agent基础设施也将围绕其运行，但短期内仍将偏向中心化Super App。

Granola作为AI笔记工具，在竞争激烈的市场中脱颖而出，其成功秘诀在于独特的产品理念和设计哲学。它通过极简的“蜥蜴脑设计”和对用户“上下文”的深度利用，将苹果备忘录视为主要竞争对手，而非其他AI工具，并策略性地整合最优AI模型以提供无侵入性的高质量笔记体验。 独特产品理念与设计 * “蜥蜴脑设计”：认识到用户在会议高压下，记笔记的“窗口期”仅有500毫秒，大脑空间有限，因此产品需极致简洁，避免复杂界面。 * “隐形”与无侵入性：不派机器人加入会议，旨在“以最小的侵入性实现最大的实用性”，不存储音视频，只关注高质量笔记，更像“智能增强记事本”。 * 极致简化与用户反馈：在公开推出前，大胆砍掉50%功能并重新设计，以保持简洁克制的产品灵魂；产品和设计决策基于直觉，但该直觉必须建立在大量用户反馈之上，通过每周4-6次用户访谈填充“上下文”。 战略性AI模型整合 * 优先使用最佳第三方模型：奉行“尽快用上市场上最好的模型”策略，只有在遇到瓶颈（需微调或训练模型）时才自研，目前已整合多种模型（如OpenAI、Anthropic、谷歌）。 * 抽象复杂性与定制化输出：将模型选择等复杂性封装起来，通过精心设计的提示词（Prompt）和对用户背景、会议类型的洞察，确保笔记具有“Granola的味道”和持续提升的质量，例如为风投和创始人提供不同重点的笔记。 * 成本与质量权衡：目前业务中最昂贵的是高质量转录而非LLM推理；在“成本”和“质量”之间取舍时，坚持“为一年后的世界做产品”，愿意为“高智能查询质量”投入更高成本。 * 护栏与可追溯性：不追求100%准确，但通过“引用标注”功能让用户能“查看源头”（原始转录文本和引文），以解决AI幻觉和错误问题。 用户获取与留存策略 * 精准用户定位：从为“知识工作者”打造产品，转为聚焦“风投”，再到更具挑战性的“创始人”，认为能服务好创始人就能满足其他角色的基本需求。 * 价值驱动的病毒式传播：不刻意追求增长技巧，而是专注于做好产品，通过用户主动推荐和可分享的笔记链接（接收方可与转录文本聊天、提问）实现自然增长。 * 高留存关键：深刻理解“让用户养成使用习惯”的挑战，认为“产品有用”与“在正确的时间（利用会议日历）推送提醒”相结合，是提升用户留存的关键。 竞争格局与未来愿景 * 核心竞争对手是“苹果备忘录”：认为用户记笔记的决定发生在500毫秒内，其竞争对手是随时随地可用的“虚拟纸笔”，而非其他复杂的AI笔记产品。 * “思考工具”与“情境感知型工作空间”：Granola的愿景是成为AI驱动的“思考工具”，通过掌握用户的深度“上下文信息”来帮助用户更好地工作，而非简单的会议记录仪。 * 应对巨头竞争：相信初创公司在“为新媒介原生设计的产品”方面具有优势，Granola致力于构建一个能掌握用户深度个人上下文的“第二大脑”，持续创新以应对未来工作场景的需求。

