搜索“搜索”

/月。 Muse免费档每周送1亿token，意味着Meta在用主业利润补贴每一个免费用户。用户规模越大，补贴规模越大。 Personal Agent短期内很难成为独立盈利的业务，它更像是大厂用主业利润补贴的战略性入口，创业公司若没有主业现金流兜底，将面临免费打不过Meta、收费没人用的困境。 图源：X账号 这个逻辑在中国同样成立，而且更严峻。淘宝通过推荐流和搜索广告卖商家的展示位，用户在页面上多停留一秒，就多一次曝光机会；抖音的兴趣电商靠短视频和直播创造冲动购买；微信的广告长在视频号和朋友圈的注意力里。 但个人Agent越好用，这些平台最赚钱的广告曝光就越不值钱，这导致国内大厂对个人Agent的态度，比Meta复杂得多。 Meta没有电商交易生态，Agent帮它从谷歌和亚马逊手里截获意图，增量大于蚕食。而中国大厂大多同时拥有广告业务和交易业务，Agent的增量和它蚕食的广告收入之间，需要仔细算笔账。 因此，Muse带来的最大影响，是让平台第一次意识到：Agent可能成为它们和用户之间的新中间层，这个中间层，比任何一家平台都更靠近用户的真实意图。 微信、淘宝、美团、抖音各自是独立的，数据

匹配字段正文

式。我觉得这就是，是的，下一步。所以，是的，我觉得 Claude Code 拥有智能体循环的核心要素，而这些要素已经变得更加复杂。它需要一个沙箱来安全运行。它需要自动模式来确保权限 Vibhu [00:46:21]：审批。 Thariq Shihipar [00:46:21]：是的，审批。它需要计算机使用和 MCP，以及所有这些访问你数据的方式，它还需要网络搜索和网络抓取。所以，随着模型能做越来越多的事，核心 harness 必须相当复杂且非常安全。但你与它交互的方式可以变化很大。 Vibhu [00:46:42]：Claude Code 团队本身还有哪些 harness 工程最佳实践？我感觉曾经有一个计划模式阶段，但用得不多。我们现在有了自动模式。在某个时候你们削减了大部分系统提示词，去掉了示例。harness 工程还有哪些最佳实践？ Thariq Shihipar [00:47:02]：我觉得存在一条分叉路径，在某个时候，是的，最终模型将能够直接 vibe code 出 Claude Code 的确切版本，甚至描述出我谈到的所有这些复杂性，对吧？比如自动模式和计算机使用之类的。最终

匹配字段正文

“失利”，随后就又果断封禁Muse，其理由依据就在这里。因此，一定程度上讲，第三方AI智能体和平台的关系，已经从“是否构成非法入侵”的争论，更具象化地转向到“合同条款能否限制智能体”。 二、给亚马逊“递刀子”的，恰恰是10年前的Meta自己 吸取了Perplexity的教训，亚马逊这次把矛头从“闯入”移到了每位客户开户时都接受的规则上。它在Muse加载亚马逊搜索页面之前就阻断其访问，弹窗提示：“未经授权的AI代理继续访问，违反了亚马逊的使用条件，我们的客户已同意该条款。” 亚马逊这次不再指控智能体“入侵”，它援引的是客户已经同意的合同。按第九巡回法院对Perplexity禁令的裁决可以预判，亚马逊很难用《计算机欺诈与滥用法》（CFAA）证明智能体构成非法入侵。但法院同时留了一个关键的口子：裁决明确不损害亚马逊“通过其私人服务条款管理Amazon.com访问”的能力。反黑客法的路走不通，合同条款的路仍有可能。 有意思的是，给亚马逊这条“合同路径”提供先例的，正是Meta自己。 2016年的Facebook vs.Power案中，Power.com经用户同意、以用户账号密码登录，聚合社交数

匹配字段正文

的那个吗？ Diogo Almeida [01:33:22]：我从没见过——我没——我见过。我见过一个，比如，航空公司浏览器使用的东西。 Diogo Almeida [01:33:29]：在这个新笔记里，我们把标题设成 hello。 Diogo Almeida [01:33:33]：哇。太好了。好。我们继续吧，你能打开 Arc 浏览器吗？打开之后，你能用谷歌搜索 Norbert Wiener 吗？ Diogo Almeida [01:33:43]：现在你能打开 x.com 吗？ Swyx [01:33:46]：这是那种用例吗？ Diogo Almeida [01:33:48]：哦，语音用例。这其实是我第一次见到。这是 Swyx [01:33:51]：哦，好吧。 Diogo Almeida [01:33:51]：打开照片查看器。哇。哦，等等。哦，你能——你能往回退一秒吗？你能往回退一秒吗？ Diogo Almeida [01:33:58]：传言称 Anthropic 的工程师崇——把 Claude 当作神一样崇拜。哇。哇。 Diogo Almeida [01:34:03]：天哪。这挺搞笑

匹配字段正文

区，迫切需要坚守底线：在蒸馏对话上做出任何让步都是不可接受的。 Anthropic应当努力保护自己的知识产权，但他们不应要求政府固化其地位，并在此过程中可能使美国与全球开源社区隔绝。以我们掌握的信息，除了让实验室自我执行之外，蒸馏问题没有好的解决方案。 我尤其就蒸馏问题写过大量文章。我直接写过它对模型能力和监管环境的影响，你可以在Interconnects上搜索更多字里行间的提及。 蒸馏讨论有一种特别的混乱之处：人们很可能切实担忧中国实验室将Mythos狭窄的网络安全能力蒸馏进一个开放模型。这更多说明的是当前模型API的不安全性，而非蒸馏风险。即便在Claude Mythos处于限制最严的私测阶段时，Discord上的侦探们就未经授权获取了Anthropic的Mythos。迄今为止，模型API仍在被越狱并以非预期方式被访问。 这使能力落入恶意行为者手中的风险扩散速度，远快于任何涉及对1T+参数模型进行复杂微调的情况。我不是网络安全专家，但“只有开放权重模型不安全、API是安全的”这种二分法近年来被严重夸大了。API在概念上应当能够更安全，但这尚未得到证明。 如果Anthropic的模型

