知鸦日报2026-08-06

瓴羊推出AgentOne平台，提供AI员工（如投手、客服）直接交付增长结果，而非工具。它从营销、销售等环节切入，通过FDE团队将企业数据、行业经验与AI结合，实现“买结果”而非“买工具”。企业级Agent普及慢，但扎根深。

广告预估模型从TensorFlow+CPU迁移至PyTorch+GPU，实现CVR模型升级。通过稠密参数建模、特征交互优化与推理性能调优，模型收入提升3.42%，机器成本降低15%，超时率降至0.03%，为后续算力释放与模型迭代打开空间。

AI驱动的混沌工程平台，用多Agent军团协作替代传统人工验证，实现故障注入到恢复的全链路闭环。通过双进化回路让系统越用越聪明，大幅提升韧性验证效率，将专家经验沉淀为可复用的组织资产，让系统自恢复能力成为持续保障。

Agent评测从“答案打分”转向“行为评测”，核心是回答“好不好”并指明迭代方向。评测需覆盖结果、过程、效率、风险四层，并建立人人一致、人机一致的标准。长程Agent时代，评测更关注任务完成度与轨迹质量，并逐步从人工走向AI主导。

模型变强后，旧指令从冗余变为负资产。核心是删掉补能力缺口的规则，保留验收标准、授权边界等组织特有信息。自建harness的价值在于沉淀只有团队知道、只有人能承担的东西，这部分会越积越厚。

真正的杠杆不是会跟模型对话，而是构建替你跟模型对话的隐形架构。循环工程的核心是设计一个能自我修正的AI代理系统，自动迭代直到达成目标，包含调度、工作树、技能、连接器、子代理五个核心模块，以及持久化状态文件。

循环工程用自主控制系统替代手动提示，通过调度、技能、状态文件等六大原语构建递归循环。核心是消除意图债务、理解债务和认知投降。从L1报告模式起步，逐步升级到自动修复，同时用令牌预算、运行日志和安全开关保障安全。

内容风控的灰度难题催生了多智能体对抗审核架构。它模拟法庭，让分析师、控方、辩方、法官四个角色各司其职，通过辩论榨取隐含语义，最终做出白盒化裁决。这套系统标志着从信号处理到认知模拟的跨越，是下一代业务架构的雏形。

vivo 团队自建“OpenSpec 规范层 + AI Workflows 执行层”体系，通过规范、技能和钩子机制，系统化约束AI理解与执行，解决存量项目增量开发中AI理解偏差、执行不稳等痛点，让AI从需要反复纠正的实习生成长为可信赖的开发搭档。

Agent Flow 用自然语言驱动任务链路，将复杂问题拆解为最小单元，外包给专用节点执行。它放弃通用 Agent 的宏大幻想，聚焦用可靠、甚至 hardcode 的方式解决用户具体问题，让用户愿为确定性付费，才是 AI 落地的真谛。

AI工具提升了单点效率，但需求交付周期未显著缩短，因80%+时间耗在等待与交接。核心在于打破职能边界，以BuilderAgent实现全流程闭环，将隐性知识沉淀为可复用能力，让提效从“更快的局部”走向“更短的整体”。

理解AI coding agent的核心是一个while循环：问模型、执行工具、再问模型。Violin项目通过模型适配、工具注册、会话管理、事件系统和插件机制，将这个循环扩展为可落地的产品架构。

大模型推理的批间不一致源于底层算子为压榨硬件性能，动态调整了浮点累加的规约拓扑。这本质是系统吞吐与数学确定性之间的权衡。实现批不变性，必须在GEMM、Attention和分布式通信等层面约束这种动态切分行为。