我构建了一个能读取互联网的研究智能体，然后将其接入了我的维基
我训练了一个研究智能体，用于自动读取互联网内容以辅助 AI 相关研究，并将其接入个人维基系统。该智能体基于 Agent 框架实现，支持多步骤任务处理和信息整合。项目代码已开源，可在 GitHub 上获取。
全部 AI 动态
Weights & BiasesAI 评分4343
Weaviate 博客AI 评分2828 Building Foundry 第二部分：创意工作流为何失效
创意团队在项目扩展过程中常因命名不一致、标签质量参差和关键词搜索不匹配导致检索失效。文件夹结构难以适应多团队协作，标签依赖流程纪律而受截止日期影响，关键词搜索常因描述与存储内容用词不一致而无法命中。现代系统需结合语义相似性、关键词匹配和元数据过滤，以应对不完美命名和不完整标签，Weaviate 可作为实现这一目标的示例。
Hamel HusainAI 评分77 AI Product Engineering Notes
Hamel Husain 分享了构建 AI 产品的工程实践笔记，涵盖模型评估、推理优化、工具使用等主题。文章列举了他近期发布的多篇长文，包括关于 Claude 自动评估工具、LLM 评估方法、vLLM 与大模型结合等内容。部分文章提供开源工具如 inspect AI 和 nbsanity，可用于 AI 产品开发与调试。
Neo4j 博客AI 评分2929 Aura Graph Analytics 如何从首个图算法实验到生产环境
Aura Graph Analytics 提供了一种无需深入算法知识即可快速验证图分析价值的方法，通过直观界面和代码方式运行算法。用户可使用内置 AI 助手或 Claude、Gemini 等 LLM 描述数据结构，获取适合的图算法建议。数据可通过 pandas 或 Apache Spark 导入 AGA，支持生成可运行代码并直接在图中可视化结果。
Neo4j 博客AI 评分2929 SumoDB in Neo4j：Microsoft Fabric 连接数十年力士数据——第四部分
该分析利用 Neo4j Aura Graph Analytics 和 Microsoft Fabric 构建了相扑力士风格图谱，处理了 2000 年至今 78,710 场顶级赛事数据。
Weights & BiasesAI 评分4242 当轴对齐框失效：CVPR 发表的交通 AI 教训
CVPR 发表的交通 AI 案例研究展示了将表示作为设计决策而非既定条件的处理方式，并提供了代码和日志作为证明。该研究指出轴对齐框在复杂场景中可能失效，提出改进方法以提升目标检测准确性。模型代码已开源，适用于计算机视觉研究与实际交通监控系统优化。
Neo4j 博客精选AI 评分6767 Neo4j 提出 Meta Knowledge Graph：为 AI 智能体构建语义层与记忆的共享上下文层
Neo4j 提出 Meta Knowledge Graph（MKG），这是一个为 AI 智能体设计的、基于图结构的共享上下文层，旨在解决智能体缺乏特定领域知识的问题。
InterconnectsAI 评分3535 Reinforcement Learning from Human Feedback: Aligning and Post-training LLMs 一书现已发布
Reinforcement Learning from Human Feedback: Aligning and Post-training LLMs 一书现已发布，书中系统讲解了多种强化学习算法及其在大语言模型对齐和后训练中的应用。
Neo4j 博客精选AI 评分6060 Neo4j Agent Memory Service 推出技能蒸馏与治理功能
Neo4j Agent Memory Service (NAMS) 发布技能蒸馏与治理功能，可将智能体在特定工作空间内积累的记忆图谱转化为可移植、有据可查的 Agent Skill 包。
推荐理由：原文详细介绍了从记忆到可执行技能的具体转化流程和治理机制，为构建可复用智能体工作流提供了技术路径。
Neo4j 博客AI 评分4040 什么是上下文图（Context Graph）？
上下文图是一种持久化记忆系统，用于帮助 AI 智能体在长期企业知识、短期对话历史和推理记忆之间建立连接。它通过存储组织知识、交互过程、工具返回的证据及决策依据，使智能体能基于完整上下文进行推理、生成准确答案并解释决策。上下文图包含长期记忆、短期记忆和推理记忆三层，支持多智能体系统共享对话状态，降低 token 成本，提升可解释性和治理能力。
Neo4j 博客精选AI 评分5757 Neo4j 发布支持多智能体系统的常量成本语义记忆工具
