Keep on to blur preview images; turn off to show them clearly
Navy SEAL veteran is easily oneshotted by ChatGPT that fuels his delusions. I repeat, Americans have hurt themselves with "AGI" already, it might be actively reducing their GDP at this point
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
The cope over Fujian is surprising, after years of forewarning. Eggsperts and even legit Navy SEAL veterans are losing their minds and producing illiterate screeds about how Diesel Bad, Paper Tiger, ngmi. Aircraft Carriers are one of the last great kanging totems I guess.
Navy SEAL veteran is easily oneshotted by ChatGPT that fuels his delusions. I repeat, Americans have hurt themselves with "AGI" already, it might be actively reducing their GDP at this point
今天看到最扣人心弦的一个视频： 世界冠军 Tom Pidcock 奉献了最棒的自行车下坡表演。 风景美，摄像美，技术超群，观赏性极高，看到 88 速度压弯，真的佩服。 静静地看完这五分钟，享受一下坐在电脑前就肾上腺素飙升的感觉，这就是人类顶尖运动员的魅力。 https://t.co/lFOsNi9myi
独立开发者 自由职业 作品 - 简单简历 https://t.co/xMu5JFIGnr 五分钟打造程序员的金牌简历 课程 - 慕课网精英讲师 https://t.co/NTyFFrvHwL 经历 - 不上班的1000天 https://t.co/bonuLQCCsY 视频 - https://t.co/aQYLgujIyC
Given the over-hyper-exuberance of positive results that are definitely over-interpreted, it seems reasonable for a sliver of academia to inject some sanity given that the industry has no incentive to be objective about the limitations of the (evidently amazing) technology.
AI researcher & teacher @SCAI_ASU. Former President of @RealAAAI; Chair of @AAAS Sec T. Here to tweach #AI. YouTube Ch: https://t.co/4beUPOmf6y Bsky: rao2z
https://t.co/OIn9WRrBdy 顺手剪点儿小片段，还是太丝滑了！ 🌰 从昨天的视频摘点儿内容，用来双 11 宣传👇
🚧 building https://t.co/AJfZ3LMlgq https://t.co/SSdYgVYZsz https://t.co/s0m0tpQMDH https://t.co/Z3WryKZr0l 🐣learning/earning while helping others ❤️making software, storytelling videos 🔙alibaba @thoughtworks
Google 11月最新白皮书「Introduction to Agents」—— 作为「Google x Kaggle 5天 AI 智能体强化课程」的开篇，提供从概念验证到生产级智能体系统的指导框架。 Google 这份最新白皮书，聚焦于 AI 智能体的核心架构、分类、构建实践、生产部署、安全治理以及演化学习，客观分析了生成式 AI 从被动预测向自主问题解决的转变，强调智能体是语言模型在软件中的自然延伸，能够通过循环推理、行动和观察来实现目标。 白皮书的核心观点是：构建智能体并非简单集成语言模型，而是设计一个完整的应用系统，需要平衡灵活性和可靠性。 1. 从预测 AI 到自治智能体 AI 正从被动任务（如翻译或生成图像）转向自主智能体，这些系统能独立规划和执行多步任务，而非依赖人类每步指导。智能体结合语言模型的推理能力与实际行动工具，使其成为“语言模型的自然演化，在软件中变得实用”。白皮书强调，从原型到生产级的挑战在于确保安全性、质量和可靠性。 2. 智能体介绍 智能体定义为模型、工具、编排层和运行服务的组合，通过语言模型循环来实现目标。核心组件包括： · 模型（大脑）：核心推理引擎，如通用模型、微调模型或多模态模型，负责处理信息、评估选项和决策。 · 工具（双手）：连接外部世界的机制，包括 API、代码函数和数据存储，用于获取实时信息或执行行动。 · 编排层（神经系统）：管理操作循环，处理规划、记忆和推理策略（如链式思考或 ReAct）。 · 部署（身体和腿）：从本地原型到安全、可扩展服务器的托管，确保通过 UI 或 API 访问。 开发智能体类似于导演角色：设置指导提示、选择工具并提供上下文。白皮书指出，语言模型的灵活性是双刃剑，需要“上下文工程”来引导可靠输出。智能体本质上是上下文窗口的策展者，能适应新情境解决问题。 3. 智能体问题解决过程 智能体通过连续循环实现目标，分为五个步骤： 1. 获取任务：从用户或触发器接收高水平目标。 2. 扫描场景：感知环境，收集上下文（如用户请求、记忆、工具）。 3. 思考：模型分析任务并制定计划。 4. 行动：执行计划的第一步，如调用工具。 5. 观察与迭代：评估结果，更新上下文并循环。 示例：客户支持智能体处理“我的订单#12345在哪里？”时，先规划多步（查找订单、查询跟踪、合成响应），然后逐一执行。这种“思考-行动-观察”循环使智能体处理复杂任务。 4. 智能体系统分类 白皮书将智能体分为五个级别，每级基于前一级扩展： · 0级：核心推理系统：孤立语言模型，仅依赖预训练知识，无法实时交互。 · 1级：连接问题解决者：添加工具，能访问外部数据（如搜索 API）。 · 2级：战略问题解决者：支持复杂规划和上下文工程，能主动管理信息。 · 3级：协作多智能体系统：如人类团队，智能体将其他智能体视为工具，实现分工。 · 4级：自演化系统：识别能力差距，动态创建新工具或智能体。 5. 核心智能体架构：模型、工具和编排 · 模型选择：优先考虑特定任务的推理和工具使用能力，而非通用基准。建议多模型路由（如大模型规划、小模型执行）以优化成本和速度。多模态模型处理图像/音频，或使用专用工具转换数据。 · 工具：分为信息检索（如 RAG、NL2SQL）和行动执行（如 API 调用、代码沙箱）。函数调用通过 OpenAPI 或 MCP 连接，确保可靠交互。包括人类交互工具（如 HITL 确认）。 · 编排层：管理循环，决定何时思考或行动。核心选择包括自治程度（确定性 vs. 动态）、实现方法（无代码 vs. 代码优先，如 ADK）和框架（开放、可观测）。 6. 核心设计选择、多智能体系统和设计模式 · 指令与上下文：使用系统提示注入领域知识和角色（如“友好支持智能体”）。增强上下文包括短期记忆（当前会话）和长期记忆（RAG 查询历史）。 · 多智能体：采用“专家团队”模式，避免单一超级智能体。常见模式：协调器（路由子任务）、顺序（流水线）、迭代精炼（生成-批评循环）和HITL（人类审批）。 · 部署和服务：从本地到云托管（如 Vertex AI Agent Engine 或 Cloud Run）。需处理会话历史、安全日志和合规。 7. Agent Ops：结构化处理不确定性 Agent Ops 是 DevOps 和 MLOps 的演化，针对智能体的随机性。关键实践： · 度量重要指标：如目标完成率、用户满意度、延迟和业务影响。 · 质量评估：使用“语言模型作为评判者”对输出打分，基于黄金数据集。 · 指标驱动开发：自动化测试变化，A/B 部署验证。 · 调试：OpenTelemetry 追踪记录执行路径。 · 人类反馈：将报告转化为新测试用例，关闭循环。 8. 智能体互操作性 · 智能体与人类：通过聊天 UI、计算机使用工具（控制界面）、动态 UI 生成或实时多模态（如 Gemini Live API）交互。 · 智能体与智能体：A2A 协议标准化发现和通信（异步任务）。 · 智能体与金钱：AP2 和 x402 协议处理交易，确保授权和微支付。 9. 安全与扩展 · 单个智能体安全：平衡效用与风险，使用混合防护（确定性护栏 + AI 守卫）。智能体身份作为新主体，使用 SPIFFE 验证。ADK 示例：回调、插件和 Model Armor 检测注入。 · 扩展到企业舰队：处理“智能体蔓延”，通过控制平面（网关 + 注册表）强制政策。关注安全（提示注入、数据泄露）和基础设施（可靠性和成本，如预置吞吐量）。 10. 智能体如何演化和学习 智能体需适应变化，避免“老化”。学习来源：运行经验（日志、HITL 反馈）和外部信号（政策更新）。优化包括上下文工程和工具创建。示例：多智能体工作流学习合规指南。Agent Gym 是前沿：离线模拟平台，使用合成数据和专家咨询优化。 11. 高级智能体示例 · Google Co-Scientist：虚拟研究伙伴，生成并评估假设。通过监督智能体管理专家团队，运行循环改进想法。 · AlphaEvolve：发现算法，结合 Gemini 生成代码和进化评估。人类指导定义问题，确保透明和实用。 12. 结论 智能体将 AI 从工具转变为伙伴，通过模型、工具和编排的集成实现自主性。开发者需从“砖瓦工”转向“导演”，强调评价和治理。这一框架指导构建可靠系统，推动智能体成为团队成员。 Google x Kaggle 5天 AI 智能体强化课程： https://t.co/0REUoVY2EN Google 11月最新白皮书「Introduction to Agents」：
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
