<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[错位竞争，单点突破。]]></title><description><![CDATA[专注密码学与信息安全、区块链、分布式存储、分布式数据库、人工智能领域。]]></description><link>https://blog.youkuaiyun.com/anda0109</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; anda0109]]></copyright><item><title><![CDATA[ZAI Work—让工作更简单]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/168743897</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/168743897</guid><author>anda0109</author><pubDate>Thu, 22 Oct 2026 09:58:33 +0800</pubDate><description><![CDATA[今天要介绍的，是我们基于 智跃创达ZAI 平台打造的桌面端产品—ZAI Work 通用办公智能体。]]></description><category></category></item><item><title><![CDATA[A2UI 协议: AI 直接画界面，而不是只会打字]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/166784980</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/166784980</guid><author>anda0109</author><pubDate>Mon, 28 Sep 2026 11:55:29 +0800</pubDate><description><![CDATA[A2UI 是由 Google 主导的 Agent 驱动界面协议，解决 AI 无法安全生成可交互界面的难题。它通过声明式组件数据流，让 AI 以结构化方式输出界面描述，客户端用原生组件渲染，实现“说”与“画”的统一。其核心优势在于安全（无代码执行）、对大模型友好（扁平可流式输出）、框架无关与渐进渲染。结合 A2A 协议，构建闭环交互，已在订餐、图表等场景落地。未来，AI 应用将从文字对话迈向动态界面，开发者需构建专属组件库，抢占“界面生成”先机。]]></description><category></category></item><item><title><![CDATA[Anthropic工程实践：解耦大脑与双手，构建可扩展的托管代理系统]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/165578153</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/165578153</guid><author>anda0109</author><pubDate>Wed, 16 Sep 2026 09:05:44 +0800</pubDate><description><![CDATA[Anthropic在2026年提出“托管代理”架构，核心是解耦代理的“大脑”（模型与控制框架）与“双手”（执行环境）。面对模型能力快速迭代导致传统框架假设失效的问题，该设计借鉴操作系统抽象思想，将系统分为会话、harness和沙箱三类稳定接口，实现组件独立演进。通过引入“牲畜式”可替换架构，提升容错性、安全性和扩展性，支持多脑多手协同，显著降低首令牌延迟，为复杂系统应对未来不确定性提供长期演进范式。]]></description><category></category></item><item><title><![CDATA[Anthropic：面向长时运行应用开发的Harness 设计]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/164054557</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/164054557</guid><author>anda0109</author><pubDate>Tue, 25 Aug 2026 14:05:52 +0800</pubDate><description><![CDATA[回过头看，这项工作的每一个阶段都在验证同一个规律：模型在变强，但好的 Harness 设计能撬动的增量也在变。上下文重置和生成-评估分离，解决了长运行 Agent 最容易失控的两个环节。GAN 式的多轮迭代，从前端设计的审美突破到全栈应用的功能完整性，都带来了单次生成无法企及的提升。而 Opus 4.6 的升级过程则提醒我们：Harness 不是搭好就一劳永逸的——新模型来了，要敢于拆掉不再承重的组件，同时在新能力边界之外搭建新的支撑。]]></description><category></category></item><item><title><![CDATA[Agent Harness 工程：让大模型从「能聊天」到「能干活」的关键一层]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/164054341</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/164054341</guid><author>anda0109</author><pubDate>Tue, 25 Aug 2026 13:57:20 +0800</pubDate><description><![CDATA[Agent Harness 是大模型应用落地的「最后一公里」。模型能力再强，没有好的 Harness 也无法转化为可靠的产品。让我们回顾一下七个关键维度：01 Agent Loop——驱动「思考、行动、观察」的循环引擎。Devin 的核心不是更强的模型，而是精密的循环控制和错误恢复。02 工具层设计——模型与真实世界的接口。