一文看懂“北京智能体新政”：Agentic AI的未来蓝图 ✍ 数字生命卡兹克🕐 2026-07-23📦 25.8 KB 🟢 已读 𝕏 文章列表 文章详细解读了北京市发布的《关于加快智能体引领发展的若干措施》，涵盖提升基础模型能力、Harness Engineering、原生应用、智能终端融合、OPC新模式及Token经济等10条重磅内容，描绘了未来智能体经济的宏伟蓝图。 智能体政策解读Harness EngineeringAI原生OPCToken经济大模型AI OS产业机会 # 一文带你看懂刚刚发布的“北京智能体新政”，这是跟每个人都有关的10条。 **作者**: 数字生命卡兹克 **日期**: 2026-07-23T07:50:39.000Z **来源**: [https://x.com/Khazix0918/status/2080198896513663402](https://x.com/Khazix0918/status/2080198896513663402) ---  刚刚，北京市发布了一份特别重磅的政策文件。 《北京市关于加快智能体引领发展的若干措施》  文件不长，一共10条。 但我把它从头到尾看完以后，我的第一反应是，这份政策真的有点太新了。 Agentic AI、Harness Engineering、AI OS、FDE、OPC、Token经济、TaaS、AaaS、RaaS、Token工厂、AIP。 这一串词，很多直到几个月前，还只会出现在AI创业者的产品方案、技术社区的讨论和一些非常前沿的论文里。 现在，它们被一口气写进了北京市的正式政策文件。 尤其看到Harness Engineering被翻译成驾驭层工程，堂堂正正放在第二条的时候，我觉得忽然有一种激动感。 这10条放在一起看，其实就是我们未来智能体经济的宏伟蓝图。 北京想推动的，也是一套AI时代的智能经济新形态。 所以，我也斗胆，为大家做一篇通俗易懂的解读。 因为，它真的跟我们每个人、每个行业，都息息相关。 接下来，希望各位可以跟我一起花一点时间，我们就按照文件原本的10个类别，一条一条来聊。 话不多说，我们，开始。 一. 持续提升基础模型能力 第一条写的是基础模型。 文件原文里有一句话，我觉得很关键。 “持续提升大模型实际任务完成能力。”  注意这里的用词，实际任务完成能力。 过去几年，大模型竞争的核心是各种Benchmark。 比如数学多少分，代码多少分，知识多少分，推理多少分。 这些评测当然有价值，它们能告诉我们一个模型在某个能力切片上大概的智力程度怎么样，帮助我们进行量化。 可Agent真正工作时，拿到的往往只有一个模糊目标。 它要补齐信息、拆解计划、调用工具、操作环境、读取反馈、发现错误、修正路线，然后一直做到结果出现。 这里有一笔很简单的账。 假设一个Agent连续执行100步，每一步正确率都高达99%，并且先粗暴地把每一步看成独立事件。 它把100步全部做对的概率，只有大约36.6%，哪怕单步正确率达到99.9%，完整跑通100步的概率也只有大约90.5%。 现实任务更加复杂，就连最顶级的Claude Fable 5、GPT-5.6 Sol、Kimi K3在我的实际任务开发中，经常都有各种完不成的任务让我暴跳如雷。 所以Agent的实用价值，我一直觉得可以粗略写成一个乘法。 模型能力，乘以长程可靠性，乘以环境可操作性，再乘以结果可验证性。 其中任何一项接近零，最终产生的真实价值都会跟着接近零。 这也是文件为什么把在线学习、持续学习、自主进化、超长程任务、复杂推理与规划、工具调用、长上下文、多智能体协同和记忆，全放在第一条里。 这些词共同指向一种新的模型能力，那就是，可靠的行动能力。 现在前沿评测也在往这个方向走。 比如METR提出了Task Completion Time Horizon，任务完成时间地平线，直接测Agent能以50%或者80%的成功率，独立完成一项原本需要人类专家工作多长时间的任务。 这就是代码为什么成了Agent最早爆发的领域，原因就在这里。 它高度数字化，Git可以回滚，测试可以验证，所有动作几乎都能留下日志。 所以，未来最有价值的资源之一，会是高质量的任务环境。 