科技月报 on 扎塔-Zata

技术热点追踪

Thu, 04 Jun 2026 10:00:00 +0800

技术领域持续追踪记录，持续更新…

Agent 框架

LangChain

GitHub: langchain-ai/langchain
Stars: 138k
简介: Agent 工程平台，提供模块化组件和第三方集成，简化 AI 应用开发。支持 LangGraph 用于构建可控的 Agent 工作流。
特点: 丰富的集成生态、灵活的抽象层、生产级特性

MetaGPT

GitHub: FoundationAgents/MetaGPT
Stars: 68.5k
简介: 多 Agent 框架，模拟软件公司角色协作。输入一行需求，输出完整的需求文档、数据结构、API 设计等。
特点: SOP 流程化、角色扮演（产品经理/架构师/工程师）、Data Interpreter 数据分析能力

CrewAI

GitHub: crewAIInc/crewAI
Stars: 52.8k
简介: 完全独立于 LangChain 的多 Agent 编排框架，提供 Crews（自主协作）和 Flows（事件驱动工作流）两种模式。
特点: 高性能、灵活定制、无外部依赖、YAML 配置化

AutoGen (Microsoft)

GitHub: microsoft/autogen
Stars: 58.7k
状态: 已进入维护模式
推荐: 新项目建议使用 Microsoft Agent Framework

LLM 推理

Ollama

GitHub: ollama/ollama
Stars: 173k
简介: 本地大模型运行工具，支持 Kimi、GLM、DeepSeek、Qwen、Gemma 等模型。一键运行，本地部署。
特点:
- 丰富的模型库
- REST API 支持
- 多平台支持（macOS/Windows/Linux）
- Docker 部署
- 与 Claude Code、Copilot 等集成

llama.cpp

GitHub: ggml-org/llama.cpp
Stars: 114.5k
简介: C/C++ 实现的 LLM 推理引擎，高性能、本地化运行。
特点:
- 纯 C/C++ 实现，无依赖
- Apple Silicon 原生优化（Metal）
- CUDA/ROCm/ Vulkan 多后端
- 支持 1.5-8bit 量化
- 多语言 Binding（Python/Go/JS/Rust/C# 等）

vLLM

GitHub: vllm-project/vllm
Stars: 81.9k
简介: 高吞吐量 LLM 推理服务，支持 PagedAttention、Tensor Parallelism。
特点:
- 高吞吐量推理
- OpenAI 兼容 API
- Continuous Batching
- 多 GPU 分布式推理

SGLang

GitHub: sglang-ai/sglang
Stars: 31k
简介: 高效的大模型服务框架，支持 RadixAttention、前融批处理。
特点:
- 结构化生成加速
- 前融批处理（Early Prefill）
- 支持对话、代码、Agent 多场景
- 与 vLLM 互补的调度优化

RAG 检索增强生成

RAGFlow

GitHub: infiniflow/ragflow
Stars: 81.9k
简介: 基于深度文档理解的 RAG 引擎，提供端到端 RAG 工作流。
特点:
- 深度文档理解
- 模板化分块
- 可溯源的引用
- 支持 GraphRAG
- 多种数据源兼容

其他 RAG 工具

工具	Stars	特点
MaxKB	21.1k	开箱即用的 RAG 聊天机器人
R2R	-	开源 RAG 引擎

文档结构化

MinerU

GitHub: opendatalab/MinerU
Stars: 66.3k
简介: 高精度文档解析引擎，将 PDF、DOCX、PPTX、XLSX、图片、网页转换为 Markdown/JSON。
特点:
- VLM + OCR 双引擎，支持 109 种语言
- 原生 DOCX/PPTX/XLSX 解析
- 公式→LaTeX、表格→HTML
- 表结构重建、跨页表格合并
- MCP Server 原生集成 LangChain/Dify/FastGPT

Marker

GitHub: datalab-to/marker
Stars: 35.7k
简介: 将 PDF、图片、PPTX、DOCX、XLSX、HTML、EPUB 快速转换为 Markdown/JSON/HTML。
特点:
- 表格、公式、代码块、链接提取
- 支持 LLM 提升准确率（Gemini/Ollama/Claude/OpenAI）
- 支持结构化提取（Schema 定义）
- GPU/CPU/MPS 多平台支持

Docling

GitHub: docling/docling
Stars: 28.4k
简介: IBM 开源的文档解析工具，支持 PDF、DOCX、HTML、图片等格式转换为 JSON/Markdown/HTML。
特点:
- 表格结构识别与转换
- 代码块、公式、链接提取
- 多语言支持
- 简单易用的 API

其他文档工具

项目	语言	特点
markitdown	Python	从 Word/PDF/HTML 提取 Markdown，结构保真
unstructured	Python	通用文档解析，支持 30+ 格式
pyMuPDF	Python	PDF 解析，提取文本、表格、图像
python-docx	Python	Word 文档解析
pdfplumber	Python	专注 PDF 表格提取

Data Agent 数据智能体

Data Interpreter (MetaGPT)

GitHub: DataInterpreter/DataInterpreter
Stars: 9.8k
简介: MetaGPT 开源的数据分析智能体，将自然语言查询转换为可执行的数据分析代码。
特点:
- 动态任务规划与分解
- 代码生成与执行（Python/SQL）
- 图表自动生成
- 多数据源支持（CSV/Excel/Database/API）

Open Data Lab 工具链

GitHub: opendatalab/OpenDataLab
Stars: 16.8k
简介: 数据智能体全家桶，包含数据采集、标注、处理、分析全链路工具。
子项目:
- LabelLLM: 智能数据标注
- MinerU: 文档解析
- PDF-Genie: PDF 智能理解

编程智能体

SWE-Agent

GitHub: SWE-agent/SWE-agent
Stars: 19.4k
简介: 软件工程智能体，可自动修复 GitHub Issues，支持代码搜索、编辑、终端操作。
特点:
- VS Code 风格工具调用
- 根因分析能力
- 多轮对话式修复

OpenHands

GitHub: All-Hands-AI/OpenHands
Stars: 45k
简介: AI 编码智能体，支持代码编辑、bash 终端、浏览器自动化。
特点:
- 多智能体协作
- 沙盒环境执行
- 支持 GitHub Issues 自动修复
- 与 VS Code 深度集成

OCR 文字识别

Surya

GitHub: datalab-to/surya
Stars: 20.5k
简介: 650M 参数的 OCR 模型，支持 90+ 语言。
特点:
- 高精度（olmOCR-bench 得分 83.3%）
- 高速（RTX 5090 上 5 页/秒）
- 布局分析
- 表格识别
- vLLM 或 llama.cpp 后端

类别	工具	Stars	用途
Agent	LangChain	138k	Agent 开发框架
Agent	MetaGPT	68.5k	多 Agent 软件开发
Agent	CrewAI	52.8k	多 Agent 编排
Data Agent	Open Data Lab	16.8k	数据处理全家桶
编程智能体	SWE-Agent	19.4k	代码修复智能体
编程智能体	OpenHands	45k	AI 编码智能体
LLM	Ollama	173k	本地模型运行
LLM	llama.cpp	114.5k	高性能推理引擎
LLM	vLLM	81.9k	高吞吐量推理服务
LLM	SGLang	31k	结构化生成加速
RAG	RAGFlow	81.9k	文档理解 RAG
RAG	MaxKB	21.1k	开箱即用的 RAG 聊天机器人
文档	MinerU	66.3k	PDF 解析
文档	Marker	35.7k	文档转换
OCR	Surya	20.5k	文字识别

科技月报-2026

Sun, 04 Jan 2026 06:59:14 +0800

2026-06

第二周

AI 行业重磅新闻

WWDC 2026：苹果发布 iOS 27，新版 Siri 联手谷歌 Gemini

苹果在 WWDC 2026 发布全新 Siri，宣布与谷歌合作引入 Gemini 大模型，采用新 AI 架构提升智能表现。苹果高管克雷格严厉抨击"为AI而AI"的功利现状，强调实用与用户价值。新版 Siri 支持跨 App 协同，今年晚些时候推送 Beta 测试版（欧盟/中国大陆暂不支持）。

苹果联合谷歌与英伟达开发 Apple Foundation Model Cloud Pro

苹果、谷歌与英伟达联合开发新一代 AI 模型 Apple Foundation Model Cloud Pro，性能对标谷歌 Gemini。该模型基于英伟达高性能 GPU 集群运行，深度纳进苹果私有云计算体系，端云协同与隐私安全双轨并行。

苹果首次免除小型开发者云 API 费用

苹果宣布：首次下载量低于 200 万次的 App 开发者可免费调用其私有云基础模型，无需支付任何云 API 费用。此举旨在降低 AI 基础设施成本，激励小型开发者进行前沿 AI 应用探索。

苹果 Photos 应用迎来 AI 重构：支持一键"重构"照片

iOS 27 的 Photos 应用引入"重构"（Reframe）功能，利用生成式 AI 自动优化照片取景，解决拍摄时构图不佳的问题。用户可通过拖拽调整照片透视，边缘模糊区域由 AI 智能填充。

