镰刀韭菜-优快云博客

原创别只堆 MCP：用高星 Agent Skills 拼一条「研究→交付」闭环

代码审查、测试、可观测、安全检查类技能，对应 harness 的 L5/L6。没有独立检视，环会在「我写完了」处提前断开。好的检视技能会带着可执行检查清单，而不是只输出形容词。

2026-11-05 08:06:40 253

原创 Harness 工程：Agent 卡在 70 分，多半不是模型不够聪明

调试 Agent 到凌晨并不稀奇：换旗舰模型、重写系统提示、把 RAG 切块参数拧来拧去，沙盒里明明还行，一上生产就忘两步前的结论、没做完却报成功、任务成功率死死卡在某个不上不下的区间。Nick T（Ph.D.）在 Artificial Intelligence in Plain English 上那篇导读，讲的就是这种挫败感。文中有个很典型的自述：同一套模型怎么折腾，生产成功率都很难从约 68% 再往上推；

2026-11-03 08:12:23 275

原创 OKF + RAG：企业 Agent 别再二选一，权威知识和大海捞针各管一摊

问公开知识，大模型往往很稳；问自家「月流失率怎么算」「支付接口的真实契约」「数据库故障转移 runbook」，它照样能答得像模像样——只是经常是编的。过去两年，大家习惯用 RAG 顶上去：文档切块、向量库、top-k 塞进提示词。非结构化语料多的时候，这招确实有用。问题是，它找的是「语义相近」，不是「事实权威」。董事会口径的 churn 公式、支付 endpoint 的精确契约，差一点点都不行。

2026-11-01 08:10:48 129

原创 Google 开源 Harness²：为什么 AI Agent 的瓶颈常常不在模型，而在「工作环境」

做 Agent 久了，大概都撞过这种墙：模型没换，只是改了系统提示、工具封装、记忆策略，或者把编排逻辑重写一遍，结果就能差出一截。反过来也成立——模型看着够聪明，长链路里照样漏步骤、乱调工具，写完文件也不回头核对。很多人第一反应是换更大的模型。Google Cloud AI Research 开源的 Harness²（论文，Apache 2.0）换了个角度看这件事：把 Agent 拆成。权重先冻住，真正能动刀、能迭代的，是提示、工具、记忆、技能和编排这一整套「马具」，也就是工作环境。

2026-10-31 08:04:29 347

原创 Laya：不做生成、只做决策的开源模型，和 TypeSafe Jev 比慢在哪、快在哪

Laya 是一款开源、非自回归的决策模型，专注结构化输出（如路由、风险判断），不生成自然语言。相比生成式LLM，它省去解析与格式校验环节，延迟更低（单问约33ms），吞吐更高；与TypeSafe Jev对比，虽无严格对照实验，但公开数据显示其延迟低约7.8倍。优势在于快速、精准的choice/score/noul决策，适合工单路由、安全分诊等场景。但需注意：基座模型准确率仅0.362，依赖微调；多语种表现参差，高置信度错误频发；不适合生成解释或动态标签。

2026-10-31 00:59:18 124

原创使用Jev构建Harness（智能体编排外壳）

Jev 是 TypeSafe AI 推出的 System One 模型，专为快速、结构化决策设计，可替代传统 LLM 在智能体中的低效循环。它通过并行处理多问题请求，实现高达 200 倍的推理速度与 400 倍的成本降低。在 LangChain 中，可通过 TypeSafeClassifier 调用，用于模型路由与自动模式（AutoMode）等场景，提升智能体安全性与效率。其非生成式特性使其成为智能体编排中理想的“决策引擎”。

