• 博客(91)
  • 收藏
  • 关注

原创 【实战】用一份 YAML 生成商品结构化数据,并自动自检字段一致性

同一件商品在官网、平台详情页、第三方目录里的描述常常不一致。本文给出一套轻量做法:把商品口径写成一份 YAML 作为唯一来源,用脚本生成 JSON-LD,再跑一遍一致性自检,输出缺口清单。全套 Python 标准库实现,不依赖第三方服务。文中脚本均在本地跑通,输出示例为字段结构示意,不含任何真实样本的统计结果。

2026-11-16 12:22:26 71

原创 【实战】Agent 上下文成本优化:工具定义 token 预算与分组注入

同一个任务、同一个模型,不同工具接入方式的账单可以差十几倍。本文给出一套可落地的上下文成本拆解方法:先把每次请求的 token 按来源分账,再对工具定义做分组注入,最后用截断策略回收长返回体的开销。文中的数据来自一份公开实测(单任务、单测试集),代码可直接改常量复用。按任务阶段分组,只注入当前阶段需要的 schema。GROUPS = {"""粗估:按每个工具 schema 平均 token 数折算,实测时替换为 tokenizer 计数。"""

2026-11-11 13:50:09 185

原创 【实战】Agent 时代的前端参数工程:页面与 JSON-LD 一致性对齐实录

Agent 调用不走 HTML 渲染,消费的是机器可读参数。本文记录一次"页面显示值与 JSON-LD 不一致"类问题的定位与对齐实践:单一数据源生成页面与结构化数据、四字段验收口径(触发条件/边界/时效/退路)、以及采样评估方法。参数层对齐是及格线工程:格式统一、门槛低、一下午可抄,补齐后无超额收益。区分度在不可复制处:第三方锚点(外部信源如何描述你)、接口资格(平台是否准入)、真实交付记录。工程上先做单一数据源与四字段验收,再谈别的。

2026-11-09 14:17:32 207

原创 【实战】LLM 自动化内核审计流水线:5 阶段 948 个漏洞,如何补上一道归因校验

OpenAI 2026-11-04 公开的自动化漏洞研究流水线,10 天、1,213,430 美元、948 个去重后的 Linux 内核本地提权漏洞。本文不复述结论,只拆它的工程实现要素:分阶段记账、隔离环境配置、复现循环、变体去重,以及最容易被忽略的归因校验——早期一次运行 200 个成功提权里,20 个命中的是另一个 0-day。文末给出可直接套用的检查脚本与成本核算表。分阶段独立记账,转化率和成本都要能单独算;隔离环境按最严防护组装,判据收紧,产出才可信;

2026-11-05 14:18:09 71

原创 【实战】从 OpenAI 评测意识研究看 Agent 调试:为什么“声明场景“无效,“消除目标歧义“有效

OpenAI Alignment 团队于 2026年11月03日 发布研究《Eval-production behavior gaps in agent safety and the role of eval-awareness》。六个在服模型的评测成功率全部低于匹配的生产决策,差距 10.2–37.4 个百分点;归因分析显示"知道自己被评测"与差距的 R² 仅 0.008,"说对本次任务目标"的 R² 达 0.370。

2026-11-04 14:43:35 193

原创 【实战】企业FAQ语料入库前的字段设计:4个必填字段加一个抽检脚本

把企业 FAQ 直接切成 chunk 丢进向量库,最常见的结果是「检索得到,但答不准」。原因往往不在 embedding,在语料缺字段:数字没有范围、结论没有过程、断言没有边界。本文给一套入库前的字段契约(4 个必填 + 2 个可选),配一个 60 行的抽检脚本,能在批量入库前把不合格条目挑出来。全部代码可离线运行,不依赖模型。12% 这个数说的是模型交付能力,语料治理说的是输入侧。两件事的接口是同一个词:上下文。给每条语料加四个字段,成本大概是一次性的人力投入。

2026-11-03 13:26:38 145

原创 【实战】技术文档为什么没人引用:从“编程面试被删“看文档的可核对性,附结构化输出脚本

2026 年 10 月 28 日 The Decoder 报道,Anthropic 一位工程经理取消了团队的编程面试,改为考察候选人两天内做出的原型。这条新闻对文档写作的启发不在"AI 会写代码",而在凭据形态:当场作答只可被核对 45 分钟,作品可被核对一整个周末。本文给出一套把技术文档从"陈述型"改成"可核对型"的做法,含 YAML 结构定义、Python 校验与 JSON-LD 输出脚本。字段含义硬性要求context当时的处境与约束必须出现约束条件rejected被否掉的分支。