IPO 潮：AI 巨头扎堆上市

OpenAI 已向 SEC 秘密提交 IPO 申请

继 Anthropic 之后，OpenAI 也向美国证券交易委员会秘密提交 IPO 注册声明草案，估值达 8520 亿美元。目前拥有约 9 亿周活跃用户，但面临财务压力：据预测到 2028 年 AI 算力投入将高达 1220 亿美元，当年预计亏损 850 亿美元。

奥特曼宣布 AI 迈入第三阶段：普及、安全与易用

OpenAI CEO 山姆·奥尔特曼与首席科学家联合发文，宣布公司进入发展第三阶段，核心目标是让先进的智能技术更加普及、易用，并确保安全性。高管呼吁成立国际机构专门负责人工智能监管，必要时暂停前沿技术研发。

GitHub 热门项目

openclaw/openclaw — 377K Stars! 开源个人AI助手，任意OS/平台都能跑，🦞 style

obra/superpowers — 221K Stars! Agentic Skills 框架 + 软件开发方法论

NousResearch/hermes-agent — 187K Stars! 成长型 AI Agent

anomalyco/opencode — 171K Stars! 开源编码 Agent

anthropics/claude-code — 131K Stars! Anthropic官方CLI编码工具

mattpocock/skills — 120K Stars! 来自Matt Pocock的Claude Code Skills集合

BigPizzaV3/CodexPlusPlus — 15K Stars! Codex增强工具(Rust)

nexu-io/open-design — 61K Stars! 本地优先的开源Claude Design替代品

VoltAgent/awesome-design-md — 88K Stars! 品牌设计系统DESIGN.md集合

chenglou/pretext — 48K Stars! 快速准确的文本测量和布局工具

MemPalace/mempalace — 54K Stars! 开源AI内存系统，benchmark表现最佳

JuliusBrussee/caveman — 69K Stars! Claude Code Skill，可减少65%的token消耗

pewdiepie-archdaemon/odysseus — 62K Stars! 自托管AI工作空间

antirez/ds4 — 13K Stars! DeepSeek 4本地推理引擎，支持Metal和CUDA

n8n-io/n8n — 191K Stars! 原生 AI 能力的开源工作流自动化平台

ollama/ollama — 173K Stars! 本地跑 AI 模型（Kimi-K2.6、GLM-5.1、MiniMax、DeepSeek 等）

langgenius/dify — 144K Stars! 生产级 Agent 工作流开发平台

firecrawl/firecrawl — 130K Stars! 大规模网页抓取和搜索 API

V2EX 热门项目

OpenAgent：单文件版龙虾——双击就能跑的高性能 Agent

一个仅有一个文件的高性能 Agent 实现，双击就能运行。支持 AI 股票数据、运维工具等场景。

给 AI Agent 造了个免费股票数据弹药库

pip install 装了就能跑的股票数据工具，为 AI Agent 提供金融数据支持。

其他重要新闻

阿里巴巴成立 Token Foundry 事业部，CEO 吴泳铭直接领导

阿里巴巴将通义大模型事业部与未来生活实验室合并，成立 Token Foundry 事业部，由集团 CEO 吴泳铭直接领导，标志着 AI 布局升至最高战略层。

微信联合美团开放 AI Agent 能力，To A 布局加速

微信正式面向开发者开放 AI Agent 能力，用户可通过微信 Agent 直接调取小程序中的 AI 服务。美团作为首批内测伙伴，已完成接入测试，未来用户可通过微信 Agent 直接使用美团外卖等本地生活服务。

Kimi Code 开源编码代理重大升级：CLI 一键安装 + 视频上下文支持

Moonshot AI 旗下 Kimi Code 迎来重要版本升级：支持一行 CLI 命令安装、视频上下文能力（支持拖入视频作为编码参考）、丰富插件生态（股票查询、财务报告、学术论文等）。

小红书上线 RED Skill 功能，AI 应用首次深度嵌入社区笔记场景

小红书推出 RED Skill 功能，将 AI 应用与社区内容生态深度融合。部分创作者笔记下方已可挂载 AI 组件，用户无需跳转第三方平台即可直接获取相关服务。这是首个将 AI Skill 与社区场景深度绑定的分发机制。

微软数十个开源 AI 工具遭供应链攻击，大量开发者凭证被窃

黑客通过供应链攻击向至少 70 个微软开源项目注入恶意软件，意图在用户使用 Claude Code、Gemini CLI 和 VS Code 等 AI 编码应用时窃取密码及凭证。微软已紧急删除相关存储库。

毕马威调研：全球仅 26% 企业能全面掌控 AI 成本

毕马威调查显示，全球仅有 26% 的公司能够全面掌握其 AI 成本，50% 企业监管能力有限，22% 完全缺乏透明度。随着 AI 服务转向代币计费，多家企业几个月内便耗尽全年 AI 预算，部分客户代币使用量激增六倍。

AI 大厂月薪 3 万疯抢文科生

AI 行业爆发正在打破"文科无用"偏见，头部 AI 企业面向文科生开放的岗位占比从 5% 提升至 20%-30%，AI 叙事设计师、大模型人文训练师等新兴岗位月薪普遍在 2 万至 4 万元区间。

腾讯混元联合多家机构发布 MMAE 基准：当前模型精准编辑能力不足 5%

腾讯混元联合上海交大、南洋理工、北大等机构推出 MMAE（Massive Multitask Audio Editing Benchmark），首个针对通用指令驱动音频编辑的大规模多任务基准测试集。测试显示当前主流模型精确匹配率普遍低于 5%，揭示可靠音频编辑技术存在重大差距。

第一周

火山引擎Maas业务爆发：Seedance2.0单月创收超10亿元

英国新规落地：谷歌允许出版商一键退出AI搜索且不影响传统排名

Google发布Gemma412B开源模型：主打无编码器全模态，16GB内存笔记本可本地运行

Lovable深化与Google战略合作，基础设施全面转向Gemini与Google Cloud

知识工作者喜提通用本地Agent！月之暗面正式开启Kimi Work内测

亚马逊App上线搜索框AI生成图片功能，深化视觉搜索布局

字节跳动开源Bernini框架：实现视频生成与精准编辑的完美统一

豆包宣布计划推出付费专业版：提供六大垂直生产力服务

全系标配智驾大模型！小米汽车YU7迎来HyperOS 1.16关键升级

一年内翻倍！谷歌Gemini App月活突破9亿

拉响教育警报！美国教师联合会呼吁禁止AI系统进入小学课堂

2026-05

第四周

Google I/O 2026 | 开发者主题演讲精华集锦 — AI 从辅助迈向独立处理复杂任务的智能体阶段

1年暴涨8倍！借力AI，存储大厂美光市值突破1万亿美元

打破光刻工艺束缚，华为提出「韬定律」

宇树科技将于6月1日接受科创板上市审核

不止于Copilot：医渡科技超级智能体，想做医疗界的Claude Code

谷歌CEO承认：Gemini 在 AI 编程赛道已落后

法拉利首款纯电动车 Ferrari Luce 发布

奥尔特曼改口：AI 对白领岗位的冲击没那么严重

Codex 自我蒸馏玩法爆火！让 Codex 自动扫描历史会话并打包成可复用工具

OpenAI 推理模型自主攻克80年难题：独立解决埃尔德什单位距离猜想

小鹏汽车推进人形机器人量产冲刺：计划2026年底量产，2027年进店导购

OpenAI 广告业务大转向：取消20万美元预付，全面拥抱中小商家

Google 将 SynthID 技术接入搜索与 Chrome：一键验证是否为 AI 生成

通义千问升级"拍照问健康"：能圈图、懂推理，三甲医生实测认可

MiniCPM-V 4.6 发布：仅1.3B参数的端侧多模态巅峰

Stability AI 发布 Stable Audio 3：长音频秒级生成

Uber 四个月烧光全年 AI 预算，高管质疑投入产出比

上海发布 AI 微短剧"沪8条"：最高千万资助，全流程 AI 化

高考考场不准作弊！国内主流大模型集体发声：期间将禁用拍题答疑

环球音乐与 TikTok 续签多年授权协议，AI 监管成为合作核心

awesome-architecture — 21 张架构地图（含 AI Gateway、RAG、Agent、推理服务等）+ 系统设计教程，中英文双语

DeepSeek-GUI — DeepSeek 模型的 AI Agent 工作区，内置 Code 和 Claw 模式

codex-shim — 本地 Responses-API shim，让 Codex Desktop 接入自建模型

ccglass — 查看 Claude Code / Codex / Kimi 等 Coding Agent 实际发送到模型的内容，本地代理 + Web Dashboard

ai-memory — Agent Coding CLI 的长期记忆解决方案，支持不同 Agent 工具间的记忆交接

FigMirror — 自动按任意论文的图表风格绘制你的数据，AI Agent 工具

PiD — NVIDIA 开源的快速高分辨率潜在解码器，基于像素扩散

Open Design — 开源 Claude Design 替代

Open Design 的定位很清晰：把 Claude Design 这类“AI 生成设计稿 / 原型 / 演示 / 视觉资产”的能力做成 local-first 的开源桌面工具。它不是单纯的网页生成器，而是把 design system、skills、plugins、coding agent 串成一个本地设计工作流。