苹果在最新秋季新品发布会上，一反常态地在iPhone 17系列上大幅提升硬件配置，使其成为“全面无短板”的“水桶机”，并推出了全新的轻薄机型iPhone Air，显示出产品策略的重大转变。然而，尽管在硬件上表现出诚意，其AI功能（尤其是Apple Intelligence）的进展滞后，且在中国市场面临出货量下滑和功能缩水等严峻挑战。 iPhone 17系列的产品策略转变 * “挤爆牙膏”的硬件升级： iPhone 17基础款首次在内存、电池容量、动态高刷屏、均热板等方面进行补齐，且定价与上代相同。 * 基础款性能大幅提升： 全系标配120Hz ProMotion自适应刷新率技术；最低存储规格提升至256GB；电池容量扩充，搭配A19芯片视频播放时长达30小时。 * Pro系列差异化升级： iPhone 17 Pro/Pro Max影像模组大改，后置三摄均为4800万像素，长焦传感器尺寸提升56%；首次搭载VC均热板以解决散热问题。 * 芯片划分更细致： iPhone 17搭载基础A19，iPhone Air搭载A19 Pro，iPhone 17 Pro/Pro Max搭载A19 Pro（满血版），满足不同消费需求。 iPhone Air的定位与市场挑战 * 取代“Plus”系列： 全新iPhone Air取代了出货占比不足5%的Plus产品线，旨在成为一款“独当一面”的轻薄机型。 * 极致轻薄与核心配置： 机身厚度仅5.6毫米，重量165克；搭载A19 Pro芯片和自研C1X 5G基带芯片（速度提升2倍，能耗降低30%）。 * eSIM与市场隐患： 全面采用eSIM卡（国行版支持联通部分号段）；但存在续航略短（27小时）和影像功能削减（双摄变单摄，无微距）的隐患。 健康功能与AI进展 * Apple Watch强化健康监测： Apple Watch Series 11新增高血压提醒功能和全新的睡眠评分体系；Apple Watch Ultra 3具备卫星链接功能。 * AirPods Pro 3集成健康与翻译： 支持心率检测功能；新增“实时翻译”功能，可自动翻译并实时显示或实现双向实时交谈。 * AI功能兑现不及预期： AirPods Pro 3的实时翻译功能依赖Apple Intelligence，但该功能在全球范围内的进展严重不及预期，此前宣传片被认定虚假宣传。 Apple Intelligence的困境与中国市场挑战 * AI上线遥遥无期： Apple Intelligence在全球范围内进展缓慢，中国区上线时间表不确定，发布会未提及合作方，加剧了用户疑虑。 * 中国市场出货量下滑： 苹果在中国市场面临严峻挑战，去年Q4出货量下降18.2%，市场份额萎缩；今年Q2即便“618”大促降价，出货量仍下降1.3%。 * 国行版功能缩水： 国行iPhone 17 Pro/Pro Max因保留实体卡槽，导致电池容量缩水（视频播放时长比全球版少2小时），进一步影响用户体验。

月之暗面发布了 Kimi K2 模型的最新版本 0905，大幅提升了其在真实编程任务中的表现，并扩展了上下文长度和API速度。此次升级旨在为开发者提供更高效、更具实用性的AI编程工具，并在多项基准测试中展现出优异性能。新模型已全面应用于Kimi应用、网页版及开放平台。 Kimi K2-0905 核心升级 * Agentic Coding 能力提升： 在公开基准测试和真实编程任务中均展现出更优性能，能更高效、自主地理解需求并生成代码。 * 扩展上下文长度： 从 128K 升级至 256K，为处理复杂长线任务提供更强支持。 * 前端编程体验升级： 提升了生成前端代码的美观度和实用性，如网站生成效果。 * 高速版 API 支持： 提供高达 60-100 Token/s 的输出速度（kimi-k2-turbo-preview）。 性能表现与基准测试 * SWE-bench Verified 表现： 在侧重真实软件工程任务的基准测试中，新版 Kimi K2 模型表现突出，多项能力超越 Claude Sonnet 4。 * 编程能力验证： 智东西对比测试显示，Kimi K2-0905 在生成个人网站、文本统计工具和图书馆管理系统等任务中，代码质量和美观度均有显著提升。 * 模型参数： Kimi K2 模型是一款混合专家架构（MoE）的开源基础模型，总参数 10000 亿，激活参数 320 亿。 API 与平台集成 * 开放平台可用性： Kimi 开放平台（platform.moonshot.cn）已上架 kimi-k2-0905-preview 模型 API。 * API 特性： 支持 256K 上下文、Token Enforcer 保证 toolcall 100% 格式正确、完全兼容 Anthropic API 并支持 WebSearch Tool、支持全自动 Context Caching。 * 定价与部署： API 定价与之前的 0711 版相同，且可在 Hugging Face、ModelScope 等平台下载模型进行自行部署。 * 广泛应用： AI 编程工具如 Cursor、Windsurf、Trae、Cline、RooCode、Kilo Code 等已内置或接入 Kimi K2 模型，国内外云服务厂商也已部署。