Anthropic 的经验表明，优化工具描述可以降低 40% 的误用率。03 上下文管理——在有限窗口里做无限的事。]]></description><category></category></item><item><title><![CDATA[2025年度10大AI事件盘点。]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/156594044</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/156594044</guid><author>anda0109</author><pubDate>Mon, 05 Jan 2026 10:37:00 +0800</pubDate><description><![CDATA[2025年已经悄然过去，回望这一年，AI不再是科幻电影里的概念，而是真真切切地走进了我们的生活。从年初的"Deepseek火爆全球"到年末的"Manus被Meta收购"，整个AI圈简直像一场全年无休的“神仙打架”。今天，我们就来盘一盘2025年最值得关注的10大AI事件，看看有哪些让我们惊呼的瞬间！]]></description><category></category></item><item><title><![CDATA[DeepSeek-OCR：用“一张图“压缩万字长文，大模型记忆的新思路]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/156568193</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/156568193</guid><author>anda0109</author><pubDate>Sun, 04 Jan 2026 14:33:23 +0800</pubDate><description><![CDATA[DeepSeek-OCR 突破传统OCR局限，实现图像到文本的高效转换。这项技术不仅能精准还原文档内容，还创新性地将图像作为文本压缩媒介，100个视觉token可还原近1000字文本，准确率达97%。其核心在于新型视觉编码器和30亿参数语言模型的协同工作，支持多语言、公式、图表等复杂内容解析。更深远的意义在于，它为大模型提供了模拟人类记忆机制的新思路——通过控制图像分辨率和token数量实现渐进式遗忘，有望突破长上下文处理瓶颈。实际应用中，单台A100每天可处理20万页文档，展现出强大的商业潜力。这项技术或]]></description><category></category></item><item><title><![CDATA[面向 AI 智能体的有效上下文工程]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/156567507</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/156567507</guid><author>anda0109</author><pubDate>Sun, 04 Jan 2026 14:11:35 +0800</pubDate><description><![CDATA[摘要： 《上下文工程：构建高效智能体的新兴艺术》探讨了AI领域从提示词工程向上下文工程的演进趋势。文章指出，随着大语言模型应用从单次交互转向长期运行的智能体系统，优化上下文token集合成为关键挑战。作者分析了上下文工程的必要性，强调LLM存在&quot;注意力预算&quot;限制，长上下文会导致信息检索能力下降。文章提出了有效上下文的构成要素：精炼的系统提示、设计良好的工具集和代表性示例，并介绍了&quot;即时&quot;上下文检索策略和长期任务的压缩技术。最后指出，随着模型能力提升，智能体设计将趋向更]]></description><category></category></item><item><title><![CDATA[智能体开发实战：用Deepseek做一个生成思维导图的智能体]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/150427645</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/150427645</guid><author>anda0109</author><pubDate>Fri, 15 Aug 2025 17:37:26 +0800</pubDate><description><![CDATA[【摘要】在信息过载时代，一款基于ZAI智能体平台的&quot;智能图表&quot;工具应运而生。该工具利用大语言模型分析文档/网页内容，一键生成思维导图、鱼骨图或树状图，可视化呈现核心观点与逻辑结构。用户可通过上传文档、输入网址或主题三种方式快速获取内容精华，大幅提升阅读效率。该工具仅用一天开发完成，依托Antv/G6框架实现前端渲染，现已在ZAI平台开放体验，帮助用户从海量信息中高效提取关键内容。（150字）]]></description><category></category></item><item><title><![CDATA[All In AI两个半月，我的成长路径、总结与未来规划。]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/150417322</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/150417322</guid><author>anda0109</author><pubDate>Fri, 15 Aug 2025 10:56:56 +0800</pubDate><description><![CDATA[摘要：作者分享了自己从接触DeepSeek AI到全职投入AI创业的历程。春节期间被AI推理能力吸引后，经历了本地部署模型、购买工作站等探索，最终开发出智能体平台ZAI（Zero to AI）。平台包含模型管理、工具管理、知识库管理和智能体编排四大功能模块，支持多种大模型接入和RAG应用开发。