来自谷歌（Google）、美国佐治亚理工学院（Georgia Institute of Technology）和北京大学（Peking University）的研究者，提出了Procedural Graphs（PG，程序图），将工具调用、技能步骤、内部推理与任务状态组织成有条件的连接，为Agent提供「接下来如何行动」的依据。

Jev 自称首个公开的 System One 模型。它模拟的就是人脑那种下意识的毫秒级本能判断。Diogo 的原话里有一句很扎心：为什么超人般的聊天模型没有催生出 AGI？他的答案是，因为软件的绝大部分时间在做小判断，路由这张工单、标记那句话、给这条日志打分，而这些判断不该由一个"作家"来做，该由一个"裁判"来做。

随着GPT-6 Astra开始接受真实机器人操作测试，这种“让大模型作为决策大脑”的智能体范式正逐渐走向物理世界。

Shopify 又重新考虑原生，这并不代表 React Native、Flutter 或其他跨平台方案马上就会消失。但它确实说明了一件事情：AI 正在改变软件工程里很多过去被认为“理所当然”的技术选择。

传统大模型用逐token生成的方式去完成一个分类判断，就像请一个作家来帮你按电梯按钮——他先构思、再组织语言、再一个字一个字地写出来，而你只是想要他按一下“3楼”。

正常情况下，QPS 不算高，MySQL 也完全扛得住。后来接了一个外部系统，对方不知道是重试逻辑写错了，还是任务配置出了问题，短时间内开始疯狂请求这个接口。

今天我打算结合我们自己的真实业务系统，从第一性原理拆解一下 Jev 的技术机制，顺便把我们从纯第三方视角的测评数据放出来。看完之后，你可能会得到一个反直觉的结论。

工具执行完以后，返回结果会重新写回任务状态。模型看到新的结果，再判断是继续调用其他工具、调整处理方式，还是直接结束任务。这个过程会一直重复，直到任务完成或者触发停止条件。

数学界，真被AI追到家门口了！就在刚刚，OpenAI突然甩出一篇重磅博文——一款8月28日才开始训练的内部新模型，现已攻克了100多道世界级数学难题。

面试官真正在考察的，是你面对非结构化数据时，有没有自底向上的工程拆解能力，和从“能跑”到“可靠”的架构意识。

缓存键注入攻击可利用Web缓存键拼接缺陷，绕过访问控制、投毒站点窃密甚至发起XSS攻击，需规范缓存键配置防范风险。

Agent 岗考流式，考的从来不是你会不会调，而是你知道不知道第一次读到的字节，和你最终拿到的那条完整消息之间，隔了几层。

今天用一篇文章，把 Spring Boot 的五大核心概念一次讲透，看完你会彻底理解 Spring Boot 的设计哲学，也能在面试中从容应对。

开源的Laya冒了出来。它有421M参数，大约是4.2亿，采用Apache 2.0协议。Laya自称单问题延迟低了近8倍。在它自己公布的typed-decisions测试集上，专用微调checkpoint的准确率达到0.766，高于其中对比的Jev 1.13.0的0.727。

Open File Viewer 从 6 月做到现在，很多时间其实都花在这些不起眼的细节上。一个边框、一张图片、一个分页、一个十几年前的老 Word。

中国移动杀入办公智能体，决定这场胜负的，不是它能不能把 AI 做得更聪明，而是它能不能把 "交付" 变成一件可以被复制的事。

我在此前的文章中曾介绍MITRE ATLAS框架对AI威胁的分类方式，本文将进一步把这些研究成果映射到ATLAS框架中。

马斯克第一时间喊话，「Grok 4.7把SpaceXAI送上了智能体编程的第三把交椅，仅次于Anthropic和OpenAI」。

外媒The Information曝出内幕——OpenAI内部的AI模型，已经开始「自己训练自己」了！

别让Agent直接持有完整密钥。可以用门限密码学——把密钥拆成几份,分散存储,单个节点拿不到完整密钥。即使某个Agent被攻破,攻击者获得的也只是碎片,没法直接用。