来源：https://www.youtube.com/watch?v=e1R_-esuO9o 一、AI正在重塑产品经理角色 * PM核心职责未变，但方式变革：产品经理依旧以平衡风险和价值最大化为核心，但AI的出现让PM能够将更多时间和精力聚焦到客户洞察与战略层面，而把部分执行与流程自动化交由AI完成。 * PM成“瓶颈”：AI大幅提升了工程开发与执行效率，很多工程师拥有更强AI应用能力，使得产品决策和洞察反而成为产研流程的“瓶颈”，PM必须提升产品决策的速度和科学性。 * 从文档到原型，动手能力更重要：PM不能满足于写PRD或文档，需具备快速动手设计原型、撰写API、甚至动手编码的能力，通过与AI协作提升自身综合技能。 二、AI时代下的“Shipyard”产品团队新范式 * “造船厂模型”（Shipyard Framework）： 类比真实的造船厂——表面混乱但实际高效协作。强调多元岗位能力融合，打破传统岗位边界。 Shipyard小组通常包含6大核心能力：产品、工程、设计、数据/AI、用户研究、产品市场。 团队与客户、支持部门保持“毛细管”式连通，把客户反馈引入产品设计一线。 主张面对变化要“拥抱混乱”，高度协作让混乱转为创新源泉。 * 角色边界模糊：AI加速背景下，产品、设计、工程、运营等岗位融合，强调“能跨界”的复合型人才。 三、定义与解决“Sharp Problems”（敏锐性问题） * 何为“Sharp Problem”：指那些本质需求深刻且痛点明显的问题。真正成功的产品，并非靠频繁“试错”与“转型”获得，而是精准切入、用新方式解决“老问题”。 * 实现路径：抓住那些能通过AI/新技术实现3-10倍量级提升或降本，真正能打动客户“愿意立刻付钱”的需求。比频繁转型更重要。 * B2B领域的“Unicorn Framework”：建议从问题的痛点度、频率等维度进行量化选题。 四、AI PM的成长路径与核心能力 * 三大核心价值观： 好奇心：持续主动学习，紧跟AI等前沿科技进步。 谦逊/可教性：无论资历多高，都要有做小白、向年轻同事学习、主动报名入门AI课程的勇气与习惯。 主动性/主人翁精神（Agency）：能独立发掘机会、推动落地，不等待被动指令。 * 新型技能清单： 数据素养与AI模型理解。 Code/Prompt工程——会搭建实际原型、构建API、模型测试与评估（Eval）。 拥有跨界交叉学科、自主学习与产品落地的综合能力。 * 持续动手与实践： Oji自身实例：25年产品经历，近年亲自上手编程、AI应用开发、物联网家居自动化等项目，通过实际问题驱动快速成长。 建议选取“让自己充满热情的个人项目”作为学习切入口，比如家居自动化、个性化穿搭推荐等，与客户、工程师共创实际价值。

该访谈深入回顾了AI编程工具Cursor背后的公司Anysphere的联合创始人兼CEO Michael Truell的创业历程。文章详细阐述了Anysphere在AI编程赛道上从多次试错到找到核心方向的艰难探索，以及Cursor如何通过专注于核心AI功能和自研模型实现爆发式增长。Truell还分享了对AI将成为工程师“同事”但不会削弱编程教育价值的未来展望。 早期编程与AI探索 * Michael Truell受Paul Graham和Sam Altman文章启发，高中时期开始编程，最初目标是制作手机游戏。 * 他在16岁左右深入接触AI，通过遗传算法和神经网络技术制作机器人（如乒乓球机械臂、KiwiDrive），甚至从零编写神经网络库。 * 他很早就幸运地接触到编程和AI，并遇到优秀的合作者。 Anysphere的创业历程与转型 * Anysphere成立于2022年，最初探索AI CAD（为机械工程师开发Copilot）和加密通信软件等项目，但因缺乏相关背景和变现困难而未能成功。 * 受GitHub Copilot的启发，Anysphere最终决定进入AI编程赛道，目标是打造一个能完全自动化并变革软件开发流程的产品。 * 从写第一行代码到公开发布初版Cursor，团队仅用时3个月。 Cursor的产品策略与爆发式增长 * 早期团队曾试图从零开始打造IDE，但很快意识到应将精力集中在核心AI功能开发，并转向基于VS Code的开发。 * 从最初决定不做模型，到发现自研模型是“核心且必须建设的能力”，以利用数据持续优化用户体验。 * Anysphere坚持Cursor的通用AI编程定位，抵制了用户希望转型低代码或适配特定技术栈的建议。 * 通过不断提升产品对代码库的理解与预测能力，Cursor在2023年ARR突破100万美元，2024年有望实现1亿美元的重大跨越。 AI与编程的未来展望 * Truell认为AI将成为工程师的“同事”和高级编译器，辅助开发，但工程师仍需阅读、审查和编辑代码。 * 他强调编程的价值不会消失，就像数学一样，是一种重要的通识教育和实用技能。 * Truell建议年轻创业者专注于自己真正感兴趣的事，并长期投入，同时与互相尊重的伙伴合作。

