探新AI-EnvACE，让智能体学会“世界彩排”

/在： /通过：

真正调用工具之前，先想象按钮按下去会发生什么。AI智能体正在从“边做边猜”，走向“先排练，再动手”。

2026年8月6日，一篇名为《EnvACE：通过世界彩排内化环境动态》的新论文提交到arXiv。它提出一个很有画面感的概念：World Rehearsal，世界彩排。

简单说，AI不急着真的点击、下单或调用接口，而是先在内部扮演一次“环境”，推演动作会换来什么结果。如果彩排里已经把会议取消错了，它还有机会在现实世界里收回手指。

智能体，为什么像摸黑拆快递

大模型变成智能体后，通常这样工作：观察情况，选择动作，等待环境反馈，再决定下一步。

问题是，训练这种智能体需要大量真实互动。想让它学会银行操作，就要准备可执行的银行环境；想让它练客服，就要模拟用户、订单、退款，以及各种“我不管，你给我找经理”。环境不仅贵，还很难做准。

另一条路是单独训练世界模型，让它预测动作结果。但这又像演员每说一句台词，都要跑到隔壁问编剧：“接下来舞台会塌吗？”

EnvACE想做的，是把演员和舞台装进同一个模型里。

一个模型，轮流演两种角色

EnvACE让同一套模型轮流戴上两顶帽子。

第一顶是行动者：根据任务生成工具调用，比如“查询账户余额”或“把商品加入购物车”。

第二顶是彩排者：暂时不碰真实环境，而是根据刚才的动作，想象可能出现的反馈——余额是多少、网页跳到哪里、用户是否拒绝、接口会返回什么错误。

模型再把这段“想象中的反馈”放进上下文，继续决定下一步。训练轨迹于是可以在内部展开：行动一次，扮演环境回应一次，再行动一次。

过去的智能体像背操作手册：“点这里，然后看页面说什么。”EnvACE更像有了场景感：“点这里大概会弹确认框；直接确认后可能无法撤销。”

它学的不只是按钮位置，而是按钮与后果之间那条看不见的线。

真实执行前，先开一场“私人小剧场”

训练完成后，世界彩排还能在执行前继续工作。

面对新任务，EnvACE可以在内部试走多条路线：一条先查资料再操作，一条直接调用工具，一条发现权限不足后更换方案。它把这些排练压缩成“彩排记忆”，然后只在真实环境里提交一次选中的方案。

这不等于“AI会预知未来”。它说明的是：把动作后果内化到行动模型里，可能比一味增加真实训练环境更容易扩展。

文字答错了可以重新生成；工具调错了，事情可能已经发生。

世界彩排因此可能带来三点变化：训练不必为每种工具都搭一套完整沙箱；行动不只追求眼前像对，还会估计后续状态；多个方案可先在内部试，现实里只提交一次。

如果说思维链教AI“先想步骤”，世界彩排则要求它再往前一步：想象世界会怎样回应。前者像列计划，后者像做沙盘。

但要小心：它彩排的世界，也可能是自己编的

世界模型最大的风险是：它预测错了，但行动者信了。

假如模型想象“点击确认后还能撤销”，真实系统却会立刻扣款，这场彩排就不是风险控制，而是一部由AI自编、自导、自信上映的灾难片。

研究还发现，彩排不是越多越好：两次通常比一次好，三次却可能回落，原因可能是轨迹过长，挤压了有效上下文。

因此，内部彩排不能代替现实校验。高风险动作仍需要权限控制、可撤销设计、外部验证和人工确认。它适合帮模型筛掉明显坏方案，却不该成为“模型已经想过，所以一定安全”的免检通行证。

AI的下一步怎么走？

大模型最初学习预测下一个词，后来学习调用工具；现在，研究者开始让它预测工具调用之后的世界。

EnvACE仍是一篇刚提交的预印本，不是已经成熟部署的工业标准。但它提出的问题非常关键：当AI真的能够替人行动，我们愿意把多少次试错留给现实，又有多少次应该先发生在它的内部世界？

未来优秀的智能体，也许不是动作最快的那个，而是在点击之前，已经悄悄把错误版本的人生过了两遍。

然后它抬起头，对你说：

“这个按钮，我建议先别按。”

玩转AI——AI也开始开项目组了：腾讯云多 Agent 协同，让“一个助手”变成“一个项目组”

/在： , , /通过：

过去用 AI，常常是你把一件事交给一个助手，从头问到尾。现在，腾讯云把“组队干活”搬进了智能体：一个主 Agent 当队长，多个子 Agent 分头研究、互相沟通，再把结果汇总回来。

先把对象说清楚：腾讯云近期介绍的这项能力，不是普通员工直接使用的“智能工作台”，而是腾讯云智能体开发平台 Claw 模式面向需要配置 AI 应用的技术人员或开发者提供的多 Agent 协作能力。

Claw 可以理解为平台里一种能自主规划、调用工具并完成多步骤任务的应用模式。听起来有点技术，换个说法就是：以前你请了一位全能助理；现在，这位助理可以临时拉一个项目群。

一、AI“小组作业”到底怎么分工？

这种“组队”也分两种。

最基础的是“单向委派”。它像项目经理分配：你设置一个主 Agent，再给它配几个角色不同的子 Agent。主 Agent 先理解任务，把工作拆开；子 Agent 各自完成后，把结果交回主 Agent，由它统一整理。组员之间不用互相讨论。

