YOHO AI

博客

  • OpenAI 自研芯片 Jalapeño 出炉：九个月造出推理加速芯，英伟达不再是唯一答案

    一颗用墨西哥辣椒命名的芯片

    6月24日，OpenAI 把第一颗自己设计的芯片亮了出来，代号 Jalapeño，就是墨西哥菜里那颗青辣椒。这颗芯片不是找人代工贴牌，而是 OpenAI 自己定架构，博通负责把设计变成硅片，台积电用 3 纳米工艺代工生产。它也不是一颗通用 GPU，OpenAI 管它叫”智能处理器”（Intelligence Processor），说白了就是专门为大模型推理场景打造的一块加速芯片。

    要理解它为什么重要，得先想清楚一件事：你每次问 ChatGPT 一句话、开发者调一次 API、Codex 跑一个任务，背后都是一次推理。这是 OpenAI 每天发生最频繁、也最烧钱的动作。把这部分成本攥在自己手里，比再去买一堆英伟达 GPU 更有战略意义。Google 老早有自己的 TPU，亚马逊有 Trainium 和 Inferentia，头部的 AI 公司走到一定规模，都会补上自己的算力路线。

    “我们对自己要跑的负载理解很深，一直在找那些现有芯片没服务好的工作，然后想办法把它加速。”OpenAI 总裁 Greg Brockman 在自家播客里这么解释他们的思路。

    九个月，AI 帮着设计自己的硬件

    最让人意外的是速度。Brockman 说，Jalapeño 从最初的架构设计到完成制造流片，前后只花了大约九个月。作为对比，Google 第一代 TPU 从架构到流片花了差不多三年，传统芯片公司做同等规模的项目通常要五到七年。OpenAI 自己的说法是，这可能是高性能半导体领域有史以来最快的 ASIC 开发周期。他们半开玩笑地说，参与设计的还有 OpenAI 自己的模型——AI 正在帮着造跑自己的硬件。

    早期测试的数据挺漂亮：OpenAI 称 Jalapeño 的每瓦性能明显好于当前最先进的方案。不过公司没公布具体的基准数字，目前也还没有第三方独立验证。按定位，它主打推理而不是训练，像预训练这种吃算力的重活，短期还得靠英伟达。哪怕推理成本只降一点点，对 OpenAI 的账本也是实打实的好处。

    OpenAI 首颗自研芯片 Jalapeño
    OpenAI 与博通联合打造的首颗自研推理芯片 Jalapeño（图源：TechCrunch）

    全栈野心与冷现实

    OpenAI 的算盘不止一颗芯片。它和博通的合作要部署到吉瓦级的数据中心，计划 2026 下半年开始落地，到 2029 年全部完成，外界估算整个盘子可能花掉数千亿美元。OpenAI 想的是把模型、产品、芯片、数据中心全捏在自己手里，每一层都朝着”更快、更稳、更便宜”同一个目标优化。

    但别急着宣布英伟达时代结束。训练、显存、集群网络、软件栈，任何一环都不是单颗芯片能独立解决的，更何况 CUDA 生态、供应链和部署经验是 AI 公司绕不开的现实。Jalapeño 的出现更像一个信号：OpenAI 不想永远只当算力的买家了。

    • Jalapeño 是推理专用芯片，不是用来替代英伟达做训练的通用 GPU。
    • 从设计到流片约九个月，AI 模型本身也参与了设计流程。
    • 和博通、台积电合作，瞄准吉瓦级数据中心，2026 下半年起逐步部署。
  • 高端奢侈时尚杂志极简人像摄影

    高端奢侈时尚杂志极简人像摄影

    高端奢侈时尚杂志极简人像摄影

    高端奢侈时尚杂志极简人像摄影


    🤖 ChatGPT

    🇺🇸 English Prompt

    9:16 vertical, photorealistic luxury fashion editorial, seamless warm white studio backdrop, soft diffused film lighting, high-key exposure, creamy highlights, subtle halation, gentle bloom, soft haze, fine 35mm film grain, warm ivory color grading, premium magazine photography.

A beautiful young adult East Asian fashion model, clearly adult, fair luminous skin, natural makeup, dark hair loosely tied back, calm expression.

She is performing a sculptural editorial pose on the studio floor, viewed from the side. One leg extends upward while the other crosses naturally, creating elegant geometric lines and a balanced composition. Relaxed hands support the pose naturally. Realistic anatomy, graceful proportions.

Outfit: fitted black turtleneck bodysuit, semi-opaque black tights, glossy black pointed-toe pumps, minimal silver jewelry.

Minimalist composition, full-body shot, generous negative space, refined fashion campaign, elegant styling, ultra realistic.

