搜索“搜索”

step”是 71.8%。说明措辞的细微差别就会带来明显的效果差距，靠人手调很难找到最优。 上下文优化 1. 少样本示例优化 · 示例的排序会影响结果（Lu et al. 2022）。用探测集上的熵来选排序，可以接近穷举所有排序后的最优效果。 · 自举推理：STaR 用拒绝采样挖出正确的推理过程；DSPy 不需要微调，直接保留指标得分高的推理轨迹当示例，再搜索最佳组合。这种方式有时比人工写的推理或标准答案还好。 2. 反思式优化 · OPRO：把历史 prompt 和对应得分给 LLM 看，让它写出新的 prompt。“Take a deep breath”就是这样被找到的。 · MIPROv2 分三步：先自举出示例；再结合程序结构、数据特征、成功轨迹和写作技巧，生成多条候选指令；最后用贝叶斯代理模型在小批量数据上搜索“指令 + 示例”的最优组合。 · TextGrad：让 LLM 对输出提出改进意见，像梯度一样沿系统里的各个 prompt 反向传递。 · GEPA：基于反思做 prompt 进化，并保留帕累托前沿上的候选。讲义的结论是它在多个任务上优于基线，而且比 RL 省样本得多

匹配字段正文

外层只有大约 300 行 Python、两个工具（search、read lines），不依赖任何框架。 核心思想是 LLM 只提出请求，由循环决定执行什么：调用 LLM、执行工具、检查结果，然后决定继续还是停止。这就是 ReAct 循环，mini-swe-agent 和 Claude Code 的本质也是这样。 演示轨迹：模型一开始说"没有文件"，被要求先搜索；搜到第 125 行以后，又被要求读一下相邻的行，然后才被接受。搜不到时，系统会提示换更短的关键词；连续两次搜不到，就由 Python 强制返回固定的"拒答"，并说明"没找到不等于文件里没有"。 可观测性：能看到什么，厂商又藏起了什么 · 两个回答都通过了检查，但都漏掉了例外条款，而症状相同、原因不同：一个是第 127 行根本没有进入模型的视野（检索问题），另一个是例外内容进入了视野两次，却被答案丢掉了（模型问题）。检查只验证"有没有搜索、有没有引用"，并不验证答案完不完整，因为通过检查只说明它检查到的那部分没问题。 · 对比 Baby Anigans 和 Claude Code 各能检查到什么：/context 显示的是上下文

匹配字段正文

行代码。核心思路是：确定性的事交给工具，需要判断的事交给 Agent，正确性交给 CI 加多层验证，最后的业务决策留给人。 https://t.co/uuk2oX8b8U 面对的问题：删代码比写代码难 Flag 全量上线后，残留的条件分支、参数、配置和测试就成了技术债。它不仅拖累工程师，也让 AI Agent 读更多死代码，会话更长、成本更高。清理看起来是"搜索加删除"，其实是一条传播链：把 flag 内联成 true 只是第一步，接下来要判断函数参数能不能删（要查所有调用方）、旧分支是否已经不可达、配置字段还有没有别处依赖、测试该删还是该改写。Uber 团队的判断是：静态工具擅长确定性改写，AI 的价值在这些传播决策上。 三阶段架构 1. 改写：Agent 有文件搜索和编辑能力，布尔代数和条件化简则通过 MCP 调用 Uber 自己的确定性引擎 PolyglotPiranha 来做，因为条件化简一旦出错就会悄悄改变线上走哪个分支。Agent 循环执行，直到没有可清理的为止。 2. 修 CI：以 monorepo 的全量 CI 为准，而不是只看本地测试。失败先交给便宜的确定性修复器（未

