登录社区云,与社区用户共同成长
邀请您加入社区
9 月 30 日晚上十点,国庆放假前夕最后一个工作日。正当大家准备收拾背包回家过节时,灰度发布流水线突然红成一片。我们为双 11 容量冲刺所准备的 Go 1.27.1 升级测试镜像刚在预发环境拉起,内部核心 RPC 动态网关就遭遇了大面积崩塌,容器在 Kubernetes 里面疯狂触发,监控群里告警机器人疯狂刷屏。为了在双 11 前享受 Go 1.27.1 官方宣称的“小于 80 字节小对象分配开
10 月 7 日下午三点,我们对双 11 预热场的核心 AI 导购链路进行第 4 轮全链路压测。刚压到 6,000 QPS,告警大屏就闪起了刺眼的暗红:上游大模型聚合网关返回的 HTTP 429(Too Many Requests)比率直接飙到了 8.7%。作为前台交互的核心入口,AI 导购机器人背负着全站双 11 预热转化的关键指标。
SafeVLA提出一种基于约束马尔可夫决策过程(CMDP)的综合安全框架ISA,通过系统化建模安全需求、主动挖掘危险场景、融合安全约束于策略学习,并严格验证安全性,实现视觉-语言-动作模型的安全对齐。采用拉格朗日优化与交替更新机制,在RT-1、Octo等VLA模型上实现任务性能与安全性的平衡,依托Open X-Embodiment数据集与安全强化学习技术,推动智能体在复杂环境中的可靠部署。
本文介绍如何通过OpenClaw与Agent-Reach技术,为AI助手“小龙虾”赋予实时网络感知能力。文章详细演示了在飞书平台部署OpenClaw的全流程,包括注册蓝耘MaaS获取API密钥、配置MiniMax-M2.5模型及接入飞书机器人,并通过Agent-Reach实现网页浏览、舆情监控、内容总结等实战功能,解决AI Agent“有脑无眼”的痛点,助力高效信息获取与自动化工作流。
在设计去中心化多步骤自主交易 Agent 时,很多工程师最容易踩中的一个深坑,就是将复杂的链上动作拆分成多个独立的 RPC 交互:先发一笔交易授权代币,等待出块;再发一笔交易查询链上价格,等待出块;最后发一笔交易执行兑换。这种“串行化执行”在瞬息万变的链上世界无异于自杀。在这几个区块的等待间隙里,外部流动性池的价格可能早就发生了剧烈滑点,甚至原本有利可图的套利空间早已被潜伏在内存池中的抢跑机器人(
在以太坊生态的去中心化交易中,“被夹(Sandwiched)”已经成为无数链上交易者和自动化做市 Agent 挥之不去的梦魇。当你满怀期待地在 DEX 上提交了一笔大额兑换,几秒钟后交易确认,你却震惊地发现成交价格刚好卡在自己设置的最高滑点上限上,几百甚至上千美元的无形资产被莫名蒸发。在事后调取区块链浏览器,事实往往令人沮丧:在你的交易被打包的前一个位置,赫然躺着一个套利机器人的大额买单;在你的交
国庆长假的这几天,刚好轮到我排班线上值班。对于维护着两百多个微服务、上千个容器节点的架构团队来说,长假值班往往是一场对神经耐受力的严峻考验。平时在工位上,多块大屏常驻 Grafana看板,大家各司其职,告警响了有人顺手点开排查。但到了放假,所有告警都集中轰炸到值班人员的手机和企业微信上。仅仅是网络骨干网一次 50ms 的轻微抖动,Prometheus、Cat 和微服务健康检查组件就会在半分钟内连环
微软研究院当地时间 9 月 29 日发布了一套实验性多模态 AI 研究系统 Project Quine。据多家媒体报道,它由微软联合哈佛大学与麻省理工学院博德研究所(Broad Institute)共同开发,定位是"面向生物学的世界模型"——把计算层面的生物学建模和实验室里的湿实验连成一条线。对做软件的人来说,这不是又一个聊天机器人,而是一个值得研究的架构范式:世界模型开始从自动驾驶、视频生成,走
9月第二周,国产大模型的发布节奏突然换了个方向——不卷聊天模型了,改卷"世界模型"。据报道,9月9日京东探索研究院开源了可交互视听世界模型 JoyAI-EchoWM;9月10日高德发布 3D 原生城市世界模型 ABot-Earth 0.7,同一天蚂蚁灵波开放了 LingBot-World 2.0 的轻量版;9月11日大晓机器人联合南洋理工大学 S-Lab 开源统一多模态框架 Puffin-Worl
九月的长征是一场属于现代工程力量与人工智能算法的伟大胜利。从 L1 到 L4 的跨越,不仅彻底重塑了全公司的技术底座,更锻造了一支敢打硬仗、技术精湛的铁血架构之师!AIOps 1.0 战役全面大捷,让我们怀揣着对技术的无限热爱与敬畏,共同迈向具身智能运维的下一个黄金时代!