值得关注的点：

支持 web、desktop、mobile 原型，也能生成 slides、images、videos 等多种设计资产。
可以导出 HTML、PDF、PPTX、MP4，对“从想法到可交付物”很友好。
能接 Claude Code、Codex、Cursor、OpenCode、Qwen、Kimi 等 coding agent，适合做 AI 设计工作流中枢。
更像“AI 时代的 Figma 替代方向”：不是在画布上手动推像素，而是让设计系统和 agent 共同产出可运行的 artifact。

我的判断：这个项目值得持续跟踪。AI 编程工具已经很卷了，但“AI 设计 + 前端实现 + 可交付导出”的链路还没有完全跑通，Open Design 刚好踩在这个交叉点上。

Headroom — AI 上下文压缩神器

Headroom 解决的是 Agent 使用里的一个硬问题：工具输出、日志、文件、RAG chunk、历史对话太长，最后把 LLM context 撑爆，或者让成本和延迟飙升。它会在内容进入模型前做压缩，目标是用更少 token 保持同样的回答质量。

值得关注的点：

可以压缩 tool outputs、logs、files、RAG chunks、conversation history。
支持 library、proxy、MCP server 多种接入方式，不一定要改原项目代码。
强调 local-first 和 reversible compression，适合对隐私和可追溯性敏感的场景。
对 Claude Code、Codex、Cursor、LangChain 这类长任务场景很有价值。

我的判断：如果未来 coding agent 越来越依赖长日志、长 diff、长检索结果，那么“上下文工程”会成为基础设施。Headroom 这种工具很可能会变成 Agent Infra 的一层标配。

Taste Skill — 给 AI 培养审美的前端 skill

Taste Skill 不是一个普通 UI 组件库，而是一组给 AI agent 使用的前端设计 skill。它主要解决 AI 生成页面时常见的问题：布局无聊、留白混乱、字体层级弱、动效随意、整体看起来像模板站。

值得关注的点：

用 skill 的方式约束 AI 输出，让页面在 layout、typography、motion、spacing 上更像专业设计。
包含 greenfield 前端生成、已有项目 redesign、image-to-code、brandkit 等不同场景。
可以通过 npx skills add 安装，也可以直接把 SKILL.md 复制到项目或对话里使用。
对 Codex、Claude Code、Cursor 这类“能直接改前端代码”的工具尤其有用。

我的判断：这类项目说明 AI 前端开发已经从“能不能写出来”进入“写出来是否好看、是否有品味”的阶段。以后前端 agent 的竞争点会越来越多地落在审美、交互细节和设计一致性上。

English-level-up-tips — 离谱的英语学习指南

这个项目不是 AI 工具，但很适合放在科技热点里当“高质量学习资源”。它是一份面向中文读者的英语进阶指南，重点不是背几个单词，而是讲英语学习的方法、路线和长期训练思路。

值得关注的点：

内容偏系统学习，而不是碎片技巧。
对程序员、研究生、AI 从业者都有实际价值，因为很多一手技术资料仍然是英文。
英语能力本质上是信息获取能力，尤其在 AI、开源、论文、产品文档这些场景里非常明显。

我的判断：AI 时代更需要英语，而不是更不需要英语。因为 AI 可以帮你翻译，但你自己能直接阅读英文资料，依然意味着更低的信息损耗和更快的判断速度。

ai-engineering-from-scratch — 从零手搓 AI 工程

ai-engineering-from-scratch 是一份非常系统的 AI 工程学习路线，强调 Learn it、Build it、Ship it。它覆盖数学基础、机器学习、深度学习、CV、NLP、Audio、Transformer、LLM、RAG、MCP、Agent Engineering 等主题，并且大量内容都偏“从原理到实现”。

值得关注的点：

不是只讲 API 调用，而是从底层原理和代码实现入手。
内容跨度很大，适合建立完整 AI 工程地图。
覆盖 LLM Engineering、MCP、Agent Engineering 等当前很实用的新方向。
对想从“会调包”进阶到“能理解系统、能造轮子、能做工程落地”的人很适合。

我的判断：这类项目的价值在于补齐 AI 工程师的基本功。现在很多 AI 应用看起来门槛很低，但真正做稳定、可评估、可扩展的系统，还是需要扎实理解模型、数据、推理、工具调用、上下文和部署链路。

2026-02

第三周

如何在1-2年内成为某个领域的专家

bun 1.3来了，替代npm

gemini 3 是最强模型吗

国产小龙虾开源！网易有道开源 LobsterAI：国产 Agent 的"真·干活"时代来了！

第二周

一个视频看完ClaudeCode过去几个月重大更新

Agent Infra: Sandbox技术和选型

我与agent的2025

多智能体系统：基于A2A协议实现AI智能体编排

为啥coze和dify这种llmops没热度了，是不是没必要部署了？ - Jayhow的回答 - 知乎

ai 排行榜

cursor trae 比较

如何评价anthropic在可解释性方面工作？

第一周

trae

2026-01

第五周

agent 入门指南

Coze 2.0 Skill

什么样的行为极大的改善了你的心理健康？

模糊搜索插件, claude LSP的增强

未来程序员的展望

RankCoT 用排序思维链 + 自反思，提升 RAG 性能上限

一人开发者的技术路线作战地图

给AI编码智能体用的简单开放格式

notebooklm的使用技巧

GroupViT 深度剖析：如何仅用文本监督实现零样本语义分割？

如何自己做一个类似claude code 的agent

阿里开源Qwen3-tts

让多个agent同时帮你干活

RAG、LangChain、Agent 到底有什么关系？

人生问答提示词

大模型方面的推荐书籍

Agentic Memory 思考

Clawdbot - 会进化,可以通过聊天工具接入的个人助手 github

antigravity 使用方式 – 摆脱地域限制

可视化杀进程

Everything Claude Code – 如何正确使用claude code 另一篇文章

谷歌"可编程搜索"要变天了

Mistral 发布 ocr 3 提高手写以及结构化文档识别准确率

使用agent 搞定ocr - 吴恩达课程地址

把github项目封装成为一个skills - 以youtube下载为例

OCR模型 LightOnOCR-2-1B

一个被忽视的prompt是复制粘贴

第四周

planning-with-files 做技术预研

Chat2DB - AI数据库连接客户端

nano banana 做ppt生成的提示词

提示词: 极简商务演示风格，苹果发布会美学，大量留白，干净的无衬线字体，高端摄影图，网格布局，Helvetica字体，4k分辨率，超干净背景。

第三周

google translateGemma - 先进的翻译模型 claude code templates – 给claude code的提示词保证相应准确

claude code skills

垂直ai agent落地 Windows自动化软件zTasker - 定时软件

优雅的打印日志

程序员需要学习的长青技能

使用ai生成ppt和科研绘图

第二周

开源 Skills – 让ai模仿manus的思考计划执行 — github

大模型推理框架，SGLang和vLLM有哪些区别？

曾对AI嗤之以鼻，如今2周生成7万行代码：Rust大佬与Claude联手打造新语言Rue

claude skills

恭喜你! 发明了 [最强] RAG测试工具

Deeptutor ai帮助学习

第一周

1.5K Star！GitHub 开源神器 LifeTrace，帮你找回消失的记忆与时间– 屏幕记录工具，和我之前的想法一样

11.2K Star！AI编程Agent的"赛博包工头"来了，Vibe Kanban让效率再翻 10 倍！-感觉和autoclaude类似

Qwen-Edit-2511

科技月报-2025

Wed, 26 Nov 2025 15:22:18 +0800

2025-12

claude skills

text

深刻理解Claude Skills-构建AI时代的组织和个体进化之路-加速从AI Agent到Agentic AI演进-zhihu

deepseek推出数学模型

text

2025-11

Google Gemini API File Search / Long Context

RAG被判死刑：Google用一行API架空工程师！

1. 核心架构思维转变

Google 的方案并不是传统的 RAG（检索），而是基于 Long Context (长上下文) 的全量处理。

特性	传统 RAG (LangChain + VectorDB)	Google Gemini File API
处理逻辑	文档切片 -> 向量化 -> 相似度检索 -> 只有片段进 LLM	全文档上传 -> Token化 -> 整个文档进 Context -> LLM 原生注意力机制
优势	成本低，适合海量非结构化数据 (TB级)	精度极高，具备跨段落推理能力，支持复杂图表/表格理解
劣势	丢失上下文，图表/表格处理困难	Token 消耗大 (需配合 Context Caching)，受限于 Context Window (目前 1M/2M)

2. 环境准备

需要安装 Google 官方 Python SDK：

pip install -U google-generativeai

获取 API Key: Google AI Studio

3. Python 实战代码 (MVP)

这是一个最小可行性脚本，包含了文件上传、状态轮询和生成回答的全流程。

import os
import time
import google.generativeai as genai
from google.generativeai.types import HarmCategory, HarmBlockThreshold

# ================= 配置区域 =================
# 建议将 API Key 放入环境变量: export GEMINI_API_KEY="your_key"
API_KEY = os.getenv("GEMINI_API_KEY")
FILE_PATH = "technical_spec.pdf" # 替换为你的测试文件路径 (支持 PDF, CSV, TXT, MD 等)
MODEL_NAME = "gemini-1.5-flash-002" # 推荐: flash-002 (快/便宜) 或 pro-002 (强)
# ===========================================

genai.configure(api_key=API_KEY)

def upload_and_wait(path, mime_type=None):
 """
 上传文件并阻塞直到处理完成。
 Google 需要时间对大文件进行预处理（Token化/索引）。
 """
 if not os.path.exists(path):
 raise FileNotFoundError(f"文件未找到: {path}")

 print(f"🚀 正在上传: {path} ...")
 file = genai.upload_file(path, mime_type=mime_type)
 print(f"✅ 上传成功. URI: {file.uri}")
 print(f"⏳ 等待文件处理 (状态: {file.state.name})...")