匹配字段正文

p 四种操作； · MEM1（上下文内记忆，授课者自己组的工作）：这是本讲着墨最多的部分。针对“推理上下文不断增长导致复杂度与遗忘”的问题，MEM1 让模型每步生成一个整合了推理与记忆的内部状态，然后丢弃全部历史；上下文大小恒定，且可用结果奖励端到端训练模型学会“压缩”。实验展示了三个涌现行为：分类存储每个问题的关键信息、答完一题先更新记忆再进入下一题、多次搜索无果后学会跳过该题。这些行为没有任何一个是显式编程的。 · Reflexion / ExpeL（经验化记忆）：轨迹存短期记忆、自我反思存长期记忆；ExpeL 进一步把“这条经验是否有用”的反馈也存进去。 Context Language Models（CLM） 是记忆部分的收束：让模型把自己的整个上下文当作一个文件，用 Bash 命令随意编辑，编辑与真实上下文同步；创建/删除上下文文件即可实例化/终止子 agent；记忆、上下文管理和多 agent 结构被统一成“文件操作”。 工具与 Skills 部分：从 Toolformer 到 Meta-Harness 谱系是：Toolformer（模型自学单步工具调用）→ ToolLLM

匹配字段正文

生成了正确的15日简报，但因系统Bug没有推送到企业微信。 担心这是因为我自己的操作问题，于是我向WorkBuddy询问：“这是我自己使用的问题，还是你的错误”，它回答“是AI的错误”。 不过认错并不能等于改正。第二天我进行同样的测试，复制了昨天的提示词，WorkBuddy推送来的消息还是“2025年10月16日”。 查看执行记录后发现，WorkBuddy在搜索阶段就已经把关键词写成了“2025年10月”。这不是最后一步把年份算错，而是从检索开始就使用了错误的时间。 当我把“2026年10月16日”明确写进提示词后，结果才恢复正常。 这说明时间错误至少有两层：一层发生在模型生成内容时，另一层发生在任务执行和搜索参数里。只提醒模型“写准确日期”还不够，系统还需要在检索前确认当前日期，在发送前检查内容日期是否落在用户要求的时间范围内。 并且任务执行和消息推送并不是同一个状态。 WorkBuddy官方文档说明，本地定时任务在本机客户端执行，运行期间不能关闭电脑或退出客户端；企业微信推送只是结果通知，推送失败并不会影响任务本身的执行，也不会写入助理的对话上下文。 这解释了我在测试中看到的现象：

匹配字段正文

如果你用 Claude Code 还是你问一句、它改一行，那基本只是把它当成了高级版的 Google 搜索引擎， 一位 Anthropic 工程师刚在 30 分钟的工作坊里亮出了内部高阶打法：在一个集成循环里同时跑 100 多个智能体，1 个主代理坐镇，底下全当项目经理去带团队。 市面上那些卖 500 美元的所谓 Vibe Coding 培训课，含金量加起来都不如 Anthropic 工程师刚放出的这场 30 分钟高密度工作坊，他直接把怎么用最低的运营成本榨干 Claude Code 给讲透了。 这位内部工程师在分享里晒出了自己极其硬核的日常配置，他在一个集成循环里同时跑着超过 100 个智能体，上面只设一个主代理坐镇，底下的子代理分别充当项目经理，自己去领导和调度整个研发团队。 平时我们打开 Claude Code 写代码，默认动作是一问一答，报错了就贴进去问怎么改，本质上还是把它当成一个会写代码的 Google 搜索引擎在用，一个人盯一个终端窗口，你停下来它就跟着停下来。 但这位 Anthropic 工程师点破了真正拉开十倍产能差距的分水岭，Claude Code 真正的核武器从来

匹配字段正文

博客文章主视觉区块 在 NVIDIA DGX Spark 上运行你的 n8n AI 工作流，无需调用云 API Jamie Madden 2026 年 10 月 19 日 ∙ 阅读时长 14 分钟 文章正文 大多数小企业想要的 AI 任务其实就那么几项。他们想起草邮件、总结通话、读取发票、搜索自己的文档，偶尔生成一张图片。但其中不少企业无法为此把客户数据发送到云 API。 原因往往是数据隐私与数据主权。诊所、律师事务所或会计师事务所持有的记录，可能因合同、监管规定或职业义务而必须留在自己的控制之下。一旦这些数据发往云 API，它就会存放在别人的硬件上，可能位于另一个司法管辖区，并受制于服务商可以随时更改的条款。 在自有硬件上运行模型，可以让数据留在自己的办公楼内，也能让你向审计人员准确展示数据的去向。 你的 n8n 工作流可以转录通话、读取发票、基于自己的文档回答问题并起草回复，而无需向云 API 发送一个字节。本文介绍如何用一台 NVIDIA DGX Spark 为这些工作流所需的每一个模型提供服务，并统一置于一个 OpenAI 兼容端点之后——n8n 的 OpenAI 节点本来就能