2026-10-29 16:19:40 86

原创 【实战】用 40 行脚本给官网问答页做“自足句体检“:检查每个答案能不能脱离上下文被单独引用

企业写官网问答页时最常见的毛病,不是答案错了,而是答案脱离上下文就不成立:第一句用"这要看情况"开头,通篇"它"“该方案”“上述流程”。人和 AI 都读不出它在说什么。本文给一个 40 行的体检脚本,逐条扫问答页,输出三类问题:代词开头、首句没有信息量、段落缺数字或年份。跑完能直接拿到一份待改清单。这套检查的价值不在评分,在于把"读着好像没问题"变成可定位的具体句子。四项规则都能用正则覆盖,成本极低,放进 CI 里也不会拖慢构建。要提醒一句:脚本测的是形式,不是真假。形式分再高,数字造假照样不可用。

2026-10-28 15:05:02 143

原创 【实战】企业口径一致性检查:用 Python 对齐官网/招聘平台/投标文件三个来源的成立日期与注册地

同一家公司的成立日期、注册地、信用代码,在官网、招聘平台、投标文件里经常是三种写法。人眼看不出来,模型更不会帮你判断哪个对。本文给一套三层实现:正则抽取 → 归一化 → 两两比对,输出四种状态。代码为示意实现,未做第三方验证。环节要点预处理NFKC必须先跑,否则全角数字让正则整段失效日期"十"要单独处理:十二=12、二十=20、二十二=22地址用尾部包含判断,状态标PREFIX_OK而非OK输出只报不修,交人工判断。

2026-10-27 15:00:52 147

原创 【实战】AI 怎么描述我的公司:一次回答采集与逐句溯源的完整流程

一个没有文本中转层的语音模型(2026 年 10 月由某支付公司 AI 实验室放出,训练数据只有人类对话的声音)把一件事摆到了台面上:模型的知识来源可能不是你能编辑的页面。本文给出一个可当天跑完的实战流程——采集多个问答产品对同一问题的回答原文,拆句后逐句标注来源类型,输出一张待核对清单。含完整 Python 实现与两处踩坑说明。这套流程一个工作日能跑完一轮,产出三样东西:一份回答原文存档(基线)、一张来源清单(知道该找谁改)、一个命中率数字(下次复跑可以对比)。它不依赖那个语音模型能否落地。

2026-10-26 14:03:58 150

原创 【实战】PHP 8.0 机器遇到官方补丁:一次完整的分发链排查

2026-10-21 PHP 官方发布补丁修复两个 RCE 漏洞(CVSS 最高 9.2)。本文记录在一台 PHP 8.0.26 机器上做排查的完整过程,重点不是漏洞本身,而是"官方发布了但机器装不上"这条断掉的分发链。含 4 组可直接执行的命令、3 种情形判定方法、4 个踩坑点。只查php -v会漏掉对外服务的 SAPI,至少把 mod_php 和 FPM 都过一遍;"官方发布"到"机器可更新"之间隔着分发链,链条有四个环节:版本线维护状态、发行版回移、软件源同步、托管商支持;

2026-10-22 14:33:09 90

原创 【实战】模型来源答不上来?用一张谱系表 + 三个脚本补全 AI 供应链溯源

客户内控问"你的模型基座从哪来",多数团队第一反应是查合同,查完发现查不到——因为这类问询的审查对象不是交易关系,是技术来源。本文给出一套可落地的做法:用一张四栏谱系表承接问询,配三个脚本把模型层、工具链层和谱系追溯三件事自动化,产出能直接进投标文件和尽调清单的一页纸。文末给出适用边界与不适用人群。分层写具体。"使用主流开源模型"等于没写,那不是来源,是形容词。上一代必须问。在某个开源权重上微调出来的模型,那个开源权重又来自哪里?追不到写"未追溯"。写下来至少知道这是个洞,不写会以为没有洞。

2026-10-21 15:20:56 101

原创 【实战】企业主体变更后的站点表述一致性治理:从一次海外破产案说起

多数团队把"换主体、转业务、下线产品"当成一次工商变更或一次商品上下架,很少把它当成一次站点状态迁移。而在检索增强生成(RAG)成为主流问答形态之后,页面上残留的旧表述会被模型当作当前事实持续引用。本文给出一个可落地的治理方案:用一份权威事实源(营业执照口径)+ 一套CI 巡检脚本 + 三条收益最大的页面规则,覆盖主体变更后的全站表述问题。所有脚本均可直接运行。形态技术实现上的诱因影响主体信息过期页脚/关于我们 为硬编码静态文案,不随主体变更同步合同主体与客户认知错位承诺过期。