自建了一个文章转中文播客的小agent，中文还有些僵硬，娱乐向的初次尝试，请听众老爷们见谅🥲 下一步再慢慢打磨，希望能成为一款紧随热点的快报播客，助力和我一样的AI从业者们快速接触到最新的行业资讯。 To see the world

近期AI领域动态频频，智谱AI针对Anthropic对华服务限制，推出GLM-4.5模型迁移计划，并强调其在编程基准测试中的优异表现。同时，The Browser Company被Atlassian收购，预示着AI浏览器市场的竞争将进一步加剧。此外，月之暗面也更新了Kimi K2模型，显著提升了性能和API体验。 智谱AI应对市场变局与技术实力 * 市场应对： 针对Anthropic限制中国相关实体使用Claude服务，智谱AI推出“Claude API用户特别搬家计划”。 * 迁移方案： 该计划提供一键迁移至GLM-4.5模型，支持替换API URL无缝切换，并提供2000万Tokens免费体验及仅为Claude 1/7的价格，用量提升3倍且速度更快（平均55 Tokens/s）。 * 编程能力： GLM-4.5在SWE-reBench编码榜单上取得全球第四、国内第一，与Claude Sonnet 4差距仅4.4%，并在Terminal-Bench和CC-Bench中表现出色。 AI浏览器市场竞争与整合 * 重磅收购： 初创公司The Browser Company（以Arc和Dia闻名）被软件公司Atlassian以6.1亿美元全现金收购。 * 战略目标： 收购旨在获取全球分发渠道和资源，将Dia打造为“AI时代知识型工作浏览器”，并深度整合至Jira、Confluence等企业SaaS应用。 * 激烈竞争： 谷歌、OpenAI、微软等巨头以及Perplexity等初创公司均积极布局AI浏览器功能，市场竞争日益激烈。 Kimi K2模型性能与API升级 * 版本更新： Moonshot AI发布Kimi K2模型最新0905版本，显著提升了在真实编程任务中的表现和Agentic Coding能力。 * 核心提升： 上下文长度从128K扩展至256K，并推出支持高达60-100 Tokens/s的高速API。 * 技术架构与集成： Kimi K2基于混合专家（MoE）架构（1万亿总参数），其开放平台支持与Anthropic API完全兼容，并集成WebSearch Tool和全自动Context Caching。

本次月全食概览 * 日期与可见性： 2025年9月7日晚至9月8日凌晨，我国大部分地区可观赏到罕见的“红月亮”奇观，仅广东、福建沿海及云贵川渝部分阴雨区受影响。 * 持续时间： 全程历时近5.5小时，其中“红月亮”阶段（全食）持续1小时22分。 * 关键时间节点（北京时间）： 初亏00:27，全食阶段01:31-02:53，食甚02:12（月亮最圆最红，古铜色巅峰）。 * 观测时机： 本次为近年来最佳观测时机。 “红月亮”形成原理 * 天体位置： 月全食发生时，太阳、地球、月球运行至一条直线，月球完全进入地球本影区。 * 光线散射： 太阳光中波长较短的蓝紫光被地球大气散射。 * 红光折射： 波长较长的红光则折射至月表，使月球呈现暗红色调，形成“血月”奇观。 * 影响因素： 其原理类似于晚霞的红色，且颜色深浅受大气尘埃、云层厚度影响。 月全食的规律与条件 * 两大条件： 1. 发生于农历十五前后（满月时）；2. 月球运行至黄道与白道交点附近。 * 发生频率： 平均每年发生2-3次，但全程可见地区有限。 * 未来事件： 我国下一次全程可见的月全食需等到2028年12月31日至2029年1月1日，将出现罕见的“跨年月全食”。 观测与拍摄指南 * 地域覆盖： 北方（黑龙江、吉林、内蒙古、甘肃、新疆）和南方（浙江、江西、湖南南部、广西北部）有最佳晴空区。 * 观测地点： 建议选择光污染少的郊外或南向阳台。 * 拍摄建议： 全食阶段需调高ISO或延长曝光时间；使用赤道仪跟踪可提升长焦拍摄效果。 * 辅助工具： 建议通过天文App辅助定位月球方位。