匹配字段正文

契约，定义业务后置条件、不变量、停止条件和预算；把自治范围按只读、内部写、外发写三级划分；用一张合并的状态机把“待人工确认”“待审批或待患者确认”“结果未知”“人工接手”变成有明确迁移条件的状态。三个故障复盘分别是：工作人员确认 v1、Agent 发出 v2；预约超时产生两条预约；夜间升级无人接收。 第二篇，推理与协作：谁来选择下一步。 ReAct、规划、树搜索、自审查、路由和多 Agent 不是同一排行榜上的六个选项。这一篇先把立案材料审查拆成三类子任务：要件核对输入稳定，用确定性代码；管辖判断和证据充分性需要调查，用带预算的观察循环或限额搜索；原件是否需要提供，标记为待工作人员判断。然后逐一讨论每种机制真正解决的问题、各自的代价，以及怎样用等预算消融回答“复杂度值不值”。对照随访 Agent 时结论几乎反过来：大多数路径应当是固定问卷流程。故障推演里最值得注意的一个，是审查者坚持引用新版诉讼费标准，反而改坏了按提交日本来正确的结论。 第三篇，上下文与记忆：证据从哪里来、何时失效。 找到、读到、允许使用、仍然有效，是四件不同的事。这一篇以随访 Agent 为主：出院小结只装配随访需要

匹配字段正文

Write/Agent，物理上只读）、同样的 CLAUDE.md、没有主对话历史 · 结束必须调 SubagentHandback，否则内容不送达 · 报告回流时的防护：标记为模型输出而非用户（无用户权限）、整体缩进（伪造帧线可辨）；用纯格式守住对话边界 · brief 是模型写给模型的提示词：位置、验收标准、报告形状都要写清；模糊的 brief 得到模糊的搜索 Part 3：Fresh 还是 Forked（最大取舍） harness 自己列出的风险： · 细节双向丢失：它只知 brief，你只见报告 · 错误与正确发现同样自信 · 最危险：拿到你的假设，倾向于证实着送回来；要第二意见，给它代码，不给结论 Fresh：起点「仅 brief」、适合「第二意见、独立审查」、成本「更贵」 Forked：起点「全部历史 + brief」、适合「需要全部积累的侧任务」、成本「更便宜（复用 prompt cache）」 Fresh 不是便宜选项，是独立选项。 L10 的 Goldfish 必须是 fresh：fork 出来的会用记忆填补文档缺口，然后说文档没问题。 Part 4：辨析与工程 三个问

匹配字段正文

6氪Auto数字时氪未来消费智能涌现未来城市启动Power on36氪出海36氪研究院潮生TIDE36氪企服点评36氪财经职场bonus36碳后浪研究所暗涌Waves硬氪氪睿研究院媒体品牌 企业号企服点评36Kr研究院36Kr创新咨询企业服务 核心服务城市之窗政府服务 创投发布LP源计划VClubVClub投资机构库投资机构职位推介投资人认证投资人服务 活动搜索项目推荐我要入驻城市合作GPT、Claude指挥机器人干活，到底几斤几两？首个评测榜单来了智东西·2026年10月16日 10:29GPT-6 Astra的测试结果和成本都排第一。 机器人前瞻10月15日报道，昨天，美国AI基准测试公司Artificial Analysis发布新基准测试，AA-Robotics v0.1。 该公司称，目前该评测仍是一个研究预览版本，主要用于评估前沿大语言模型在物理世界中的理解、规划和执行能力。 团队在v0.1中设计了抓取、物体摆放、按按钮等8项桌面操作任务，让GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon等前沿大语言模型，通过写代码直接控制一台6轴机械臂，完成操作。