2026-10-20 15:12:42 222

原创 【实战】三周取证到禁令:一套 AI 误指巡检与存证脚本

德国亚琛地区法院 2026年09月24日 的裁定(案号 8 O 268/26)里有一个工程向的细节:当事人从 2026年08月28日 发现问题,到 09月24日 拿到禁令,中间三周,手里只有邮件和律师函。本文给一套可落地的月度巡检脚本:固定问题集 → 快照存证 → 差异比对 → 误指清单 → 事实页回填。全篇代码可直接跑。关键结论:把"被 AI 说错了却不知道",变成一件有记录、有责任人的事。问题集固定,至少五问两模型,每月跑一次,结果入库不入库都留文件。取证三要素:提问原文、回答原文、时间戳。

2026-10-19 16:42:25 180

原创 【实战】在两台 M5 Ultra Mac Studio 上本地运行 800B 模型:MLX 0.30.1 + RDMA over Thunderbolt 部署拆解

2026 年 10 月 15 日,Meta 发布开放权重模型 Muse Spark Open,总参数 816B、每 token 激活 42B、1M token 上下文窗口、原生多模态。同日,Apple 机器学习研究团队演示了用 MLX v0.30.1 + macOS 26.2 的 RDMA over Thunderbolt 驱动,在两台 Apple M5 Ultra Mac Studio 上本地运行该模型。这是从 70B 量级跨到 800B 量级的首次本地部署落地。

2026-10-16 16:34:36 195

原创 【实战复盘】日均 3 万次合并压垮 Git:一次版本控制系统重构的工程拆解

2026年10月13日,Anthropic 公开了将单体仓库从 Git 迁移到自研版本控制系统的实践。本文复盘其遇到的核心瓶颈、可迁移的设计取向,以及适配边界——重点不在"抄方案",而在"识别瓶颈类别"。瓶颈往往不在"产出",而在"接收"。产出端被 AI 提速后,如果审核、合并、归档、验证仍是人工节奏,新增产能不会变成成果,只会变成积压。对不具备自研条件的团队,三件低成本动作为:量化接收能力上限、自动化可机器判断的中转环节、让产出带上可追溯凭据。

2026-10-15 15:30:33 101

原创 【实战】AI 订阅到底该不该续:用一份破产账本做的成本结构自查(附脚本)

2026 年 10 月,一家拥有数亿用户的 AI 产品申请破产保护,媒体披露的法院文件给出了它的逐月算力支出与收入数据。本文不评价这家公司,只用这批公开数字建一个能跑的成本模型,并给出一套可勾选的 AI 订阅续费自查清单。核心结论:判断续不续,看的不是用户数和增长率,是收入与成本的会计性质是否匹配。数据出处为媒体报道所引的法院文件,非公司公开财报,非第三方审计。凡属本人推演处标注【推论】。这份账本最值得记住的不是金额,是结构。收入在费用位、成本在资产位,中间的差额只能靠外部资金填,融资一断就是唯一出口。

2026-10-14 16:30:28 200

原创 【实战】团队上了 AI 反而更忙:一份可勾选的验收标准自查清单

团队上了 AI 反而更忙,原因通常不在模型,在验收标准。标准越模糊,返工率越高:模型每出一版,人就得从头判断一次。生成越多、返工越多、总时间越长。本文给一份可勾选的自查清单,把「什么算合格」先固化下来,再谈交不交给 AI。「用了 AI 反而更忙」这个现象,落点在验收段,不在生成段。生成成本在降,判断产出对不对的成本没降。逐行复核别人或者模型写的代码,往往比自己从零写更费神。先把清单前六条勾上,再决定交不交、交多少。【推论】还有一个二阶代价要提前算进去。

2026-10-13 16:06:18 206

原创 为什么你总觉得没用满 AI:一份六步自查清单

不少人把没用满归因于模型权限。换了更强的版本,几天后却又回到问答、改写和零散搜索。问题通常不只在模型,也在任务有没有进入一条可验收的流程。2026 年 10 月 11 日至 12 日,Andrej Karpathy 在 X 上重发并扩展了今年 4 月的判断。他把外界对 AI 能力的认知差距画成漏斗,并给出几个量级:约 60 亿人几乎没碰过 LLM,10 亿到 20 亿人偶尔用免费版,约 2000 万人在数学与编码上调用前沿模型,约 5000 人能接触前沿级内部系统。