谁掌握真实工作流，谁能提供工具、反馈和可验证结果，谁能积累大量成功与失败的执行轨迹，谁就拥有改进Agent最宝贵的资产。 当你开始用任务结果评价模型，你才真正进入Agent时代。 二. 强化智能体底层技术 第二条，绝对是大家感觉到，最亲切的一条。 原文是： “支持创新主体实施驾驭层工程（Harness Engineering），围绕上下文工程优化、任务持久化、多智能体协作、系统可扩展等夯实智能体共性底座。”  Harness工程，直接被写在了政策文件里。 我们都知道，模型提供了潜在能力，能力能不能稳定兑现，取决于模型周围那一整套系统。 比如上下文怎样选择，工具怎么调用，任务怎样拆解，权限怎样控制，状态怎样保存，失败怎样重试，结果由谁验证等等。 这些合起来，就是Harness。 如果第一条负责提升Agent的能力上限，第二条解决的就是抬高能力下限。 今年4月的一篇论文《Agentic Harness Engineering》也验证过，保持基础模型不变，只迭代模型外面的工具、中间件、长期记忆和可观测系统。  十轮以后，Terminal-Bench 2的Pass@1从69.7%提高到77.0%。 换到其他模型家族上，依然有5.1到10.1个百分点的提升，消融实验还发现，关键增益更多来自工具、中间件和长期记忆，单纯修改系统Prompt贡献有限。 所以Harness绝对不只是几条Prompt技巧，它是一门真正的系统工程。 这里也藏着一个巨大的产业机会。 我一直觉得，基础模型会越来越集中，企业Harness会越来越分散，每家公司都有自己的数据、流程、权限、规则、术语和异常处理方式，这些才是一家公司真正独有的AI资产。 政策里点到的上下文管理、长期记忆、任务持久化、Agent观测、结果评测、权限控制、可信沙箱、跨模型路由和多Agent编排，全都是新的基础设施。 文件还写到了技能市场、软件商店和AIP等互联标准。 未来很多软件的直接用户，会变成Agent，Agent需要机器可读的能力说明、接口、身份、权限、价格和服务质量。 过去开发者争App Store里的排名，未来还要争一件事，怎样被Agent发现，怎样成为它完成任务时默认调用的Skill。 我更愿意把它理解为，政策正在为Agent之间、Agent与软件之间的大规模互联提前铺路。 三. 加速智能体原生应用和标杆场景建设 “鼓励创新主体基于智能体重构底层架构与交互范式，开发以需求智能为核心驱动的原生AI软件和超级软件。”  我觉得这里最重要的概念，是“需求智能”。 过去的软件智能，我觉得大概经历了三层。 最浅的一层叫功能智能。 原来的软件多一个生成按钮，帮你写段话、画张图、总结一个文件。AI只负责某一个节点，剩下的流程依然由人点击和搬运。 再往上一层，是流程智能。 AI能够串起几个连续步骤，在固定工作流里调用不同工具，替人完成一段相对完整的流程。 再往后，是需求智能。 用户只表达想要的结果，系统自己判断要经过哪些步骤、调用哪些模型和Skill、连接哪些软件、需要谁批准，最后对完整结果负责。 用户操作软件的重心，会从学习功能和寻找按钮，逐渐变成描述目标、确认边界和验收结果。 这正好对应政策里另一个很大的词，超级软件。 超级软件的“超级”，未必跟移动互联网一样，来自功能数量更多，它真正强的地方，可能是能够跨过原有软件的边界，统一理解需求，再把分散的能力重新编排起来。 这也会动摇过去几十年软件行业最稳定的结构。 我以前说过，UI可能会被Skill吞掉。 而这次，这份政策里的“需求智能”“超级软件”“AI OS”“技能市场”，其实已经把这条路径连了起来。 用户从人扩展到Agent以后，软件的产品设计、分发方式和商业模式都会跟着变化。 原来靠复杂界面形成的使用壁垒会降低，真正值钱的东西会转向数据、权限、服务质量、可组合能力和结果信誉。 老软件公司手里有客户、数据和系统入口，优势很大，但它们的包袱也很重，既有产品、组织和收费模式都需要调整。 创业公司动作快，可以直接从Agent原生架构开始，可它们必须拿到真实场景、数据和系统权限，光靠一个通用聊天框很难建立壁垒。 所以这一条还专门写了FDE，前沿部署工程师。 FDE会进入客户现场，跟业务人员一起拆流程、接系统、清数据等等，再把每天出现的新问题带回产品里。 