 # 轮询状态直到 ACTIVE
 while file.state.name == "PROCESSING":
 print(".", end="", flush=True)
 time.sleep(2)
 file = genai.get_file(file.name)

 if file.state.name != "ACTIVE":
 raise Exception(f"❌ 文件处理失败: {file.state.name}")

 print("\n🎉 文件就绪!")
 return file

def main():
 try:
 # 1. 上传文件
 # 如果是纯文本，mime_type 可不填，PDF 建议显式指定 application/pdf
 your_file = upload_and_wait(FILE_PATH)

 # 2. 初始化模型
 # 关闭安全过滤以避免误杀技术文档内容
 safety_settings = {
 HarmCategory.HARM_CATEGORY_HATE_SPEECH: HarmBlockThreshold.BLOCK_NONE,
 HarmCategory.HARM_CATEGORY_HARASSMENT: HarmBlockThreshold.BLOCK_NONE,
 HarmCategory.HARM_CATEGORY_SEXUALLY_EXPLICIT: HarmBlockThreshold.BLOCK_NONE,
 HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT: HarmBlockThreshold.BLOCK_NONE,
 }

 model = genai.GenerativeModel(
 model_name=MODEL_NAME,
 safety_settings=safety_settings,
 system_instruction="你是一个资深技术专家。请基于提供的文件内容回答问题。引用原文时请尽量精确。"
 )

 # 3. 发起提问 (Long Context 模式)
 # 提示：你可以在列表中传入多个 file 对象
 prompt = "请总结这份文档的核心架构，并提取出所有的数据库 Schema 定义（如果有）。"

 print(f"\n🤖 正在思考 ({MODEL_NAME})...")
 start_time = time.time()

 response = model.generate_content(
 [your_file, prompt],
 request_options={"timeout": 600} # 大文件处理可能较慢
 )

 print(f"⏱️ 耗时: {time.time() - start_time:.2f}s")
 print("-" * 30)
 print(response.text)
 print("-" * 30)

 # 4. (可选) 查看引用元数据
 if response.candidates[0].citation_metadata:
 print(f"📚 引用来源: {response.candidates[0].citation_metadata}")

 except Exception as e:
 print(f"\n❌ 发生错误: {e}")

 # 5. 清理资源 (根据需求决定是否保留文件)
 # print("正在删除云端文件...")
 # genai.delete_file(your_file.name)

if __name__ == "__main__":
 main()

4. 关键测试点 (PoC 验证清单)

在验证此方案是否能替代现有 RAG 时，请着重测试以下三点：

多模态理解能力 (Multimodal RAG)
- 测试素材： 包含系统架构图、流程图或复杂数据表格的 PDF。
- Prompt： “根据图 3 的架构图，解释数据是如何流转的？”
- 预期： 传统 RAG 通常做不到这一点（OCR 丢失结构），Gemini 应该能准确识别。
跨段落/全局信息整合
- 测试素材： 长篇技术白皮书或小说。
- Prompt： “总结文档中提到的所有关于‘安全性’的约束，并按优先级排序。”
- 预期： 传统 RAG 容易漏掉没检索到的切片，Gemini 拥有全量上下文，召回率应接近 100%。
延迟与成本 (Latency & Cost)
- 观察： 首次请求的延迟（Cold Start）。
- 注意： 如果文件非常大且需要频繁提问，必须使用 Context Caching（见下文）。

5. 进阶：Context Caching (降本增效)

如果你的场景是“一个大文档，被反复提问”（例如：员工手册 bot、API 文档助手），直接每次上传或传入 Token 会非常贵。

请使用 Google 的 Context Caching 功能：

原理： 支付低廉的存储费，将处理好的 Context 缓存在 Google 端。
效果： 后续提问无需再次计算 Input Token，大幅降低延迟和推理成本。

文档参考：Google AI Studio - Context Caching

2025-07

202507月第三周

AI Agent开发新突破

ART框架发布！用Python一键训练AI Agent，邮件搜索到游戏操控全能搞定

人工智能技术的快速发展为智能Agent的训练带来了全新机遇。近日，一款名为ART（Agent Reinforcement Trainer）的开源强化学习框架正式发布，引发开发者社区的广泛关注。该框架通过集成GRPO技术，为Python开发者提供了便捷工具，可训练AI Agent执行多步骤任务，如邮件搜索和游戏操控等。

ART框架核心特性：
- 强化学习新利器: 专注于通过强化学习（RL）提升AI Agent的性能，使其能够从经验中学习并优化任务执行
- 多模型支持: 支持Qwen2.5、Qwen3、Llama和Kimi等多种语言模型，特别推荐使用Qwen2.5-7B等小型模型
- 长期运行能力: 支持构建能够处理多轮交互、递归调用子Agent或压缩历史记录的长期运行Agent
- 客户端与服务器分离: 采用模块化架构，极大降低了使用门槛
简单集成，开发者友好：
- 一键安装: 仅需运行 pip install art 即可完成安装
- 无缝对接: ART客户端与现有代码库无缝对接，通过简单的Python命令即可集成强化学习功能
- 云端支持: 支持在本地GPU或云端ephemeral GPU环境中运行
- 强大集成: 与W&B、Langfuse和OpenPipe等平台集成，提供强大的可观测性和调试功能
多场景应用价值：
- 邮件搜索与自动化: 训练的Agent能够高效完成多步骤邮件检索任务，快速定位目标邮件
- 游戏开发: 可训练AI Agent在复杂游戏环境中自主学习，在Atari游戏或自定义场景中实现智能决策
- 多Agent协作: 支持递归调用子Agent和多轮交互，适合开发复杂的多Agent系统
技术优势：
- GRPO算法: 基于GRPO算法，通过并行执行多次rollout收集数据，结合最新检查点进行迭代训练
- 模型兼容性: 兼容大多数vLLM和HuggingFace Transformers支持的因果语言模型
- 稳定性保证: 确保模型在长期任务中的稳定性和高效性
项目地址: https://github.com/OpenPipe/ART

未来展望: ART开发团队表示，未来将扩展框架功能，支持多模态数据处理和超长上下文推理，满足更复杂的任务需求。其开源特性和模块化设计，使得中小型团队和个人开发者也能快速构建高性能Agent，打破了传统强化学习框架的技术壁垒。

AI视频生成再次突破

MirageLSD：首个直播流扩散AI模型震撼发布

近日，全球首个人工智能直播流扩散（Live-Stream Diffusion，LSD）模型MirageLSD正式发布，其强大的实时视频转换能力引发行业热议。这款由Decart AI团队打造的创新模型，能够以不到40毫秒的超低延迟，将任意视频流实时转换为用户期望的场景。

核心技术突破：
- 超低延迟: 小于40毫秒的响应延迟，24帧/秒运行速度
- 实时转换: 支持摄像头、视频聊天、屏幕录制、游戏画面等任意视频流输入
- 无限生成: 突破传统模型长度限制，支持无限长度视频流处理
- 效率提升: 整体效率提升超过100倍，彻底打破时延和长度瓶颈
创新应用场景：
- 实时场景转换: 将普通视频通话变成星际冒险，木棒对决变成光剑大战
- 手势控制: 通过简单手势实时改变背景、服装和场景
- 快速游戏开发: 30分钟内构建一款游戏，自动处理所有图形效果
- 直播增强: 主播可实时改变直播场景和视觉效果
- 虚拟换装: 为电商和时尚行业提供创新展示方式
技术优势：
- Diffusion Forcing技术: 基于逐帧去噪和历史增强训练
- 抗漂移训练: 解决传统自回归模型的误差累积问题
- CUDA Megakernel优化: 显著提升GPU运行效率
- 时间一致性: 保持长时间生成中的画面质量和连贯性
体验地址: https://mirage.decart.ai/

AI语音技术突破

AI语音，已超乎想象

如果你对AI语音的印象还停留在抖音里机械又没感情的复读机效果，那你就Out了。最新的AI语音技术已经达到了令人震撼的水平，生成一段高质量音频只需要几十秒、几毛钱。

ElevenLabs v3 核心能力：
- 自然流畅的语音合成: 生成的语音自然、有感情、有气息，很难分辨出是合成的
- 情绪控制: 支持excited（兴奋）等情绪指令，语气词包含吸气、换气声音
- 音调调整: 支持Whisper等风格指令，可压低人声或调整说话风格
- 音效生成: 不仅能生成人声，还能生成咀嚼、狗叫、下雨等各种音效
- 多语言混合: 一句话里说多国语言，完全保留原本风格和音色
- 多人对白: 一次性生成多人对话，贴上台词即可生成小剧情
- 声音设计: 通过文本提示词创造全新的人声，无版权问题
- 声音克隆: 克隆任意人声，用该人声说出任何话
使用方法: 访问 https://elevenlabs.io/app/speech-synthesis/text-to-speech ，每月有10000字免费额度。