比如你要做一份竞品报告，可以让 3 个子 Agent 分别研究价格、功能和用户评价。它们不用互相聊天，最后把材料交给主 Agent 就行。这种方式适合需要分头推进、但成员之间不必反复沟通的任务。

如果任务更复杂，需要成员互相追问、质疑和接力，就可以在配置应用时进入高级设置，手动打开“允许多 Agent 团队协作”开关。这是应用配置，不是聊天过程中临时打开。

开启后，子 Agent 不只会向主 Agent 汇报，还能直接与其他子 Agent 沟通。官方目前允许一个团队最多包含 1 个主 Agent 和 19 个子 Agent。

但先别急着把 19 个位置都坐满。开了团队协作，也不代表每个任务都会自动组队；系统会根据任务需要决定是否启用。AI 团队和真人团队一样，人多不一定效率高，角色不清反而更容易乱。

二、三个普通人能用上的场景

场景一：做一篇需要核实的内容

假设你要写一篇公众号新闻，可以这样分工：

• 资料 Agent：收集最近 7 天的候选信息，并附上官方来源；

• 核实 Agent：检查日期、产品状态和收费规则；

• 审稿 Agent：专门找夸大、歧义和过时信息；

• 主 Agent：负责写作、取舍和最终确认。

这里有一个关键点：不要让好几个 Agent 同时改同一篇正文。腾讯云官方也提醒，多 Agent 同时编辑同一内容容易产生冲突。更稳妥的做法，是让它们分别提供材料和意见，最后只由一个 Agent 执笔，再由人确认。

场景二：做一次多角度调研

买设备、选供应商、做课程调研时，可以让不同 Agent 各看一个方向：一个查价格，一个查服务，一个找案例，一个专门验证风险。

单个 AI 很容易顺着第一条思路一直说下去。角色分开后，相当于多了几双眼睛，尤其适合互相挑战结论。

场景三：做一个小型应用

再往技术场景走一步，如果你要做网页或内部工具，可以让前端 Agent、后端 Agent、测试 Agent 分工。测试 Agent 发现问题后，可以直接把问题发给对应成员，不必每次都绕回主 Agent。

这类需要交接、反馈和返工的任务，才真正体现“团队协作”的价值。

三、什么时候别开团队协作？

第一，问题很简单时不要开。

查一个概念、改一段话、整理一张表，一个 Agent 就能完成。为了显得高级而组队，往往只会多绕几圈。

第二，流程完全按顺序进行时，不一定要开。

如果第二步必须等第一步结束、第三步又只能等第二步，普通工作流可能更清楚。

第三，要留意成本。

腾讯云官方提示，开启团队协作后，Token 消耗大约是单向委派的 2—3 倍。Token 可以简单理解为 AI 处理信息的计量单位，参与的角色越多、沟通越频繁，通常就会消耗更多。

从 7 月 1 日起，智能工作台和 Claw 模式应用运行任务均已结束限时免费公测，转为按运行时长计费；模型、工具和 Skills 还会消耗 PU。PU 是平台的通用计费单位，官方当前换算为 1 PU＝0.001 元。实际价格可能调整，正式使用前应以计费页面为准，并先用小任务测试效果和费用。

怎么选，可以记住三句话：

简单问答，用单 Agent。

需要分头查资料，用单向委派。

需要互相追问、接力和返工，再开团队协作。

多 Agent 最值得关注的，不是“同时叫来更多 AI”，而是把过去藏在一个对话框里的工作过程，变成可以分工、交接和检查的流程。

它不会自动让结果变好。真正决定质量的，仍然是角色有没有分清、资料来源靠不靠谱，以及最后有没有一个人负责拍板。

如果让你组一支 AI 小队，你最先会设置哪三个角色？欢迎在评论区告诉我。

AI课不只学知识，更要做项目！普开数据亮相AIGE2026

/在： , /通过：

人工智能课，究竟应该教什么？

是认识几个热门模型，记住一些新概念，还是让学生真正采集数据、训练模型，亲手完成一个AI项目？

这道看似简单的题，正在成为越来越多学校推进人工智能教育时面临的现实问题。

7月26日至30日，全国人工智能通识教育研讨会（AIGE2026）暨清华大中小学人工智能通识教育体系交流会在西安举行。

会上，北京普开数据技术有限公司创始人兼CEO叶刚带来了一个直接而具体的答案——

AI课不能停留在“听懂了”，还要让学生真正“做出来”。

AI课，不该只是“认识AI”

近年来，人工智能课程加速走进中小学。

但在实际教学中，不少学校仍然面临一些共同难题：

  • 课程内容有了，实验怎么做？
  • 工具种类很多，学生怎么用？
  • 学完一个知识点，怎样转化为真实能力？
  • 不同年级的孩子，又该从哪里开始？

叶刚在《中小学人工智能课程实验平台建设》主题分享中提出，人工智能教育不应只是一门“介绍人工智能”的课程。

如果学生只是听过机器学习、计算机视觉、大模型，却没有亲手处理过数据、训练过模型、解决过问题，那么人工智能依然只是书本上的抽象名词。

真正有效的AI课堂，需要让学生经历一个完整过程：

先学习，再体验；先动手，再创造.

