🔥51CTO热榜:2026-09-01

Google DeepMind与杜克大学联合发布了AI科研系统Co-Scientist的重大升级版本,Co-Scientist是Google基于Gemini构建的多智能体科研系统。
8 月 30 日,OpenAI 的研究员 reach_vb 发了一条帖子,说了一句:很多人还没意识到 ChatGPT Work 现在能干什么。
KV Cache、Prefix Cache、Prompt Cache,都在复用同一类中间计算;Semantic Cache 复用的是旧答案。前三种失效,主要后果是更慢、更贵;最后一种错误命中,可能把旧答案原封不动交给新问题。
DeepSeek Harness 的价值,不是宣布 Agent 工程问题已经解决。它只是把模型外面的 Loop、上下文、工具、权限和调度拆开,让每一层可以替换,也让原本藏在产品内部的工程账单暴露出来。
一个被感染的 Agent,会主动让下一个 Agent 也感染上,不管是有意还是无意。跟计算机病毒在局域网里爬是一个道理,只不过这里"病毒"是自然语言写成的观点或目标,"传播介质"是 Agent 之间的对话和文件。
Warp 这套东西没有新模型,也没有新框架。核心动作是把 Agent 的行为规则从 prompt 里搬进一个能进 Git 的文件,再把人本来就在写的评论接上一条回收路径。
当大模型不再只停留在屏幕里聊天,而是真正伸出手去操控显微镜、机械臂、量子激光器——这一天,来得比很多人想象的更快。
很多人会想到 Palantir。但本体早已存在于人工智能和知识工程中,RDF、OWL 等标准也远早于今天的大模型。Palantir 没有发明本体。Palantir Ontology 是本体的一种代表性产品实现并取得成功,从而让本体广受关注,但 Palantir 不是本体的起点,本体也非 Palantir 发明。
RAG 和 Agent 解决的其实是两类完全不同的问题。RAG 的核心问题只有一个:模型不知道的信息,怎么从外部找回来。它的路径基本是固定的——查询改写、检索、重排序、拼接上下文、生成答案,一条流水线走到底,模型自己没什么决策权。
Google DeepMind 的 Co-Scientist 是一套基于 Gemini 的多 agent 系统,把构想、实验和写稿收成闭环。构想阶段用贝叶斯评分和 UCB 筛选假设;实验阶段先在小数据上搭脚手架,再扩到全量执行;写稿阶段用执行日志核对数字,并给幻觉、抄袭加惩罚。人机分工随领域变:材料合成要人装样和表征,生物学要专家改任务表述并做湿实验,计算机方向在给出口径后可以全自主搜架构。
插件不数代码行数,也不把 diff 越小当成越好。它只问:这一步是用户要求的,还是当前代码、数据和验收条件确实需要的?
有了 React Compiler 的托底,我们总算不用再把大把的精力耗费在机械的依赖数组对齐和防御性封装上了。把代码写干净,把业务逻辑理清楚,这才是前端开发本来该有的样子。
这一篇解决一个很多人纠结的问题——Claude Code 有好几种使用方式,终端 CLI、VS Code 插件、JetBrains 插件、桌面版 App、网页端,到底该用哪个?我的答案可能和你想的不一样:不是选一个,而是按场景组合用。 这篇把每种方式的真实体验、适用场景、以及怎么混用讲透,最后给你一张决策树。​
大多数人以为他们从 AI 得到糟糕结果,是因为自己写了糟糕的 prompt。我以前也是这么想的。所以我花了几个月收集 prompt 技巧、魔法词,以及人们很爱分享的那些巨大“完美 prompt”模板。
Orange Tsai (DEVCORE) 在 Pwn2Own Berlin 2026 中利用此漏洞作为包含三个漏洞的利用链的一部分。获得了 20 万美元的奖励,实现了完整的 SYSTEM(系统)权限接管。
IP告诉你最终要去哪,MAC告诉你下一步交给谁,一个管战略,一个管执行。分清楚了,网络就入门了一半。​
vue-clamp 更准确的定位是 Vue 文本截断 Primitive 组件库。 官方把它描述为解决 CSS text-overflow 覆盖不到的场景。
监控的价值,不在你天天盯着指标看。在没出事的那天晚上,你也能睡踏实。beszel 帮我做到了。
本文按照五类整理,每个操作均提供代码示例、反例与正例对比,帮助你快速掌握 NumPy 的核心精髓。
随着 Anthropic Compliance API 新增本地会话记录端点,你现在可以更好地治理本地 Agent,同时也需要清楚了解其中仍然存在的局限。