这类工作看起来很重，却是行业Agent绕不开的产品化路径。 服务一个客户，沉淀一套轨迹。服务十个客户，找出共性结构。等共性足够稳定，服务才会真正长成产品。 对于想做行业Agent的公司，选场景时我觉得也可以用五个条件判断。 任务频率、人工成本、数字化程度、结果可验证性和错误可撤销性。 五项里占得越多，Agent越容易产生真实ROI，也越适合成为第一批标杆场景。 所以科学、医疗、教育、政务、制造和文化看起来跨度很大，政策选择它们的逻辑却很一致。 这些领域有大量高价值流程，也有大量可以被数字化、验证和持续优化的专业任务。 四. 推动智能终端融合 第四条从软件走到了终端。 文件提出，把智能体深度嵌入智能手机、智能眼镜、智能耳机、可穿戴设备、智能机器人和智能汽车，同时推动“芯模云端用五位一体协同发展”。  这句话很关键。 一个聊天模型生活在对话框里，输入和输出都由人主动提供。 一个真正的终端Agent，需要持续感知环境、理解用户状态、记住长期上下文，在合适的时间作出决定，再通过设备和服务执行动作。 终端给Agent带来了三样模型自己没有的东西。 传感器让它感知世界，设备身份和个人数据让它理解我是谁，操作系统、应用与执行器让它有能力改变世界。 所以智能终端的竞争，也很难靠接入一个大模型解决。 模型要和芯片、摄像头、麦克风、传感器、操作系统、电池和具体应用等等共同设计。 端侧负责低延迟感知、身份验证、隐私数据和高频简单任务，云端负责更复杂的规划和推理，设备之间还要共享任务状态，让一个任务可以从耳机开始，在手机上继续，再到汽车或电脑上完成。 这就是文件说，“芯模云端用”为什么必须一起做，非常的有前瞻性。 这里会长出一条非常长的产业链。 而且文件还写到，符合条件的新产品可以纳入家电以旧换新、数码和智能产品购新范围。 这一步直接补了需求侧。 AI消费级硬件终端，感觉马上就要迎来大爆发了。 五. 支持以 OPC（一人公司）为代表的创新创业新模式 第五条，可能是对普通人最直接的一条。 文件原话就是标题： “支持以 OPC（一人公司）为代表的创新创业新模式”  OPC最值得看的地方，远远超过一个人也能开公司这句话。 它背后其实是企业边界正在发生变化。 1937年，经济学家科斯解释过一个经典问题，公司为什么会存在。 因为很多事情放在组织内部协调，比每次都去市场上临时寻找、谈判、签约、监督和验收更便宜。 这就是公司存在的最大的意义。 可Agent正在同时压低执行成本和协调成本。 写代码、做设计、整理客户、回复咨询、处理报表等等，这些过去需要不同岗位协作的知识工作，可以被一个人通过多套Agent串起来。 企业的最小可行规模因此开始下降。 过去一个人只能出售自己的时间，但现在，一个人可以出售自己加上一整套Agent系统的产能。 但AI能放大生产，它不会自动送来客户、信用、现金流、法律责任和最终判断。 这也是为什么政策没有只喊一句鼓励OPC，然后就结束了。 它继续写了弹性算力、专业孵化、创业辅导、科技金融、知识产权、政策咨询、OPC社区、全周期服务站、供需对接和便利化登记。 这些服务合在一起，相当于把过去公司内部的后台能力，搬到社会公共服务层。 所以在我的理解力，OPC社区，它更像一套微型企业操作系统，为个人提供算力、合同、财税、合规等等基础设施。 这里其实会出现很多让人兴奋的新生意。 比如OPC工作台、智能财税、合同审查、自动CRM、Agent项目管理等等等等。 对于个人来说，我觉得像真正抓住OPC机会，需要三种资产。 1. 行业判断，你知道什么问题值得解决，也知道结果好坏该怎样判断。 2. 是客户与信任，你能找到愿意付钱的人，也能承担交付责任。 3. 可复用的Agent系统，你能把一次劳动沉淀成Skill、数据、评测和工作流，下一次用更低成本交付。 注册公司、租办公室、做Logo都可以放在后面。 先找到一个有人愿意付钱的结果，再证明自己能连续十次稳定交付。 做到这一步，一个人才真正开始拥有公司的能力。 六. 鼓励发展Token（词元）经济 Token其实对所有做AI的人，我相信都是又爱又恨。 要知道，传统SaaS增加一个用户，新增计算成本通常比较稳定。 但，Agent执行的是动态任务，任务长度、上下文大小、推理轮数、工具数量和重试次数都不确定。 