    🇨🇳 中文提示词

    9:16 纵横比，写实奢侈时尚社论，无缝暖白色摄影棚背景，柔和漫反射电影光效，高调曝光，奶油般的高光，细微的光晕效果，柔和的柔光，轻微的薄雾，细腻的 35mm 胶片颗粒，暖象牙色调，高级杂志摄影。一位美丽的成年东亚时尚模特，明显是成年人，白皙透亮的皮肤，自然妆容，黑发随性扎起，表情冷静。她正在摄影棚地板上摆出一个极具雕塑感的社论姿势，侧面视角。一条腿向上延伸，另一条腿自然交叉，创造出优雅的几何线条和平衡的构图。放松的双手自然地支撑着姿势。写实的解剖结构，优美的比例。着装：紧身黑色高领连体衣，半透明黑色连体袜，亮面黑色尖头高跟鞋，简约银饰。极简主义构图，全身照，大量的留白空间，精致的时尚广告，优雅的造型，超写实。
  • Spec Kit：GitHub 官方出品的「规格驱动开发」工具包，让 AI 编码助手先写规格、再写代码

    Spec Kit：GitHub 官方出品的「规格驱动开发」工具包，让 AI 编码助手先写规格、再写代码

    Spec Kit

    项目简介

    Spec Kit 是 GitHub 官方开源的规格驱动开发（Spec-Driven Development, SDD）工具包。它给 GitHub Copilot、Claude Code、Gemini CLI、Codex 等 30+ 款 AI 编码助手注入一套「宪法 → 规格 → 计划 → 任务 → 实现」的结构化工作流，让你在动手写代码之前，先把「要做什么、为什么做」想清楚、写明白——告别想到哪写到哪的「vibe coding」。

    安装要求和过程

    环境要求

    • 操作系统：Linux / macOS / Windows
    • Python 3.11 及以上
    • 包管理器：uv（推荐）或 pipx
    • Git
    • 一个受支持的 AI 编码助手（Copilot / Claude Code / Gemini / Codex 等 30+）

    快速安装步骤

    ① 安装 uv（详见 astral.sh/uv）：

    # 参见 https://docs.astral.sh/uv/getting-started/installation/
curl -LsSf https://astral.sh/uv/install.sh | sh

    ② 安装 Specify CLI（已发布到 PyPI）：

    uv tool install specify-cli
# 或从源码锁定版本：
# uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@v0.12.16

    ③ 初始化项目并选择你的编码助手：

    specify init my-project --integration copilot
cd my-project

    ④ 在项目目录里启动 AI 编码助手，即可使用 /speckit.* 系列命令（Codex 等 skills 模式用 $speckit-*）。

    核心功能

    • 结构化 SDD 工作流：constitution（项目宪法）→ specify（需求规格）→ plan（技术方案）→ tasks（任务拆解）→ implement（实现），把「先写规格、再写代码」固化成可复用的标准流程。
    • 兼容 30+ AI 编码助手：Copilot、Claude Code、Gemini、Codex、Cursor 等，通过 slash 命令或 skills 模式无缝集成，一个工具链覆盖全团队。
    • 项目宪法（Constitution）：用 /speckit.constitution 定义代码质量、测试标准、性能与体验等治理原则，在规格、计划、实现的每一环约束 AI 的决策。
    • 可扩展的扩展 / 预设 / 打包体系：extensions 增加新命令与能力，presets 改写模板与术语（如合规、安全门禁），bundles 一键部署「产品经理 / 安全研究员 / 开发者」等角色化工作流。
    • 离线可用 & 自管理升级：所有 consume/author 命令可针对本地或锁定源离线运行；specify self upgrade 一键升级到稳定版本，且安装幂等、仅作用于项目根目录。

    典型使用场景

    • 从零搭建应用（Greenfield）：用一句话需求生成功能规格，再让 AI 按计划与任务清单逐步实现，避免「vibe coding」式的方向跑偏与大量返工。
    • 团队标准化研发流程：通过 presets 强制合规 / 安全的规格格式，用 bundles 给不同角色一键装配统一工具链，保证多人协作的产出口径一致、可追溯。
    • 遗留系统现代化（Brownfield）：在已有项目中迭代加功能、做现代化改造；Spec Kit 工具更新与功能规格演进分离，支持平滑演进的 brownfield 循环。

    推荐理由

    用过 AI 编码助手的人大多有过这种体验：让它「帮我做个照片相册应用」，它啪一下甩出几百行代码，跑起来才发现需求理解错了、结构一团糟、改起来比自己写还累。Spec Kit 解决的正是这个痛点——它不替你思考，而是逼你把需求先写成规格。