AI视频生成重大突破

Lightricks 发布 LTXV 模型更新：图像到视频生成突破60秒

Lightricks 宣布其 AI 视频生成模型 LTX-Video（LTXV）迎来重大更新，新增支持生成长达 60秒 的图像到视频内容。这一突破性进展打破了行业常规的8秒限制，使 LTXV 成为首款支持实时流式生成长篇 AI 视频的开源模型。

核心技术突破：
- 60秒视频生成: 通过自回归流式架构，从单一图像生成长达60秒的高质量视频
- 实时流式传输: 首秒内容几乎瞬时呈现，随后持续构建场景
- 高分辨率输出: 支持768x512或更高分辨率（如1216x704），帧率24FPS
- 多尺度渲染: 先以低分辨率捕捉粗略动作，再逐步优化细节
实时控制功能：
- 动态场景控制: 视频生成过程中实时调整姿势、深度或风格等元素
- IC-LoRA 技术: 持续应用控制信号，实现对视频细节的精准把控
- 多种生成模式: 支持文本到视频、图像到视频、关键帧动画以及视频扩展
高效性能：
- 130亿参数模型架构，bfloat16精度优化
- 硬件友好: 消费级GPU（RTX4090/5090）即可运行，最低8GB VRAM需求
- 超快速度: H100GPU上4秒内生成5秒视频，RTX4080上生成768x512视频仅需45秒
开源优势: 代码和权重已在GitHub和Hugging Face免费提供，配套LTX-Video-Trainer和ComfyUI集成工具。

开发工具更新

SuperClaude - 扩展 Claude Code 的 Python 框架，提供专门的命令、角色和 MCP 服务器集成。通过智能路由、任务自动化和多阶段编排来增强开发工作流程。
- 核心框架: 9个综合文档文件，指导 Claude Code 行为
- 命令系统: 16个专门的斜杠命令，用于常见开发任务
- 角色系统: 11个基于上下文自动激活的领域专家AI
- MCP集成: 外部工具连接（Context7、Sequential、Magic、Playwright）
- 安装系统: 统一的CLI安装器，支持模块化组件选择
GitHub地址
Traycer - VSCode的AI编程利器，处理大型代码库表现出色

Traycer作为一款专为Visual Studio Code设计的AI编程助手工具，正迅速在开发者社区中崭露头角。这款由TraycerAI开发的VSCode插件以其强大的任务拆解、代码规划与实时分析能力，显著提升了开发者的编码效率。产品入口：https://traycer.ai
Augment Code Remote Agent - 云端代码执行解决方案

将代码push到GitHub后，通过云服务器远程执行agent，实现并行工作。授权后可访问私有仓库，本地电脑可以关机，代码在云端继续执行。

2025年07月第一周

新闻

大而美法案增加美国赤字（拜登之前花了很多钱，导致特朗普现在举债额度很少）将会先降息，然后再扩表特朗普对于减税的问题，可能会导致以后更难收税

项目

项目地址	描述
github	Paper2Poster: Multimodal Poster Automation from Scientific Papers从科学论文自动生成多模态海报的项目
github	很牛的解析模型

2025年06月第四周

新闻

项目


monkeyocr - 非常好的pdf解析工具，感觉效果会比pdf2zh那个好非常多	- github-monkeyocr
现一款刚刚开源的Python打包工具：PyFuze	wechat
Claudia发布！优雅界面赋能Claude Code，跨平台AI编程新体验	aibase
面向初学者的机器学习教程	github
可以把在线的对话封装成api	- minimax-free-api

其他

Gemini Cli已发布，对标claude code

Gemini Cli已发布，对标claude code 评论说效果似乎不如claude code

1panel v2版本社区版两点

2025年06月第一周

新闻

项目

—
- OpenAudio 发布开源 TTS 模型 S1-Mini：0.5B 参数打造超自然 AI 语音
- 全球领先的 AI 语音技术公司 ElevenLabs 正式发布了其最新文本转语音模型 Eleven v3（Alpha 版），被誉为迄今最具表现力的 AI 语音模型。这一突破性进展不仅提升了语音合成的自然度和情感表达能力，还为内容创作者和开发者提供了更强大的工具，助力视频、音频书和多媒体工具的开发。

其他

google vertex 是什么？

Google Vertex AI 是一个由 Google Cloud提供的统一机器学习平台，旨在帮助开发者和数据科学家更轻松、更快速地构建、部署和扩展机器学习 (ML) 模型。它将 Google Cloud 内部用于机器学习的所有工具整合到一个统一的界面和 API 中，从而简化了从数据准备到模型部署和管理的整个机器学习工作流程。

可以把它想象成一个一站式的机器学习“车间”，无论是初学者还是专家，都可以在这里找到合适的工具来完成他们的项目。

核心理念与目标

Vertex AI 的核心理念是简化机器学习的开发流程。在过去，一个机器学习项目通常需要在多个不同的服务和工具之间切换，例如一个用于数据处理，另一个用于模型训练，还有一个用于模型部署。这个过程非常繁琐且容易出错。

Vertex AI 的目标就是解决这个问题，它将整个机器学习生命周期（MLOps）的各个阶段整合在一起，包括：

数据准备：连接到各种数据源，并使用工具进行数据清洗、标注和预处理。
模型构建与训练：利用 AutoML（自动化机器学习）或编写自定义代码来训练模型。
模型评估与管理：在统一的模型注册表中跟踪、评估和管理所有模型版本。
模型部署与预测：将模型轻松部署到生产环境中，并提供在线预测或批量预测。
模型监控：持续监控已部署模型的性能，并检测数据漂移或概念漂移。

主要功能与工具

Vertex AI 提供了涵盖整个机器学习工作流程的丰富工具集：

功能类别	主要工具和特点
统一环境	Vertex AI Workbench: 基于 Jupyter 的完全托管、可扩展的企业级计算环境，预装了数据科学和机器学习所需的各种库。
数据准备	Vertex AI Feature Store: 一个集中的特征存储库，用于在不同模型之间共享、重用和提供机器学习特征。
	数据标注: 提供数据标注服务，可用于图像、视频、文本等多种数据类型。
模型训练	AutoML: 无需编写代码即可训练高质量的自定义模型。只需提供数据，Vertex AI 就会自动探索不同的模型架构，为您找到最佳模型。支持图像、表格、文本和视频数据。
	自定义训练: 为需要更精细控制的专家提供全面的支持。您可以使用 TensorFlow, PyTorch, Scikit-learn 或 XGBoost 等主流框架编写自己的训练代码，并在 Google 强大的基础设施上运行。
模型部署与服务	统一模型注册表: 一个中央位置，用于管理、版本化和跟踪您的所有机器学习模型。
	端点 (Endpoint): 只需点击几下，即可将您的模型部署为可用于实时预测的端点。支持流量拆分，方便进行 A/B 测试。
	批量预测: 对于不需要实时响应的大规模数据，可以进行批量预测。
MLOps (机器学习运维)	Vertex AI Pipelines: 基于 Kubeflow Pipelines 构建，可帮助您编排和自动化您的机器学习工作流，实现工作流的可重复性和可扩展性。
	模型监控: 自动监控已部署模型的性能和输入数据，以检测是否存在偏移（skew）或漂移（drift），并及时发出警报。
生成式 AI (Generative AI)	Vertex AI Gemini API: 可以访问 Google 最先进的多模态基础模型 Gemini，用于构建各种生成式 AI 应用。
	Model Garden: 提供对 Google 和开源基础模型（Foundation Models）的访问，开发者可以轻松地发现、测试和部署这些模型，并进行微调。

主要优势

加速模型开发与部署: 传统的机器学习项目可能需要数月时间，而借助 Vertex AI 的 AutoML 和简化的工作流程，可以将时间缩短到几天。
降低技术门槛: AutoML 功能让没有深厚机器学习背景的开发者也能构建强大的模型。
提高团队协作效率: 统一的平台和共享的工具（如 Feature Store 和模型注册表）使得数据科学家、机器学习工程师和开发者之间的协作更加顺畅。
强大的可扩展性与性能: 背靠 Google Cloud 强大的基础设施，无论是训练还是预测，都能够轻松应对大规模的需求。
全面的 MLOps 支持: 提供了从数据到部署再到监控的端到端 MLOps 工具，帮助企业实现机器学习流程的自动化和标准化，确保模型的质量和可靠性。
拥抱前沿的生成式 AI: 紧跟技术趋势，内置了对 Gemini 等先进生成式 AI 模型的支持，让开发者可以轻松构建下一代 AI 应用。

适用场景

Google Vertex AI 适用于各种规模和行业的机器学习应用，例如：

零售业: 用于构建产品推荐系统、需求预测和客户流失分析模型。
金融业: 用于欺诈检测、信用风险评估和算法交易。
医疗保健: 用于医学影像分析、疾病预测和个性化治疗方案的制定。
媒体与娱乐: 用于内容推荐、观众行为分析和自动内容审核。
制造业: 用于预测性维护、质量控制和供应链优化。