你可以花出去20亿Token，什么都没有得到，这太正常了。。。 比如我前两天的吐槽。。。  所以Agent公司的成本，天然带着波动和风险。 这也导致，Token可以成为成本计量单位，却很难直接成为衡量价值的统一货币。 政策显然也看到了这一点。 它一边提出Token服务质量评估和计费规范，一边鼓励行业建立由智能质量、调用量和转化效率组成的评价体系。 然后写下了我觉得整条里最重要的一句话。 “鼓励创新主体从Token消耗量计费转向价值计费。”  这三类商业模式，可以粗略理解成三个价值层级。 TaaS出售基础Token和推理供给，竞争重点是价格、速度、稳定性和模型质量。 AaaS把模型、工具和Harness封装成一个可以工作的Agent，客户购买的是一项能力。 RaaS直接出售结果，客户关心合同有没有审完、代码有没有修好、线索有没有转化、设备故障有没有提前发现等。 越往上走，离Token越远，离客户价值越近，能够获取的利润空间通常也越大。 可RaaS的难度同样会陡增。 供应商要承担任务失败、重复执行、成本波动、质量验收、结果归因和赔偿责任。没有稳定的完成率、明确的评价标准和强大的安全体系，结果计费很容易把公司拖垮。 所以Agent公司以后必须算一笔全新的账。 一次成功任务的真实成本，包含模型推理、工具调用、失败重跑、人工接管、延迟损失和错误风险。 真正应该优化的指标，叫Cost per Successful Task，每个成功任务的成本。 再往上一层，还要算Value per Successful Task，每个成功任务给客户创造了多少价值。 只看每百万Token价格，会让公司不断压低原料成本。盯住每个成功任务的成本和价值，才会逼着公司优化模型路由、上下文长度、缓存、工具设计、验证器和整个Harness。 这也会催生一批新的基础服务。 文件还提出，把符合条件的Token新产品和新服务纳入中小企业服务券范围，并探索Token券和智能体服务券。 Token工厂解决供给，服务券和Token券启动需求，价值计费负责让商业闭环长期跑下去。 这已经远远超出给AI公司发几张算力券了。 我觉得，政策正在尝试建立一套围绕智能生产、智能交易和智能结算的新市场。 这，才是Token经济。 七. 全面提升安全治理能力 第七条，关于安全。 聊天机器人主要产生内容，Agent会获得行动权。 它可以改代码、调用支付、控制设备、代表用户联系其他人等等。 风险也从一句话说错了，扩展到一件事做错了。 这两类风险的量级完全不同。 Agent安全至少要同时处理五个问题： 目标理解错了，权限越界了，外部内容通过提示词注入操控了它，长期记忆被污染了，多个Agent之间还可能把一个错误快速放大。 更麻烦的是，Agent经常要连接第三方工具和Skill。 任何一个插件、接口或者数据源出现问题，都可能沿着任务链进入核心系统。 所以文件提出的安全措施，已经从内容审核走到了运行时治理。  今年5月，国家网信办等三部门发布的《智能体规范应用与创新发展实施意见》也提出，要划分仅限用户本人决策、需要用户授权决策和智能体自主决策的边界。 这件事会成为Agent产品最核心的设计问题之一。 哪些动作可以自动执行，哪些动作必须二次确认，哪些数据只能读不能写，哪些权限用一次就收回，哪些结果必须由人承担最终责任。 很多团队习惯产品做完以后再补安全。 Agent时代这条路我觉得会越来越难走。 权限模型和执行边界如果早期没有设计好，后面接入的工具越多，风险债务越大，OpenAI刚刚还爆出了一个很严重的安全事故。  分级分类监管反而可能帮助行业加速。 低风险任务可以通过自测、报告和平台管理更快上线。高风险任务使用更严格的检测、权限和人类确认。不同场景采用不同门槛，企业才知道产品做到什么程度可以进入市场。 安全在这里既是约束，也是市场准入证。 谁能证明自己的Agent可控、可查、可停，谁才更有机会进入金融、医疗、政务、工业和大型企业的核心流程。 所以Agent安全，在这个时代，绝对也会是一门非常大的生意。 八. 加大关键要素保障力 在这条里，文件提出实施银河算廊工程，建设面向智能体高频并发、低延迟需求的新型算力基础设施，推动算力网络与5G-A、6G、F5G融合，同时挖掘存量算力，把小散算力零存整取。  