一堂AI课，可以这样“跑起来”

围绕学生从知识学习走向创新实践的过程，普开数据构建了一个完整的人工智能教学闭环：

课程学习 → AI体验 → 工具实践 → 数据处理 → 模型训练 → 项目应用 → 成果展示

这意味着，学生不再只是坐在教室里听老师讲“什么是人工智能”。

他们可以亲手整理数据、训练模型、观察结果，再把学到的知识用到一个具体项目中。

例如：

  • 给一组数据做K-means聚类；
  • 用KNN算法完成分类任务；
  • 体验OCR文字识别；
  • 训练一个声音分类模型；
  • 尝试图像分类和文本分类；
  • 把训练好的模型用到自己的创意作品中。

原本有些抽象的算法和模型，因为“看得见、能操作、有结果”，变成了学生可以理解和完成的真实任务。

AI，也从一个遥远的科技名词，变成了孩子手中的创作工具。

不是所有学生，都要从写代码开始

中小学生年龄跨度大，学习基础也各不相同。

让一年级学生直接面对代码并不现实；但如果到了高中阶段，课程仍然只停留在简单体验，同样难以满足学习需求。为此，平台设置了七类AI工具：

模型训练、积木编程、零代码、AI编程、原理算法、数据标注和大模型应用。

低年级学生可以从拖拽式编程、趣味互动和AI体验开始，在游戏化任务中建立对人工智能的直观认识。

随着年级提升，学生可以逐步接触数据处理、算法原理和模型训练，并使用Python、Notebook及相关人工智能框架完成更深入的实验。

到了大模型应用阶段，学生还可以体验智能问答、知识库、任务规划和智能体流程编排，探索生成式人工智能在真实场景中的应用。不是一上来就要求每个孩子写复杂代码，也不是让所有人永远停留在简单体验。

每个年龄段，都有适合自己的AI学习方式。

人工智能教育要真正进入学校，不能只靠一次公开课、一个兴趣社团，或者几场热热闹闹的体验活动。

它需要一套能够持续学习、逐步进阶的课程体系。

普开数据中小学人工智能课程教学平台覆盖小学一年级至高中三年级，共设置：

12个年级、120节课程、7类AI工具。

课程按照学生年龄特点和认知水平逐级展开：

低年级重在兴趣启蒙和直观体验；
中年级逐步加入编程与项目任务；
高年级进一步学习数据、算法、模型训练和综合应用。

学生每升一个年级，面对的不只是“换了一个新案例”，而是能力层级的持续提升。

从认识AI，到使用AI；
从完成任务，到解决问题；
从模仿操作，到自主创造。

一条连贯的学习路径，让人工智能课程真正成为贯穿基础教育阶段的成长课程。

学生要好用，老师也要“拿来就能上”

一套AI课程能不能进入日常课堂，学生体验很重要，教师使用是否方便同样关键。

老师要备课、设计活动、组织实验，还要处理各种软件和环境问题。如果工具过于复杂，再精彩的课程也很难稳定开展。

因此，平台不仅提供课程和实验工具，还配套了PPT课件、教学视频、教师教案和实验手册。

课程、项目、工具、数据和模型被整合到同一平台中，尽量减少教师在不同软件之间来回切换的负担。

老师可以把更多精力放在课堂设计和学生指导上，而不是花大量时间配置环境、寻找素材和排查工具问题。

AI教育真正的目标，不是培养“工具熟练工”

技术变化越来越快。

今天流行的工具，几年后可能已经更新换代。但在学习过程中形成的好奇心、计算思维、实践能力和创新意识，会长久地伴随学生。

因此，AI教育的意义不只是让孩子学会使用某个软件，也不是让每个学生都成为程序员。

更重要的是，让他们理解技术如何工作，知道如何借助技术解决问题，也懂得负责任地使用技术。

此次AIGE2026专题分享，是普开数据对中小学人工智能课程建设的一次集中展示，也呈现了一种更具实践感的AI课堂：

课程不是终点，创造才是。

玩转AI——Kimi K3来了：这次不只陪你聊天，而是想接住一整套项目

/在： , , /通过：

2.8万亿参数、原生视觉、最高100万Token上下文——Kimi K3的数字很醒目，但普通用户真正需要关注的，是它能否读完一整套资料，并把调研、分析、文档和编程等长任务持续做下去。

前几期我们聊过桌面智能体、零代码应用，也聊过能围绕资料做研究的AI工具。本期轮到国产大模型里的“长文本老选手”Kimi。

7月16日，月之暗面发布新一代旗舰模型Kimi K3。官方公布的几个数字很抢眼：2.8万亿参数、原生视觉能力、最高100万Token上下文，并重点面向长程编程、知识工作和复杂Agent任务。

一、Kimi K3升级的重点是什么？

先说结论：K3的重点不是让简单聊天变得更花哨，而是提高处理“重任务”的能力。

过去用AI做复杂项目，经常遇到三个问题：资料一次放不全、对话长了忘记前文、任务步骤一多就开始跑偏。

K3把上下文上限提高到100万Token，适合处理大型代码库、成套项目文档和多份研究资料。这里要注意，100万Token是模型支持的上限；网页端需要相应的高等级会员权益，并不是所有账号默认开放。

