YOHO AI

标签： AI

  • Apple Intelligence 中国获批：阿里千问打底，百度同场参演

    苹果的生成式 AI 终于要进中国了。这事儿从 2024 年 Apple Intelligence 发布那天起就被卡着，整整拖了快两年，直到本周三（7 月 15 日），网信办正式完成了备案放行。

    苹果与中国市场
    苹果的生成式 AI 服务终于拿到中国市场的入场券（图源：TechCrunch）

    阿里千问成了底座，百度也没缺席

    据路透社报道，这次过审的关键是苹果和阿里的合作——把通义千问（Qwen）模型接进 iOS、iPadOS、macOS 和 visionOS。阿里早前向 CNBC 确认了这件事，说 Qwen 会”集成进 Apple Intelligence 体验”，能力覆盖文本和图像的理解与生成，但没给具体时间表。

    百度这边也松了口。周三晚上，一位百度发言人向 TechCrunch 确认，他们同样在和苹果合作，为中国用户开发 Apple Intelligence 功能，重点放在 AI 搜索和 Siri 的中文能力上。

    也就是说，国行苹果设备上的 AI，大概率会是”阿里千问打底、百度补搜索和语音”的组合，而不是苹果自己的模型。

    为什么这一步拖了这么久

    苹果不是没努力过。此前传出过和百度谈合作，但据报道卡在了模型适配中国用户的环节；之后又先后看了 DeepSeek 和字节的模型，兜兜转转才落定阿里。监管这关没过，Apple Intelligence 的国产版本就一直挂着，眼看华为、小米、OPPO 这些安卓阵营的端侧大模型全都完成备案、铺到了各个价位的机型上，苹果在核心体验上反而和竞品拉开了代差。

    • 大中华区第二季度营收 205 亿美元，同比增长 28%，刚在近期促销后夺回中国手机市场第二的位置；
    • 国行 AI 迟迟不来，让苹果在高端市场最该讲的故事讲不出口；
    • 阿里美股在消息后盘前一度涨约 4%，盘中涨幅超过 6%。

    别高兴太早的几个问号

    备案过了是事实，但苹果和阿里都没承诺上线时间。更实在的问题是：这些推理到底有多少跑在设备本地、多少要走阿里的云？苹果一贯强调的隐私立场，又怎么和中国的内容合规要求对上？这些目前都没有答案，而它们恰恰决定了国行用户最终摸到的是个什么样的 AI。

  • DeepTutor：把 AI 变成陪伴你终身的专属私教（HKUDS 开源）

    DeepTutor：把 AI 变成陪伴你终身的专属私教（HKUDS 开源）

    在 AI 辅导工具层出不穷的今天，大多数产品要么只做”问答”，要么只做”出题”，上下文在每次对话后便归零。香港大学数据科学团队 HKUDS（LightRAG、Vibe-Trading、nanobot 同门）开源的 DeepTutor，想解决的是更本质的问题——如何让 AI 真正”认识”你，并陪你长期、系统地学习。

    一、项目简介

    DeepTutor 是一个智能体原生（agent-native）的终身学习工作台：它将辅导对话、解题、出题测验、文献研究、可视化与掌握度训练整合进同一个可扩展系统，并用一套三层可审计记忆把”个性化”变得可见、可编辑、可追溯。

    DeepTutor Chat 工作台
    Chat 是默认入口：单条对话即可调用工具、挂载知识库、生成图片、咨询子智能体，并在多轮间保持同一上下文。

    二、安装要求与过程

    环境要求：Python 3.11+、Node.js 20+（PyPI 安装方式），或 Node.js 22 LTS（源码方式）；Docker 方式无需本地 Python/Node。需要自备一个 LLM 提供商的 API Key，也支持 Ollama / LM Studio / vLLM / llama.cpp 等本地模型。

    官方提供 4 种安装路径，最推荐的是 PyPI 一键安装（完整本地 Web 应用 + CLI，无需克隆仓库）：

    mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init     # 交互式设置端口、LLM 提供商与可选 embedding
deeptutor start    # 启动后端+前端，默认访问 http://127.0.0.1:3782

    想要一条命令跑起来，也可以用官方 Docker 镜像（仅需暴露 3782 端口）：

    docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

    此外还有”源码安装（便于二次开发）”与”仅 CLI（无界面）”两种路径，且均可从同一工作区平滑升级到完整 Web 应用。配置全部以 JSON/YAML 形式存放在 data/user/settings/ 下，浏览器里的 Settings 页面即推荐编辑器。