这一段背后，是AI算力需求正在发生结构性变化。 训练大模型更像集中式的大工程，需要大量芯片在一段时间里高强度协同。 Agent推理更像一张长期运行的生产网络。 它要全天候响应海量任务，有些任务发生在云端，有些发生在工厂、汽车、手机和眼镜上。不同任务对延迟、隐私、成本和模型能力的要求完全不同，而且负载会随着真实业务剧烈波动。 未来需要调度的已经不只是GPU。 还包括云、边、端的不同芯片，不同大小的模型，不同地区的数据权限，不同网络条件，以及每个任务能够承受的时间和预算。 所以银河算廊的价值，接近于为智能生产建设一套算力物流系统。 这里会出现算力路由、异构调度、边缘推理等大量机会。 文件还提出，支持银行和保险机构开发服务智能体落地的金融产品。  这也很现实。很多Agent公司早期需要持续支付算力和FDE成本，手里最值钱的资产却是代码、数据、合同等等，传统抵押融资很难评价。 特别是Agent时代会多出一类新的核心资产，任务轨迹。 一个目标怎样被拆解，Agent选择了什么工具，环境返回了什么信号，哪一步失败了，人在哪里接管，修改了什么，最后结果有没有成功。 目标、计划、动作、观察、纠错、结果，这一整条链才叫执行数据。 它同时可以用来训练模型、优化Harness、发现安全漏洞和分析业务流程。 人才结构也一定会跟着变化的。 未来真正稀缺的，不只是训练模型的算法工程师。 只要能把模型能力穿过复杂的组织和系统，变成可以稳定验收的结果的人。 都稀缺。 九. 推动开源开放 文件提出高水平建设中国与上合组织国家人工智能应用合作中心，研究一国一策的大模型和智能体出海路径，同时建设有全球影响力的开源社区。 在美国模型被疯狂封禁的情况下，我们这边鼓励开源的政策，真的就非常的眉清目秀。 没有对比，就没有伤害。。。  智能体时代，真的格外需要开源和协议，因为Agent天生要连接。 而且智能体生态的网络效应会非常强。 一个新Skill接入以后，不只服务一款产品，所有兼容协议的Agent都可能获得这项能力。 Agent越多，开发者越愿意提供Skill。 Skill越多，Agent又越有用。 谁的协议和框架被广泛采用，谁就更有机会掌握后面的开发入口、分发规则和生态话语权。 开源是推动这种事实标准形成最快的路径之一。 所以政策专门提出评价开源贡献度，也很重要。 开源项目真正昂贵的部分，经常是长期维护和运营社区，贡献如果能够被正式评价和支持，才有机会让更多开发者长期投入。 出海部分同样值得认真看。 智能体产品进入一个国家以后，会接触当地数据、账户、支付、企业系统和现实服务，它必然会比普通内容产品更深地嵌入当地经济，也会面对更复杂的隐私、责任、行业准入和文化问题。 所以文件提出一国一策。 这也会给中国企业带来一批新的全球化机会。 十. 保障措施 最后一条写保障。 文件提出统筹国家和市区财政资金、政府投资基金、市场化基金，对符合条件的技术攻关、共性平台和示范应用项目给予支持。  从责任部门的安排里，已经能看出这份政策的覆盖面。 这一刻，智能体已经跨出了单一技术产业的范围，开始同时影响科技研发、软件、制造、消费、创业、金融、监管、人才和国际合作。 我也希望，能尽我自己的一些绵薄智力。 为智能体新技术、新产品、新服务的宣传推广，做好我的应尽之义务。 写在最后 写到这里，这十条终于就全部过完了。 以上，差不多就是这份文件大部分跟行业有关的内容了。 聊了这么多宏大的图景，最后还是得落回我们自己身上。 智能体时代，对每个人和每家公司来说，既是巨大的机遇，也是一次非常直接的能力重估。 对所有人来说，肯定也有挑战。 大多数职业不会在一夜之间消失，更现实的变化，是一个职业会被拆成几十个任务，其中重复、流程化、容易验证的部分，率先被Agent接走。 比如资料搜集、文档整理、初步分析、基础编码、标准化运营，这些过去需要几个人连续忙几天的工作，未来可能被一个人带着一组Agent完成。 真正被改变的，会是工作量、岗位数量和劳动价格。 只会完成中间步骤、无法判断结果、无法对最终交付负责的人，压力一定会越来越大。 对公司也一样，模型能力上去了，组织能不能给它一套真正可以工作的环境，反而成了更难的问题。 我觉得，机遇恰恰藏在任务重新分配、能力重新定价的过程里。 