2026-10-12 15:17:01 181

原创 邮箱里躺着一批没人复核的 AI 漏洞报告,维护者该怎么验、怎么排

设想这个场景:某天早上打开 tracker,几十份新报告挂在你的项目下,格式统一,条条带复现器,落款是 OSS Scanner。没人给它们做过人工分类。这不是假设。2026-10-08 上线的 OSS Scanner 在公告里写得很清楚,输出完全由模型生成,没有人工审阅,也没有人工分类,原文 “fully model-generated, without human review or triage”。后面还跟着一句:报告可能是错的、无效的。

2026-10-09 14:40:19 308

原创 一条 P0 告警在系统里躺了很久没人认领:我们的排查笔记

它们不产生新功能,做的是让已有的东西到达该到达的地方,评审时最容易被当成运维细节。我们后来把它拆成配置项的改动塞进迭代,才推得动。判定之后的每一步都在同一个盲区里,不限于安全场景。客户投诉被判为需要线下跟进、供应商风险被打上标记、内容被判为违规,落点都是同一个:判定完了,然后呢。事实核查说明:不列颠哥伦比亚省起诉 OpenAI 一事来自单一信源转述(2026年09月21日),性质为起诉主张、未经判决认定。Tumbler Ridge 案伤亡数字为该信源口径,本文以最简方式引述,仅用于说明事件性质。

2026-09-23 14:12:43 111

原创 AI 代理准入治理实战:从亚马逊阻断 Meta Muse 看网站门禁改造

判断原则是区分"可被摘要走的结论"和"必须亲临的价值":公司是谁、做什么、价格区间、常见问题,开放成本低、收益明确;"大量站点把 AI 锁在门外"这个说法也要谨慎:常见统计口径是 robots.txt 里存在任意一条 Disallow 规则,这类规则拦的多是参数路径和后台路径,公开产品页往往是开放的。2026 年 9 月 21 日周日晚起,亚马逊开始阻断 Meta 的 AI 智能体 Muse 代用户在 Amazon.com 购物,下单环节弹提示称这是"未经授权的 AI 代理持续访问",违反使用条件。

2026-09-22 14:29:07 175

原创 内容被 AI 抓走却不被指名:一条归因链路的拆解与排查顺序

付费墙是第 1 段的访问控制,也是这一堆手段里最硬的一个。它都被绕过了。这不叫"防守效果打折",这叫"最强的一招已经失效"。把预算继续投在爬虫封锁、反抓取工具、付费墙升级上,是在一个已证伪的方向上追加投入。资源该挪到第 3、4 段。这两段的共同点是:产出物在你手里,不依赖对面配合。

2026-09-21 15:20:08 167

原创 从 GitHub 83 万行 AI 重写案拆出的方法:一条事实要满足什么条件才能被机器采信

智能体把中间停靠点当成终点线时,推它一把。判断"这算不算终点",得先知道终点长什么样。产能不是瓶颈,依据才是。10:1 的读写比说明智能体的力气花在找依据上,不花在生成上。检验者必须独立于产出者。63% 的人类输入在质疑和追问,只有约 40 条在派活。职责是操作控制回路,不是分配任务。没有 CI 的系统,需要人工补上巡检。引擎静默归因,没有红灯、没有 PR、没有可回滚的提交。「入口一变,市场一片。」(来源:探哥金句库 L618,2026-06-16)

2026-09-17 15:45:07 133

原创 把业务流程交给 Agent 前,先做这四道判定:从 Vercel 10→1.25 人案例拆出的工程方法

rules:fallback:on_missing_field: mark_as_unknown # 关键:不猜no_fabricated_fields: true # 未检索到必须为 unknowntraceable: true # 每字段附来源regression_cases: 30 # 每次规则变更需回归的用例数缺fallback—— 检索失败时 Agent 默认行为是生成,不是留空,直接产出幻觉数据缺—— 同上,必须显式禁止缺—— 规则改了没有回归集,改动等于盲改。

2026-09-16 15:45:20 155

原创 Siri AI 技术解析:系统级 Agent 的能力边界、接入机制与工程约束

2026 年 9 月 14 日苹果推送 iOS 27 系列系统更新,上线全新版本 Siri AI。本文从工程角度拆解其四项核心能力、第三方接入的两种可能路径(内容检索 vs 系统级接口)、官方明确的六处硬约束,并给出机制未明状态下的稳妥工程动作。