匹配字段正文

现有的订婚戒指，将其祖母绿切割主石换成马眼形切割，交付更新后的 3D 模型以及逼真的玫瑰金和黄金渲染图。” 平面图与渲染图：“根据扫描的地籍图、现场照片和测量数据，制作一张干净的带尺寸标注的平面图、家具布局方案，以及重新设计的浴室的逼真渲染图。” 由高效人机协作驱动的本体工程。“专家专注于提炼行业知识，而算法从中学习以扩展本体构建并推动持续演进”。 “先语义搜索，再判别”：“在语义搜索阶段，动态演进的本体被外化为一个独立的本体知识库，从而无需重新训练模型即可持续更新本体，”他们写道。“在判别阶段，模型只判断该项目是否与检索到的本体条目匹配。这种表述大幅降低了任务复杂度，减轻了模型幻觉，并增强了对本体演进的泛化能力”。 自演进的物品理解 LLM/VLM：“通过增量学习和模型自演进，系统填补有针对性的知识空白并缓解灾难性遗忘，”他们写道。“核心方法是在稳健的多任务基础上，为增量需求开发轻量级‘专家模块’，并将它们动态集成到专家池中，从而实现敏捷的能力扩展”。 “统一物品通道”：Oxygen AIIC 与其他业务应用之间的主要接口。“它支持日级、分钟级和秒级的生产与分发流水线，同时保持数据一

匹配字段正文

ge 参考「人设」生成了一张「自拍」 知识获取和文档整合 面对「我想学 Next.js，帮我调研一下」这类指令，Moltbot 会启动浏览器，检索最新官方文档与教程，最终总结出一条学习路径给予用户。 Agent 会根据用户任务自行使用多种工具研究并收集结果。也会记住和遵循用户随时的指示（如使用英语沟通） 让它「用今天的新闻编个故事」，Moltbot 熟练调用搜索工具抓取素材，并根据记忆文件中的偏好，完成信息筛选和总结。 有记性而像人的 Agent 除此之外，Moltbot 还能处理如代码编写、整理文件、自动化浏览器操作等一系列任务。在这些操作背后，有几个「惊喜」让我们印象深刻： 简单实用，像人一样的「记性」： Moltbot 的上下文窗口「看起来」无限长，即使任务多次切换，依然记得之前的对话细节。Moltbot 的记忆机制类似日志文件系统，会将关键决策写入本地 Markdown 文件，通过检索和压缩实现长期记忆。 Agent 主动找你聊天： Moltbot 会主动在群组中闲聊，得益于 Ling-1T 对语境的敏锐捕捉，也会随时回应其他人的聊天。这是一种很聪明的对于 Cronjob 和

匹配字段正文

的新图像生成AI，Nano Banana Pro（是的，AI公司仍然不擅长命名）。它结合了两项进步：一个非常好的图像创建模型和一个非常聪明的AI，后者可以帮助指导模型，按需查找信息。例如，如果我向Nano Banana Pro提示我的水獭测试的终极版本：“科学家是水獭，他们正在用白板解释ethan mollicks的水獭在飞机上使用WiFi的AI测试（你必须搜索这个），并通过一整墙水獭在飞机上使用笔记本电脑的照片来证明它已经通过。”我得到了这个： 连贯的词语、不同的角度、阴影、没有重大拼写错误。相当惊人的东西。记住，提示“水獭在飞机上使用wifi”在2021年得到了这张图： 但事实证明，真正好的图像生成是许多新能力的瓶颈。例如，拿PowerPoint演示文稿来说。每家主要AI公司都一直试图让他们的AI制作PowerPoint，他们通过让AI编写计算机代码（它们非常擅长这个）从头创建PowerPoint来实现这一点。这是一个艰难的过程，但Claude和ChatGPT都进步了很多，即使它们的幻灯片有点乏味。例如，我拿我的书《Co-Intelligence》扔进Claude，要求做一个幻灯片

匹配字段正文

一份工作，但它也可能戏剧性地改变人类事业的整个领域。是什么让这一切成为可能？AI智能体已经变得好得多，而且非常快。 自最初的 ChatGPT 以来，生成式AI已经帮助许多人完成任务，但限制始终在于人类用户。AI会犯错出错，因此，如果没有人类在每一步上加以引导，就无法完成任何有价值的事情。自主AI智能体的梦想——即给定一项任务后，能够规划并使用工具（编码、网络搜索）来完成它——似乎遥不可及。毕竟，AI会犯错，因此在智能体为完成任务而必须遵循的漫长步骤链条中，一次失败就会导致整体失败。 然而，事情的发展并非如此，另一篇新论文解释了原因。事实证明，我们关于AI智能体的大多数假设都是错的。即使准确率小幅提升（而新模型出错的可能性要低得多），也会带来AI能完成的任务数量的巨大增长。而最大、最新的“思考”模型实际上能够自我纠错，因此不会因错误而停滞。所有这些都意味着，AI智能体能够完成比以往多得多的步骤，并且能够在没有大量人工干预的情况下使用工具（这基本上包括你的电脑能做的任何事情）。 因此，有趣的是，过去几年中少数几个覆盖从 GPT-3 到 GPT-5 全系列AI模型能力的衡量指标之一，是 ME

匹配字段正文