Neo4j 发布 Semvec 及 Semvec Cortex 工具，通过在 Neo4j 图数据库中持久化语义记忆，实现单智能体与多智能体系统的常量 token 成本记忆机制。该工具支持跨会话、跨团队、跨班次的共享记忆、漂移检测、共识投票与行为一致性验证，所有功能通过 Python API 在本地运行，无需外部服务或网络调用。
推荐理由：原文提供了可直接复用的代码实现和架构设计，读者可据此构建具有持久语义记忆的多智能体系统。
Neo4j 博客AI 评分4242 Neo4j 在 Hack the Video Agent Context Graph 活动中展示视频智能体上下文图谱构建方法
Neo4j 博客介绍了基于视频构建智能体上下文图谱的开源项目，该项目整合了 AWS Strands Agents、OpenAI、TwelveLabs 和 Neo4j 四个工具，用于从视频中提取内容并建模为图谱。
Together AI精选AI 评分7272 月之暗面发布 Kimi K3：2.8万亿参数开源模型，支持1M上下文与多模态
月之暗面发布 Kimi K3，2.8万亿参数开源模型，为首个3万亿参数级开源模型，支持1M上下文、多模态输入和动态工具加载。Together AI 提供 API 接入，支持 OpenAI 兼容调用，推理深度可调，定价按 token 计费，缓存命中输入价为每百万 token 0.30 美元。模型在 DeepSWE、BrowseComp 等基准上表现领先，支持结构化输出、流式响应和保留思考历史。
推荐理由：原文提供了模型参数、架构创新、API 使用方式和定价，读者可据此判断其在长上下文、推理和多模态任务中的实际部署潜力。
Weaviate 博客AI 评分2626 Weaviate 如何通过语义搜索减少创意工作中的摩擦
Weaviate 通过语义搜索技术帮助创意团队更高效地检索已有作品，解决文件命名混乱和组织低效的问题。该技术利用机器学习将媒体内容转化为向量嵌入，使相似含义的文件在高维空间中更易被找到。语义搜索可与传统元数据结合，提升创意资产的可检索性与组织效率。
Weights & BiasesAI 评分4141 Weave 在本地运行仅需三条命令
Weave 可在本地通过三条命令运行，无需依赖云端服务。该工具支持在本地环境中进行模型训练和实验追踪，适用于需要隐私或低延迟的场景。Weights & Biases 提供了完整的本地部署方案，用户可直接使用其 API 和 CLI 进行操作。
Weights & BiasesAI 评分4848 教程：用 W&B Weave 评估 GPT-5.6、GPT-5.5 和 GLM-5.2 在仓库级编码任务中的表现
本教程使用 W&B Weave 测量了 GPT-5.6、GPT-5.5 和 GLM-5.2 在仓库级编码任务中的隐藏测试通过率、可靠性、延迟和预估成本。测试结果显示 GPT-5.6 在隐藏测试通过率上优于 GPT-5.5 和 GLM-5.2，且推理延迟降低了 25%。模型的性能差异对开发者选择适合的编码辅助工具具有参考价值。
The Register · AI/MLAI 评分4444 OpenAI 禁止部分客户导出聊天记录，但 scrapemychats 工具可破解
自由记者 Conrad Quilty-Harper 本周在 GitHub 开源了 scrapemychats 工具，为无法使用官方导出功能的 ChatGPT Business 和 Enterprise 用户提供了非正式的聊天记录本地存档方案。
Vector Institute精选AI 评分5454 Vector Institute 发布多模态混合专家模型研究论文
Vector Institute 发布关于多模态混合专家（MoE）模型的研究论文，系统分析了从稀疏路由到多模态部署的架构原理与训练挑战，实证揭示了模型在早期层按模态路由、深层按语义路由的结构演化规律，并提出通过QLoRA、Flash Attention 2与lm_head预钩子实现35.26B参数模型在四张A100 GPU上的可训练性，同时指出专家并行是长期可行方向。
推荐理由：原文通过实证分析揭示了多模态MoE模型在路由机制与训练实践中的关键规律，为后续优化提供了可复用的方法论。
Weaviate 博客AI 评分3434 Query Profiling: See Where a Slow Query Spends Its Time
Weaviate 推出查询分析功能，允许用户通过启用 per-query 标志直接获取单个查询在集群中各节点的耗时分布。该功能在 v1.36.9 引入，v1.38 正式可用，通过 response.query_profile 返回结果，覆盖向量搜索、关键词评分和过滤评估。启用时仅增加微秒级计时开销，适用于调试和优化，而非生产高并发路径。
Neo4j 博客AI 评分3030 AI 智能体如何做决策及如何改进