总而言之，Google Vertex AI 是一个功能强大且全面的机器学习平台，它通过统一的工具和简化的流程，极大地降低了构建和部署高质量机器学习模型的复杂性，是企业和开发者在当今 AI 时代进行创新的重要利器。 Google Vertex AI：一站式机器学习与人工智能开发平台

Google Vertex AI 是一个由 Google Cloud 提供的统一机器学习（ML）平台，旨在帮助开发者和数据科学家更轻松、更快速地构建、部署和扩展机器学习模型与人工智能（AI）应用。它整合了从数据准备、模型训练、模型评估到最终部署和管理的整个机器学习工作流程，提供了一套完整的工具集，无论是初学者还是专家都能高效地利用其进行 AI 开发。

核心理念：统一与简化

在 Vertex AI 推出之前，机器学习的各个阶段——例如使用 AutoML 进行自动化模型训练和使用自定义代码进行模型开发——通常需要通过不同的服务和界面来完成。Vertex AI 的核心优势在于将整个机器学习流程统一到一个平台和 API下。这意味着团队可以在同一个环境中进行数据工程、数据科学和机器学习工程的协作，从而大大提高了开发效率和协作的流畅性。

主要功能与核心组件

Vertex AI 提供了涵盖机器学习全生命周期的丰富功能，主要包括以下几个核心组件：

Vertex AI Studio：这是一个用于快速测试、调整和部署生成式 AI 模型的可视化界面。开发者可以在这里与 Google 最先进的模型（如 Gemini）进行交互，通过编写提示（Prompt）来生成文本、图片、代码等内容，并根据特定需求对模型进行定制。
Model Garden（模型花园）：Model Garden 提供了一个丰富的模型库，其中包含了 Google 自主研发的先进模型（如 Gemini、Imagen 等）、第三方模型以及众多流行的开源模型。用户可以在这里发现、测试、自定义和部署最适合其业务场景的模型。
AutoML：对于没有深厚机器学习背景的用户，AutoML 提供了强大的自动化能力。用户只需提供结构化数据、图像、文本或视频，AutoML 就能自动训练出高性能的模型，无需编写任何代码。
Custom Training（自定义训练）：对于需要更高灵活性的专家用户，Vertex AI 提供了完全受控的自定义训练环境。开发者可以使用自己喜欢的机器学习框架（如 TensorFlow, PyTorch, scikit-learn），编写自定义训练代码，并进行超参数调整。
Vertex AI Workbench：这是一个基于 Jupyter 的集成开发环境，为数据科学家提供了从数据探索、分析到模型训练和部署的统一笔记本体验。它深度集成了 Google Cloud 的其他数据服务，如 BigQuery 和 Cloud Storage，方便用户无缝访问和处理数据。
MLOps 工具链：Vertex AI 提供了一整套 MLOps（机器学习运维）工具，包括 Vertex AI Pipelines 用于构建和自动化工作流，Vertex AI Feature Store 用于管理和共享特征，以及 Model Registry 和 Monitoring 服务，帮助用户管理、版本控制和监控已部署模型的性能，确保其长期稳定运行。

核心优势

选择 Google Vertex AI 进行 AI 开发具有以下显著优势：

加速模型开发与部署：通过统一的平台和强大的自动化工具，将模型从实验到生产部署的时间从数月缩短到数周甚至数天。
降低技术门槛：AutoML 和 Vertex AI Studio 等工具使得没有专业机器学习知识的开发者也能构建和使用强大的 AI 模型。
强大的生成式 AI 能力：可以直接访问和利用 Google 最前沿的生成式 AI 模型（如 Gemini），快速构建具备内容创作、对话、摘要等能力的下一代 AI 应用。
开放与灵活：不仅支持 Google 的专有技术，还广泛兼容各类开源框架和第三方模型，为开发者提供了极大的灵活性和选择空间。
企业级的安全与可靠性：依托于 Google Cloud 强大的基础设施，Vertex AI 提供了企业级的安全性、数据治理和可扩展性，确保应用稳定可靠。

典型应用场景

Google Vertex AI 已经被广泛应用于各个行业，解决复杂的业务问题，典型的应用场景包括：

智能客服与聊天机器人：利用生成式 AI 模型构建能理解并进行多轮对话的智能客服，提升用户体验。
个性化推荐：训练推荐模型，为用户提供更精准的商品、内容或服务推荐。
图像与视频分析：通过图像识别和视频内容分析，实现产品质检、内容审核、场景理解等功能。
欺诈检测：分析交易数据，实时识别并预防金融欺诈行为。
文档处理与分析：自动从大量文档中提取关键信息、进行摘要和分类。

总之，Google Vertex AI 是一个功能强大且全面的平台，它通过简化和加速机器学习的整个生命周期，让企业和开发者能够更专注于创新和解决实际问题，从而在人工智能时代获得竞争优势。

2025年05月第二周

新闻

Flow-GRPO技术大幅提升图像生成模型能力，解决复杂场景生成难题。
manus开放注册，目前看免费版本明显不如gemini

项目

感悟

2025年05月第一周

科技新闻

Qwen3发布

github项目

全新的跨平台浏览器内核，浏览器界面使用Qt开发
分享github项目的github项目

aws推出的agent框架

 主要功能
智能意图分类：自动识别用户查询，并动态分配合适的 AI 代理进行处理。
双语支持：框架支持 Python 和 TypeScript 两种语言。
灵活的代理响应：支持 流式（streaming） 和 非流式 的响应方式。
上下文管理：多个 AI 代理之间共享和维护对话上下文，确保连贯性。
可扩展架构：用户可以轻松集成新的 AI 代理，或定制现有代理的能力。
跨平台部署：支持 AWS Lambda、本地环境、云平台 等多种运行方式。
内置 AI 代理与分类器：提供预构建的代理，支持各种应用场景。

实时的deepfake
一个子托管的dashboard，感觉可以和我的Upick结合一下
具有本机AI功能的公平代码工作流程自动化平台。将视觉构建与自定义代码，自宿主或云相结合，400+集成。
电子书阅读器，支持多格式，pdf、EPUB等
huggingface推出的agent课程
科技爱好者周刊

2025年04月第三周

科技新闻

真我推出首款 AI 翻译耳机 Bud Air7 Pro，支持 32 种语言翻译！ [感觉如果再结合手机作为声音输出源，真香！]
哥伦比亚大学退学生开发 “AI面试作弊神器”Interview Coder ，成功融资500万美元 [可能以后的面试形式会变一变，不在是像现在这样的八股文了]

github项目

https://github.com/microsoft/markitdown 【微软推出，用于将各类文件转换为markdown，现在提供mcp】期待度：★★★★★
https://github.com/Byaidu/PDFMathTranslate 【多语言的pdf翻译转换工具】期待度：★★★★★ —- 20250423试了，效果还可以，而且我还是用的默认的google翻译，可能用ai会更好

https://github.com/dgtlmoon/changedetection.io?tab=readme-ov-file 【监控网页变化】
https://github.com/pocketbase/pocketbase?tab=readme-ov-file 【一个小型的后端数据库】
https://github.com/drawdb-io/drawdb 【可视化的操作/创建数据库】
https://github.com/microsoft/generative-ai-for-beginners 【面向初学者的生成式AI课程】

2025年03月第三周

科技新闻

OpenAI Chat Playground升级为Prompts Playground 更好测试、迭代提示词
百度正式发布文心大模型4.5及文心大模型X1，效果如何？ https://www.zhihu.com/question/13661056614
小米大模型团队登顶音频推理 MMAU 榜，受到DeepSeek-R1启发
首个国产Agent开发框架!仓颉社区发布Cangjie Magic，原生支持鸿蒙等全平台!
2025.3.18-Mistral开源Mistral-Small-3.1-24B 多模态、多语言，各项评分超过Gemma 3 27B、GPT-4o mini，OCR能力强。
腾讯更新混元3D模型新发布3D 2.0 MV（多视角效果更好）和3D 2.0 Mini（参数更小）。

github项目趋势

https://github.com/glanceapp/glance/tree/main?tab=readme-ov-file 像newsnow
https://github.com/xpipe-io/xpipe shell connection hub
https://github.com/calcom/cal.com 有点像滴答清单
https://github.com/langchain-ai/ollama-deep-researcher
https://github.com/patchy631/ai-engineering-hub ai的教程
https://github.com/langchain-ai/ollama-deep-researcher ollama
https://github.com/graviraja/MLOps-Basics 分周了解机器学习运维基础
https://github.com/block/goose?tab=readme-ov-file agent-tool

❤️每日思考和AI资讯

Mon, 24 Feb 2025 00:00:00 +0800

每日思考

什么时候是创业的时机？什么样的创业会成功（创业的要素是什么）

创业的时机赢

为什么每一次技术变革都加剧了贫富分化

参考：

https://m.thepaper.cn/newsDetail_forward_5349121

一、贫富分化的两个来源

财富积累能力的不平等：

考古研究发现，早在青铜时代欧洲就存在以血缘关系为基础的社会不平等。近亲结婚的核心家族拥有更多财富和豪华陪葬品。

农业革命后，定居生活使财富更容易积累和传承，加剧了贫富分化。
技术变革带来的财富创造能力不对称：

技术进步（如牲畜驯化、农业工具改进）提高了生产效率，但也导致资源分配不均，进一步拉大贫富差距。

二、农业时代贫富差距的决定因素

对古代西欧农业文明的研究发现：

人力资源稀缺的社会：贫富差距较小（基尼系数集中在0.2-0.3）。
土地稀缺的社会：贫富差距较大（基尼系数多超过0.4）。
土地所有权和继承制度使财富与个人劳动脱钩，导致贫富分化。

