知鸦日报2026-10-29

Tmall-GR以Qwen3为底座，用多模态语义ID将推荐转为生成任务，经CPT、SFT、OPSD与GRPO训练，替代级联链路。线上GMV提升4.37%和6.86%，曝光更宽，新品与冷启动用户受益显著，并实现指令调控与推理内化。

研发智能体以数字员工身份融入团队，通过身份治理、IM协作、技能沉淀和记忆管理，逐步承担从查资料到跨岗位交付的完整职责。案例验证了门禁、证据和人工授权的重要性，团队在纠偏中成长，信任基于可预期、可审计、可成长。

AI Coding落地瓶颈在上下文管理与意图表达。先沉淀历史工程知识为项目级Skill，再按规格化、评审、受控实现、验证联调、知识回写五阶段闭环开发。知识沉淀让AI看懂项目，规格化让AI做对需求，形成越用越稳的团队资产，显著降低跨服务协同成本。

AI让代码写得更快，但验证才是瓶颈。在分布式存储中，AI评审、Debug和自动化能提速，却常因看不到运维流程和设计决策而误判。结论必须可证伪：测试能变红、日志能佐证，否则只是假设。人负责系统语义，AI负责扩大搜索，边界靠证据划清。

生产级提示词是踩坑迭代出的规则体系，核心在于工具定义、风险分级与分层架构。约束比指导更有效，诚实与去AI味建立信任。垂直产品用禁止清单，通用产品靠原则手册。现代工程重心已从提示词转向上下文管理，软约束需代码硬约束兜底。

代码生产不再稀缺，AI编程的投入与产出错配——编码仅占研发30%，提效却全押于此。三条探索路线（老城改造、精益流程、全民造物）均撞天花板。第四条路：将项目事实抽离人脑，用企业本体统一语义，让组织围绕Agent重构执行与验证，走向软件工业化。

CopilotKit通过AG-UI协议统一UI、Agent逻辑与工具调用，解决三者割裂问题。它支持聊天界面、动态生成UI、共享状态及人机协作。服务端可集成国产模型（如阿里百炼），客户端通过useFrontendTool和事件桥接，实现用自然语言操控页面输入、菜单和提交等交互。

Jev是一种面向固定答案范围判断任务的结构化决策模型，返回带概率的结果而非自然语言。在用例打标、UI自动化、知识库召回三个场景中，Jev方案分别比通用大模型提速约49倍、13倍，成本降低31倍、93倍。适合高频琐碎判断，需预设清晰选项和兜底路径。

小红书蜜薯是AI生活搭子，借Rokid智能眼镜感知现场，将社区经验与大模型结合。通过渐进感知、多模态全双工、Proactive协作和Memory积累，实现选店到点餐的连续陪伴，让每次交互更懂你，走向Personal OS愿景。

AI质量工程将AI纳入软件测试，以规则、人工审阅约束其判断。研发侧用决策图识别风险并输出验证条件，测试侧通过四阶段AgentLoop设计用例、验证预期。案例展示风险如何转化为用例并复测闭环。实践适用于规则明确场景，最终目标是让可追溯证据决定交付。

一句话叫货拉拉，背后是AI下单的实战：微信AI三种模式对比，7个原子能力自由组合，Handoff机制守住交易安全，自研助手与微信AI双线并行。核心是核心能力复用、渠道适配解耦、交易闭环回归原生，让用户只说一句话，剩下的交给AI。