知鸦日报2026-10-21

Push创意生产与推荐实践：用大模型持续生成高点击文案，两阶冷启筛选放量；推荐侧多商品输出、创意文案理解、用户活跃度建模。创意侧与推荐侧均带来线上收益，未来探索自动化生产与长行为序列创意兴趣压缩。

物理智能体长程任务中，感知需由任务驱动：平时轻量监测关键状态，变化出现再深入分析。通过旁路集成流式感知服务，验证动作效果、判定任务完成、发现异常，为决策提供环境依据，避免持续高成本分析。

TypeSafe AI 的 Jev 作为 System One 模型，直接输出带类型的决策与概率，而非生成文本。它适合高频、边界清晰的判断任务，与 LLM 形成分工：LLM 负责生成，Jev 负责筛选。落地时需关注概率校准、业务策略与全链路成本，而非单一性能数字。

AI写业务代码常卡在流程、经验与真实环境之外。解法是搭一套工程体系：用分阶段流水线让AI可控，靠代码图谱、模块文档和分层记忆让知识可积累，借MCP工具链让AI接触真实环境。编码从以天计压缩至一两小时，核心是省着用AI的注意力。

ChatGPT的GPT-5.2系统提示词约17,000字符，采用分层架构：基础行为稳定，功能规则模块化，Developer Messages可独立迭代。它精细到算术逐位计算、引用置于标点后、版权限25词等细节，并定义搜索触发、人设切换与工具成本边界，堪称生产级产品操作手册。

推理框架是模型上线后的核心中间件，决定推理成本与体验。它需在快、多、省、稳、准间平衡，并应对智能体的长上下文与高重复负载。主流开源框架正从单机走向集群，与模型协同设计，并适配多元硬件。

数字员工驻群共享需求上下文，解决研发协同中传递、获取、默契、决策四种摩擦。三级演进：流程协同、单人主导、数字员工主导。隐性知识沉为上下文层资产，越用越厚。协作从职能分工走向任务驱动，实现异步化大规模协作。

训练结束后，模型自生成的旧轨迹仍蕴含学习价值。ROSS通过筛选成功轨迹、审核可模仿片段，并施加选择性监督，在数学、代码及长程Agent任务中显著提升性能，无需额外生成新数据。

AI驱动的AE UI测试体系从固定巡检走向测新支撑，核心在于将人工维护步骤转为上下文驱动的生成与维护。通过可执行性识别、证据治理、Mock及多入口适配，解决数据、结果可信度与用户接入问题。真实设备与调度支撑落地，但质量责任仍需人工复核。