2026-09-23 13:46:43 493

原创在 Ubuntu 22.04 上安装和配置 Neo4j

本文提供了在Ubuntu 22.04 LTS上安装配置Neo4j图数据库的完整指南。主要内容包括：安装前提条件（需2个实例、4核CPU/8GB内存）、通过APT安装Neo4j、服务启停管理、首次登录修改密码等基础配置。详细介绍了使用cypher-shell进行数据操作（创建节点/属性/查询）的方法，并提供了远程连接配置和安全设置建议。文章还包含Neo4j Browser使用说明和图数据库基本概念介绍，适合开发者快速部署Neo4j环境。所有操作均需sudo权限，关键步骤附有命令示例和预期输出。

2026-07-03 00:02:44 916

原创【Agent】OpenClaw vsHermes Agent: 2026年最优的agent harness

你编写它们、下载它们或手动保存它们。这没问题，可预测，但不是真正的自我改进。Hermes Agent 围绕相反的理念构建。它观察重复的工作流并将其转化为技能。在重复的工具调用周围，它可以识别模式并创建可复用行为。

2026-05-29 00:48:13 585

原创将员工蒸馏成Skills实践指南

每个组织都拥有许多未被记录下来的隐性知识。你的顶尖销售代表清楚地知道该优先处理哪些异议；你最出色的客户成功经理对客户即将流失的时机有着敏锐的直觉；你经验丰富的工程师能从细微之处诊断出系统问题。这些专业知识深藏于人们的大脑中，是多年经验积累的结晶。一旦他们离开，这些知识也随之流失。当他们不堪重负时，也无法复制自己来应对海量工作。

2026-05-25 21:44:20 1141

原创【LLM】Mamba和State Space Models详解

Transformer架构一直是大型语言模型（LLM）取得成功的重要组成部分。如今，几乎所有正在使用的大型语言模型都采用了这一架构，从开源模型如Mistral，到闭源模型如ChatGPT，无一例外。为进一步提升大型语言模型的性能，研究人员正在开发一些全新的架构，这些架构甚至有望超越Transformer架构。其中一种方法便是状态空间模型——Mamba。

2026-05-06 12:13:17 835

原创【DataWhale】Easy Vibe从入门到精通Task2

前面我们在 z.ai 上体验了 AI 编程，但网页版有很多限制——不能随时保存、不好管理文件、也没法做复杂项目。这一章就是帮你把开发环境搬到自己的电脑上，让你能真正独立做东西。

2026-02-14 02:35:55 1217

原创【DataWhale】Easy Vibe从入门到精通Task1

本文介绍了使用Google AI Studio和z.ai平台快速开发AI小游戏的过程。通过贪吃蛇游戏的案例，展示了如何用自然语言提示词生成可玩网页，并探讨了Vibe Coding的核心概念。文章指出，AI辅助开发适合范围清晰的小型项目，但复杂系统需要拆分处理。还提出了"AI原生应用"的创新玩法，如让贪吃蛇吃单词生成诗歌和画作，并分享了10种创意扩展思路。最后分析了模型上下文和指令遵循能力在编程中的重要性，为开发者提供了AI辅助编程的实用指南。

2026-02-11 01:06:12 1248

原创【LLM】一文理解推理大模型

本文介绍了构建推理模型的四种主要方法，即我们如何借助推理能力增强大语言模型。希望本文能为您提供有价值的见解，助您更好地把握这一领域快速发展的文献与热潮。2024年，大语言模型领域出现了日益细化的专业化趋势。除了预训练和微调之外，我们还见证了各种专业化应用的兴起，从检索增强生成到代码助手应有尽有。我预计这一趋势将在2025年加速发展，届时将更加注重针对特定领域和应用场景的优化（即“专业化”）。

2026-01-20 21:05:32 1055

原创【PaperReading】Motif-Driven Contrastive Learning of Graph Representations

本文提出学习图的motif以获得更好的子图采样，这些motif即为经常出现的子图（如分子的官能团）。作者对此提出框架 MICRO-Graph（MotIf-driven Contrastive learning Of Graph representations），该框架可以：使用GNN来从大型图数据集中提取motif；利用学到的motif帮助更具信息子图的采样以进行GNN对比学习。在这个框架下，作者将motif学习表述为一个可微分的聚类问题，并且采用EM聚类法将相似和重要的子图归为motif。在这些事先学习到