匹配字段正文

编码智能体不再只是回答单个提示，而是被嵌入到编码执行框架（Coding Harness）中，以便更自主地处理任务。它们能快速找到项目中的文件：智能体会选择搜索词、读取命中结果，并例如追踪由控制器调用的某个服务及其相关测试。对它们来说更难回答的问题是：系统为何会以它们所见的方式构建、其各部分如何协同工作，以及在进行更改时哪些条件绝不能被违反。LangChain 的 CLI 工具 OpenWiki 会从代码仓库生成一个带链接的 Markdown 知识库，依据 Git 历史对其进行更新，并通过智能体提示和 MCP 工具使其可被检索。 LangChain 的 CLI 工具 OpenWiki 会分析代码库并创建本地 Wiki 文档。 AGENTS.md 或 CLAUDE.md 这类文件虽然提供了规则，但很难充当大型且快速变化的代码仓库的完整知识模型。 对代码仓库的更改可以依据新的 Git diff 和提交来记录。 在搜索相关代码位置时，编码智能体例如可以打开某个控制器的源代码、追踪被调用的服务并执行相关测试。然而，由此并不会自动形成可靠的系统模型，而只是整体系统的零散拼图。也许只有某个特定服务才

匹配字段正文

码jevharnesstool 选择类：Skill Search 这里使用用户query和agent所有候选技能作为输入，判断解决用户问题是否需要使用技能，如果需要应该使用哪个技能。 类似的思路也可以用在mcp search、effort routing、memory search等等。不过model routing在我的使用场景中往往效率提升不明显但质量下降明显，或者推理速度快很多但任务完成速度提升不明显，对场景复杂度的评估需要更全面的上文，所以实现很简单，但效果很难评。 围栏类：LLM Guardrail 拦截用户的各类风险输入和prompt注入，这里提供了9种基础的风险类型，每种风险可以提供不同的处置方案block、review etc。 类似的思路也可以用于模型输出检查、tool call检查etc。 校验类：reference verify 以下适用于inline 引用，提供模型推理段落，inline推理+对应reference正文，判断搜索上文能否支持推理输出。 类似的思路也可以同于ool result校验agent结果，用在loop中检查task completed等等。

匹配字段正文

威胁。自动研究将它们视为需求。 每个模型在同一块 H100、同一基线上获得 6 小时： 两个模型独立发现了相同的优化，而提案质量远比推理速度重要。两个模型都独立收敛到学习率 warmdown 调度作为主要杠杆。GPT-5.4 系统地将 warmdown 比率从 0.5 爬山到 0.95。Spark 找到了相同的策略，但提案更混乱。这种收敛表明，小型训练改进的搜索空间具有真实结构，不同的智能体会找到相同的峰值。 接受率说明了更多。GPT-5.4 接受了其 67% 的提案。Spark 接受了 17%。不是因为 Spark 提出了坏想法，它提出了更多想法，其中许多很大胆。但每个被拒绝的提案仍然消耗 5 分钟的 GPU 时间。Spark 的速度优势（每次调用快约 35 秒）让它尝试了几乎两倍的提案，但大多数是浪费的训练运行。 当每个实验都消耗真实计算时，提案质量主导总成本。一个提出更少、更有针对性修改的模型，胜过一个广泛探索的模型，至少在面对严格门控时如此。 第二个实验（reap-expert-swap）解决了一个不同的问题：在远小于所需的硬件上运行一个巨大的 AI 模型。 目标模型需要约 2

匹配字段正文

息。保留它可以同时保持工具的可用性和缓存的前缀；丢弃它意味着模型无法再调用该工具，且更改后的前缀可能无法命中缓存；将动态声明追加到 messages 末尾不会影响缓存的前缀；删除或修改较早的声明可能会损害更改点之后的缓存命中 大型工具目录的推荐模式： 对话开始：只声明一个 search tools 函数（由你的后端实现）以及少量核心工具，并在系统提示中公布可搜索的领域标签；第一轮：设置 tool choice: "required" 以强制在回答前进行检索；按需注入：根据检索结果，通过一条系统消息插入匹配工具的完整定义；直接调用：模型在后续生成中使用已加载的工具；成本权衡：在对话开始前决定 reasoning effort 代码示例： 1M 上下文与自动缓存 Together 支持完整的 1M 上下文长度，且上下文缓存是自动的。请让你的长前缀（系统提示、知识库、仓库转储）在多次请求之间保持字节稳定，以便后续调用能够命中缓存。Moonshot 建议将固定的大块上下文（知识文档）放在 messages 数组的最开头、系统消息之前，然后在其后追加问题和回复。 采样参数 采样参数是固定的，你应

匹配字段正文