2026 年 04 月

Hive 教程：给多 Agent 任务补上 Harness，而不是再写一条链

很多多 Agent 项目看起来都挺热闹：一个规划，一个执行，一个检查，再来一个总结。演示的时候顺滑，真塞进业务流程，麻烦就来了。中途失败怎么办？状态丢了怎么办？两个 Agent 写冲突了怎么办？谁来判断它该停手？ Hive 的切口不是再做一个花哨 Agent，而是做 harness。也就是给多 Agent 任务补上状态
Hive 教程：给多 Agent 任务补上 Harness，而不是再写一条链
作者：Administrator
分类： AI观察
标签： #AI

Mission Control 教程：自托管 Agent 控制台，先把任务、技能和花费管起来

多 Agent 工作流一多，聊天窗口就不够用了。哪个 Agent 正在跑，花了多少钱，装了哪些 skills，失败任务在哪里，谁有权限触发高风险动作，都需要一个控制台。 Mission Control 做的是自托管 Agent orchestration dashboard。它强调 SQLite、单命令运行、Skill
Mission Control 教程：自托管 Agent 控制台，先把任务、技能和花费管起来
作者：Administrator
分类： 技术教程
标签： #AI

Coze Loop 教程：Agent 上线前，先把评测、Prompt 和监控闭环补上

Agent 项目最常见的事故，是上线前靠感觉调 prompt，上线后靠用户投诉发现问题。模型换了、工具改了、知识库更新了，没人知道效果从哪天开始变差。 Coze Loop 是面向 AI Agent 优化的平台，覆盖开发、调试、评测、Prompt 管理和线上监控。它的价值不是多一个控制台，而是让 Agent 的质量变化能
Coze Loop 教程：Agent 上线前，先把评测、Prompt 和监控闭环补上
作者：Administrator
分类： 技术教程
标签： #AI

Banana Slides 教程：用 AI 做可编辑 PPT，先管模板、素材和复核

AI 做 PPT 最大的问题，不是能不能生成页面，而是生成出来能不能继续改。很多工具输出一堆图片，看着还行，到了客户修改、老板改字、设计调版时就废了。 Banana Slides 押的是另一条路：上传模板图片和素材，让 AI 解析内容，按自然语言生成或修改页面，并导出可编辑 PPTX。它更像一个 AI PPT 工作台，
Banana Slides 教程：用 AI 做可编辑 PPT，先管模板、素材和复核
作者：Administrator
分类： 技术教程
标签： #AI

Headroom 教程：给 Coding Agent 加一层上下文压缩，少花 token 还要不掉准

Coding Agent 的 token 浪费，很多时候不是模型太贵，而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果，全都原样塞回去，模型不但花钱，还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent，也可以作为代理放在应用和模型之间，对消息、工具输
Headroom 教程：给 Coding Agent 加一层上下文压缩，少花 token 还要不掉准
作者：Administrator
分类： 技术教程
标签： #AI

MOSS-TTS 教程：自托管语音生成，先把延迟、显存和授权边界讲清楚

语音 AI 的 demo 通常都很好听。真正落地时，问题才冒出来：长文本断句不自然，显存吃紧，首包延迟高，声音克隆授权不清楚，多说几分钟后情绪和音色开始飘。 MOSS-TTS 是开源语音生成模型家族，覆盖长文本语音、多说话人对话、声音设计、环境声和实时流式等方向。它适合想把 TTS 放到本地或自托管环境里的团队。 但语
MOSS-TTS 教程：自托管语音生成，先把延迟、显存和授权边界讲清楚
作者：Administrator
分类： 技术教程
标签： #AI

Chandra OCR 教程：复杂 PDF 进 RAG 前，先把版面和表格处理干净

做 RAG 时，很多人把注意力放在向量库和模型上，却忽略了最前面的文档解析。PDF 里的表格错位、公式断掉、页眉页脚混进正文，后面检索再强也救不回来。 Chandra OCR 适合处理这类硬文档：复杂表格、表单、手写、多语言、数学公式、版面结构。它能把文档转成 Markdown、HTML 或 JSON，并保留更详细的
Chandra OCR 教程：复杂 PDF 进 RAG 前，先把版面和表格处理干净
作者：Administrator
分类： 技术教程
标签： #AI

TOON 教程：把 JSON 数据喂给模型前，先把 token 账算明白

很多人做 AI 应用时，第一反应是把业务数据直接塞成 JSON。简单、通用、模型也能读，看起来没毛病。 但一到真实场景，账就不太对了。订单列表、埋点日志、知识库片段、搜索结果、用户画像、商品属性，全都用 JSON 喂给模型，会浪费大量字段名、括号和重复结构。上下文窗口再大，也不能这么霍霍。 TOON 的价值就在这里。它
TOON 教程：把 JSON 数据喂给模型前，先把 token 账算明白
作者：Administrator
分类： 技术教程
标签： #AI

IBM Granite 4.1：小模型路线没输，输的是粗糙训练

IBM Granite 4.1 的发布，很适合给开源模型圈泼一点冷静水：小模型路线没有输，输的是粗糙训练和粗糙定位。 Granite 4.1 是 3B、8B、30B 的 dense decoder-only 模型家族，训练管线包含约 15T tokens、多阶段预训练、长上下文扩展、监督微调和多阶段强化学习。更关键的是
IBM Granite 4.1：小模型路线没输，输的是粗糙训练
作者：Administrator
分类： AI观察
标签： #AI

Google 第八代 TPU 分成两条线：Agent 时代的算力不再只拼大

Google 第八代 TPU 分成 8T 和 8I 两条线，这件事比单纯“新芯片更强”有意思。 过去讨论 AI 算力，大家很容易只看峰值、参数、集群规模。到了 Agent 时代，负载变复杂了：有长时间训练，有大规模推理，有低延迟交互，有多轮工具调用，还有大量上下文读写。所有任务都用同一种算力形态硬扛，成本会很难看。 #
Google 第八代 TPU 分成两条线：Agent 时代的算力不再只拼大
作者：Administrator
分类： AI观察
标签： #AI
共 115 篇文章
页