    三、核心功能

    • 一个运行时，覆盖所有学习模式：Chat、Quiz、Research、Visualize、Solve、Mastery Path 共用同一个 Agent Loop，切换的是目标而非引擎，学习上下文始终跟随你。
    • 可连接的学习上下文：知识库、书籍、Co-Writer 草稿、笔记本、题库、人格（Persona）与记忆在各类工作流间共享，不再散落在彼此孤立的工具里。
    • 子智能体与 Partner 伙伴：可在任意对话中实时调用本地 Claude Code / Codex，或导入它们过往的对话记录；也能运行常驻 IM 伙伴（飞书、Telegram、Slack、Discord、钉钉、QQ、企业微信、WhatsApp、Matrix 等）。
    • 多引擎知识库（RAG）：可选 LlamaIndex、PageIndex、GraphRAG、LightRAG，或直接挂载 Obsidian vault；文档解析引擎可切换（MinerU / Docling / markitdown 等），并支持版本化、可回滚的索引。
    • 可检视的三层记忆：L1 原始轨迹、L2 表层摘要、L3 跨面综合，层层引用溯源；配套的”记忆图谱”让任何一条个性化结论都能追溯到背后的原始依据。
    DeepTutor 知识中心
    知识中心支持多种检索引擎，每个知识库可独立选择引擎并版本化管理。
    DeepTutor 活书 Book
    Book 把资料一键编译成带测验卡、时间线、交互模块乃至 Manim 动画的”活书”。
    DeepTutor 伙伴 Partner
    Partner 是”有性格、有联系方式”的常驻伙伴，共享同一套大脑与记忆工具。

    四、典型使用场景

    1. 学生个性化辅导：把教材 PDF 建为知识库，让 DeepTutor 按”同伴 / 助教 / 老师”不同人格讲解难点，自动出测验题并给出带解析的参考答案；错题与偏好会沉淀进三层记忆，越用越懂你。

    2. 研究者 / 工程师的文献与写作助手：用 Research 生成带引用的综述，用 Co-Writer 做”选择即改写”的精准编辑（每次改动都是可接受的 diff），用 Book 把资料编译成带交互模块与动画的”活书”。

    3. 团队 / 班级的共享知识中枢：开启多用户鉴权后，一个 data 目录即可托管管理员工作区、彼此隔离的每用户工作区与伙伴工作区；管理员统一分配模型、知识库与技能，普通用户只看到被授权的只读选项，不暴露原始 API Key。

    五、推荐理由（个人使用心得）

    我最看重 DeepTutor 的，是它把”个性化”从一句营销话术变成了可看见、可审计、可编辑的东西。大多数 AI tutor 的记忆是个黑盒，而 DeepTutor 的三层记忆 + 记忆图谱让你能清楚看到”它为什么这么认为你”。对自学者来说，知识库多引擎可选 + 本地模型支持意味着敏感资料不必出网；对开发者来说，MCP、子智能体、CLI 与 EduHub 技能社区又留下了充足的二次创作空间。它不是一个”开箱即用的玩具”，而是一套能陪你长期生长的”学习操作系统”。

    六、下载地址

  • 孩子跟AI聊到想自残，家长会被通知：Meta给青少年对话装上预警

    如果你家孩子半夜睡不着，跟 AI 聊天机器人吐露了想伤害自己的念头，你希望第一时间知道吗？Meta 现在替家长做了这个决定。周四它宣布，一旦青少年在跟 Meta AI 对话时聊到自杀或自残，家长会收到通知；如果对话显示有人可能面临紧急风险，Meta 还在研究直接联系急救部门的功能。

    Meta 应用与青少年 AI 安全
    Meta 给青少年与 AI 的对话加了一道自伤预警。图片来源：NurPhoto / Getty Images（TechCrunch）

    这事的背景并不轻松。这段时间，AI 聊天机器人到底该怎么回应处于危机中的用户，尤其是青少年，正被监管机构和家长盯得很紧。这早就不只是产品体验问题，而是一个越来越绕不开的法律责任问题，直接影响着各家 AI 公司怎么设计、怎么宣传自己的产品。

    先由人工复核，再发提醒

    Meta 说，他们专门建了一套 AI 系统，用来识别青少年明确提到想伤害自己的对话。但它没有让机器直接触发警报，而是加了一道人工关卡——所有被系统标记的聊天，都会先经过人工复核，再决定要不要通知家长。