它还原生支持图片理解。除了文字、表格和文档，你也可以把截图、图表、流程图一起交给它，让模型结合图文分析，而不是只读其中的文字。以前分析竞品页面，需要先用文字描述页面结构；现在可以直接把网页截图交给K3，让它结合页面布局、图表和文字一起分析。

至于KDA、Attention Residuals和MoE这些技术名词，普通用户不用背。它们最终想解决的都是同一件事：资料更多、任务更长时，模型仍能尽量保持思路连贯。

二、普通人可以用它做什么？

1. 给一整套项目资料做复盘

把几个月的周报、会议纪要、方案和数据表放进去，让它按“目标—进展—问题—下一步”整理，并找出前后矛盾和长期没有解决的事项。

以前我们需要在十几个文件之间来回翻，现在可以先让AI完成第一轮梳理，再由人核对关键结论。

2. 横向比较多份报告

一次上传多份行业报告时，不要只说“帮我总结”。可以直接要求：

比较这些报告的共同判断、主要分歧和数据口径；每条结论标出来源；最后给出三条可执行建议。不确定的信息单独列出，不要自行补全。

这样得到的结果，更接近一份可以继续加工的调研底稿。

以前同时看几份报告，最费时间的往往不是阅读，而是核对同一指标是否采用同一口径；先让AI把差异列出来，人再回到原文确认，可以省掉大量来回翻找的时间。

3. 从资料直接做到成品

K3不仅能输出文字，还可以参与生成文档、表格、PPT和网站等可编辑成果。

例如，你可以让它先读取会议材料，再整理汇报逻辑、制作演示文稿提纲，最后检查遗漏。这种工作方式更接近“把整个任务交给AI”。

以前最容易卡在“内容已经有了，但还要重新整理成不同格式”；现在可以让AI沿着同一套材料继续往下做，减少在文档、表格和PPT之间反复复制粘贴。

4. 处理周期更长的编程任务

对开发者来说，K3更明显的优势是读取大型代码库，并持续完成修改、测试和排错。

普通用户即使不写代码，也可以关注这一点。因为模型能否长期稳定执行编程任务，也会影响它完成多步骤办公任务时的可靠性。

过去处理长任务时，模型常常做到一半就忘了前面的约束，还需要人工反复提醒；K3想提升的，正是这类持续执行能力。

三、怎么开始使用？

第一步，打开Kimi网页端或最新版客户端，在输入框右下方的模型选择器中切换到K3。K3也已经应用在Kimi Work、Kimi Code和官方API中。

第二步，把任务背景、参考资料和交付格式一次说清楚。比如：

阅读我上传的12份周报和3份会议纪要，先整理本季度项目时间线，再找出延期事项及原因，最后生成一份10页以内的复盘PPT提纲。所有结论都标出来自哪个文件，不确定的地方单独列出。

第三步，不要拿到第一版就结束。继续让它检查遗漏、核对引用、压缩篇幅，或者把内容改成适合汇报、公众号和内部通知的不同版本。

记住一个实用公式：

复杂任务 = 输入材料 + 处理步骤 + 输出格式 + 核查要求。

这四项说得越清楚，AI越不容易跑偏。

四、K3、K2.6和K3集群怎么选？

如果只是问一个简单问题、查资料或改一句文案，响应更快的K2.6通常已经够用。Kimi帮助中心显示，K2.6在聊天场景中不消耗会员额度。

需要处理成套资料、复杂推理、可编辑文档或多步骤任务时，可以切换到K3，但会消耗相应额度。

如果任务涉及大规模搜索、批量处理或很长的内容，可以考虑K3集群。它更像“同时安排多名助手分头工作”，但同样会消耗额度。

五、使用前还要注意什么？

上下文更长，不代表结论一定正确。资料越多，越要要求AI标注来源，并对关键数字回到原文复核。

也不要随意上传合同原件、身份证件、未公开经营数据和公司源码。涉及内部材料时，要先确认单位的数据安全要求和账号权限。

需要说明的是，“开放模型”不等于普通电脑就能轻松本地运行。K3总参数规模达到2.8万亿，官方建议使用由64张以上加速卡组成的超节点配置进行部署。对大多数普通用户来说，更现实的方式仍然是通过Kimi网页端、App、Kimi Work或API直接使用。

写在最后

Kimi K3最值得关注的，不是2.8万亿这个数字本身，而是AI正在从“回答一个问题”，走向“接住一整套项目”。

对普通职场人来说，它未必适合每一次简单对话，却很适合那些资料多、周期长、需要反复核查的重任务。

与其拿它问天气、改句子，不如把积压很久的项目资料交给它，看看它能不能先替你完成第一轮整理。

你最想让Kimi K3接手哪一项重活？欢迎在评论区留言，我可以帮你把第一条指令写好。

第16届高校师资研修班落地大同，解锁大模型与智能体教学新范式

/在： , , , /通过：

当塞北古都的千年文脉，遇上生成式AI的前沿浪潮，会碰撞出怎样的火花？

2026年7月21日—26日，由北京普开数据技术有限公司主办，山西大同大学计算机与网络工程学院、中北大学计算机学院的联合主办的第16届高校师资研修班——大模型、智能体与生成式编程实战研修班，在山西大同正式开讲。本次研修以“千年大同文脉 × 智启未来教育”为主题，聚焦Vibe Coding、OpenClaw、Hermes Agent三大核心技术方向，为全国高校计算机、人工智能、数据科学等专业的一线教师，带来一场全栈实操、落地导向的AI教学能力升级之旅。