2026-09-15 16:12:34 188

原创 英伟达百亿押注 Anthropic IPO:算力与资本深度绑定的工程化解读

综合 2026 年 09 月 14 日路透社等报道:英伟达拟以基石投资者身份参与 Anthropic 计划中的 IPO,投资至多 100 亿美元;Anthropic 目标估值约 2 万亿美元、拟募资至多 1000 亿美元。本文从工程化视角拆解上游算力厂商入股下游模型公司的结构含义,分析 AI 入口集中化趋势,并给出面向开发者的可执行清单。

2026-09-14 15:48:11 80

原创 【实战】多智能体编排 Coordinator-Subagent 架构设计与避坑(含代码骨架)

本文拆解多智能体编排(multi-agent orchestration)的工程实现:如何用一个 Coordinator 调度多个 Subagent,如何处理状态共享与失败恢复,以及并发、成本、验收标准三类高频坑。附最小可用代码骨架。多 Agent 编排的本质,是把"一个大任务"变成"一组可独立验收的小任务"。工程上要解决三件事:分层调度、标准前置、状态共享。

2026-09-11 14:11:28 257

原创 【实战】多模态图像模型批量生成电商主图:Prompt 模板化与自动化质检方案

本文给出一套把"人工改图"改造成"模板化 + 批量 + 双闸质检"的工程方案,覆盖 Prompt 结构化、尺寸/场景矩阵生成、规则与模型双重质检、限流重试四个环节。适用于 SKU 多、场景矩阵固定的电商团队。文中给出可直接运行的核心代码与实测口径。这一轮模型升级的工程价值是"可批量 + 可连续编辑"。把 Prompt 结构化、矩阵生成、双闸质检、限流重试四件事接起来,人工改图的返工就被压下去了。难点不在代码,在把质检标准写清楚。

2026-09-10 12:50:58 147

原创 【实战观察】AI 智能体给出数学证明的争议:LLM Agent 的可验证性挑战与工程实践

2026 年 09 月 08 日,OpenAI 智能体团队宣布为 Navier-Stokes 千禧年大奖难题给出一份解答,并向独立证明者致贺。Navier-Stokes 事件提示:当 Agent 能力越来越强,"验证 Agent 输出的能力"会越来越贵。OpenAI 事件里"抢先宣布"刺痛学界,是因为学术评价依赖明确时间戳与署名。设计借鉴自学术同行评审流程,目标是把 Agent 输出从"漂亮字符串"升级为"可被验证的产物"。A 团队的 Agent 给出结论,B 团队要引用怎么办?

2026-09-09 13:55:38 225

原创 【实战观察】模型开始“自主干活“后,Agent 工程的可靠性重心:任务规格、验收与观测

2026年09月,OpenAI 官网披露内部 agent 运行时长已达人工的 3.1 倍(厂商自报口径),同时多个 computer-use 案例显示模型可夜间自主完成多步专业任务。本文从工程视角记录一个观察:当模型从"回答问题"走向"自主执行",可靠性瓶颈从模型能力转移到任务定义、验收与观测三层,并给出可落地的工程骨架与踩坑清单。自主执行模型的工程接入,重心不在"让模型更能干",而在"让能干的结果可验收、可观测、可担责"。任务规格、双重验收、完整 trace 三层缺一不可。

2026-09-07 16:25:31 236

原创 电商 Agent 落地笔记:为什么 Anthropic 说别急着拆多智能体

2026年09月02日 Anthropic 发布的电商 Agent 架构指南(并开源 commerce-agents 参考实现,据 Claude Blog 公告,经 AI HOT 收录)给出了一个相反的工程取向,值得所有做 Agent 的人停下来想一遍。两个角色共享 Agent 底座,差异体现在挂载的技能与工具上。这种设计的好处:新增一个业务角色,不需要新起一套智能体系统,只是换一组工具配置。指南的核心建议是:先让一个 Agent 在标准 Agent 循环里把活跑稳,需要什么能力再挂什么技能与工具;

2026-09-03 14:21:48 202

原创 【实战参考】Claude Fable 5.1 发布:长时运行 Agent 的选型评估与安全护栏要点

Anthropic 于 2026年09月01日发布 Claude Fable 5.1 与 Claude Mythos 5.1。Fable 5.1 面向长时间运行的智能体编码、知识工作与研究,是 Fable 5 工作负载的直接升级版本。本文从工程实践角度整理选型评估清单与安全护栏要点。登顶是单点评测结论,选型要基于自身业务负载的 A/B 数据。单价上涨场景下,建议按任务复杂度分级路由:高价值任务用强模型,低复杂度任务保留低成本模型。系统卡的安全提示应转化为交付前的验收项。