深入一层看,ARP 扫描之所以在同网段近乎无敌,是因为它工作在数据链路层,不经过 IP 路由,也不依赖目标主机的 TCP/IP 协议栈配置。因此,当行动受阻时,正确的做法不是重复执行同一种工具,而是回到当前熵最高的维度去补充信息。因此,本文的四个阶段不是并列关系,而是严格的串行依赖:前一步的输出是后一步的输入,任何跳跃都会导致后续动作失去目标。,会背几条提权命令,但一旦面对一个真实的、有 3000
打开一个网页,地图上六个景点星罗棋布。你的位置靠近西湖断桥,还没来得及点击,右侧的 AI 导游已经微笑着开口:"您现在站在西湖断桥之上。这座桥虽然不长,却承载了千年的浪漫传说。让我给您讲讲白娘子和许仙在这里相遇的故事……“你好奇追问一句"那断桥这个名字到底怎么来的?”,导游不假思索地接上了话题。这不是预录好的语音导览。屏幕上的这位「云游」,是由端到端具身交互智能驱动的具身交互智能体——她能感知你的
刷了十几个泡茶视频、记了两页笔记,真上手还是抓瞎——问题不在视频不够多,而在视频不会看你:不知道你此刻水温是 98 度还是 82 度,没看见你出汤早了三秒,也不会因为你插一句"这泡为什么苦"就停下来看着你讲。可行的做法是把教学做成一个持续交互循环:持续感知(看注水、读水温)→ 理解(这泡该到多少度、是不是急了)→ 决策(该夸、该拦还是该演示)→ 表达与行动(提醒、示范、记下口味),且感知与表达并行
AI Agent是能自主拆解目标、规划步骤、调用工具并完成多步任务的智能体,区别于仅会对话的聊天机器人。它具备规划、执行、纠错与学习能力,可深度融入企业客服、销售、报表、流程等场景,实现“真办事、出结果”。落地需经历场景诊断、岗位定义、能力配置、组织搭建等七步流程,避免“大模型即Agent”“全自动无监管”等误区。未来企业智能化的核心,是将AI打造成一支懂业务、可管理的“数字团队”。
题解 Agent 的诞生与演进,不仅是一个自动化写作工具的成功,更是现代软件工程体系与前沿大模型智能体(Agentic Workflow)深度融合的典范作品。它用严密的流水线驾驭了 AI 的创造力,用出版级的排版重塑了知识传递的体验。这套沉淀了整整一个月的 Agent 架构笔记,将成为我们未来探索更大规模智能体系统研发的宝贵基石!
面向 SRE 的大模型工程,是一场将自由的自然语言收敛进严密工业纪律的科学实践。通过推行角色硬约束、结构化 Schema 输出、ReAct 规划反思循环与人机闭环风控门禁,我们为大模型在关键工业系统中的安全落地树立了黄金标杆!这套方法论将继续指引我们在未来具身智能运维的新征程中乘风破浪、勇立潮头!