AI 智能体通过理解目标、收集上下文、决定下一步、执行和学习的循环流程进行决策，但若上下文不完整或断裂，可能导致错误操作。构建上下文图谱可为智能体提供连贯的记忆，使其决策更可靠、可解释并可改进。上下文图谱能记录决策过程和结果，帮助智能体从历史经验中学习，避免重复错误。
Ahead of AIAI 评分4747 控制大语言模型推理努力的多种方式
OpenAI 发布了 GPT-5.6 模型家族，包含三种规模，每种都有五到六种推理努力设置。推理模型已成为现代大模型发布的标准部分，其核心特征是输出逐步推理过程。DeepSeek-R1 通过可验证奖励的强化学习（RLVR）训练推理模型，仅依据最终答案和响应格式提供奖励信号，未使用中间推理过程进行训练。
CNET · AIAI 评分3939 如何退出 AI 聊天机器人训练以保护个人数据
用户可通过关闭设置选项，阻止 ChatGPT、Gemini、Claude 等主流 AI 聊天机器人使用其对话数据进行模型训练。操作步骤包括在账户的隐私或数据控制设置中关闭“帮助改进模型”等开关，并手动删除现有聊天记录。根据 Anthropic 和 OpenAI 的政策，已删除的对话会在后端系统保留最多 30 天。
Together AIAI 评分3838 Together AI 解读推理服务 99.9% 可用性的含义
Together AI 阐述了其实现 99.9% 推理服务可用性所需的多数据中心冗余架构与基础设施所有权。该公司通过持续向两个设施分发实时流量并保有备用容量，以应对整个数据中心故障。其全栈所有权提供了从芯片到 token 的可见性，确保在硬件、网络、存储或软件层出现问题时能统一响应。
Weights & BiasesAI 评分2626 Weave 与 CrowdStrike Falcon AIDR 联合追踪、防护和修复 AI 使用
Weave 与 CrowdStrike Falcon AIDR 联合提供追踪、防护和修复 AI 使用的解决方案。该方案可帮助企业确保内部 AI 系统对敏感数据的处理符合规范。工具支持实时监控与响应，适用于企业级 AI 安全管理场景。
MIT News · 人工智能AI 评分3232 MIT 网络安全诊所如何帮助学生预防网络攻击
MIT 网络安全诊所通过“防御性社会工程”课程，为公共机构提供免费漏洞评估。自2019年成立以来，该诊所已为美国新英格兰地区的市政和医疗机构完成超过40份评估报告。课程强调网络安全不仅是技术挑战，更需融入组织能力建设，并邀请行业专家讲解AI如何改变网络安全格局。
fal 博客精选AI 评分6767 fal 博客：从粘土3D渲染到动作短片，详解完全可控的3D-AI生成管线
fal 团队构建了一个完全可控的AI视频生成管线，从3D分镜设计到最终成片，并开源了核心的3DREAL Strong v2 LoRA适配器。
推荐理由：原文详细拆解了从3D分镜到AI生成视频的完整工作流，包括具体的工具链、验证步骤和迭代经验，可供从业者复现或借鉴其方法。
fal 博客精选AI 评分6464 fal 博客：无损实现亚秒级 Ideogram v4 图像生成的技术路径
fal 团队通过量化感知蒸馏、时间步蒸馏和内核融合等技术，将 Ideogram v4 在 1K 分辨率下的单图生成时间从 2.75 秒降至 0.44 秒，实现 6 倍加速且无可见质量损失。核心方法包括将模型量化至 FP4 并融合 RMSNorm 等后处理算子、将分类器引导蒸馏为单分支前向，以及通过分布匹配蒸馏将去噪步骤大幅减少。
推荐理由：原文详细拆解了从量化、蒸馏到内核融合的完整技术路径，为追求极致推理性能的团队提供了可复现的工程方案。
fal 博客AI 评分5252 fal 团队如何利用 DSpark 为 Ideogram V4 Prompt Expander 实现约 1000 tok/s 和 16 倍吞吐量
fal 团队分享了为 Ideogram V4 的提示词扩展器优化 Qwen3.6 推理性能的实践。他们选择了 Qwen 3.5 35B MoE 模型，通过 PEFT 微调和知识蒸馏来平衡性能与速度。
Neo4j 博客AI 评分3838 Neo4j 中使用 Cypher 实现混合搜索：结合全文、向量与图结构
Neo4j 支持通过 Cypher 实现混合搜索，结合全文、向量和图结构等多种信号进行检索。该方法使用 WRRF（加权倒数排名融合）对多个来源的结果进行重新排序，提升同时出现在多个搜索中的结果权重。混合搜索可应用于支持案例调查，通过技术词汇、语义相似性或图结构关系找到相关案例。
The Register · AI/MLAI 评分4141 Atrophy CLI 工具：对抗 AI 编程技能衰退
开发者 Ashutosh Rath 推出命令行工具 Atrophy，旨在帮助程序员对抗因过度依赖 AI 编程助手而导致的技能衰退。该工具通过五个技能领域（语法回忆、调试、代码阅读、API 记忆和分解）的定期练习，采用类似国际象棋 Elo 的评分系统来追踪用户独立编程能力。用户可通过基线测试和每周数次 5-10 分钟的练习来监测并维持技能水平，工具还设有 AI 辅助练习模式以量化技能差距。