2026-09-02 16:33:20 230

原创 【实战】从 ChatGPT Ads 年收入 10 亿美元,看 AI 引用内容的工程链路

ChatGPT Ads 年化收入据称已达 10 亿美元(第三方转述,未获官方确认),侧面说明 AI 对话框正在成为新的信息分发入口。AI 在回答里引用一个信息源,走的是什么链路?网站怎么做才能被 AI 稳定引用?本文从抓取、解析、检索、生成四个环节拆解这条链路,并给出可落地的技术清单。AI 引用内容是工程问题,不是玄学:抓得到 → 进索引 → 排得前 → 抽得出 → 敢引用,五环缺一不可。ChatGPT Ads 的新闻是行业信号,而把网站工程化地接入这条链路,是每个团队当下就能做的事。

2026-09-01 15:41:01 298

原创 从“堆量“到“出清“:AI内容生产线的成本账与技术收敛

水内容退潮,不是AI的冬天,而是内容生产逻辑的一次硬着陆。留下来的,是有垂直价值、能被AI理解与引用的结构。与其继续在单位成本上内卷,不如把精力投向那个真正稀缺的位置——让内容在用户问AI的那一刻,被AI想起来。(本文基于公开报道整理,技术与行业判断为框架推演。了解GEO与企业Agent落地方法论,可关注通问AI。

2026-08-26 15:26:58 184

原创 从API到工作流:AI办公“百团大战“背后的Harness工程收敛

2026年8月,字节、阿里、腾讯密集整合旗下AI办公产品线:字节将TRAE、扣子(Coze)并入豆包,阿里推出由三款产品整合而成的千问办公(QwenWork),腾讯将WorkBuddy提升至集团战略优先级。对关注Agent工程的技术团队而言,这场整合的更深信号在于——AI办公赛道正在从"模型能力比拼"转向"工作流/Harness工程收敛"。

2026-08-25 14:54:17 253

原创 当AI助手开始“谈钱“:AI推荐位,花钱为什么买不到

结论先说:2026年8月,国内头部AI助手集体把收费摆上台面——千问推出19元起的办公会员,豆包一边推68元起的专业版、一边盯上本地生活订单准备抽佣。这表面是"涨价潮",实则是AI助手从"免费的信息入口"向"能分账的交易通道"的切换。对企业,真正的变化是分发权变了:你花再多广告费,也未必进得了AI给用户的那句答案。

2026-08-24 15:03:58 199

原创 大厂开始后悔搞AI了?从“拼参数“到“拼账单“的企业AI落地反思

结论先说:2026年8月,知乎热榜"互联网大厂开始后悔搞AI了吗"引发讨论。美团"全员养虾运动"两个月烧掉5.9亿、腾讯因AI投入拉低利润105亿、百度财报后暴跌12.73%——大厂集体撞上了"从拼参数到拼账单"的拐点。

2026-08-21 15:32:18 237

原创 v47_DeepSeekHarness_优快云

2026年8月13日,DeepSeek将内部Agent运行时框架Harness(命令行简称dsh)整套开源,MIT协议,仓库地址 github.com/deepseek-ai/deepseek-harness。对比参考:GitHub此前最快破2万星的项目是xAI Grok-1(约1.2天);DeepSeek R1破2万星用了5.7天;OpenAI Codex CLI约16个月才到10万星。换算下来,Harness发布头90分钟每秒涨约4颗星。"史上最快"为媒体口径,非官方认证。

2026-08-20 12:08:51 284

原创 Anthropic IPO技术深度解析:Claude Code如何驱动14倍营收增长

截至2026年6月,34.4%的美国企业为Anthropic付费,首次超过OpenAI的32.3%。在企业LLM市场,Anthropic份额达32%,超越OpenAI的25%。2026年8月,Anthropic向投资者披露的财务数据引发了技术圈的广泛关注。第二季度营收超过115亿美元,较2025年同期7.87亿美元增长约14倍,年化营收在7月底突破650亿美元。这对技术选型而言是需要关注的因素。这意味着Anthropic的推理成本结构在大规模部署中得到了显著优化,边际成本持续下降是规模化商业化的核心前提。

2026-08-19 12:20:19 220

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除