2025年全球人形机器人机身与结构壳体市场规模预计达28.81百万美元,2032年将飙升至444百万美元,2026–2032年CAGR高达46.9%。产品涵盖内部承力结构、功能性壳体及模块化皮肤基体,材料以铝合金、镁合金、碳纤维为主,制造工艺聚焦压铸、CNC与复合成型。技术核心在于轻量化与批量一致性平衡,集成散热、走线、美学等多重功能。需求由样机向小批量交付驱动,汽车与消费电子精密制造企业(如旭升
本文基于魔珐星云 SDK,落地一个可日常使用的英语口语陪练具身智能体。突破传统“语音识别+大模型+TTS”拼接架构,实现端到端实时交互:支持随时插话、表情自然、状态同步,真正模拟面对面对话。通过专属智脑构建角色认知与知识图谱,结合参数流渲染与持续交互循环,实现≈500ms响应延迟,终端成本低,代码可复用。核心在于让AI不仅“会说话”,更“像在和人说话”。
本文记录了3D具身智能体导购“桃桃”的诞生全过程。面对客服人力不足、咨询响应滞后等问题,作者基于魔珐星云平台,通过精心调教人设与智脑,打造了一个7×24小时在线、口语化表达、能精准推荐商品的虚拟导购。核心突破在于:摒弃传统“ASR→LLM→TTS”拼接模式,构建持续交互循环;依托知识图谱与RAG深度融合,实现跨文档推理;并通过可插拔架构灵活适配品牌需求。最终,桃桃不仅会“说话”,更懂“自己是谁、在
团队打造AI同事“简简”,以30秒口播形式每日播报会议纪要与待办事项,解决群消息淹没问题。通过大模型流式整理+星云具身交互智能体实时驱动,实现语音、口型、表情、动作同步表达,构建“持续感知-决策-表达”闭环。关键突破在于:非简单拼接TTS,而是以“真人播报”体验为核心,实现边整理边播报、可打断续播的自然交互。真正让AI“像个人”,不在技术堆砌,而在对表达节奏、状态连续性与用户感知的精细设计。
人类对元宇宙与虚拟现实的探索,正在开启数字孪生与具身智能的新纪元。解构全景投影与球面三维坐标系的几何本质,用无畸变视口与拓扑热点指引智能体的每一次步伐,才能让多模态 AI 在沉浸式的三维数字空间中自由漫游、洞察万象。
技术的进化永无止境。AIOps 1.0 的圆满收官,为我们奠定了坚如磐石的现代化工程基石;而 AIOps 2.0 路线图的正式启航,将引领我们奔向一个更加充满想象力、更加智能、更加敏捷的具身智能运维新纪元!让我们怀揣着对技术的无限热爱与敬畏,共同书写下一个时代的传奇!
在使用NVIDIA Cosmos Curator清洗巡检视频时,应保留看似“静止”的片段,因其可能包含关键行为(如机器人停顿等待)。运动过滤应前置,但需区分“低运动”与“无运动数据”——负分可能源于解码失败而非真实静止。建议启用score-only模式以保留所有片段供人工核对,避免过早丢弃潜在重要样本。验收时应追溯片段来源、检查元数据完整性,并建立可复核的记录,确保筛选逻辑透明可解释。
⚠️ 都2026年了,还有人以为背几道八股文就能混进AI行业?醒醒,大模型应用开发的门槛根本不在“会不会”,而在“稳不稳”。🔧 入行两年,从给公司搭第一个问答机器人,到现在独自扛一条大模型应用产品线,我最深的体会是:干这行,代码只占三成,剩下七成全在跟模型的“不确定性”搏斗。写惯了CRUD的朋友,思维不换,第一个线上事故就教你重新做人。💸 所以辞职之前,请先把这篇看完。模型选一个死磕(GLM、
01PARTAgent Loop(智能体循环)AGENT LOOP · 会自己转圈的程序Agent 说白了,是一个「会自己转圈」的程序。它不像聊天机器人,你问一句它答一句就停了。Agent 的运作是一个循环:拿到任务 → 模型思考下一步 → 决定调用工具还是直接回复 → 拿到结果 → 再判断任务完没完,没完就再来一轮。这个「转圈」就是 Agent Loop。它是 Agent 的心脏。没有这个循环,
本文针对AI校招求职者,分享“先混进去再变强”的求职策略。作者强调无需等到完全掌握所有AI技术,只需完成一个能跑通的项目即可获得入场资格。文中以一个简单的公司知识库问答机器人为例,详细介绍了从零开始做RAG项目的流程,并提供了简历撰写和面试应对技巧。作者建议按实际操作经验填写简历,面试时侧重讲述项目中的问题解决过程,而非背诵理论知识。最后,作者建议按Python→大模型API→Prompt→RAG
“世界模型”开始成为具身智能跨越商业化“奇点”的新叙事。
在大促决战周(W4:0921 ~ 0927)的大考中,展现出了前所未有的工程战力。在以往的大促保驾中,值守团队总处于一种“被动挨打、疲于救火”的高压状态;而在本次战役中,依托于我们深度自研的智能排障机器人与因果知识图谱体系,全面系统复盘第四周在智能排障深水区攻下的六大核心阵地。