Anthropic公司宣布停止向中国资本控股50%以上的实体提供Claude大模型服务，无论其运营地点何处，此举是美国AI公司首次采取此类限制。官方理由是规避法律、监管和国家安全风险，并防止相关实体利用其技术推进自身AI研发并形成竞争。这一政策预计将对Anthropic造成数亿美元收入损失，并促使中国国内大模型生态加速自主研发。 政策内容与范围 * Anthropic于9月5日发布公告，停止向多数股权由中国资本持有的集团或其子公司提供Claude服务。 * 适用范围包括直接或间接由中国公司持股超过50%的实体，无论其运营地点（包括在海外设立的子公司），以及通过云服务或第三方平台间接使用Claude的中资背景实体。 * 此新政策也同样适用于俄罗斯、伊朗、朝鲜等被美国视为“对手国家”的实体。 封禁原因 * 法律、监管与安全风险: 担忧受限地区的公司面临法律要求，可能被迫共享数据或配合情报机构，带来国家安全风险。 * 防止技术被用于对抗性目的: 担忧这些实体通过子公司访问服务时，可能利用Anthropic的能力开发服务于对抗性军事和情报机构的应用。 * 竞争担忧: 担忧受限实体通过“模型蒸馏”等技术利用Claude模型推进自身AI研发，并与美国及盟国的科技公司在全球市场竞争。 * 服务民主利益: Anthropic声明此举旨在应对现实，并确保变革性AI能力服务于民主利益。 影响与延伸 * 行业先例: 这是美国AI公司首次做出此类针对中国资本控股实体的政策改变。 * 经济影响: Anthropic预计此举将导致其全球收入损失达“数亿美元”。 * 对使用者的影响: 即使通过云平台间接调用，中资背景实体也将被拦截，可能导致部分依赖Claude API的项目立即停摆。 * 政策倡导: Anthropic呼吁美国政府采取更严格的出口管制、加快本土能源和算力基础设施建设，并严格评估AI模型的国家安全能力。 对中国AI生态的启示 * 加速自主研发: 促使中国国内大模型生态加快研发和投入步伐，以应对外部限制。 * 提前布局与备份: 建议国内企业提前布局国产大模型，做好备份和替代方案。 * 合规与安全优先: 强调将合规和安全放在首位，以应对日益复杂的国际技术环境。 * 自力更生: 暗示当外部技术大门关闭时，唯一的出路是加强自身技术实力。 来源：https://mp.weixin.qq.com/s/aSvdlJkJddz_YF_Im6v3BA