    “如果青少年的意图比较模糊，我们宁可谨慎一点，也要提醒家长。这意味着有时可能会在其实没什么大事的情况下发出通知，但我们觉得这是一个正确的起点。”——Meta 官方博客

    这套预警目前已经在美国、英国、澳大利亚和加拿大上线，接入的是 Instagram 的家长监督功能，Meta 计划年底前推向全球。

    这是一整套动作里的新一步

    其实这不是 Meta 头一回在这件事上动手。早前它就已经会在青少年反复搜索自杀或自残相关内容时提醒家长，还上线过一个功能，让家长能看到孩子过去一周跟 Meta AI 聊过哪些话题。这次的自伤预警，算是在原有基础上又往前走了一步。

    与此同时，Meta 还把”限制内容”设置的管辖范围扩大到了 Meta AI。这个设置本来是让家长把孩子放进一个更受限的 Instagram 环境里。Meta AI 原本就被训练成不跟青少年聊性、恋爱或酒精相关的话题，而开启”限制内容”后，聊天机器人会拒绝回应更大范围的敏感提问。

    几个关键信息

    • 触发范围：青少年在 Meta AI 对话中明确提及自杀或自残。
    • 流程：AI 标记 → 人工复核 → 通知家长，意图模糊时倾向于宁可多提醒。
    • 覆盖地区：美、英、澳、加已上线，年底前推向全球。
    • 更进一步：无论成人还是青少年，若对话显示有自杀风险，Meta 会联系急救部门——这和它此前对 Facebook、Instagram 帖子的处理方式是一致的。

    把青少年的私密对话交给机器去判断危机，再决定要不要告诉家长，这本身就是个两难。管得太松，可能错过真正的求救信号；管得太严，又容易把孩子的隐私和信任一起挤掉。Meta 选了”宁可误报”这条线，至于这条线画得对不对，恐怕得等它真正跑起来之后，才有答案。

  • 黑石和Anthropic合押15亿美元：这次赌的不是谁家模型强，而是谁能让AI真落地

    这两年大模型一个比一个能打，可真到了企业里，很多人反而更迷糊了：模型是买回来了，钱也花了，然后呢？大部分公司折腾半天，AI 试点项目最后都卡在”演示很惊艳、上线遥遥无期”这一步。现在有人押了一大笔钱，赌的就是解决这个”最后一公里”。

    企业级 AI 落地服务示意
    押注 AI 落地服务，而不是继续卷模型本身。图片来源：TechCrunch

    这家公司叫 Ode with Anthropic，估值 15 亿美元，今年五月悄悄成立，背后是 Anthropic 联手黑石（Blackstone）、Hellman & Friedman、高盛等一票资本搞的合资公司。它的定位不是再造一个更强的模型，而是专门帮别的企业把 AI 真正用起来。有意思的是，OpenAI 早前也干了同样的事，成立了自己的 The Deployment Company。两家顶级大模型公司不约而同地承认了同一件事：想拿下企业客户，光有更好的模型远远不够。

    这门生意是怎么长出来的

    Ode 最早的点子来自黑石。黑石在给自己投资组合里的公司铺 AI 时发现了一个大坑——请来的大型咨询公司太笨重，小的 AI 服务作坊又不够专业，中间是空的。其中一家叫 Fractional AI 的工程服务创业公司格外能打，于是合资公司干脆把它买了下来，当成整个 Ode 的地基。顺带一提，Fractional 被收购时，正好结束了和 OpenAI 长达 11 个月的合作。

    如今 Ode 手上有 100 名工程师，跟 Anthropic 的应用 AI 团队紧密配合，专门去摸清 AI 能在哪些业务环节真正产生价值，再为每家公司量身搭系统。Anthropic 自己的内部团队则继续盯着那些战略级、使命相关的大客户。

    “如果我们执行得好，把它想象成一家万亿美元的公司其实并不难。”——Ode CEO、Fractional 联合创始人 Chris Taylor

    “特种部队”，而不是一支人海大军

    Ode 挑客户有个硬标准：老板得是真信这套东西的人。Taylor 说，他们接的活儿往往是某家公司 CEO 排在前一两位的头等大事，要么是未来两年最重要的产品功能，要么是要重做公司最核心的业务流程。这活儿不轻，所以团队配置也很讲究——超过一半的工程师本身就是前创业者，被内部叫做”成年人级别的工程师”，是精挑细选的特种部队，而不是靠人头堆出来的前线部署工程师（FDE）大军。