    我最看重三点：一是 Constitution 把团队的工程质量标准沉淀成可复用的「宪法」，AI 全程受它约束，产出更稳；二是 tasks 把大需求拆成可勾选的任务清单，每一步都有据可查、可回退；三是它足够轻——本质上只是个 CLI + 一组 slash 命令，没有重运行时，和 Claude Code / Copilot 配合几乎零摩擦。当然，它是一套「流程纪律」而非魔法：规格写得好不好，直接决定最终质量。把它当成一个让 AI「先审题再答题」的脚手架，体验会非常顺。

    下载地址

    * 本文数据来自 GitHub API，截至 2026-07-16；Spec Kit 由 GitHub 团队开源，采用 MIT 许可。

  • Meta上线AI绘图工具Muse Image：@一下就能拿别人的照片生成图，隐私雷区炸了

    Meta 新推出的 AI 绘图工具 Muse Image
    Meta 的 AI 绘图工具 Muse Image，上线即引发隐私争议（图源：TechCrunch）

    Meta 刚把自家的 AI 图片生成器 Muse Image 端上台面。这个由 Meta Superintelligence Labs（就是那个”超级智能实验室”）打造的工具，内部代号叫 Mango，现在能通过 Meta AI App、Instagram Stories 和 WhatsApp 免费使用。听起来挺普通的一次产品发布，结果上线没多久就踩到了用户最敏感的神经。

    一个让人后背发凉的设定

    大多数 AI 绘图工具干的活都差不多——输入提示词，生成点卡通化、搞怪的图片。Muse 也给了”预设提示词”帮没灵感的人起头。但真正惹火的，是它的一项功能：只要对方的 Instagram 是公开账号，你只要在生成时 @ 一下这个人，就能直接拿 ta 的照片去生成一张全新的 AI 图。

    “把真实用户拉进未经明确同意的生成图片里，就是一颗等着引爆的隐私地雷。”——一位 X 用户在该功能被指出潜在侵权后这样写道。

    更要命的是 Meta 的政策白纸黑字写着：别人”可以用你的 Instagram 内容，借助 Meta 的 AI 功能去创作内容”，而且”你不会收到任何关于用 AI 生成内容的通知”。也就是说，这个功能默认是 opt-out——你不主动关，你的照片就可能被拿去用。

    争议之后，功能被连夜撤下

    用户的不满迅速发酵，连经纪公司（比如 CAA）也站出来反对。压力下，Meta 在周五发了一篇博文，正式移除了这个 @ 提及生成的功能。官方承认初衷是提供创作工具、让用户能控制公开内容的引用方式，但市场反馈表明它”没能达到预期效果”。一次上线、一次撤回，前后不过几天。

    它本来还能做不少正经事

    • 用预设或自定义提示词做图，还能对接 Facebook Marketplace 帮你”脑补”二手沙发摆进自家车库的模样；
    • 基于提示词修图——把背景里的路人干净擦掉，或者生成一个能用的二维码；
    • 给 Instagram Stories 推出一批由 Muse 驱动的新特效和滤镜；
    • 日常创作免费，超过一定额度要订阅；顺带提一句，Muse Video 也已经在开发中。

    这些用法其实都不算出格，甚至挺有想象力。可惜被那个默认开启的 @ 生图功能盖过了风头。

    为什么大家的反应这么大

    说到底，是 Meta 自己的隐私旧账让人信不过。2019 年它因为 Cambridge Analytica 事件被 FTC 开了 50 亿美元的天价罚单——对方在用户不知情的情况下，抓走了数千万 Facebook 用户的数据去建选民画像。2021 年，Meta 又在一片诉讼和监管声里关停了会自动识别照片中人脸的人脸识别系统。Muse 这个”默认 opt-out、除非你关否则数据照用”的套路，正好踩在用户和监管早就标记过的那根红线上。

  • OpenAI二号人物Fidji Simo卸任：在冲刺IPO的前夜，操盘手先退场了

    Fidji Simo，OpenAI 应用业务CEO
    Fidji Simo 在 OpenAI 的任期，因健康原因画上句号（图源：TechCrunch）

    OpenAI 的二号人物要退下来了。据《华尔街日报》报道，担任应用业务 CEO 的 Fidji Simo 已经向员工说明，自己会从全职高管转为公司的兼职顾问。触发这一切的，是她的病假。Simo 在内部信里写得很直白：这场休养比谁预想的都要更长、更难，身体已经撑不起那份高强度的工作了。