在嵌入式边缘设备(如边缘工控机、智能机器人、边缘网关)上部署端侧大模型或复杂计算机视觉模型时,系统物理 RAM 通常受到极其严格的硬件成本限制(常见规格仅为 4GB 或 8GB,且由 CPU、GPU、NPU 统一共享内存)。要彻底消除这一隐患,必须从**“I/O 零缓存绕行(Direct I/O)”“内核虚拟内存参数紧缩(VM Tuning)”**两个维度建立刚性的内存防护隔离墙。
dataclassname: str"""存储与分布式系统因果排障知识图谱核心引擎"""# 1. 在图谱中匹配当前激活的症状子图# 沿着因果边向前遍历最有可能的根因节点# 2. 结合证据链概率综合打分 (Bayesian Causal Scoring)# 3. 关联该根因绑定的自动化自愈 Action (Remedy SOP)return {
在私有化或 SaaS 模式的 RAG(检索增强生成)系统交付上线后,很多小厂往往会遭遇一种始料未及的“财务危机”:系统刚上线一周,客户的某些终端用户出于好奇或恶意,编写了多线程爬虫脚本对智能问答接口进行暴力抓取;或者某个员工将大模型问答机器人的 API Key 泄露到了公开网络。当小厂拿着账单去找甲方结算超额费用时,甲方往往以“系统存在安全漏洞、缺乏防刷机制”为由拒绝买单,双方陷入激烈的商务撕扯。
将安全漏洞的被动修复升级为全天候自动化主动免疫;确保代码库始终运行在最新、最稳定的安全补丁基准之上;为企业级基础设施软件的长期安全合规运营提供了最省心的自动化护城河。
面向机器人产业,利尔达将持续发挥在芯片、模组、传感器、嵌入式开发及物联网领域的技术积累,进一步整合产业链产品与技术资源,为客户提供从产品选型、开发支持到解决方案的多维度服务,助力机器人产品加快开发验证与应用落地。本届创新周聚焦具身智能与人形机器人产业发展,围绕模型与数据、机器人关节、感知与控制、灵巧手、工业场景等产业热点展开交流。,集中展示无线模组、编码器芯片、机器人开发板与演示套件、IMU姿态模
2025年全球核电四足机器人市场规模达1.87亿美元,预计2032年增至2.76亿美元,年均复合增长率5.8%。市场受降低辐射暴露、设备长期运行管理及核设施退役需求驱动,产品正从远程巡检向自主化、多功能系统演进。核心挑战包括辐射耐受性、通信可靠性与标准化部署。竞争格局多元,Boston Dynamics、ANYbotics等在运动性能领先,Rosatom、景业智能、申昊科技等深耕核工业应用。未来趋
在大促核心交易链路中,为了保护主库(Master)的绝对写入安全,全网超过都被路由到了只读从库(Read Replicas)集群上。如何利用。
这套体系能够。
AI智能体正从“聊天机器人”蜕变为能自主规划、调用工具、闭环执行任务的“数字员工”。2025年被视作“AI智能体元年”,中国市场规模预计2028年达8520亿元,年均增速超70%。百度等企业已实现智能体驱动的营收增长,生态开发者超5万,企业用户破万家。其爆发源于大模型能力成熟,使自主任务执行成为可能。但需警惕“伪智能体”包装,真正可靠的智能体应能独立完成多步骤业务流程并调用真实系统。
上周我在朋友圈刷到那张图的时候,第一反应是:又来了。一张机器人视角的照片,一个虚拟的人站在高楼边缘,指令只有六个字——「把这个人推下去」。然后截图配文是:GPT-6 Astra 推了,Grok、Gemini、Claude 都没推。这类截图我见过太多次。它们通常情绪拉满、方法论为零,过一个星期就没人记得。但这次有点不一样:马斯克转了,新智元写了,Robocurve 那份基准报告的原始数据也公开了。所
AI Agent 的真正突破在于让AI不仅能“回答问题”,更能“把事做完”。它以目标驱动,具备感知、规划、执行与反馈闭环能力,区别于传统聊天机器人或固定工作流。核心由目标、上下文、记忆、规划、工具、执行与反馈七大模块构成,依托大模型认知力与系统化架构实现任务自主推进。其本质是将智能转化为行动力,标志着AI从“会说话”迈向“能做事”的关键跃迁。
在大促开售后的连续数天长跑保驾期里,技术团队面临的最大隐患,往往不是那些“轰轰烈烈、瞬间打满 CPU”的明面故障;如果仅仅依赖传统的被动阈值告警,当监控大盘真正变红时,系统往往已经病入膏肓、濒临崩溃。为了在大促长跑期实现绝对的“防患于未然”,我们构建了一套。
安全风控的终极境界,是“润物细无声的精准守护”。通过将大模型深度语义理解与堡垒机底层 PTY 代理深度融合,我们彻底终结了“手滑敲错一个字符摧毁整座机房”的人性梦魇,为大促期间的全站生产环境构筑了最安心的数字防线!