    Ode 走的是”Claude 优先”路线，能用 Anthropic 的技术就用，比如 Slack 里的 Claude Tag，但也不排斥在必要时上竞品模型。首席技术官 Eddie Siegel 的比喻挺到位：选模型就像写软件时选编程语言，重要，但绝不是花力气最多的地方。

    “我不会用一家企业选了 Python 还是 Java，去定义它的转型成不成功。”——Ode 首席技术官 Eddie Siegel

    值得盯着的几个点

    • Ode 的核心信念是：那些非 AI 公司，只要用对方法，反而可能成为这波 AI 浪潮里最大的赢家。
    • 背后的私募资本会把自己投的公司源源不断介绍给 Ode，但业务并不只做这些内部客户。
    • 对手不只有 OpenAI 的 The Deployment Company，还有德勤、埃森哲这些也组建了 FDE 团队的咨询巨头。
    • 最大的软肋是人：顶尖工程人才本就稀缺，想一边扩张一边保住”精品”水准，几乎是道解不完的题。

    说到底，模型这几年跑得太快，企业却没跟上。Ode 赌的不是谁家的模型更聪明，而是有没有人能把这块”会魔法但也会胡说八道”的原料，稳稳嵌进真实业务里。这个判断对不对，接下来两年就能见分晓。

  • 纳德拉给用AI的公司提了个醒：你正把家底一点点喂给对手

    硅谷这阵子最让 AI 拥护者睡不着的，不是模型会不会取代人，而是另一件更微妙的事：企业天天把机密数据喂给 OpenAI、Anthropic 这些大厂的模型，会不会等于亲手养大了自己未来的对手。这话以前多是投资人和 Palantir 的老板 Alex Karp 在说，现在，微软 CEO 纳德拉也加入了这个阵营。

    让人意外的是提醒的人是他。要知道微软在 OpenAI 和 Anthropic 身上都下了重注，自家 CEO 却公开叫客户小心模型厂商，这份分量就不一样了。他把这套逻辑写进一篇叫《逆向信息悖论》的博客里，核心就一句话：你用 AI，其实付了两遍钱。

    “你实际上为智能付了两次费，一次用钱，另一次用更宝贵的东西：为了让它真正好用，你不得不交出去的专有知识。你越想让模型表现好，就得喂给它越多这样的知识。” —— 萨提亚·纳德拉

    微软CEO纳德拉警告企业使用AI的隐性成本
    纳德拉的这篇博客被看作对前沿实验室数据“双标”的一次开炮 · 图片来源：TechCrunch

    真正贵的不是 token，是你交出去的经验

    纳德拉说，token 的钱是明码标价的，你知道自己在花；可另一笔支出你根本没察觉。企业为了让模型更懂自己的业务，会一点点把经营诀窍教给它。模型从”使用痕迹”里学习——你写的提示词、智能体调用的工具，尤其是模型犯错时你给的纠正。每一次纠正，都会沉淀成一份企业级的经验。

    而这种经验，恰恰是竞争对手花再多钱也买不来的。问题就在这儿：你在用模型的过程中，主动把它送了出去。时间一长，卖方越来越懂你，你却对它一无所知，信息差只会越拉越大。这就是他说的”逆向信息悖论”——传统市场里是卖方担心白送知识，AI 时代反过来了，轮到买方在白送。

    凭什么你能爬全网，我却不能”蒸馏”你

    纳德拉还顺手点了 AI 公司的双标。这些公司一边主张自己能”合理使用”全网的公开内容来训练模型，一边又在条款里禁止别人”蒸馏”它们的模型——所谓蒸馏，就是分析一个模型的输出，摸清它怎么工作，再据此训练一个通常更便宜的新模型。他觉得很讽刺：既然你能拿全世界的数据训练，那企业反过来研究你的模型，也该是公平的。

    他最警惕的，是模型厂商在服务条款里”保留从客户使用和交互数据中学习的权利”这一条。今年 2 月 Anthropic 还指控过中国的开源模型给 Claude 发了数百万条提示词来改进自己，转头呼吁政府收紧出口管制。纳德拉的意思很直白：这事不能只许一方做。

    他开的药方，顺便也是微软的生意

    当然，作为一家云巨头的老板，纳德拉给的解法也很”云巨头”。他建议企业把数据的所有权攥在自己手里——提示词、反馈这些都算，然后在云上搭一个”专属学习环境”（数据反正大概率已经存在云上，顺理成章可以是微软的 Azure）。他还主张加一层”编排层”，让企业能在不同厂商的模型之间随时切换，别被一家锁死。