2025-12-01 22:00:00 246

原创【PaperReading】Structure Is All You Need: Structural Representation Learning on Hyper-Relational Know

本文提出MAYPL框架，一种纯粹基于结构的超关系知识图谱(HKGs)表示学习方法。该方法通过结构驱动初始化器生成初始表示，并采用注意力神经消息传递机制聚合事实级和组件级结构信息，实现仅依赖图谱结构的链接预测。实验表明，MAYPL在10个数据集上优于40种现有方法，且具备处理新实体和新关系的归纳推理能力，成为首个适用于HKGs的纯结构驱动表示学习框架。

2025-11-06 08:00:00 239

原创 Enhancing Molecular Property Prediction with Knowledge from Large Language Models

本文把 LLM 提取的“知识特征”与预训练 GNN 的结构表征做可学习融合，并用 MINE 最大化二者的互信息。在 MoleculeNet 上，多数预训练骨干接入 LLM 知识后都有提升；而“把所有 RDKit 描述符一股脑拼上”反而常常掉点。作者还统计了 LLM 规则的重复/冲突率，展示“知识清洗”的必要性。

2025-10-31 22:00:00 2487

原创 ParaThinker: Native Parallel Thinking as a New Paradigm to Scale LLM Test-time Compute

“ParaThinker”旨在通过并行思考来突破传统LLM在推理阶段的性能瓶颈。研究发现，当前LLM的推理性能受限于其对初始思路的依赖，导致了所谓的“隧道视野”现象，即初始错误的想法会限制后续正确答案的生成。为了解决这一问题，文中介绍了一个基于并行思考的框架，该框架允许模型同时生成多个独立但相关的推理路径，并从这些路径中综合出最终答案。特别地，通过引入特殊的控制令牌、路径特定的位姿编码以及两阶段注意力机制设计，ParaThinker能够有效促进多样性思考的同时避免思维冲突。

2025-10-31 08:00:00 420

原创【AI4S】Motif-Driven Contrastive Learning of Graph Representations

本文介绍一篇名为"MOTIF-Driven Contrastive Learning of Graph Representations"的论文，该论文提出了一种新的图学习框架MOTIF，可以同时训练图神经网络（GNN）来学习子图表示，并基于它们的语义将这些表示聚类成模式（motif）。作者通过在分子属性预测数据集上进行实验验证了MOTIF的有效性，并且与现有的自监督方法进行了比较。MOTIF还可以增强药物发现和量子化学中的分子属性预测能力，并且更加可解释。

2025-10-24 20:00:00 315

原创【AI安全】Stronger Adaptive Attacks Bypass Defenses Against Llm Jailbreaks and Prompt Injections

OpenAI、Anthropic和Google DeepMind联合发表论文，提出通用自适应攻击框架，评估语言模型防御机制的鲁棒性。研究显示，现有12种防御措施在自适应攻击下成功率超90%，其中人工红队测试可攻破所有防御。论文强调，当前基于固定样本的静态评估存在缺陷，未来防御研究需纳入更强攻击测试。四种攻击方法（梯度下降、强化学习、随机搜索和人工红队）均能有效绕过提示工程、对抗训练、过滤模型和秘密知识等防御策略。研究呼吁采用动态优化的对抗样本进行训练，以提升模型真实防御能力。

2025-10-24 08:00:00 352

原创【药物设计】5分钟快速了解药物设计中什么是motifs?