    一场和身体的七年暗战

    早在今年四月，Simo 就公开过自己的健康情况——一种慢性神经免疫疾病（POTS，体位性心动过速综合征）出现严重复发，她因此请了病假。当时同一份备忘录里还顺带交代了几件人事变动：COO Brad Lightcap 转去负责”特别项目”，CMO Kate Rouch 为了癌症康复离开，后来 CPO Kevin Weil 也走了。换句话说，她当初被请来统领的那一层高管，如今已经散得差不多了。

    Altman 在 X 上的回应少见地动了感情：”我真的很难过，也特别感激 Fidji 为 OpenAI 做的一切，甚至感激我们的友谊和她这个人。我们都祝她早日康复。这太糟了。”

    她到底为 OpenAI 扛起了什么

    Simo 是 2024 年进入 OpenAI 董事会的，2025 年 5 月正式入职，职位是 newly created 的”应用业务 CEO”，直接对 Sam Altman 汇报。这个岗位把公司的商业和产品运营一把抓了起来：COO、CFO、CPO 都开始向她汇报，而 Altman 本人则退到后面，专心看研究、算力和安全。

    来 OpenAI 之前，她的履历已经很能打。在 Instacart 当 CEO，带着公司在 2023 年完成上市；再往前，是在 Meta 待了十多年，一路做到 Facebook App 的全球负责人，把信息流广告和视频生态做成了几百亿美元的核心营收。这样的人，本来就是为”把 AI 卖出去”这件事量身定做的。

    为什么这个时点特别要命

    Simo 宣布离职的那天，OpenAI 刚好发布了 GPT-5.6 系列（Sol、Terra、Luna）和办公智能体 ChatGPT Work。最好的模型和最资深的操盘手，在同一天下午走出和走进，画面多少有点错位。

    更关键的是，OpenAI 正盯着 IPO。公司最近一次估值到了 8520 亿美元，外界普遍把 Simo 看成上市后最可能挑大梁的人选之一。她这一退，Altman 得重新找接班人，而眼前能接的人选并不宽裕——消费者业务这边，ChatGPT 的增长去年下半年就明显降温、没完成内部营收目标，公司被迫把更多筹码压到编程工具上，而那块目前还落后于 Anthropic。

    高管层正在变薄

    • COO Lightcap 已转去”特别项目”，CMO Rouch、CPO Weil 相继离开；
    • 去年 12 月加入的 CRO Denise Dresser（前 Slack CEO、在 Salesforce 待了 14 年）被认为最可能扩权；
    • 为留住人，OpenAI 把新人的股权归属悬崖从 12 个月缩到 6 个月，去年底更是直接取消，预计 2025 年股权激励支出就要烧掉 60 亿美元。

    这当然不是什么内斗出走，本质上是一场和健康的和解。但对一家准备去公开市场敲钟的公司来说，二号位空着、核心层变薄，恰恰是投资者会拿放大镜看的细节。

    📎 原文来源：Fidji Simo steps down from OpenAI’s No. 2 role（TechCrunch / Connie Loizos）

  • 互联网之父给AI智能体发“身份证”：没有身份，它们只能在笼子里打转

    TCP/IP 之父 Vint Cerf
    TCP/IP 之父 Vint Cerf（图源：Getty Images）

    互联网之父这个头衔，Vint Cerf 戴了快半个世纪。他上世纪 70 年代和人一起写下的 TCP/IP，是今天全网机器能互相找到对方的底层规则。上个月，在谷歌待了 20 年的 Cerf 正式退休。他没去钓鱼，转头接下了 Identity Digital 旗下 Innovation Labs 的顾问活儿——任务是给 AI 智能体设计一套公开的身份证明体系。

    今天跑在网上的大多数 AI 智能体，其实都被关在自家后院。它们调用内部资源、完成某个具体任务，很少真正跨出门去和别的公司的智能体打交道。可企业已经在想象一个更野的画面：智能体自己在网上乱跑，互相直接谈判、下单、协调。拦住这一步的最大坎，是缺一套大家都认的身份和审计标准。

    几种方案正在冒头，Innovation Labs 提的那个叫 DNSid。思路很接地气：把每一个智能体，挂到一个已有的互联网域名下面，再用密码学证明把它每次的注册记录按时间存下来。这样一来，谁派出了这个智能体、它有多大权限、出了问题找谁负责，就都有了据可查。公司临时 CEO Allie Kline 说，他们已经在和几家不愿具名的超大规模云厂商、身份公司一起试这套标准。

    Cerf 自己说，真正棘手的是一连串老问题：“一个智能体的权力从哪来、谁该为它的行为负责、你又凭什么信它。”他预计这段日子会既迷人又让人抓狂，因为智能体比域名活跃得多，一个组织注册一个智能体时到底在承诺什么，现在谁也说不清。