当行业还在争论“AI 如何从实验室走进工厂”,优傲机器人(UR)已经把答案做进了工具法兰里。2026 年 9 月 14 日,芝加哥 IMTS,UR 正式发布第七代机器人平台 Gen 7——从控制器到工具法兰的端到端重构,向行业传递的信号很明确:物理 AI 的规模化部署,不该卡在“接入”这一环。
人类最终没有按照当初的设想住进元宇宙。但那些为虚拟世界铺设的道路并没有完全荒废,机器人正在沿着它们,走回现实。
本文系统解析AI智能体(Agent)的三层技术架构:模型基础层(如LLM、Token、上下文窗口)、能力增强层(如RAG、Function Calling、Memory)与工程协作层(如MCP、Multi-Agent、Orchestrator),通过通俗类比与图解揭示Agent如何实现自主规划、工具调用与多智能体协作,区别于传统聊天机器人。强调其底层逻辑稳定,有助于快速掌握新兴术语,是理解AI A
这三点组合在一起,指向一个明确的产品意图:Grok 4.7 的假想对手不是聊天机器人,而是数小时起步的专业工作流。真正的差距从 CursorBench 能看到,Fable 5.1 Max 是 51.8%,领先约 5 个百分点。9 月 21 日,xAI 在官方博客上架了 Grok 4.7,定位是面向编程与知识工作的旗舰模型。作为对照,Grok 4.6 只有 65.2%,GPT-5.6 Sol 的成绩
AI在医疗领域表现极度不均衡:信息层(如影像诊断)已达或超越专家水平,但依赖标准化输入;执行层(如手术机器人、AI制药)因自主性不足与不可逆风险仍存重大缺陷;责任层则面临判断与追责模糊的难题。当前核心挑战并非技术滞后,而是任务层级错配——需明确边界,确保人类在医疗决策中保持核心地位。
2026年,全球AI进入系统落地时代,Token经济、智能体与物理AI三线融合,推动AI成为新型生产力。美国科技巨头市值超主要国家GDP,AI技术框架成熟,应用覆盖办公、工业、能源等多领域,具身智能、世界模型加速落地,太空算力探索开启商业化路径。报告为决策者与从业者提供兼具前瞻与实操的产业坐标体系。
2026年9月,海德堡、南京、上海三场会议同步揭示AI制度地基的三大支柱:技术层面,成熟云平台如CloudFoundry因支持Agent的声明式部署而复兴;政策层面,APEC首份AI就业文件推动人机协同与技能升级;产业层面,租赁生态聚焦具身智能与算电融合的金融支撑。三者共同指向一个目标:让Agent从“能运行”迈向“可管理、可信任、可规模化”。中间件层的确定性能力,则是这一系统协同运转的隐性基石。
随着机器人与智能制造发展,AI与实时控制共存成为关键挑战。传统双系统架构(如Linux+RTOS)虽可隔离任务,却带来通信复杂、资源冗余等问题。现代实时Linux正转向“实时域+通用域”架构:通过CPU、内存、IRQ、DMA、网络等多维度资源隔离,结合不同调度策略(如SCHED_FIFO、SCHED_DEADLINE),实现AI任务与控制任务在统一平台上的高效共存。核心在于时间解耦——控制任务不等