这个时代如何变富？

这是一个极其深刻且重要的问题。一个人如何变富？答案远不止“努力工作”或“省钱”这么简单。它涉及思维方式、行为模式和对经济世界运行规律的深刻理解。

结合更广泛的经济学和社会学原理，我们可以从以下四个层级来解构“一个人如何变富”这个问题。

层级一：思维与认知的彻底转变（内核）

这是所有财富积累的基础。没有这个内核，再多的技巧和方法也难以持久。

从“时间换钱”到“价值换钱”
- 穷人思维：我的一份时间只能出售一次（打工），想要更多收入就必须工作更长时间。
- 富人思维：我创造一份价值（一个产品、一个系统、一项知识产权），可以出售无数次。他们的时间利用率极高，专注于创造杠杆。
- 行动：思考你做的事情是否能产生“睡后收入”？能否规模化？能否脱离你的个人时间而存在？
拥抱生产性资产，警惕消费性负债
- 穷人思维：把钱换成看起来像资产的负债（如贷款买豪车，它会持续消耗你的钱）。
- 富人思维：不断买入能为你带来正向现金流的生产性资产（Assets）。资产是能把钱放进你口袋的东西。
- 行动：学习识别真正的资产：能产生租金的房产、股票/基金、知识产权（版税）、一家盈利的公司等。
理解并利用技术变革的趋势
- 正如文章所指，每一次重大的技术变革都会重塑财富分配格局。它会摧毁旧的工作和行业，同时创造新的财富机会。
- 行动：保持终身学习，敏锐地观察下一个技术浪潮是什么（AI、生物科技、新能源等），并思考如何让自己成为浪潮的推动者或早期使用者，而不是被淘汰者。

层级二：构建你的财富杠杆（方法）

财富的增长不是线性的，而是需要杠杆来实现指数级飞跃。

资本杠杆（Leverage of Capital）
- 用别人的钱（OPM - Other People‘s Money）来为自己创造财富。银行房贷、风险投资、商业贷款等都是资本杠杆。
- 行动：建立良好的信用，学习融资知识，让你的好点子和项目能够获得资金支持。
劳动力杠杆（Leverage of Labor）
- 雇佣他人，购买他人的时间来放大你的产出。企业家就是最典型的例子。
- 行动：从一个小项目开始，尝试外包或组建团队，学会管理和协作。
产品/知识产权杠杆（Leverage of Product/IP）
- 这是数字化时代最强大的杠杆。代码、媒体内容、书籍、课程、专利等。一旦创造完成，其复制的边际成本几乎为零，可以无限销售。
- 行动：将你的知识和技能产品化。写一个软件、做一个付费专栏、开发一门在线课程。
网络杠杆（Leverage of Network）
- 你的网络就是你的净值（Your network is your net worth）。高质量的人脉能带来信息、机会和信任背书，极大降低交易成本。
- 行动：真诚地帮助他人，建立自己的声誉，主动链接不同领域的人才。

层级三：穿越周期的实践与坚守（执行）

有了思维和方法，还需要在长期实践中做出正确的选择。

选择大于努力：赛道、城市与行业
- 选择一个处于上升通道的行业（如文章中所说，驯化牛的技术带来了农业时代的财富分化），其带来的回报远大于在夕阳行业里的内卷。
- 选择能最大限度发挥你优势的赛道，并选择财富聚集效率高的城市。
专注“财富创造”，而非“财富分配”
- 财富分配是零和游戏，想着如何从固定的蛋糕里多分一点（比如过度关注省钱、占小便宜、内斗）。
- 财富创造是正和游戏，想着如何把蛋糕做大（创业、创新、解决一个社会问题）。当你创造了巨大价值，财富自然会向你聚集。
惊人的耐心与长期主义
- 真正的财富积累需要时间，它是资产长期复利的结果。巴菲特90%的财富是在60岁之后获得的。
- 行动：尽早开始投资（无论是投资自己还是投资资产），并保持绝对的耐心，忽略短期波动。
管理风险，而非逃避风险
- 富人并非不承担风险，而是更聪明地管理风险。他们不会把所有鸡蛋放在一个篮子里，但也会在看准的机会上下重注。
- 行动：为自己设置安全边际（比如预留6-12个月的生活应急金），然后大胆地去尝试和冒险。

** 层级四：对“富”的重新定义（哲学）**

这是最深层次的思考。什么是真正的“富”？

财富是自由度 * 财富的终极目的不是炫耀性消费，而是选择权和控制权——有选择做或不做什么的权利，有控制自己时间和生活的权利。
财富是抗脆弱性 * 真正的富足，是构建一个反脆弱的系统（来自塔勒布的概念），能够抵御黑天鹅事件的冲击，并能从波动中获益。这包括健康的身体、稳定的情绪、强大的学习能力和多元的收入渠道。
财富是代际跃迁 * 如文章中提到北欧的例子，其“平等”在于高代际流动性。一个人的富有，如果能转化为对下一代教育、认知和起点的提升，让家族进入“财富创造-良好教育-更好财富创造”的良性循环，这才是更持久、更有意义的富。

总结给你的行动公式：

变富 = （创造价值的思维 × 利用杠杆）^（时间 × 耐心） - 消费性负债

内核是思维转变，从消费者变为创造者和投资者。
方法是找到适合自己的杠杆，放大个人努力。
执行是选择好赛道，长期坚持创造价值。
哲学是理解财富的真正意义在于自由和抗风险能力，并惠及后代。

最终，变富是一场外在实践与内心修行的结合。它要求你既要有世俗的智慧和执行力，也要有超越物质的格局和视野。

人类获取知识方式的变迁以及未来的趋势

人类获取知识的方式随着技术、社会和文化的变迁发生了显著变化。以下是对过去和未来知识获取方式的分析：

口述传统（远古至古代）：
- 方式：知识主要通过口耳相传，部落中的长者、智者或祭司将经验、故事、技能通过口述传递给下一代。
- 特点：依赖记忆，知识传播范围有限，容易因时间或地域而失真。例如，史诗、传说和仪式是主要知识载体。
- 局限：信息传播速度慢，保存困难，容易受到文化或语言隔阂的影响。
文字与书籍（古代至近代）：
- 方式：随着文字的发明（如楔形文字、象形文字），知识开始记录在竹简、羊皮纸、纸张等媒介上。书籍、手稿成为知识传播的核心工具。
- 特点：知识的保存和传播更加稳定，学者通过抄写、阅读和讨论获取知识。学校、图书馆和宗教机构成为知识中心。
- 局限：获取知识需要识字能力，书籍制作成本高，知识传播仍受限于地理和经济条件。
印刷术与大众教育（近代至20世纪）：
- 方式：15世纪印刷术的发明使得书籍大规模生产成为可能，知识传播进入新阶段。学校教育普及，教科书、报纸、期刊成为主要知识来源。
- 特点：知识的获取更加系统化，科学方法和学术研究兴起，图书馆、大学等机构进一步推动知识传播。
- 局限：知识获取仍依赖物理媒介，信息传播速度受限于印刷和分发的效率。
数字时代初期（20世纪末至21世纪初）：
- 方式：互联网的出现彻底改变了知识获取方式。搜索引擎（如Google）、在线百科（如Wikipedia）和数字图书馆让信息触手可及。
- 特点：知识获取速度大幅提升，信息来源多样化，个人可以通过电脑和网络自学。
- 局限：信息过载、虚假信息和知识碎片化成为问题，筛选可靠信息需要一定能力。

未来：人类如何获取知识

人工智能与个性化学习：
- 方式：AI技术将成为知识获取的核心工具。AI可以根据个体需求提供定制化的学习内容，实时解答问题，甚至通过对话模拟深度教学。
- 特点：学习将更加高效、精准，AI能分析用户的学习习惯、兴趣和知识水平，推荐最适合的内容。虚拟导师、沉浸式学习（如通过VR/AR）将普及。
- 例子：未来，你可能通过与AI对话快速掌握一门新语言，或通过虚拟现实体验历史事件。
去中心化与群体智慧：
- 方式：基于区块链或类似技术的去中心化知识平台可能兴起，知识由全球社区共同创建、验证和分享。X平台等社交媒体的实时信息流也将继续扮演重要角色。
- 特点：知识的来源更加多样，个体可以直接参与知识的生产与传播。AI辅助的实时验证将减少虚假信息的影响。
- 例子：未来，你可能通过一个去中心化平台获取全球专家的最新研究，或参与实时知识协作项目。
沉浸式与多感官学习：
- 方式：虚拟现实（VR）、增强现实（AR）和混合现实（MR）将创造沉浸式学习环境，结合视觉、听觉、触觉等多感官体验。
- 特点：学习将更直观、生动，例如通过VR模拟化学实验或探索宇宙。知识将以更直观的方式嵌入记忆。
- 例子：学生可能“走进”古罗马的虚拟场景，亲身体验历史事件，而非仅通过文字学习。
终身学习与即时知识：
- 方式：随着知识更新速度加快，终身学习将成为常态。AI驱动的微学习（micro-learning）将提供短小精悍的知识模块，满足即时需求。
- 特点：学习将无缝融入日常生活，随时随地获取所需知识。例如，通过智能眼镜获取实时翻译或专业指导。
- 挑战：需要更高的信息素养，以应对快速变化的知识环境。