    为什么这事非他不可

    Cerf 看中的，是命名和身份验证正在变重要的这个当口。他拿 TCP/IP 打比方：当年也是用户端先急了，才逼出了一套能跨网互通的协议。公司 X 用智能体 Y，公司 A 用智能体 C，结果两边对不上话——这种事经历过太多次了，最后还是得靠用户倒逼。他的判断是，任何协议想被广泛接受，关键看它管不管用，而不是看谁喊得响。

    超大规模云想自己定规矩，别人未必服

    Kline 特意强调，他们没打算顺手做别的 AI 生意，也不碰注册数据。一家超大规模云放出一套标准、还攥着专有数据，行业本能是会排斥的。这话说给谁听，圈内人都懂——大厂各自圈地，正是眼下智能体互操作最大的暗礁。

    • Linux 基金会已在 6 月底宣布筹备 Agent Name Service（ANS），要做跨网智能体的可信身份与发现标准
    • NIST 今年 2 月也启动了 AI Agent 标准计划，把身份和安全的研究往行业牵引

    Cerf 不觉得智能体经济一定就是互联网的宿命。但我确定的是，人总会去试。他的理由很朴素：人天生爱偷懒，只要有个智能体能替你把事办了，多半就会选它，因为省事。当偷懒变成刚需，给这些智能体发一张全网通用的身份证，就从锦上添花变成了绕不开的基础设施。

  • Spotify老板的副业又融7亿美元：用一次全身扫描把病掐死在萌芽里

    Neko Health 创始人 Daniel Ek 与 Hjalmar Nilsonne
    Neko Health 两位创始人：Hjalmar Nilsonne（左）与 Daniel Ek（右）

    丹尼尔·埃克大概是全硅谷坐不住的老板之一。Spotify 的事还没忙完，他又带着自己 2023 年创办的 Neko Health，在预防性体检这条路上越跑越快。这家公司刚宣布完成 7 亿美元的 C 轮融资，领投方是 Lightspeed 和 O.G. Venture Partners——距离上一轮 2.6 亿美元 B 轮，才过去一年半。

    Neko Health 做的事听起来简单：给你做一次全身扫描，趁毛病还小的时候把它揪出来。它把自研的扫描设备和血检绑在一起，整个过程没有辐射、大概一小时，能抓出上百万个健康数据点，覆盖皮肤、心脏、血液和代谢。健身房常客还会顺带拿到一份身体成分分析，最近它还能把 Apple Health 的数据接进来，创始人 Hjalmar Nilsonne 说，这让医生手里多了真实世界的行为数据可用。

    真正让投资人掏钱的，是它那套让人想再来一次的体验。在英国和瑞典的门店里，超过 10 万人已经做过扫描，还有 35 万人在排队或已经约好时间。更关键的是复购：平均有四分之三的人，在第一次扫描结束时就直接把明年的名额和钱都预付了。在医疗这种能不来就不来的领域，这个数字挺让人意外。

    Calm 的创始人 Alex Tew 在 X 上写过自己的经历：一次 Neko 扫描在他背上发现了一颗恶性肿瘤，他很快做了切除。“我很感激 Neko 帮我发现了它——否则我真不知道要等到什么时候。”皮肤癌早发现能治好，晚发现会要命，这一条留言大概比任何融资新闻都更能说明问题。

    为什么是现在进美国

    这一轮融资的重要目的，是把生意第一次搬到大西洋对面。Neko 计划先在纽约开第一家美国门店。美国医疗市场又大又碎，体检这块向来是保险公司不怎么管、用户自己掏钱的地带，恰恰给这种直营式预防服务留了空间。

    不是只有它在抢这块蛋糕

    值得玩味的是，连 Midjourney 都在做扫描仪。这家以 AI 生图出名的公司，打算把设备塞进一个带温泉和桑拿的养生馆里，2027 年在旧金山开业。一个走临床路线，一个走 spa 路线，赌的都是同一件事：人们越来越愿意为提前知道身体出了什么岔子花钱。

    • 本轮新进投资方包括 Atomico、General Catalyst、Lakestar、Liberty City Ventures、Positive Sum 和 BDT & MSD
    • 早期支持者 Tim Ferriss 的逻辑很直接：60 分钟内拿到一份高清的“身体地图”，由不着急的医生当面讲清楚，还只卖 299 英镑——这种简单，才是真正能规模化的简单

    埃克把音乐塞进了每个人的耳机，现在他想把防患于未然塞进每个人的年度计划。当 Spotify 的老板开始认真做体检，你大概能感觉到，预防性健康这门生意，正在从极客的玩具变成一门正经的大产业。