来源：Context Engineering for AI Agents: Lessons from Building Manus Manus项目在初期面临关键选择：是训练端到端模型还是基于前沿模型的上下文学习能力构建智能体。作者通过回顾NLP领域的经验，特别是GPT-3出现后上下文学习的重要性，明确选择了上下文工程。虽然这一过程充满挑战，甚至被称为“随机研究生下降”，但Manus团队通过实践总结出了一套有效原则，旨在提升AI智能体的性能、效率和稳定性。 KV-缓存优化设计 * KV-缓存命中率是生产级AI智能体最重要的指标，直接影响延迟和成本。 * 智能体中输入与输出令牌比高度倾斜（Manus平均100:1），KV-缓存能显著降低首令牌生成时间（TTFT）和推理成本（如Claude Sonnet可达10倍节省）。 * 优化实践包括保持提示前缀稳定（避免时间戳）、上下文只追加不修改、确保序列化确定性，并根据需要显式标记缓存断点。 掩盖而非移除工具 * 随着智能体能力增强，其行动空间（工具数量）会爆炸式增长，动态添加或移除工具会使KV-缓存失效并混淆模型。 * Manus采用上下文感知的状态机管理工具可用性，通过在解码期间“掩盖”令牌logits来防止或强制选择特定行动，而非实际移除工具。 * 利用模型提供商支持的响应预填充功能（如Hermes格式的Auto、Required、Specified模式），结合行动名称的统一前缀，有效约束行动选择。 将文件系统用作上下文 * 即使是128K+的上下文窗口在真实智能体场景中也常不足且昂贵，且模型性能在长上下文下会下降。 * Manus将文件系统视为“终极上下文”：大小无限、持久化、可由智能体直接操作，模型按需读写文件作为结构化的外部记忆。 * 压缩策略设计为可恢复的，例如仅保留网页URL或文档路径，而非永久丢失内容，从而在缩短上下文长度的同时不损失信息。 通过复述操纵注意力 * 智能体在复杂任务中易漂移或遗忘早期目标，尤其是在长上下文或多步骤任务中（Manus平均50次工具调用）。 * Manus通过不断重写todo.md文件，将目标复述到上下文末尾，将全局计划推入模型的近期注意力范围，避免“中间遗忘”问题并减少目标错位。 保留错误信息 * 智能体犯错是常态，隐藏错误（如清理痕迹、重试）会移除模型学习和适应的证据。 * 在上下文中保留错误的行动及其观察结果或堆栈跟踪，能让模型隐式更新内部信念，降低重复相同错误的可能性，这是真正智能体行为的关键指标。 避免少样本陷阱 * 少样本提示在智能体系统中可能适得其反，因为语言模型擅长模仿模式，导致在重复性任务中陷入“惯性”而产生漂移、过度泛化或幻觉。 * 解决方案是增加多样性：Manus在行动和观察中引入少量结构化变体（如不同的序列化模板、措辞、格式噪声），以打破模式并调整模型的注意力，避免因上下文过于统一而使智能体变得脆弱。

腾讯混元系列模型代表了其在空间智能和生成模型方面的重大进展。最新发布的HunyuanWorld-Voyager模型是业界首个支持原生3D重建的“超长漫游世界模型”，能够生成可探索的、世界一致的3D场景。这一系列模型旨在通过AI驱动的方式，为虚拟现实、物理仿真和游戏开发等应用创建高保真、可探索的3D环境，摆脱传统手动3D建模的限制。 腾讯混元系列模型概览 * 涵盖Hunyuan-large、Hunyuan-A13B等基础模型，以及专注于文本到图像生成、视频合成和3D资产创建等任务的专业模型。 * 强调对开源的承诺，模型规模多样，从大型MoE架构到为边缘设备设计的小型高效模型。 HunyuanWorld-Voyager：3D场景生成突破 * 腾讯混元系列最新模型，业界首个支持原生3D重建的“超长漫游世界模型”，专门用于生成可探索的3D场景。 * 解决了先前视频生成模型在遮挡视图和有限探索范围上的局限，能够直接将生成的视频导出为3D格式，无需传统三维重建后处理。 * 在WorldScore基准测试中取得最高总分，在物体控制、内容对齐、3D一致性、风格一致性和主观质量等方面超越其他领先方法。 Voyager核心技术创新 * 世界一致的视频扩散： 统一的视频扩散框架，能够同时生成精确对齐的RGB和深度视频序列，通过现有世界观测指导，弥合纯视频生成与显式3D场景建模的差距。 * 长距离世界探索： 采用高效的“世界缓存”机制存储先前生成帧的3D点，并利用点剔除技术管理内存，结合自回归推理和流畅视频采样实现迭代式场景扩展。 * 可扩展数据引擎： 开发了可自动估计任意视频相机位姿和度量深度的数据引擎，无需手动3D标注即可创建大规模、多样化的训练数据集，处理了超过10万个视频片段。 腾讯在3D世界探索中的应用与目标 * 核心目标是为虚拟现实、物理仿真和游戏开发等应用创建高保真、可探索的3D场景，摆脱传统劳动密集型3D建模工作流程。 * 3D输入到3D输出： Voyager能够直接从视频生成中输出3D点云，简化了创建交互式3D环境的工作流程。 * 多样化3D应用： 其深度感知生成能力支持视频场景重建、3D物体纹理生成、风格化视频生成和视频深度估计等多种3D应用。 * 交互式控制： 用户可通过键盘或游戏手柄输入控制相机路径，实现对生成3D世界的交互式探索。 来源：tencent/HunyuanWorld-Voyager · Hugging Face