本文介绍了药物设计中的motifs概念及其应用。Motifs是指分子图中高频出现且具有统计学意义的子结构，与普通分子片段的区别在于其出现频率和特殊化学性质。文中通过示例说明如何识别有效的motif，并强调学习motif有助于分子图表示学习，可类比NLP中的词嵌入技术。此外，文章还介绍了构建motif字典的方法，建议采用环结构分解等高效算法来提取基础子结构，以平衡字典规模和信息完整性。整体而言，motif分析为药物分子设计提供了重要的结构特征提取思路。

2025-10-23 08:00:00 1406

原创【AI Agent】Deep Research Agents的七个工业级应用案例

Deep Research Agents 工业级应用广泛，如在医疗保健中帮助医生诊断疾病、预测病情；在金融中辅助投资决策、降低风险；在制造中提高生产效率、降低成本；在教育中个性化学习、提高学习效果等。其应用前景广阔，可在各行业发挥重要作用，为企业和个人带来更多价值。

2025-10-22 08:00:00 1268

原创【AI4S】大语言模型在药物开发中的应用：当前进展与未来方向

药物开发是一个极其复杂且耗时耗力的过程，传统上以高成本和高失败率为特征。新兴的大型语言模型（LLMs）有望彻底改变药物研发领域，展现出前所未有的数据分析与生成能力。然而，其变革潜力取决于能否有效克服一系列内在挑战。本文认为，将 LLMs 成功整合到药物开发中的关键，在于聚焦提升其可靠性、可解释性，以及与现有生物医学知识和实验验证体系的协同能力。

2025-10-21 08:00:00 1621

原创【AI4S】从直觉到人工智能：药物发现中的小分子表征演变

在药物发现领域，人工智能科学家和化学信息学家的目标是帮助识别分子起始点，从而开发出安全有效的药物，同时降低成本、时间和失败率。为了实现这一目标，以数字格式表示分子至关重要，这种格式使它们具有机器可读性，并有助于准确预测驱动决策的特性。多年来，分子表示已经从直观和人类可读的格式发展到定制的数字描述符和指纹，现在又发展到在广阔的化学空间中捕捉模式和显著特征的学习表示。其中，基于序列和基于图的小分子表示已变得非常流行。

2025-10-20 23:00:00 1980

原创【AI4S】Generative AI 为药物设计带来新思路：寻找“美丽分子”

摘要生成式人工智能（GenAI）为药物设计提供了新思路，其核心目标是创造兼具合成可行性、优良ADMET特性和靶点亲和力的"美丽分子"。本文提出多参数优化（MPO）框架结合人类反馈强化学习（RLHF）的方法，通过动态平衡药物研发中的多重目标，引导AI生成符合治疗需求的分子。研究探讨了化学表示方法、分子采购策略、MPO评分函数等关键技术，并强调了人类专家在定义"分子之美"中的关键作用。

2025-10-20 20:30:00 1343

原创【AI4S】AI设计小分子药物的三大底层逻辑

传统药物研发像一场豪赌：耗资26亿美元、耗时10年，成功率却不足10%。但AI的加入，让这场赌博变成了“精算游戏”。2025年，全球AI辅助药物管线已占新药研发的35%，其中小分子药物占比超过60%。从辉瑞的AI优化新冠口服药，到英矽智能的全球首款AI抗纤维化药物获批临床，这场革命正以惊人速度重塑行业。今天，我们**从类药性、ADMET预测、生成式模型**三大底层逻辑，揭开AI设计小分子药物的神秘面纱。

2025-10-13 23:30:00 1285

原创【AI4S】利用大语言模型 LLM 进行分子设计

摘要：研究表明，预训练大语言模型（LLM）可有效用于分子设计。通过Claude 3 Opus模型，研究人员利用自然语言提示生成和修改分子，成功率高达97%。研究采用ZINC数据库分子，通过摩根指纹和PCA进行特征化，设计了基本、引导和控制生成三类提示。结果显示，LLM能根据指令调整分子结构特性，如电子结构和相似度，并在潜在空间中呈现不同的探索轨迹。该方法在药物发现和材料科学等领域具有潜在应用价值。