  • nanobot：可完全自托管的轻量级个人 AI 智能体运行时

    nanobot：可完全自托管的轻量级个人 AI 智能体运行时

    nanobot 封面

    nanobot 是一个开源、超轻量的个人 AI 智能体运行时（agent runtime），把 WebUI、聊天渠道、工具、记忆、MCP、模型路由、自动化与部署打包在一个可读的小内核里，让你真正”拥有”自己的智能体，而不是被某个大平台锁定。

    ⭐ Stars 45,688+ 🍴 Forks 8,059
    💻 语言 Python 📜 协议 MIT
    🏢 团队 HKUDS（香港大学数据科学团队，LightRAG / Vibe-Trading 同门）

    📦 安装要求和过程

    环境要求

    • Python 3.11 及以上（必须）
    • Git：仅源码安装时需要
    • bun 或 npm：从源码构建 WebUI 时需要（PyPI/uv 安装包已内置 WebUI，无需额外构建）
    • 支持 macOS / Linux / Windows；零技术背景用户可走官方”无技术背景起步”向导

    快速安装（任选其一）

    ① 一键安装（macOS / Linux）

    curl -fsSL https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.sh | sh

    ② Windows PowerShell

    irm https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.ps1 | iex

    ③ 使用 uv（推荐，干净隔离）

    uv tool install nanobot-ai

    ④ pip 安装

    python -m pip install nanobot-ai

    ⑤ 从源码安装

    git clone https://github.com/HKUDS/nanobot.git
cd nanobot
python -m pip install .

    快速开始

    nanobot onboard        # 交互式初始化（生成 ~/.nanobot/config.json 与 workspace）
nanobot gateway        # 启动网关，浏览器访问 http://127.0.0.1:8765
nanobot agent -m "Hello!"   # 或直接在终端发一条消息测试

    配置只需在 ~/.nanobot/config.json 里填好 providers（API Key / 端点）与 modelPresets（模型预设）两块即可，支持 OpenAI 兼容接口、本地 LLM 与 fallback 模型路由。

    ✨ 核心功能

    • 轻量可读的小内核：核心只是一个 agent loop——消息进来，LLM 决定何时调用工具，记忆/Skill 仅作为上下文按需注入，不做臃肿的编排层，源码小而好改。
    • 聊天原生触达：内置 WebUI + OpenAI 兼容 API，并可接入 Telegram、Discord、Slack、微信、飞书、邮件、Mattermost、Teams 等渠道，把智能体开到你常用的聊天里。
    • 模型自由：兼容 OpenAI 兼容 API、本地 LLM（Ollama / vLLM）、图像生成与 Web 搜索，支持多模型预设与 fallback 路由，不被单一厂商绑定。
    • 工具与自动化：内置文件、Shell、Web 搜索、网页抓取、MCP、cron、图像生成、子智能体等工具；配合长期记忆（Dream）与定时自动化，可跑长周期任务。
    • 可拥有、可扩展：提供 Python SDK 与 OpenAI 兼容 API，可作为长期运行的本地 / 服务端 Agent 网关自托管， inspect、定制、扩展全部在自己手里。

    🌐 WebUI 与架构

    nanobot WebUI

    nanobot 内置 WebUI：聊天、工作区、Apps、Skills、Automations 与设置的统一工作台

    nanobot 架构

    围绕一个小 agent loop 的轻量架构：渠道进消息 → LLM 调度工具 → 按需拉入记忆/Skill

    🎯 典型使用场景

    • 24/7 实时市场 / 趋势分析：连接数据源与 Web 搜索，让智能体持续追踪行情与热点，自动产出洞察与简报。
    • 全栈软件工程助手：借助文件 / Shell / 代码工具，完成开发、部署与迭代；也可作为 Coding Agent 嵌入工作流。
    • 个人知识助理 + 日程自动化：用长期记忆（Dream）沉淀上下文，做随身知识库；用 cron 自动化管理日常例行任务。

    💡 推荐理由

    我用过不少 Agent 框架，nanobot 最打动我的是”轻“和”归你所有“这两点。它没有把整个系统做成一个庞大的编排黑盒，而是把核心收敛到一个可读的 agent loop，工具、记忆、Skill 都是按需挂上去的——这意味着你看得懂、改得动，也更容易排查问题。

    对隐私敏感、想自托管的人来说，它几乎是把”个人 AI 助手”这件事做对了的范本：本地优先、模型自由（连本地 Ollama/vLLM 都能用）、聊天渠道随便接，还能用 Python SDK / 兼容 API 嵌进自己的系统。相比被某个云端大平台锁死，nanobot 让你真正拥有自己的智能体。MIT 协议、来自 HKUDS（LightRAG 同门）团队，活跃度与文档完整度都很高，值得一试。