    这套话里没直接说”开源”，但潜台词很明显。很多大公司已经在把开源模型部署到自己机房里跑。做 AI 网络与安全的 Solo.io 创始人 Idit Levine 就说，她的客户试完专有模型后，开始琢磨一个问题：能不能用开源模型在本地跑，做到前沿模型近九成的活，成本还低得多。数据也在佐证这股风——上个月经 Vercel 的 AI 网关传输的流量里，已经有 29% 流向了开源模型。这早就不是小圈子的实验，而是一条正在成形的采购趋势。

    • 诊断值得每个 CTO 认真对待：先盘一下哪些系统在把原始客户数据、定价逻辑、运营手册喂给第三方模型；
    • 在生产环境的 AI 前面加一层网关，保证随时能换供应商；
    • 别再把”我们用了 Claude/GPT”当成战略，它更像一件带着数据泄露面的租来的商品。

    纳德拉的诊断和药方，一个偏公心，一个偏私利——Azure 依然是把数据留在云上、只换模型这套逻辑的赢家。但诊断本身没毛病，值得任何一家正在大规模用 AI 的公司拿去对照一遍。

  • 苹果把OpenAI告上法庭：41页诉状里全是“太搞笑了”式的实锤

    两年前的那场 WWDC，苹果还把 OpenAI 请上台，软件工程高级副总裁当着全场夸对方是 AI 领域的”先驱和领导者”，Sam Altman 就坐在台下。谁能想到，两年后苹果会亲手写下一份 41 页的诉状，把 OpenAI 告到加州北区联邦法院，罪名是窃取商业机密外加违约。

    最扎眼的地方不是苹果用词有多重，而是那些被写进诉状的聊天记录太随意了——一位前苹果工程师居然给还在苹果的同事发消息炫耀：”笑死，我发现自己居然还能访问公司内部的网络存储，太搞笑了。”这句话现在原封不动躺在联邦法院的卷宗里。

    “OpenAI 刚起步的硬件业务，如今建在最不牢靠的地基上，靠盗用来的商业机密撑着，从里到外都烂透了。” —— 苹果诉状原文

    苹果起诉 OpenAI 窃取商业机密
    从台上的合作伙伴到法庭上的对手，苹果与 OpenAI 翻脸只用了两年 · 图片来源：TechCrunch

    一台没还的电脑，牵出一串聊天记录

    诉状里点名的这位工程师叫 Chang Liu，在苹果干了八年，做高级系统电气工程师，参与过 iPhone 的硬件研发，今年初跳槽去了 OpenAI。按苹果的说法，人走了，离职流程一样没走——离职面谈不去，保密协议提醒不回，连公司发的笔记本都没还。

    苹果指控，Liu 入职 OpenAI 之后，钻了苹果企业系统里一个此前没人发现的认证漏洞，用那台没归还的电脑继续访问云端文件。他还留下一句”我还有另一台电脑”，苹果是在同事的工作笔记本上翻到这条消息的。而那位同事，被苹果描述成两边之间的”传话人”，收到炫耀消息后回了句”我准备好了”。

    面试要求”自带零件”，还教你怎么躲安检

    更离谱的是硬件负责人这条线。OpenAI 首席硬件官 Tang Tan 在苹果待了 24 年，最后的职位是 iPhone 和 Apple Watch 的产品设计副总裁。苹果说，他在招人时会用上苹果内部的项目代号，还要求那些还在苹果上班的候选人，把”真实零部件””CAD 设计稿””原型机”带到 OpenAI 的面试现场做”展示”。有个候选人当场懵了，说自己都不知道这些东西能带出办公室。

    苹果还翻出一份标着”仅限知情人”的内部文件，指控 OpenAI 把它发给新人，专门教大家怎么躲开苹果的”闪电离职”机制——正常员工提离职后通常还能干两周，趁这段时间正好能多摸点机密；而这份指南教人如何避免被当场清出公司。甚至有交代：万一离职面谈时苹果让你签字，”立刻通知 OpenAI”，别签。