2025-10-11 21:30:00 1092

原创【大模型应用】深度解析Deep Research系统结构与路线图

近年来，大语言模型（LLMs）的快速发展推动了功能强大的AI智能体的迅速崛起，这些智能体已具备自主科研的能力。早期的模型，如GPT-3，主要专注于解决单一任务，例如问答和机器翻译。随后，通过与外部工具的整合，像WebGPT这样的模型得以实现自主浏览网络，并从多种来源中高效整合信息。而最近，一类全新的先进自主系统——Deep Research（DR）智能体应运而生，其中以OpenAI DR、Gemini DR、Grok DeepSearch以及Perplexity DR等行业领先解决方案为代表。

2025-10-11 08:00:00 1743

原创【AI安全】Qwen3Guard: 实时流式检测实现AI模型安全防护新标杆

Qwen 家族中首款专为安全防护设计的护栏模型。该模型基于强大的 Qwen3 基础架构打造，并针对安全分类任务进行了专项微调，旨在为人工智能交互提供精准、可靠的安全保障。无论是用户输入的提示，还是模型生成的回复，Qwen3Guard 均可高效识别潜在风险，输出细粒度的风险等级与分类标签，助力实现更负责任的 AI 应用。

2025-10-10 22:00:29 3422

原创【AI安全】Anthropic推出AI安全工具Petri：通过自主Agent研究大模型行为

Anthropic推出开源AI安全工具Petri，通过自主Agent测试大语言模型行为。该工具对14款主流模型（包括Claude、GPT-5等）进行审计，发现均存在安全隐患，涉及欺骗、权力寻求等风险行为。Petri采用自动化测试范式，结合测试Agent与评判模型，大幅提升安全评估效率，并支持持续监测模型表现。测试还发现模型存在不当举报行为倾向，显示当前AI系统缺乏连贯伦理框架。Anthropic强调该工具旨在推动行业安全标准建设，但也承认存在评估偏差等局限性。

2025-10-10 20:30:00 1079

原创【AI4S】基于分子图像与分子描述符的药物筛选预测模型

本文提出了一种结合分子图像与分子描述符的药物筛选预测模型，用于预测药物毒性（LD50）、血脑屏障穿透性（BBBP）和清除率（CL）。研究采用DeepSnap深度学习方法处理分子图像，并通过DataRobot平台构建基于分子描述符的模型。结果显示，集成两种方法的预测模型在AUC和平衡准确率上表现优异（LD50:0.942/0.842；BBBP:0.936/0.853；CL:0.908/0.832），显著优于单一方法。

2025-10-05 20:30:00 1309

原创【AI4S】DrugChat：迈向在药物分子图上实现类似ChatGPT的功能

本文介绍了一种基于人工智能的药物分析系统—— DrugChat，旨在模拟ChatGPT的能力，处理与药物分子图形相关的问题和答案。该系统通过结合图神经网络（GNN）、大型语言模型（LLM）和适配器，能够理解化合物的结构，并对用户提出的关于这些化合物的问题进行多轮交互式回答。作者收集了来自ChEMBL和PubChem的数据集用于训练DrugChat，包含10,834个药物化合物和143,517个问答对。文中详细介绍了数据收集过程、系统的架构及其组成部分的工作原理，并展示了 DrugChat 能够处理各种药物相

2025-10-04 20:30:00 1084

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

The brief introduction of diffusion model and stable diffusion

转录调控中的非编码RNAs，以及肿瘤细胞中氨基酸代谢调控PPT

集成学习原理与应用介绍（随机森林）

为旅游交通服务的电池充电桩

Deep Facial Non-Rigid Multi-View Stereo

桥区通航风险问题分析与案例研究

大数据项目之数据挖掘子系统设计

DOES ENFORCEMENT OF INTELLECTUAL PROPERTY RIGHTS MATTER?

校园网IP地址规划

H3C全国网络技能大赛

空空如也