7 月 21 日，研修班在国宾大酒店五楼蓬莱阁正式开班。在开班仪式上，联合主办方山西大同大学计算机与网络工程学院院长张景安及中北大学计算机学院院长秦品乐先后致辞。

山西大同大学计算机与网络工程学院院长张景安致辞
中北大学计算机学院院长秦品乐致辞

北京普开数据技术有限公司创始人兼 CEO 叶刚在致辞中回顾了普开数据自 2011 年起连续举办高校师资培训，至今已成功举办16届。普开数据的责任与使命是为教师赋能，为教师提供更多的工具、方法、教学手段和最新成果。他希望通过本次研修班，帮助高校教师系统化掌握大模型与智能体前沿技术，摆脱零散学习、反复试错的低效状态，真正实现“学以致用、教以致用”。

北京普开数据技术有限公司 CEO 叶刚致辞

当前，大模型与智能体技术以周为单位快速迭代，为帮助高校教师系统化掌握前沿大模型全栈能力，普开数据精心设计了本次实战培训班，紧扣教育部《人工智能+教育》行动计划的核心要求，秉承 “轻理论、重实战、全流程项目化” 的理念，直击当前高校AI教学的两大痛点：

一是前沿技术迭代快，一线教师缺乏智能体、生成式编程的工程化实操能力；

二是实训内容与产业脱节，缺少可直接落地的教学案例与实训平台。

为期5天的课程全程以实战为核心，拒绝空泛理论，带领教师从零跑通完整技术链路：

– 底层能力筑基：覆盖主流大模型本地部署、Prompt工程进阶、Vibe Coding自然语言生成全流程代码，夯实大模型工程化基础；

– 智能体全栈开发：深入讲解Hermes Agent智能体架构、MCP协议工具链开发、OpenClaw智能体引擎部署与行业Bot定制，掌握当前产业最前沿的多智能体协同开发能力；

– 私有知识库落地：基于毕昇AI工作流平台，实操批量文档私有知识库构建，掌握“导出平台JSON规则—大模型自动生成工作流—一键导入部署”的高效开发技巧，彻底降低低代码工作流的搭建门槛；

– 教学场景转化：完成从知识库搭建、工作流开发到Streamlit前端应用对接的全链路闭环，培训结束即可带回可直接用于课堂、实训与科研的AI问答系统。不同于常规的技术培训，本次研修班特别注重教学成果的可复用性。参训教师不仅能掌握完整的技术能力，还将获赠全套教学资源包：配套PPT、实训手册、行业案例源码、平台长期实训权限与完整课程教案，真正实现“学完就能开课，回去就能落地”。

主讲老师：刘生（普开数据副总经理、CTO）
主讲老师：崔健
主讲老师现场解答

背后的产教融合深耕者：北京普开数据

作为国家高新技术企业，普开数据自2010年成立以来，始终专注于为全国本科、高职、中职院校提供AI与大数据方向的全链条教学解决方案，是国内最早布局该领域的服务商之一。截至目前，其合作院校已覆盖全国1800余所，累计培训高校教师超8000人次，是教育部产教融合合作的核心单位。

在产品与服务层面，普开数据形成了完整的闭环体系：

– 自主研发大数据、人工智能、生成式AI一体化实训平台，支持本地私有化部署，充分满足高校数据隐私与教学安全需求；

– 持续迭代前沿课程体系，率先推出Vibe Coding、智能体工程化等产业热点方向的教学内容，填补高校前沿实训内容的空白；

– 打造常态化师资研修品牌，至今已成功举办16届全国性高校师资培训班，成为高校教师更新技术能力、对接产业前沿的核心渠道。

本次研修班实操所用的毕昇AI工作流平台，正是普开数据的自研核心产品。该平台支持私有知识库批量上传、低代码智能体工作流搭建、前端应用快速对接，其“大模型自动生成工作流”的高效开发模式，也成为本次培训最受教师关注的亮点之一。从云冈石窟的千年佛光，到智能体代码的数字浪潮，大同这座古都，正见证着传统教育与前沿AI的深度融合。对高校教育而言，大模型与智能体不是遥远的概念，而是正在走进课堂、重塑教学的核心工具。普开数据也将持续深耕产教融合，把最前沿的AI技术转化为可落地的教学方案，助力更多高校完成AI时代的教学升级。

探新AI-知识库越用越乱？HyperGraph说：让文档自己“拉帮结派”

/在： , , /通过：

企业做 AI 知识库，常常遇到一种尴尬：上万份合同、规范、报告整整齐齐码在系统里，看着挺全，真到用的时候 —— 想找跟某个项目相关的所有资料，搜出来一堆碎片，东一榔头西一棒子，拼都拼不起来。

