知鸦日报2026-11-06

AIGC内容核查系统以原子主张为最小单位，依据权威证据分级检索，模型仅判断证据与主张关系，规则输出结论。多阶段小模型流水线降低成本，支持批量数据。系统已在百科、问答等五类业务落地，通过阶段归因持续迭代优化效果。

MNN团队推出手机应用原生大模型MNN-Pocket-0.3B，通过模型结构、词表、训练与推理引擎协同设计，在0.3B参数下兼顾任务能力、速度与低资源消耗，支持端侧部署与业务适配，为高频应用提供高效智能底座。

大模型生成SQL的瓶颈在业务知识缺失，而非语法。通过本体将隐性口径、字段语义结构化，从生产代码自动抽取并校验，按需召回供AI参考，配合反馈飞轮迭代。实测提升字段与规则准确性，AI代码行占比达八成以上，研发转向审核与规则定义。

提示词工程是用AI能听懂的方式表达意图，核心是结构清晰、上下文充分。需明确角色、背景、任务与约束，善用示例、分隔符和步骤拆解，并合理设置参数。复杂任务可拆为提示词链，引导模型逐步思考，提升输出质量与稳定性。

AI加速了写代码，却暴露了流程、分工与组织的摩擦。卡点在人、流程、组织三层：能力两极分化、协作等待成本放大、经验难以复制。解法是站在组织视角，以AI重构角色分工、交付流程与组织结构，将个人能力沉淀为资产，以调度替代交接，用可复制的自治小队替代烟囱式团队。

经营周报与Data Agent对“收入”计算不一致，源于对象选择与计算定义。将查询拆分为编译链，模型仅负责选择已注册的语义对象，数据库负责绑定、展开与执行。口径写入Semantic View，交付时存档，回溯时按记录重现，定位差异来源。

大促研发从工程化迈向AI全链路交付，核心是构建模型之外的Harness体系：精细化上下文、编排执行、工具资产、记忆状态、评估观测与约束恢复。通过知识库、统一流程与自进化闭环，双11实现效率与质量双提升，并正从Harness Engineering走向Loop Engineering。

云存储Agent质量保障依赖持续评测闭环：离线回归结合LLM与Code双评估器，覆盖任务完成、数据真实与操作安全。通过Trace定位Skill、CLI或框架缺陷，修复后验证通用性。线上真实会话经筛选脱敏回流至评测集，驱动版本迭代，量化提升任务完成率。

小红书自研对象存储ROS，以混合云架构统一接入多云，兼容S3。通过HDD内外圈放置与预读、SSD的RDMA与SPDK优化，分别满足高吞吐与低时延需求。数据按大小分级，以副本或纠删码保护，分层寻址支撑千亿对象，未来将打通对象与文件访问。

搭建团队共享Skill，核心是分层架构：路由识别任务、知识提供规则、执行落地操作、验证独立核查。从真实任务出发，先建最小可用版本，再用正常、缺失、冲突、越界四类输入测试。日常使用中按问题归属迭代，鼓励成员回传发现，共同沉淀团队经验。