    🔗 下载地址

    ⚠️ 本文仅作技术介绍，使用本项目请遵循其 MIT 许可与当地法律法规。

  • Mira Murati交出首款模型Inkling：开放权重，还大方承认自己不是最强

    前 OpenAI 首席技术官 Mira Murati 憋了一年半，终于交出了第一份答卷。她创办的 Thinking Machines Lab 在周三上午发布了首款模型 Inkling，最扎眼的一点是：它是开放权重的。跟 OpenAI、Anthropic、谷歌那些锁在服务器里的旗舰模型不一样，外面的开发者和公司可以直接把它下载下来，拆开、改、跑在自己的机器上。

    Mira Murati与Thinking Machines
    Mira Murati 创办的 Thinking Machines 发布首款开放权重模型 Inkling｜图源 TechCrunch

    Inkling 是个混合专家（MoE）模型，总参数 9750 亿，但每次干活只调用其中一小部分，大约 410 亿——这套设计能让超大模型跑起来又快又省。它从零训练，喂进去 45 万亿 token 的文本、图像、音频和视频，而且是原生跨这几种模态推理，不是后面硬接一个视觉模块。这也是这家公司闷头搞了一年半基础设施之后，第一次拿出能公开检验的东西。

    开局不吹牛，反而承认自己不是最强

    最反常规的是它的姿态。大部分模型发布都是先甩一张跑分图出来，Inkling 却在材料里白纸黑字写着：这不是当下最强的模型，无论开源还是闭源。它主打的是均衡好用，能给出带”把握程度”的回答，遇到没底的地方会直接标出不确定，而不是硬猜；用户还能自己调”思考强度”，想快就牺牲点质量换速度。官方说在某个编程基准上，它达到英伟达 Nemotron 3 Ultra 同等水平时，只用了大约三分之一的 token。

    “我认为模型选择很重要，但它不是消耗大部分精力的地方。”这句话来自另一家公司，却恰好点中了 Thinking Machines 的核心赌注——模型本身正在变成”配料”，怎么用才是关键。

    那问题来了，这东西到底卖给谁？答案很明确，是企业。但 Thinking Machines 没把它当成品来卖，而是当”起点”——让企业拿去，用自家的模型定制平台 Tinker 在自己的数据上微调。代价是，客户得自己保证微调后的模型安全，而且微调这活儿本身就需要真本事的机器学习人才。

    赌的是”人人同款”终将败给”自己定制”

    Thinking Machines 上周专门发了篇文章给这次发布铺垫：一个模型被某家公司集中训练好、然后定死不动，表现会输给企业自己去塑造的模型，因为太多专业知识是攥在具体的人手里的。说白了，中心化的大厂在给所有人卖同一件产品，反复由自己打磨；而愿意拥有并定制自家模型的企业，能从里面榨出多得多的价值。

    这个论调正在变响。微软 CEO 纳德拉——他家在 OpenAI 和 Anthropic 都砸了几十亿——上周日发博客警告说，企业用闭源 AI 其实付了两遍钱：一遍是订阅费，另一遍是把上千条提示词和纠正里藏着的业务知识，白白交给了模型，最后被吸收进下一代版本。Hugging Face 的 CEO 也有类似判断，觉得前沿模型以后多半只用来做实验和高价值任务，真正的生产活会转向私有或开源方案。

    最有说服力的证据，来自一家对冲基金

    支撑这套逻辑最硬的一个案例，来自和全球最大对冲基金桥水的合作（顺带说明，桥水并不是 Thinking Machines 的投资方）。两边研究员拿一个现成的开源模型，用桥水自己的金融专长继续训练，结果在金融推理测试上拿到 84.7%，压过了顶尖闭源模型，运行成本大约只有十四分之一——当然，这是两家自己评的，不是第三方独立测试。

    • 速度是另一张牌：OpenAI 从技术到有收入大概花了五年，Anthropic 约三年，Thinking Machines 说自己九个月就做到了；
    • 2025 年它拿下约 20 亿美元种子轮，估值 120 亿美元，当时是史上最大种子轮，Inkling 是这笔钱换来的第一份实打实的成果；
    • 它也坦承 Inkling 部分用到了别家开源模型（包括月之暗面的 Kimi K2）的输出，也就是业内争议不小的”蒸馏”做法。

