机器人研究的隐藏支柱：部署
Skild AI 创始人 Deepak Pathak 宣布公司实现 1 亿美元 ARR，并阐述部署为何是机器人研究的隐藏支柱。文章指出机器人无法像 LLM 那样先研究后部署，演示视频会掩盖真实准确率，部署中必须同时考虑速度、精度和对变化的适应能力。这些实践催生了 S1 模型——通过单视频上下文学习即可掌握新任务而无需微调。作者还探讨了演示文化与部署文化的冲突，并提出物理 RSI（递归自我改进）路线：将各专业部署的数据反哺通用基础模型，形成持续改进的飞轮。
全部文档 / 标签: 上下文学习
3 篇
AI Agent 七十年演化史
本文系统梳理了AI Agent从1958年McCarthy的Advice Taker到2026年的七十年演化历程，指出其核心循环架构（感知-规划-行动-反思）自1972年Shakey机器人以来基本未变，真正变化的是循环中负责决策的“大脑”，经历了符号系统、专家系统、深度强化学习到大语言模型的更替。文章认为，大语言模型通过上下文学习和从文本中吸收常识，解决了前两代大脑“常识写不完”的致命缺陷，从而引爆了2023年的Agent浪潮。同时，文章提出关键观点：2023年的Agent技术栈大多是模型缺陷的补丁，随着模型能力增强，这些补丁将逐渐被拆除，最终通过训练直接获得能力。全文以METR时间视野曲线为衡量标尺，并埋下多条线索，在后续章节中逐一展开。
大多数第二大脑只是资料仓库，我想做的是一个本地 AI 决策系统
文章指出传统第二大脑仅作为资料仓库存在局限性，提出构建“本地 AI 决策系统”的思路。作者通过 Obsidian 将笔记分层（原始资料、知识库、决策、日志），并编写 AGENTS.md 规范 AI 读取和回写规则。核心在于让 AI 接手上下文，沉淀协作过程，实现从临时聊天到持续积累能力的转变，而非简单的自动化。