目前已完成线上部署（zycdai.com），未来计划扩展工具库、开发通用模板智能体并持续优化性能。文章记录了作者从AI爱好者到创业者的转变过程，展现了当前AI领域的发展机遇与挑战。]]></description><category></category></item><item><title><![CDATA[一个例子看LLM的工具调用流程]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147895927</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147895927</guid><author>anda0109</author><pubDate>Mon, 12 May 2025 14:29:37 +0800</pubDate><description><![CDATA[前面在我们使用langchain等框架做多工具调用的时候，我们不清楚具体的交互流程。LLM的推理过程是怎么样的，是一次做完规划还是逐个调用工具。

我们今天直接使用openai的接口，用原始的写法来看它具体执行的过程是怎样的。]]></description><category></category></item><item><title><![CDATA[10-小米开源的MINO模型，到底什么水平。]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147644349</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147644349</guid><author>anda0109</author><pubDate>Thu, 01 May 2025 09:49:52 +0800</pubDate><description><![CDATA[总的来说，MiMo-7B如果是6个月前发，可能算得上推理模型的顶流。今天发，应该不会引起太多关注。对于我们普通的推理模型使用者，也不用关注这个模型。Deepseek-R1、Qwen3系列4b以上模型，任一个性能都比它要好。他的价值在于将探索过程公开，使用推理数据做预训练，使基础模型天然具备推理潜力，同时在强化学习奖励机制和性能方面做了一系列优化。为开源社区提供见解和思路，也是一种贡献。深度探索AI应用。]]></description><category></category></item><item><title><![CDATA[09-Qwen3开源，性能全面碾压deepseek，本地部署实测来了]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147624417</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147624417</guid><author>anda0109</author><pubDate>Wed, 30 Apr 2025 09:04:36 +0800</pubDate><description><![CDATA[对于阿里新开源的模型Qwen3，用相对少的参数获得了更高的性能，将会进一步降低模型的使用成本。这将进一步促进大模型应用的发展。同时，思考和非思考模式合二为一，不管对于使用体验还是部署成本也是一个重大的进步。还有，工具调用支持能力，对于Agent极其重要。虽然在我的测试中存在瑕疵，相信官方版本中会解决这个问题。好了，Qwen3的分享就到这里。今天的Qwen3力压deepseek，同样期待明天deepseek-R2的再次超越。深度探索AI应用。]]></description><category></category></item><item><title><![CDATA[08-5分钟用langchain实现一个能查天气的Agent]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147586257</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147586257</guid><author>anda0109</author><pubDate>Mon, 28 Apr 2025 14:46:51 +0800</pubDate><description><![CDATA[Agent可以经过反复调研为我们出股票分析报告，可以根据我们的需求和预算帮我们制定旅游计划，甚至可以根据我们的需求帮我们写一个网站。它不再是简单的只能对话的“玩具”，而是可以规划和执行的帮手。也就是具有了Resoning + Action的能力。能根据模型的推理和规划，来调用工具，完成复杂任务，这就是对Agent最基本的理解。重点是根据模型的推理和规划来调用工具，而不是人为硬编码固定流程来调用工具，后者我们一般称为workflow。]]></description><category></category></item><item><title><![CDATA[07-轻松实现文字转语音 - Coqui TTS部署实践]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147323666</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147323666</guid><author>anda0109</author><pubDate>Fri, 18 Apr 2025 11:10:29 +0800</pubDate><description><![CDATA[Coqui TTS是一个开源的文本转语音（TTS）工具包，旨在提供高质量、灵活且易于使用的语音合成解决方案。它由 Mozilla 的 TTS 项目发展而来，并在社区的支持下不断改进和扩展。Coqui TTS 支持多种语言、模型架构和声码器，适用于从研究到生产的各种场景。]]