    悬念还是那个老问题：企业到底想不想要一个得自己动手调的模型，而不是开箱即用的？微调要占用的工程时间，很多公司根本挤不出来。但如果 Thinking Machines 赌对了，前沿模型这场比赛一直在为错的东西较劲，那 Inkling 就不必在排行榜上赢过 GPT 或 Gemini，它只要有足够多的开发者愿意在它上面搭东西，而不是继续租别人的黑箱，就够了。

  • Anthropic和黑石押注15亿美元：下一个万亿生意，是教企业把AI用起来

    这两年大模型越来越能打，可真到了企业里，一个很现实的问题冒了出来：模型是买回来了，然后呢？怎么把它塞进公司原本的流程里，让它真的干活、真的赚钱？Anthropic 和黑石集团给出的答案是——这门”教企业用 AI”的生意，才是下一个万亿级别的入口。

    企业AI落地部署
    Anthropic 与黑石等机构合资成立 Ode，专攻企业 AI 落地｜图源 TechCrunch

    今年 5 月，Anthropic 联合黑石、Hellman & Friedman、高盛等一票机构攒了个合资公司，砸进 15 亿美元。现在它有名字了，叫 Ode with Anthropic。OpenAI 那边也在做同样的事，起了个更直白的名字 The Deployment Company。两家头部实验室不约而同地承认了一件事：想拿下企业客户，光是把模型做得更强，远远不够。

    这门生意，其实是黑石先看明白的

    Ode 最早的点子来自黑石。它给自己投资组合里的公司做 AI 改造时，请来大型咨询公司，也找过小而美的 AI 服务作坊，结果发现中间有个明显的空档。其中一家叫 Fractional AI 的工程服务初创特别出挑，合资公司宣布没多久就把它买了下来——顺带说一句，被收购时 Fractional 刚结束了和 OpenAI 长达 11 个月的合作。

    Fractional 就成了今天 Ode 的底子，一家”规模化的精品作坊”。它的目标一点都不低调。Ode CEO、也是 Fractional 联合创始人的 Chris Taylor 在接受 TechCrunch 独家采访时说得很直接。

    “只要执行得好，把它想象成一家万亿美元的公司并不难。真正难的是，怎么在飞速扩张的同时，别把质量丢了。”

    目前 Ode 有 100 名工程师，和 Anthropic 的应用团队贴身合作，去挖每家企业里 AI 能真正发力的点，再按对方的业务量身搭系统。背后那些私募机构，则顺手把自家投的公司送过来当客户，不过 Ode 的服务不只卖给这些人。

    选哪个模型，反倒不是最费劲的事

    Ode 走的是”Claude 优先”路线，能用 Anthropic 的技术就用，比如 Slack 里的 Claude Tag，但需要时也不排斥竞品。首席技术官 Eddie Siegel 说，真正的门道在实施质量，在于能不能给具体的业务问题搭出定制方案。他打了个特别形象的比方。

    “选模型当然重要，但精力大头不在这儿。它只是要工程化的系统里的一味配料。就好比写软件时选 Python 还是 Java——我不会用这个来判断一次企业转型算不算成功。”

    Taylor 补了一句更根本的判断：那些本身不是做 AI 的传统公司，只要用对方法，反而可能是这波浪潮里最大的赢家。可 AI 这东西他形容为”神奇又爱胡说八道的配料”，想拿它去重做核心流程、改造客户体验，得有人帮忙才行，而顶尖的应用型 AI 人才，恰恰是大多数公司缺的。

    “特种部队”式的团队，能招够人吗

    Ode 把自己的团队描述成精英级的全栈工程师，一半以上当过创始人，用一位黑石高管的话说，这是一支”成熟工程师”组成的特种部队，而不是靠人海铺开的前置部署工程师大军。这种团队市场上供不应求，问题也就随之而来：

    • 既要有创业经历，又要懂系统思维，还得有 AI 底子和企业级产品判断，符合条件的人本就稀缺；
    • 对手不只有 OpenAI 的 The Deployment Company，还有德勤、埃森哲这些搭起自家部署团队的咨询巨头；
    • 要在保持”精品”定位的前提下做到国际化扩张，人才这道坎绕不过去。

    对于人才池会不会枯竭，Siegel 倒不太担心。他觉得现在当创业者比任何时候都容易，端到端地折腾一摊事、去找产品市场契合、去推动业务往前走，这个过程学到的东西，比只解决一个小问题多得多，而这恰好就是 Ode 需要的那种人。到底会不会有足够多这样的人冒出来，眼下还没答案。但如果 Ode 和它背后的机构赌对了，下一场 AI 大战拼的就不只是谁的模型强，而是谁能把模型真正塞进全球最大那批公司的日常运转里。