企业 Agent 失败，不是因为模型不够大
Tesla 机器学习工程师 Ishita Daga 在这段 12 分钟分享里，把企业数据 Agent 的失败原因压到三个词：歧义、腐败、偏好。本文结合我自己的 Harness / 企业记忆笔记，讨论为什么加模型、加上下文、加知识库都不是根治...
持续更新
更多文章
别再裸奔发布 Skill：Google DeepMind 这场 21 分钟演讲讲透了 eval 为什么是准入门槛
本文整理自 Google DeepMind 工程师 Philipp Schmid 在 AI Engineer 的演讲。核心问题不是 Skill 有没有用，而是没有 eval 的 Skill 无法判断何时该触发、何时该退休，也无法证明它真的让...
大模型周刊第37期：Kimi K3 把“DeepSeek 时刻”又推回来
第37期大模型周报，记录2026年7月11日至17日这一周的几个关键信号：OpenAI把GPT-5.6推向企业代理，Anthropic继续押注开发者生态，Google走企业集成路线，中国开源模型则用Kimi K3和GLM系列把成本压力重新打...
Kimi K3 不再是便宜替代品：开源 Coding 模型开始逼近前沿
本文整理自 BridgeMind 对 Kimi K3 的一次上手测试：它不再只是便宜替代品，而是开始在 UI 设计、全栈应用生成和真实 agentic coding 任务里挑战闭源前沿模型。原视频：https://www.youtube.c...
ChatGPT 从聊天框变成个人操作系统：Peter Yang 的 GPT-5.6 完整实践
Peter Yang 这期视频展示了 GPT-5.6 发布后，ChatGPT 桌面端如何从聊天工具变成管理邮件、日历、播客准备和网站发布的个人操作系统。这不只是一个工具教程，更是一套 AI 时代工作方式的落地样本。 Peter Yang 这...
大模型周刊 第 36 期：出厂前多了一道政府闸门
作者：toy | 覆盖周期：2026.6.29 – 2026.7.10 这一周 OpenAI 和 Anthropic 都把自己最强的模型放了出来，但两家都不是自己说了算。GPT-5.6 等联邦机构做完安全基准评估才全球开放；Anthropi...
AI 产品经理自学路线: 从大模型原理到 Agent 的 12 课
这是一套面向产品经理的大模型技术自学课。它回答一个具体的问题：一个不写代码的产品经理，需要懂多少技术，才能在 AI 项目里做出靠谱的判断。答案是十二课的量——从 Token 和上下文窗口讲起，一路走到智能体、工作流、RAG、Function...
大模型核心术语: 产品经理够用的概念地图
这一课解决一个很具体的问题：评审会上工程师说”上下文不够、要上 RAG、温度调低点”，你能不能在三秒内明白他在说什么层面的事，并判断这话说得对不对。学完这课，你手里会有一张按”模型层、生成控制层、工程层、...
大模型微调入门: SFT、LoRA 与何时不该微调
这一课解决一个非常具体的问题：当工程师或供应商对你说”这个需求得微调”时，你能判断这句话是对是错。学完你会知道大模型微调到底改了模型的什么、SFT 和 LoRA 是什么关系、哪三类场景值得花这个钱、哪三类场景微调纯属...
MCP 协议入门: 大模型连接外部工具的统一接口
上一课讲 Function Calling 时留了一个尾巴：各家 API 的工具定义互不相通，工具一多，集成工作量就爆炸。这一课要讲的 MCP（Model Context Protocol，模型上下文协议）就是冲着这个问题来的——它是 An...
Function Calling 入门: 让大模型学会调用外部工具
大模型只会聊天，不会办事——这是很多产品经理对 LLM 的第一印象，也是 Function Calling（函数调用，也常叫工具调用）要打破的那堵墙。学完这一课，你能回答三个问题：模型”调用工具”时到底发生了什么；一...
Agentic RAG 入门: 智能体驱动的知识库检索架构
第 07 课我们搭好了朴素 RAG——把文档切块、向量化、检索出最相关的几段、塞进 prompt 让模型回答。demo 阶段它表现得很好，但一接真实用户就开始翻车：用户换个说法就检索不到，问题稍微复杂一点答案就一本正经地错。问题往往不在模型...
RAG 入门: 知识库分块、向量检索与增强生成
“把公司知识库接进 AI”几乎是每个 AI 产品经理都会接到的第一单需求: 智能客服要懂产品手册, 内部助手要懂规章制度, 销售工具要懂最新报价单。但模型本身不认识你公司的任何一份文档, 让它”认识...
工作流和智能体的区别: 什么时候用流程, 什么时候放权
第05课我们拆完了 AI 工作流, 再往前的第04课讲了智能体。两个概念单独看都不难, 难的是放在一起做选择: 手上这个需求, 到底该做成工作流, 还是做成智能体? 这是 AI 产品经理在方案评审会上最容易被问住的问题, 也是这一课要解决的...
AI 工作流入门: 环节拆分与分步实施的自动生产线
这一课解决一个非常具体的问题：你想让 AI 稳定地干一件复杂的活——比如每天产出一篇合格的公众号文章——但你发现，把所有要求塞进一段超长提示词里，结果时好时坏，坏了还不知道坏在哪。学完这一课，你会掌握”工作流”这个解...
智能体入门: 用一段提示词构建最简 AI Agent
这一课解决三个问题: 智能体(AI Agent)到底是什么, 为什么一段写得好的提示词就能构建出一个最简版本, 以及这种”纯提示词智能体”的能力边界画在哪里。学完你可以自己动手做一个能用的智能体——不写一行代码。 很...
构建 Prompt 的场景拆解法: 把业务需求翻译成提示词
你大概遇到过这种场面：老板说”给客服系统加个 AI 总结功能”，你打开对话框写下”请总结这段对话”，跑了三次，三次结果长得都不一样——有时五百字，有时两行，有时结尾还带一句”希望这...
提示词工程入门: 角色、结构与 Few-shot 实战
先说结论：提示词工程（Prompt Engineering，就是设计给大模型的输入文本，让它稳定产出你要的结果）不是玄学，也不是背咒语。它是一门”把需求写成模型能执行的规格”的手艺——和你写 PRD 是同一件事，只是...
大模型基础原理: Token、上下文窗口与下一词预测
这是《AI 产品经理课》的第一课。学完这一课，你能解决三个非常具体的问题：开评审会时听懂工程师嘴里的 Token、上下文、温度到底指什么；接到一个 AI 需求时，快速判断它是”能做”还是”原理上就做不了&...
软件人学机器人底层：CAN 总线、IMU 与传感器融合
学完电机公式，我以为能读懂机器人代码了，结果卡在更底层的地方：一堆节点在 CAN 总线上收发报文，IMU 吐出加速度和角速度，然后一段融合算法把它们揉成一个姿态。每个词都认识，连起来不知道在干嘛。 后来我换了个角度想，一下就通了：这套东西就...