></description><category></category></item><item><title><![CDATA[06-A2A协议：解锁多Agent协作的无限可能]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147314326</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147314326</guid><author>anda0109</author><pubDate>Thu, 17 Apr 2025 21:42:32 +0800</pubDate><description><![CDATA[功能发现：Agent可以使用 JSON 格式的“Agent card”公布其功能，从而允许客户端Agent确定可以执行任务的最佳Agent，并利用 A2A 与远程Agent进行通信。简单来说，A2A协议是由谷歌发起的，用于Agent之间协作的一个协议标准，旨在构建Agent之间协作的生态，推动Agent协作标准，以帮助人类完成复杂的任务。这种协作努力标志着一个共同的未来愿景，即 AI Agent，无论其底层技术如何，都可以无缝协作以自动化复杂的企业工作流程，并推动前所未有的效率和创新水平。]]></description><category></category></item><item><title><![CDATA[05-一文读懂MCP：连接AI模型与外部世界的桥梁]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147222595</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147222595</guid><author>anda0109</author><pubDate>Mon, 14 Apr 2025 14:22:47 +0800</pubDate><description><![CDATA[MCP由Anthropic于2024年11月底推出，目的是解决大语言模型与外部环境交互时的连接问题。它通过建立一种安全、双向的链接，使得大模型能够以一致的方式访问外部资源，同时确保数据的安全性和可控性。MCP（Model Context Protocol，模型上下文协议）是一种开放标准协议，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信方式。它可以被看作是AI应用程序的“USB-C接口”，为大模型提供了一种标准化的方法来连接不同的数据源、工具和服务。]]></description><category></category></item><item><title><![CDATA[13-Leveldb快照原理及其实现]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/147049080</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/147049080</guid><author>anda0109</author><pubDate>Mon, 07 Apr 2025 17:55:06 +0800</pubDate><description><![CDATA[LevelDB 的快照（Snapshot）机制在实现一致性读取的同时，对 Compaction 的行为也有一定的影响。为了更好地理解这种影响，我们需要从 LevelDB 的快照机制、Compaction 的原理以及两者之间的交互关系入手。例如，如果某个键在版本 100 被删除，但有一个快照的版本号是 99，那么这个键的旧版本数据必须保留，直到该快照被释放。通过合理的快照管理和参数调优，可以缓解快照对 Compaction 的负面影响，从而在一致性和性能之间取得平衡。：无效数据的存在增加了读取路径上的负担。]]></description><category></category></item><item><title><![CDATA[12-leveldb优化读性能的方法]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/146949642</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/146949642</guid><author>anda0109</author><pubDate>Wed, 02 Apr 2025 16:10:27 +0800</pubDate><description><![CDATA[LevelDB 是一个高性能的键值存储引擎，其设计目标之一就是优化读性能。为了实现这一目标，LevelDB 在多个方面采用了特定的技术和方法来提高读操作的效率。一、内存中的快速读取：MemTable 和 Immutable MemTable。：Table Cache 和 Block Cache 提高热点数据的访问速度。：利用 MemTable 和 Immutable MemTable。：无锁设计和快照机制提升并发读取能力。：利用操作系统缓存和预读取技术。：减少文件数量和读取范围。：快速排除不存在的键。]]></description><category></category></item><item><title><![CDATA[11-leveldb compact原理和性能优化]]></title><link>https://blog.youkuaiyun.com/anda0109/article/details/146918523</link><guid>https://blog.youkuaiyun.com/anda0109/article/details/146918523</guid><author>anda0109</author><pubDate>Tue, 01 Apr 2025 17:38:28 +0800</pubDate><description><![CDATA[LevelDB 的 Compaction 和垃圾回收机制在保证数据一致性和读写性能的同时，也面临写放大、空间放大等问题。通过调整策略（如分级 Compaction）、并行化、冷热分离等优化手段，可以显著提升性能。实际应用中，需根据工作负载（读/写密集型）和硬件环境（SSD/HDD）选择合适的配置。]]></description><category></category></item></channel></rss>