有没有一种可能：知识库自己管理自己？

现在的知识库，为什么越用越鸡肋？

市面上的主流工具，路子就两条，各有各的坑。

一条是向量检索。把每份文档切成小段，做语义匹配。优点是省事，缺点是文件之间完全不连通。同一个客户出现在合同 A 和报告 B 里，系统根本不认识，跨文件查资料全靠人工手动翻找。

另一条是固定图谱。实体、关系都靠人一笔一笔标进去，精度高，但维护成本更高。业务迭代快的团队，每周都要花大量人力去补节点、建新边，一不留神就滞后。知识断层一旦出现，AI 给出来的东西就少胳膊少腿。

说白了，两类工具都缺一个能力 —— 自己长大、自己更新的能力。 知识库建完的那天，就是它开始变旧的那天。

玩转AI——Gemini Notebook是我工作里最常用的AI之一，尤其是做PPT的时候

/在： , , /通过：

你以为它只是笔记本，其实能读资料、跑数据——Gemini Notebook来了

Google出品，把PDF、网页、表格和视频丢进去，不仅能读，还能总结、对比、画图、出成品

7月16日，Google正式把NotebookLM更名为Gemini Notebook。

名字像是换了块门牌，真正的升级却在后厨：部分付费用户已经能让它在安全云端环境中运行代码，资料分析从“帮你看懂”进化到“帮你算完”。

之前我们聊过桌面智能体、聊过文件生成工具，各有各的擅长。但Gemini Notebook切入的是另一个场景——你不是要它凭空编东西，而是要它先把你喂的材料吃透，再替你干活。

一句话概括新能力：把PDF、网页、表格和视频丢进去，Gemini Notebook不只帮你读，还能围绕原始资料做总结、对比、画图表、导出成品文件。

一、怎么用

第一步，建一本笔记。登录Gemini Notebook，新建项目，把PDF、Word、PPT、CSV、网页链接、YouTube视频或录音一次性丢进去。每个项目独立管理，资料不会在不同笔记之间乱串。

第二步，直接说人话。 别只问“总结一下”，试试这样下任务：“对比三份报告的共同结论和冲突点，每条都标出来源”“把这张CSV按月份分析，找出异常波动并解释原因”。回答会附资料引用，方便你回到原文核对。

第三步，到Studio里收成品。 你可以生成简报、思维导图、测验、音频解读、数据表或演示文稿。已开放云端计算能力的账号，还能让它运行代码、画图表、导出Excel、PPT、Word等文件。

 二、场景示例

备课做课件：上传教材、政策文件和几篇论文，让它先列知识框架，再生成课堂提问、随堂测验和讲解提纲。以前资料在文件夹里“各过各的”，现在终于肯坐下来开会了。

项目复盘：放入周报、会议纪要和数据表，要求它找出目标偏差、关键原因和下周行动。数据多时，再让它画趋势图，省掉手动筛表和拼结论。

快速吃透新领域：把行业报告、公开课视频和访谈录音放进一本笔记，先听音频概览，再沿着引用追问。适合调研、考试复习，也适合临时接到一个完全陌生的项目。

三、注意事项

改名不等于所有新功能同时到账。云端运行代码目前优先面向Google AI Ultra和部分Workspace商业用户，未来几周逐步覆盖Pro网页用户。普通用户仍可使用资料上传、基于来源问答和Studio内容生成功能。

AI回答有引用也不代表绝对正确，正式材料仍要回原文复核。上传内部资料前，确认好账号权限和分享范围。

最后聊两句

市面上AI工具分两类：一类帮你“凭空造”，一类帮你“从材料里挖”。Gemini Notebook稳稳站在后者。

它不是让你跟AI闲聊，而是让你把资料扔进去、下命令、然后拿走成果。之前我们聊的桌面智能体是帮你操控电脑完成多步骤操作；腾讯元宝是一句话生成PPT和表格；百度秒哒是零代码搭应用。Gemini Notebook做的事不一样——它解决的是“围绕一堆资料深挖、追问、出成果”这件事。

改名只是开始。Gemini Notebook最值得关注的，是“资料库”开始长出真正的执行能力——从“读懂”到“算完”，Google把它塞进了一本笔记本里。**你最想把哪一堆资料塞进Gemini Notebook？评论区聊聊，我帮你把第一条指令写好。

探新AI-DRIFT 把 “读” 和 “想” 拆成了两条路，就让长文档推理速度翻了倍

/在： , /通过：

大模型处理长文档为什么总是慢半拍？根源不在模型本身，在它的 “阅读方式”。

现行主流方案，无论开源还是商用，面对几十页合同、三五份行业报告，全部是同一套流程：原始素材一次性灌入，同一个模型既当信息筛选员，又当逻辑推演师。两类任务算力需求天差地别，却挤在同一条管道里跑。大量资源消耗在过滤无关段落上，真正留给深度推理的算力所剩无几。

行业里各种优化手段都试过了，但没一个真正触达病灶：

  • 层级分流早退：只在模型内部省几层计算，读和想依然绑在一起；
  • 生成提速调度：只管输出快慢，前置冗余素材一点没少；
  • 蒸馏和参数适配：动的是训练阶段，推理流程照旧；
  • 事实校验工具：在本就不够快的流程上再叠一轮检查，长文本场景雪上加霜。