Lil'LogAI 评分5252 Lilian Weng：智能体部署系统工程与自改进路径
Lilian Weng 在其博客中探讨了智能体部署系统（harness）在实现递归自改进（RSI）中的核心作用，指出当前AI自改进不仅依赖模型权重更新，更依赖于对部署系统、工作流、上下文管理等非参数化组件的优化。
Hamel HusainAI 评分4848 “It’s Hard to Eval” 是 AI 数据代理的产品缺陷
本文指出“难以评估”是 AI 数据代理设计中的常见问题，用户无法验证输出结果，可能导致信任缺失。改进方案是提供可检查的中间数据和完整分析，如展示 SQL 查询和分布验证。该设计通过分层界面让用户能切换查看简要回答和详细分析过程，增强透明度与可信度。
Ahead of AIAI 评分5050 使用本地编码智能体：搭建与评估开源模型在Qwen-Code、Codex和Claude Code中的表现
Sebastian Raschka 详细介绍了如何使用开源模型（如Qwen3.6 35B-A3B、North Mini Code）和本地推理引擎（如Ollama）搭建本地编码智能体，并对比了Qwen-Code、Codex和Claude Code三种框架在速度、任务完成率和token使用上的表现。文章包含性能基准测试、安全审计建议和跨设备部署方法，提供了可复用的评估脚本和配置示例。
Weights & BiasesAI 评分3232 Building an observable robotics data flywheel
通过 PPO、Weave 和合成遥测技术构建可观察的机器人数据飞轮，记录失败案例并在复杂赛道上重新训练模型，验证模型恢复效果。该方法支持在训练过程中实时监控数据流动，提升模型适应能力。技术方案适用于强化学习场景，强调数据闭环对机器人系统优化的重要性。
Weights & BiasesAI 评分1414 Kimi 2.7 在 W&B 推理平台上的入门使用
Kimi 2.7 可通过 Weave 追踪、分析和评估逐步复杂化的软件工程任务。该模型支持在 W&B 推理平台进行部署和测试，适用于需要详细记录和评估模型行为的开发场景。用户可利用其进行代码生成、调试和性能优化的全流程管理。
Weights & BiasesAI 评分3737 使用 W&B 和 Weave 构建品牌感知的图像生成模型评估循环
Weights & Biases 推出方法帮助用户构建图像生成模型的品牌感知评估循环，支持跟踪提示词保真度、FID 和品牌合规性。该方法通过集成 Weave 实现无缝评估，适用于需要确保生成内容符合品牌规范的场景。
Weights & BiasesAI 评分3333 如何构建有效的 Agent Skills 并用 Skills Bench 和 W&B Weave 评估其效果
本文介绍如何构建有效的 Agent Skills 并使用 Skills Bench 和 W&B Weave 进行评估。Skills Bench 提供了标准化测试流程，W&B Weave 支持实时监控与调试。该方法适用于基于 LangChain、LlamaIndex 等框架的 AI 智能体开发。
Weights & BiasesAI 评分4848 ART-Optimized Megatron (AOM)：12倍更高的训练吞吐量
Weights & Biases 团队在其开源 ART 训练库中引入了 ART-Optimized Megatron (AOM)，实现了 12 倍更高的训练吞吐量。该优化基于 Megatron-LM 的分布式训练架构，结合 ART 的自动资源调度功能，显著提升了大规模模型训练效率。AOM 适用于需要高吞吐训练的场景，且 ART 训练库为开源，可直接用于实验和部署。
Weights & BiasesAI 评分2323 GLM-5.2 推理：用 Weave 实现简易追踪与评估
Weave 提供了对 GLM-5.2 推理过程的简易追踪与评估方法，支持开发者通过代码逐步实现。该工具帮助用户更高效地调试和优化 AI 工作流，适用于需要详细记录模型调用行为的场景。GLM-5.2 的推理功能可通过 Weave 的 API 进行集成和测试。
Weaviate 博客精选AI 评分6262 Weaviate 大规模数据导入与向量化实践指南
Weaviate 官方发布大规模数据导入与向量化实践指南，涵盖服务器端批处理、错误处理与重试机制、数据类型选择、多模态数据处理（如 PDF、图像、视频）以及使用 blobHash 降低存储成本的方法。
推荐理由：原文提供了大规模数据导入的完整实践指南，包括批处理、错误处理、数据类型选择和多模态处理，读者可直接用于优化现有流程。