软件会从功能集合走向任务系统，公司的最小规模会继续缩小，个人能力的上限会被重新计算，商业价值也会从用了多少人、多少小时、多少Token，逐渐走向最终创造了什么结果。 这会让人焦虑，因为很多熟悉的能力正在贬值。 它也让人兴奋。 过去，一个普通人想做成一家公司，需要资金、团队和复杂的管理。 现在，一个人带着一套成熟的Agent系统，也有机会从一个很小的真实任务开始，大幅放大自己的能力。 但Agent不会自动带来成功，它只会把一个人的目标、判断、专业和执行系统一起放大。 所以这个时代，最值得做的事，是尽快找到自己真正懂的那段工作，把它交给Agent，反复跑，反复改，直到它能够稳定创造结果。 智能经济的序幕已经拉开。 Agent也已经开始工作了。 那接下来，好戏。 开场。 ## 相关链接 - [数字生命卡兹克](https://x.com/Khazix0918) - [@Khazix0918](https://x.com/Khazix0918) - [21K](https://x.com/Khazix0918/status/2080198896513663402/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [3:50 PM · Jul 23, 2026](https://x.com/Khazix0918/status/2080198896513663402) - [21.5K Views](https://x.com/Khazix0918/status/2080198896513663402/analytics) - [View quotes](https://x.com/Khazix0918/status/2080198896513663402/quotes) --- *导出时间: 2026/7/23 21:28:00*
6 60个AI黑话，一次性翻译成人类语言 文章将60个AI行业专业术语进行了通俗易懂的翻译和解释，涵盖基础概念、训练调优、推理交互、工具扩展、评估安全及前沿趋势六个方面，帮助读者快速理解AI技术地图。 技术 › LLM ✍ 概率鹿梦｜AI Wealth Edge🕐 2026-07-22 AI术语大模型智能体AgentLLM科普翻译基础知识
如 如何构建 AI 原生初创公司 本文探讨了 AI 原生初创公司的核心定义：通过减少人员协调、让 AI 智能体执行重复性任务，从而实现更快的迭代速度。作者为创业者提供了一套从零开始的实操指南，包括：绘制工作图谱并按自主等级分类、构建 Git 版本化的上下文系统（Context System）、以及选择高频、可逆的工作流进行自动化。 技术 › Agent ✍ Stepan Gershuni (cyber•Fund)🕐 2026-05-26 AI原生初创公司工作流自动化上下文管理智能体Claude企业效率MCP方法论Stealth
O OPC创业，东深圳，西重庆，没有其它选择 文章深入探讨了OPC（一人公司）创业模式的兴起，重点分析了重庆与深圳如何在AI时代通过政策与生态建设成为OPC创业的两大首选地。深圳胜在产业链与融资环境，适合冲刺；重庆则以低成本和全套扶持著称，适合起步。作者强调，OPC的核心是行业认知而非代码能力，并鼓励普通从业者利用AI工具解决行业痛点，实现个人创业。 职场 › 职业发展 ✍ Luna🕐 2026-04-20 OPC一人公司深圳重庆AI创业行业认知职业转型副业个人成长政策解读
A Alignment Unlocks Scaling：Qwen-Robot Suite 的设计原理和背后的思考 文章介绍了Qwen团队推出的Qwen-Robot Suite，包含Qwen-RobotNav、Qwen-RobotManip和Qwen-RobotWorld三项工作。核心思想是通过解决具身智能中异构数据的对齐问题，实现模型的规模化扩展，并在多项基准测试中取得SOTA结果。 技术 › LLM ✍ 青稞社区🕐 2026-07-29 Qwen具身智能机器人大模型VLA对齐世界模型导航操作直播预告