所有方案都绕开了最核心的矛盾：“信息读取” 和 “逻辑推演” 压根不应该由同一套网络同时承担。

DRIFT来解决核心思路：先摘菜，再炒菜

DRIFT 框架不碰模型本身，不调权重、不改结构、不依赖专用硬件，仅依靠三层调度代码，将推理流程底层拆为两条独立链路，搭配异步调度器并行作业。

轻量化萃取单元（专职摘菜）

仅负责从原始文档提取有效信息：关键实体、关联关系、有效条件，过滤废话、重复、无关内容；不做任何逻辑推导，算力消耗极低，支持几十份文档并行提纯。

主逻辑推演单元（专心炒菜）

不再直面杂乱原始文本，仅接收萃取完成的结构化知识片段；全部算力集中用于因果推导、条件关联、方案整合，消除杂质干扰，推理连贯性大幅提升。

异步调度器（双链路协同）

萃取单元持续处理新素材，推演单元收到有效片段即可分段计算，彻底消除传统模式 “全文读完才能思考” 的长时间阻塞。全程属于外置推理优化，无需词元改造、多模态适配、训练调整，与市面上绝大多数软件优化方案无技术重叠。

我们来看看实测数据

先说万词级多文档分析。团队直接扔进去20多份行业研报，加起来快三万字。以前这种量级，模型读到一半就开始“失忆”，前后逻辑接不上，推理延迟动不动就奔着分钟级去。套上DRIFT之后，萃取单元先把每份报告的核心观点、关键数据、关联关系摘出来，主模型只负责在干净知识片段上做推演。总耗时压了将近一半。

再来看合同审查。拿八百多份真实商业合同做批量抽检，里面大量条款是模板化套话、免责声明、格式描述，真正需要人工级推演的风险条款占比不到四成。萃取单元直接把六成以上的废话段落原地过滤掉，主模型面对的全是有效条款，逻辑推演那块儿的时间直接砍半。

本地部署这是最让人意外的。实验室专门拿了台老旧的办公电脑做测试，没显卡，只有普通CPU。以前这种设备打开一个几百页的PDF都费劲，更别说跑推理了。装上Mini-DRIFT之后，萃取单元在CPU上跑得稳稳的，读一份上千页的工程档案，翻页、摘录、提取关键关系全程没有明显卡顿。全程没碰任何专用硬件，纯靠流程拆分就把事情办了。

三个场景跑下来，结论很一致：让模型读得更少，想得更深。DRIFT不挑算力、不挑设备，只干一件事——让模型不再傻读全文，而是摘干净了再想。效果嘛，上面这几组数摆在这儿，比什么宣传都实在。

玩转AI-本周重磅开源！美团LongCat-2.0来了，万亿参数+国产算力自主训练

/在： , , /通过：

美团出品，1.6万亿参数MoE架构，MIT协议免费商用，纯国产算力训练

往期我们聊的Coze 3.0、百度秒哒，都是面向普通用户的上层应用工具。本周换个视角——AI行业迎来一个底层技术里程碑事件。

7月6日，美团LongCat-2.0正式开源，国内首款全程依托国产算力集群完成训练、推理的万亿参数混合专家大模型。对企业私有化部署、开发者二次开发具备极高价值。

一、LongCat-2.0是什么？

总参数1.6万亿，MoE混合专家架构，单Token动态激活480亿参数，原生支持百万字超长上下文读取。

6月底完成技术发布，本周正式开放完整权重、推理代码、微调工具。采用MIT开源协议，不限企业商用。华为昇腾、摩尔线程、沐曦等国产芯片同步完成适配，普通高配服务器也能本地离线部署。

最大亮点：依托五万卡国产算力集群完成全流程训练，彻底摆脱对海外高端算力的依赖，补齐国产大模型自主化的核心短板。

二、三大核心优势

全链路国产算力，数据不出境

从训练芯片到推理引擎全部国产化，数据全程本地运行不上传云端。企业内部源码、项目档案、涉密资料可以放心处理，政企和研发团队的落地门槛大幅降低。

长文本+工程代码能力突出

一次性完整解析整套项目文档、数十份行业报告，代码漏洞排查、批量工程重构、脚本生成准确率大幅优化。针对多步骤智能体任务做了专项调优，长链路工作逻辑连贯性更强。

完全免费开源，部署成本低

模型和推理框架无商用限制，不用持续付云端API费用。配套轻量化压缩方案，中小团队不需要高额算力投入，就能搭建专属私有大模型底座。

三、能用在哪些场景？

企业研发内部知识库：批量解析项目源码、历史方案、行业档案，搭私有问答系统，自动迭代文件、排查代码问题，内部数据本地留存。

海量资料批量复盘分析：一次性读取长篇台账、行业调研资料，自动提取核心数据、生成对比报告，适合大批量档案归档和周期性业务复盘。

开发者低成本二次开发：基于开源底座定制行业专用AI、本地文档处理智能体，不用从零训练大模型，大幅缩短自研周期。

四、怎么上手？

去美团开源仓库、ModelScope或HuggingFace下载完整模型包和推理脚本。在国产算力服务器或高配主机上部署，官方提供了轻量化启动工具。本地离线上传文档和代码直接下发指令，支持百万字批量解析。开发者可以基于源码微调，打造适配自身行业的定制化模型。