思考：未来在知识获取领域有哪些创业方向

高度定制：学习app可以根据用户的习惯进行修改

❤️每日AI资讯

2025-03-04

百度发布ai画图，功能是可以调用多模态模型，生成的时候也能生成包含文字和图片的内容等，一个看似很有潜力的应用
flora推出无限画布，有点像coze，工作流
中国ai产业已经很吊了 (https://www.aibase.com/zh/news/15884)
阿里万相大模型登顶开源榜首
DeepSeek开源周第六天：极致推理优化系统，提高GPU计算效率
Sesame发布超真实的AI语音产品：几乎没有AI味道
People are using Super Mario to benchmark AI now

2025-03-03

DeepSeek 官方测算模型成本利润率为 545%

ai以后肯定会普及

2025-02-27

OpenAI 发布 GPT-4.5：性能提升，价格不菲
微软开源多模态模型 Phi-4-Multimodal 和轻量化 Phi-4-Mini
Mercury：首个商用大语言扩散模型：比传统模型快约 10 倍，编程性能差不多相当于 GPT-4o-mini。
Ideogram 2a 发布：速度快、成本低的文生图模型（闭源）
首个能生成黄色音频的模型：OCTAVE
Deepseek开源周第四弹：用于大模型训练的并行策略工具DualPipe、EPLB、Profile-data
微软开源Phi 4新模型：Phi-4-multimodal 和 Phi-4-mini
Raycast推出AI Extensions：能操作本地应用的智能体

2025-02-24

微软发布量子计算芯片Majorana 1，标志着量子计算领域的重大突破。 - [虎嗅网] - [2025-02-23]
法国成功点亮“人造太阳”22分钟，展示了AI在能源领域的潜力。 - [虎嗅网] - [2025-02-23]
谷歌推出AI“共科学家”工具，加速科研进展。 - [虎嗅网] - [2025-02-23]
研究发现AI在预感失败时可能作弊，引发对AI伦理的讨论。 - [虎嗅网] - [2025-02-23]
欧盟AI法案被指存在版权漏洞，可能影响未来的AI发展。 - [虎嗅网] - [2025-02-23]
微软发布生成式AI模型Muse，具备世界与人类动作模型功能。 - [虎嗅网] - [2025-02-23]
Google在iOS上推出Lens AI屏幕搜索功能，提升用户体验。 - [虎嗅网] - [2025-02-23]
Google发布PaliGemma 2 Mix，进一步提升AI性能。 - [虎嗅网] - [2025-02-23]

2025-02-22

DeepSeek宣布下周将开源五个项目，推动AI技术进步。 - [AIbase] - [2025-02-21]
阿里通义万相将开源视频生成模型WanX 2.1，提升视频生成能力。 - [AIbase] - [2025-02-21]
ChatGPT周活跃用户突破4亿，显示出AI聊天机器人的广泛应用。 - [AIbase] - [2025-02-21]
腾讯文档接入DeepSeek，上线PPT直出、周报神器、文献速读功能。 - [AIbase] - [2025-02-21]
Figure推出新型智能模型Helix，让人形机器人接受语音命令做家务。 - [AIbase] - [2025-02-21]
Midjourney网站新增多项组织功能，提升用户体验。 - [AIbase] - [2025-02-21]

微软Azure全力支撑OpenAI新模型GPT-5，或于5月下旬震撼登场。 - [AIbase] - [2025-02-20]

2025-02-12

阿里通义实验室开源音乐生成技术InspireMusic
推测：未来ai可能并不像之前预言的那么耗电

2025-02-11

Is AI making us dumb?
豆包开源视觉模型VideoWorld

2025-02-10

法国巴黎人工智能行动峰会开幕
AI应用行业投资景气
OpenAI 首款自研 AI 芯片据悉即将完成明年料将量产
百度风投回应错过投资DeepSeek：曾第一时间拜访但幻方不差钱
黑客利用 “损坏” pickle 文件在 HuggingFace 上传恶意 AI 模型

思考：轻量大模型在本地定制的推荐系统方面的应用如何？

2025-02-09

DataWhale人工智能学习活动昨日启动
三大运营商全面接入deepseek
机器人概念股大涨

思考：机器人概念股大涨，我之前对于具身智能一定会在今年迎来爆发的预言可能是正确的。

2025-02-08

法国公共投资银行宣布，计划向法国的人工智能领域投资高达 100 亿欧元
unsloth优化了GRPO在训练时的显存占用，最高可以减少80%，15G显存即可在本地训练Llama-3.1 (8B)和Phi-4 (14B)的推理能力。
pika是华人在美创建的公司，主打文生视频Ai模型，目前推出Pikadditions功能,可以一键把人或物P进视频里，带动作、带风格。
Google删除“不将Ai用于武器”承诺
Anthropic CEO声称deepseek在安全测试中是“最坏”的，因为其生成了关于生物武器的内容

思考：1. 现在模型这么轻量，完全可以集成到个人博客当中，在个人博客当中，直接问ai，ai根据你历史记录的博客内容回答问题，感觉很有前景；2. 经常有远控家里电脑的需求，我自己在电脑上装了一个远程开机卡，但是有时候因为电脑里面某些软件的问题，可能会导致向日葵不能正常打开，或者由于“纸飞机”原因，导致网络连接异常，所以有时候有一个实体的远程控制硬件挺有用的。但是看了向日葵的实体控制器，也太贵了，也就是一个视频传输和鼠标动作传输，感觉也不需要很复杂的代码或者硬件，而且实际上我基本上只需要实体硬件保证冗余就够了，开机之后我可以用向日葵啊，可不可以自己做一个这样的产品，只要把价格做的很低就一定会有很多人需要的。

2025-02-07

韩束公司老板声称“要用AI淘汰95%客服50%法务” 【来源：观察者网】
Omdia：中国生成式人工智能市场规模将增长超4倍【来源：银柿财经】
亚马逊计划2025年投资超1000亿美元加速人工智能发展
谷歌重磅发布Gemini2.0全系列模型，性能成本平衡，博客地址： google blog
OpenAI放大招:免费开放ChatGPT搜索
李飞飞团队用不到50美元成本训练出效果堪比R1的模型名为s1，地址：Github

思考： AI时刻真的到来了，不同于22年底openai所带来的震撼。以前人们也知道ai很厉害，但是巨大的成本让很多人望而却步，现在越来越多的成果证明，使用少量的成本就可以训练出超强能力的模型；很明显，未来的几个月内，ai市场将进一步井喷，更多的资金会投入到轻量化模型的竞争当中；ai的应用落地也将被提上日程。回顾第一条新闻，可以预见的是未来必然会有一大波的客服人员会被取代，一个显而易见的应用将是：将ai接入到与客户的对话中，当碰到无法解决的问题，ai提示人工客服手动接管，随着ai的进步，人类将充当一个监控者的角色。【大人，时代变了】

科技月报 on 扎塔-Zata

技术热点追踪

Agent 框架

LangChain

MetaGPT

CrewAI

AutoGen (Microsoft)

LLM 推理

Ollama

llama.cpp

vLLM

SGLang

RAG 检索增强生成

RAGFlow

其他 RAG 工具

文档结构化

MinerU

Marker

Docling

其他文档工具

Data Agent 数据智能体

Data Interpreter (MetaGPT)

Open Data Lab 工具链

编程智能体

SWE-Agent

OpenHands

OCR 文字识别

Surya

相关工具汇总

科技月报-2026

2026-06

第二周

AI 行业重磅新闻

IPO 潮：AI 巨头扎堆上市

GitHub 热门项目

V2EX 热门项目

其他重要新闻

第一周

Hacker News 热门

Hacker News 热门

GitHub Trending 热门项目

6月4日

6月3日

2026-05

第四周

GitHub 热门项目

Open Design — 开源 Claude Design 替代

Headroom — AI 上下文压缩神器

Taste Skill — 给 AI 培养审美的前端 skill

English-level-up-tips — 离谱的英语学习指南

ai-engineering-from-scratch — 从零手搓 AI 工程

2026-02

第三周

第二周

第一周

2026-01

第五周

第四周

第三周

第二周

第一周

科技月报-2025

2025-12

claude skills

deepseek推出数学模型

2025-11

Google Gemini API File Search / Long Context

1. 核心架构思维转变

2. 环境准备

3. Python 实战代码 (MVP)

4. 关键测试点 (PoC 验证清单)

5. 进阶：Context Caching (降本增效)

2025-07

202507月第三周

AI Agent开发新突破

AI视频生成再次突破

AI语音技术突破

AI视频生成重大突破

开发工具更新

2025年07月第一周

Gemini Cli已发布，对标claude code

1panel v2版本社区版两点