Statsig收购与战略整合 * OpenAI以11亿美元全股票形式收购了产品分析公司Statsig，此举旨在将其行业领先的A/B测试和功能管理平台内部化。 * Statsig创始人兼CEO Vijaye Raji将出任OpenAI应用业务CTO，负责ChatGPT和Codex等核心产品的工程开发，并直接向应用CEO Fidji Simo汇报。 * Statsig团队将加入OpenAI，但公司将继续独立运营并服务现有客户，此收购尚待监管批准。 * 此次收购将加强OpenAI在产品迭代和数据驱动决策方面的能力，加速其应用程序的开发进程。 应用程序部门的领导层强化 * OpenAI已开始构建其应用程序团队，并任命Fidji Simo（前Instacart CEO，于2024年3月加入OpenAI董事会）为应用程序CEO。 * Vijaye Raji的加入填补了应用技术领导的关键职位，其在Meta的消费者工程经验将助力OpenAI下一代产品的规模化发展。 * ChatGPT的产品负责人Nick Turley及其团队现在直接向Fidji Simo汇报，进一步整合应用开发资源。 来源：https://openai.com/index/vijaye-raji-to-become-cto-of-applications-with-acquisition-of-statsig/

互联网的范式跃迁：走向“自动化” * PC Web (关键词驱动)：以静态内容和人工分类为主，用户需主动搜索和点击，商业模式以关键词搜索广告（如Google AdWords）为核心。 * Mobile Web (推荐驱动)：信息量爆炸，由推荐系统主导信息分发，用户从“搜索者”变为“消费者”，商业模式转向精准推荐与信息流广告。 * Agentic Web (智能体驱动)：AI智能体成为主角，网络从“人读内容”转向“智能体执行任务”，信息被智能体调用、组合与再加工，Web成为“可行动资源”生态系统。 Agentic Web 的核心概念与运作机制 * 定义：一个分布式、交互式的互联网生态系统，由大语言模型（LLMs）驱动的自主软件智能体持续规划、协调、执行目标导向的任务，支持智能体与智能体（A2A）互动。 * 核心在于“委托 + 执行”：用户通过自然语言指令（如“规划东京行程”），智能体自主完成查询、比对、预定等复杂任务，并能与其他智能体协作。 * 智能体的双重身份：既可作为用户（Agent-as-User）模拟点击、抓取数据，也可作为接口（Agent-as-Interface）接收指令、调用服务。 Agentic Web 的三大核心维度 * 智能维度 (Intelligence)：AI智能体需具备认知能力，包括上下文理解、长程规划、适应性学习、多模态整合。 * 交互维度 (Interaction)：打破传统操作范式，转向基于语义的智能交互，通过MCP、A2A等协议实现智能体之间的发现、协作与任务拆解。 * 经济维度 (Economy)：引入“智能体注意力经济”（Agent Attention Economy），资源方争夺对象变为“AI智能体的调用”，商业竞争重心转向争夺智能体“注意力”。 Agentic Web 的典型应用场景 * 事务型：从“点击下单”到“全自动完成任务”，智能体自主完成复杂事务（如自动订机票、酒店、办理签证）。 * 信息型：从“搜索引擎”到“持续知识发现”，智能体（如Deepresearch Agent）可作为长期研究助理，持续追踪、梳理和分析信息。 * 交流型：智能体之间能沟通、协作、谈判，形成类似“数字组织”的多体系统，实现跨智能体协同工作流（如科研项目中的智能体同步数据、共享成果）。 Agentic Web 面临的复杂挑战 * 智能体基础能力：包括推理与规划的脆弱性、记忆与上下文管理难题、以及工具使用的安全性隐患。 * 学习与自我改进：面临奖励设计难题、持续学习中的“灾难性遗忘”问题，以及任务交互学习的困难。 * 多代理协作：挑战在于如何设计协作结构、统一通信协议（如MCP、A2A），以及构建去中心化的信任体系。 * 人机交互：需解决用户意图模糊、偏好发现与引导，并设计有效的人类监督机制（HITL）。 * 安全与鲁棒性：面临风险激增、信任重构、需要人工与自动红队测试，并部署推理护栏与可控生成机制。 * 社会经济影响：传统广告模式难以为继，需探索新型商业模式，同时需应对劳动市场冲击及经济利益不平等问题。 来源：颠覆互联网的下一波浪潮：Agentic Web来了！