跳到正文
11月18日 · 周三

最新精选

今天11月18日周三
  1. AWS Machine Learning Blog63

    降低 Amazon Bedrock AgentCore JSON 工作负载的 token 成本与延迟

    在代表性 23 MB payload 的基准运行中,三种 Amazon Bedrock AgentCore JSON 工作负载优化策略让 token 消耗最高降低 71%、平均延迟最高降低 80%。

    推荐理由:文章给出生产智能体处理大 JSON 负载时降低 token 成本和延迟的三种工程策略,并用同一数据集对比优化前后的结果。

  2. AWS Machine Learning Blog68

    AWS 讲解生成式 AI 成本优化:规则交给代码,判断交给模型

    AWS 发布教程,讲解如何在生成式 AI 工作流中先判断步骤是否需要模型,再按确定性代码、受约束决策调用和合适规模模型分流。文章用客服助手示例说明,格式检查、关键词快路径和固定队列选择可先于模型执行,开放生成任务再用 Amazon Bedrock 中满足要求的最小模型。

    推荐理由:原文给出一套先判断工作流步骤是否需要模型,再分流到规则、受约束决策调用和合适规模模型的成本优化方法。

  3. AWS Machine Learning Blog61

    ArisGlobal 如何在 Amazon Bedrock 上扩展生成式 AI 推理

    ArisGlobal 在 Amazon Bedrock 上通过前置并缓存共享提示词前缀,在不让成本按比例增长的情况下扩展多租户生成式 AI 推理。实现使用 Anthropic Claude Sonnet 4.5,此前共享前缀 6 个月增长约 150%,每案例推理成本增加超过 200%;调整后典型请求 65% 的输入 token 由缓存提供。

    推荐理由:原文用生产指标说明调整缓存对象能降低输入成本,并提供多租户场景下可迁移的请求排序和缓存监控经验。

11月17日周二
  1. AWS Machine Learning Blog63

    多智能体系统设计模式、反模式与制造经验分类

    AWS Machine Learning Blog 梳理了多智能体系统的确定性工作流、自主编排、混合架构、5 类反模式和制造场景选型约束。文中用 10 个步骤各 95 percent 可靠时端到端只有 59.9 percent、20 个步骤只有 35.8 percent 的例子说明依赖交接会放大风险。

    推荐理由:原文给出多智能体模式与反模式的分类和决策树,帮助读者按任务确定性、专业分工与风险边界选择最简架构。

11月13日周五
  1. GitHub Blog · AI & ML60

    GitHub 博客:构建一次即可在任何智能体运行的 agent 技能实践指南

    GitHub 员工 Andrea Griffiths 在 GitHub 博客发表 agent 技能实践指南,讲解如何将重复任务封装为可跨智能体复用的技能。

    推荐理由:本文给出了将重复任务封装为可移植智能体技能的具体方法,团队可借鉴其清单与校验点设计来沉淀业务知识。

10月22日周四
  1. AWS Machine Learning Blog61

    AWS Deep Insight 如何解决多智能体系统的五大生产挑战

    AWS解决方案架构团队发文剖析其构建的开源多智能体系统Deep Insight,讲解它如何解决生产环境的五大核心挑战。系统基于Strands Agents SDK与Amazon Bedrock等构建,提供三种部署方式并已在GitHub开源。本文为三部分系列第一篇,后续将涵盖上下文工程与生产部署。

    推荐理由:AWS团队以自研Deep Insight为例,梳理生产环境多智能体系统的五大挑战与架构对策,为类似系统提供可复用的设计与部署参考。

10月21日周三
  1. Hacker News · AI 热帖79

    AI图像生成实践指南:从扩散模型到智能体

    westsmith 撰写了 AI 图像生成实践指南,系统讲解从扩散模型到智能体集成的原理、成本与代码实践。文中基于调用 Flux、Gemini 等模型的实验,总结了描述相机而非视图等提示词方法与不依赖提供商的薄接口模式。该指南还演示了 Claude 通过 MCP 调用图像模型形成智能体驱动生成回路。

    推荐理由:作者基于调用多家图像接口的实验,总结出不依赖具体提供商的薄接口、日志与重试模式,便于工程复用。

10月11日周日
  1. Hacker News · AI 热帖77

    500B tokens 后:让 AI 智能体反编译一款第一人称射击游戏

    过去3个月,davikr 借助 Claude 与 Codex 等 AI 智能体反编译了一款第一人称射击游戏,重建出 99% 函数且 83% 字节精确。项目初期代码语义错误,后通过字节匹配脚本验证使廉价模型也能可靠工作并大幅降本。作者总结出精确机器可检查验收标准与定时刷新指令等 Agent 编排经验。

    推荐理由:本文作者基于反编译项目分享了用字节匹配脚本验证AI生成代码语义正确性的方法,能降低对高价模型的依赖并规模化编排智能体。

9月12日周六
9月10日周四
  1. Hugging Face Blog60

    用 Hugging Face Jobs 跨机跑 Async GRPO 与 LoRA:一个存储桶、一个代理、不用 NCCL

    Hugging Face 博客介绍如何在 Hugging Face Jobs 上跨机运行 AsyncGRPOTrainer:训练 Job 只把 LoRA adapter 写入 Storage Bucket,两个 vLLM Job 从同一挂载路径读取,代理负责加鉴权头、按 KV 前缀路由 rollout 并把 adapter 加载广播到所有副本,全程不需要 NCCL。

    推荐理由:原文给出跨机异步 GRPO 的完整工程配方与五轮瓶颈定位数据,可迁移到自建 RL 训练流水线。

8月18日周二
  1. Hugging Face Blog62

    Sentence Transformers v6.0 新增 MultiVectorEncoder 支持晚交互检索

    Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder,用于 ColBERT 式晚交互检索,可直接加载 PyLate、Stanford-NLP ColBERT 检查点,也能通过同一套 API 运行 colpali-engine 的视觉文档检索模型。

    推荐理由:原文给出多向量编码器的加载、打分与索引实测数据,可据此判断晚交互检索的落地成本。

8月14日周五
  1. Hugging Face Blog62

    用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 打通录制训练部署闭环

    Hugging Face 博客介绍 Strands Robots 的流式数据闭环,用同一个 Robot() 对象完成录制演示、同步到 Storage Bucket、从 Hub 流式读取训练并把 checkpoint 部署回硬件,全程保持 LeRobot 磁盘格式不变。

    推荐理由:原文给出从录制、同步到流式训练再部署的完整闭环代码,可迁移到机器人数据采集与训练流程。

3月11日周三
  1. Mistral AI62

    Mistral 用 Vibe 构建自动编写 Rails 测试的智能体

    Mistral 基于其开源编码助手 Vibe 构建了一个自主智能体,可读取 Rails 源文件、生成或改进 RSpec 测试,并在 CI/CD 流程中无需人工干预运行。

    推荐理由:Mistral 公开了用 Vibe 构建自动写 RSpec 测试智能体的完整方法,包括 AGENTS.md、skills 与自定义工具的具体配置。

已经到底了

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有