五、核心亮点小结

本周最新开源的重磅技术产品，填补了国产万亿大模型自主训练的空白。开源商用无限制，本地私有化部署方案成熟，隐私和合规优势明显。长文本、代码、多步骤任务表现领先。多品牌国产芯片同步适配，硬件选择灵活。

定位精准面向企业级私有化部署，原生交互以开发者工具为主，技术团队可直接调用API或命令行高效集成；普通个人用户可关注社区后续推出的轻量封装版本。

写在最后

最近AI产品大多扎堆做个人办公和轻量化应用，底层自主可控的开源大模型新品确实稀缺。本周开源的美团LongCat-2.0，兼顾国产算力自主、免费商用、离线本地运行三大核心优势。

对于有大批量资料梳理、项目研发、私有数据处理需求的企业和开发者，这款模型有长期实用价值——不用持续订阅云端服务，本地运行也能保障内部资料安全。

你是企业技术负责人还是独立开发者？评论区聊聊，帮你看看LongCat适不适合你的场景。

探新AI-大模型从“文盲”到“学霸”的成长之路

/在： , /通过：

手机里那个能写诗、能编程、能陪你聊天的 AI，三个月前还在 “牙牙学语”，连一句完整的话都说不利索。它是怎么在这么短的时间里，从 “文盲” 变成 “学霸” 的？答案藏在一条漫长而昂贵的技术流水线上。今天我们就拆开这台 “智能引擎”，看看它到底是怎么被一步步训练出来的。

预训练：让模型先 “识字”

大模型的起点，是一个对语言毫无概念的神经网络 —— 几万亿个参数随机初始化，相当于一张白纸，连 “苹果” 是什么都不知道。

训练的第一步，叫预训练。研究人员从互联网上抓取海量文本 ——Common Crawl 积累了超过十年的网页快照，加上维基百科、书籍、学术论文、GitHub 代码库，总量可达数万亿 Token。

预训练的核心任务，是让模型学会预测下一个 Token。 这个任务在技术上叫作 “自回归语言建模”，训练过程中，模型每次 “看到” 一段文本，会被要求遮住最后一个词，用自己的参数去猜。猜对了，参数微调加强；猜错了，反向传播调整权重。通过数万亿次这样的迭代，模型内部的参数逐渐学会了捕捉词汇之间的共现关系、语法结构，甚至一些隐性的推理模式。

这个阶段的 “教材” 是未经筛选的互联网文本，质量参差不齐 —— 包含错误信息、偏见表述、低质内容。模型像海绵一样 “照单全收”，这为日后的 AI 幻觉埋下了伏笔。预训练的核心目标是 “语言能力” 而非 “事实准确性”。 模型在这个阶段学会了 “如何像人一样说话”，但它并不 “知道” 自己说的是真是假。

监督微调：教会模型 “好好回答问题”

预训练结束后，模型是一个 “语言流利但不太听话” 的通才。它擅长文本续写，但不擅长按照人类的指令回答问题。

这时候需要第二步：监督微调（Supervised Fine-Tuning, SFT）。

SFT 的核心思路是：给模型看一批 “标准答案” 示例，让它模仿这些示例来回答问题。这些示例由人类标注员精心编写，格式通常是 “用户问题 — 标准回答” 的配对。

示例：
用户问：“什么是光合作用？”
标准回答：“光合作用是植物利用光能将二氧化碳和水转化为有机物和氧气的过程……”

模型在数万条这样的示例上做有监督学习，逐步调整参数，学会 “当用户这样问时，我应该给出这样的回答”。这个阶段相当于 “模仿学习”—— 模型模仿人类标注员的回答风格和内容结构，把模型从 “文本续写器” 变成了 “问答助理”。

经过 SFT，模型的回答变得结构清晰、格式规范，但它仍然可能输出有害内容、编造事实，或者在不该回答的时候过度 “配合”。比如问它 “如何制作危险物品”，它可能真的给出步骤 —— 因为它只是学会了 “回答问题”，还没学会 “判断什么不该回答”。于是需要第三步。

基于人类反馈的强化学习：对齐人类偏好

如果说 SFT 是让模型 “学会答题”，那么基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）就是让模型 “学会做人”—— 理解什么回答是好的、什么是不好的，形成价值判断。

RLHF 不是 “教” 模型新知识，而是调整它的 “输出偏好”。 它改变的不是模型 “能生成什么”，而是模型 “倾向于生成什么”。打个比方：SFT 像是给模型一本 “答题范本” 让它照着抄，RLHF 则是通过奖励和惩罚，让模型自己摸索出 “怎么做才更讨人喜欢”。

这三步组合起来，构成当前全球主流大模型训练的标准范式。

现在我们回过头来看，那个每天陪你聊天、帮你写周报的AI，到底是个什么样的存在？

它不是“凭空蹦出来的智慧”，也不是什么神秘的“电子幽灵”。它的真身，是一串串在GPU里疯狂奔跑的电流，是2.5万张显卡连起来能绕足球场一圈的钢铁矩阵，是三个月日夜不停的轰鸣风扇，是烧掉的上亿美元电费账单。

当然，也别太神话它。 它再厉害，也只是个“高级概率预测器”。它会编瞎话，会犯低级错误，会在你问“1+1等于几”的时候一本正经地跟你辩论“也可以是3”。