上 上海交大团队出品的大模型实战开源课程 上海交大团队推出的大模型实战开源课程，在GitHub获4.6w+ star。课程从零开始设计，包含API调用、模型微调、多模态开发等模块，配套在线实验环境，适合系统学习大模型知识。 技术 › LLM ✍ 阿西_出海🕐 2026-07-29 大模型开源课程实战教程GitHub模型微调多模态API调用越狱攻防
纳 纳米Work实测：跨三家大模型制作宣传片 作者体验了纳米Work产品，通过两个真实任务测试其Agent能力。该产品成功调用多家大模型完成了产品宣传片剪辑及文案落地页制作。产品具有全过程透明、支持多模型切换及移动端接管等特点，展示了AI作为工作伙伴的巨大潜力。 技术 › Agent ✍ 花叔🕐 2026-07-29 纳米WorkAgent大模型工作流自动化产品设计视频剪辑AI办公
吴 吴恩达官宣新公司 LearnVector 吴恩达宣布成立新公司 LearnVector，获 Coursera 1 亿美金投资。公司旨在利用 AI 技术将教育从“一对多”转变为“一对一”的个性化学习模式，强调通过专属学习向导提升学习效果，而非简单替代学生完成任务。 技术 › LLM ✍ Jason Zhu🕐 2026-07-29 吴恩达LearnVectorCourseraAI个性化教育在线学习大模型
K K3 部署推理引擎指南 vLLM 宣布对 Kimi K3 模型提供首日支持。K3 是拥有 2.8 万亿参数的 MoE 模型，支持 100 万上下文窗口。vLLM 通过 DSpark 推测解码将吞吐量提升至 370 tok/s，并支持架构创新的混合缓存管理、预填充/解码分离及智能体服务，确保生产环境下的高性能与低延迟。 技术 › 后端 ✍ vLLM🕐 2026-07-28 vLLMKimi K3MoE推理引擎性能优化DSpark部署指南大模型基础设施
一 一个暑假，我侄子用两个 Skill 搞明白了 Agent 最难的部分 作者讲述侄子利用暑假开发两个健康类 Agent Skill 的经历。从“养生谣言粉碎机”到“体检行动助手”，解决了大模型幻觉、信息检索权威性及流程设计等难点。文章重点介绍了如何利用豆包搜索 API 的结构化数据与权威过滤功能来增强 Agent 能力，并分享了 Skill 开发优于独立 Agent 的实践经验和建议。 技术 › Agent ✍ 宝玉🕐 2026-07-28 AgentSkill豆包搜索AI开发大模型实战经验信息检索健康类目工作流开源
提 提升 Agent 的信息搜索能力：Serper 与豆包搜索对比评测 文章对比了 Serper（Google 封装）与豆包搜索在 Agent 应用中的表现。豆包在 Query 改写、结构化数据（汇率/股价）、跨语言检索、时效性过滤及信源权威度分级上优势明显，更适合处理中文口语化及实时信息需求；而 Google 在英文学术检索上仍占优。文章指出高质量搜索 API 对提升 Agent 推理能力至关重要。 技术 › Agent ✍ Orange AI🕐 2026-07-28 Agent信息搜索豆包搜索SerperAPI评测RAG大模型
如 如何高效运行 Hermes：内存、技能与自动化 文章介绍了如何通过配置内存（MEMORY.md 和 USER.md）、技能和 cron 任务，将 Hermes 从简单的聊天机器人转变为高效的自进化智能体。通过合理设置记忆、流程自动化和自检机制，用户可以大幅提升工作效率，实现真正的复利效应。 技术 › Hermes ✍ Tom🕐 2026-07-27 HermesAgent自动化内存管理技能Cron效率工具智能体
对 对话百川智能郭美青：你辛苦做的 Skill，最后都成了大模型的「养料」 本文是 AIGCLINK 与百川智能技术总监郭美青的对谈。双方探讨了 Skill 的本质是模型补丁，指出优质的 Skill 易被大模型内化成训练养料；同时梳理了 Harness、Loop、Graph 等新概念背后的技术演进逻辑。最后建议从业者不要将当下视作终局，应从生意出发，从上往下构建确定性，以应对底层技术的快速迭代。 技术 › Skill ✍ AIGCLINK🕐 2026-07-26 Agent大模型百川智能SkillAI创业HarnessLoop技术趋势行业观察职场建议