    四百多人只是冰山一角？

    诉状里还甩出一个数字：已经有超过四百名前苹果员工在 OpenAI 工作。苹果用这个数字暗示问题的规模，也顺带把矛头指向 Jony Ive 那家被 OpenAI 以 65 亿美元收购的硬件公司 io，指控它用误导供应商的方式，偷用了苹果的金属表面处理工艺。苹果说这只是”冰山一角”，等进入证据开示环节，会挖出规模大得多的东西。

    • 苹果要求：赔偿、禁止 OpenAI 使用相关机密、销毁所有涉密材料，并保留全部证据；
    • 苹果称去年就在传 OpenAI 要做一款挑战 iPhone 的硬件，可能是靠 AI 智能体而非 App 的设备；
    • 苹果说今年 2 月已私下发函提醒，OpenAI 一直没回应，这才走上法庭。

    OpenAI 这边目前只在 X 上回了一句话：”我们对别家的商业机密没有兴趣，我们专注于打造赋能所有人的创新技术。”这场从合作伙伴变成对簿公堂的戏，接下来大概率还有得看。真要走到证据开示那一步，双方的邮件、短信、服务器日志都会被摆到台面上，谁的地基更稳，到时候自然见分晓。

  • LobeHub 开源推荐：你的「首席 Agent 运营官」，让 AI 智能体团队 7×24 为你打工

    LobeHub 开源推荐：你的「首席 Agent 运营官」，让 AI 智能体团队 7×24 为你打工

    📌 项目简介

    LobeHub 是 LobeChat 原班团队推出的开源 AI Agent 协作平台，定位为「首席 Agent 运营官（Chief Agent Operator）」——把散落在各处的 AI 智能体整编成一支 7×24 在线、能自主招聘 / 排班 / 汇报的 AI 团队，让你不必一直在线也能运筹全局。

    LobeHub 横幅

    🛠 安装要求和过程

    环境要求

    • 运行时：Node.js 18+（推荐 LTS），包管理器 pnpm 或 bun；
    • 自托管：需要 Docker / Docker Compose；
    • 云部署：支持 Vercel、Zeabur、Sealos、阿里云一键部署；
    • 模型：至少一个 LLM 提供商的 API Key（如 OpenAI），可通过 OPENAI_PROXY_URL 配置代理与自定义模型列表。

    快速安装

    方式 A · 云端一键部署：在 Vercel / Zeabur / Sealos 点击 Deploy 按钮，用 GitHub 登录并填入 OPENAI_API_KEY 即可立即使用。

    方式 B · Docker 自托管：

    mkdir lobehub-db && cd lobehub-db
bash <(curl -fsSL https://lobe.li/setup.sh)
docker compose up -d

    方式 C · 本地开发：

    git clone https://github.com/lobehub/lobehub.git
cd lobehub
pnpm install
pnpm dev          # 全栈 (Next.js + Vite SPA)
bun run dev:spa   # 仅前端 SPA (端口 9876)

    ✨ 核心功能

    Operator 运营官

    1. Operator（运营官）：像管理真人团队一样「招聘、排班、汇报」你的全部 AI Agent；内置 IM Gateway，让智能体直接在你常用的聊天软件里工作，少开工具、多出生产力。

    Create Agent 构建器

    2. Create（Agent 构建器）：用一句话描述需求即可自动生成并配置好专属 Agent，开箱即用；统一接入任意模型与多模态，并连接 10,000+ 技能与 MCP 兼容插件。

    Collaborate Agent 群组

    3. Collaborate（Agent 群组）：引入 Agent Groups 多智能体协作——Pages 多 Agent 同上下文写作、Schedule 定时自动执行、Project 按项目归档、Workspace 团队共享空间，让协作可追踪、有归属。

    Evolve 个人记忆

    4. Evolve（共同进化）：个人记忆（Personal Memory）让 Agent 持续学习你的工作习惯，且采用白盒、可编辑的结构化记忆，你完全掌控它记住了什么。

    🎯 典型使用场景

    ① 个人 AI 工作台：把写作、翻译、代码、数据分析等 Agent 收编到一个空间，用 IM Gateway 在微信 / 飞书 / Discord 里随时调度，告别在十几个窗口间手动复制结果。

    ② 团队自动化流水线：用 Agent Groups 组建「调研 + 写作 + 审校」多 Agent 流水线，设定 Schedule 在夜间自动跑周报，Workspace 让全员可见进度与归属。

    ③ 企业私有化部署：通过 Docker 或 Vercel 一键把整套 Agent 中台部署到内网 / 自有云，配合 OPENAI_PROXY_URL 与自定义模型列表，数据不出域。

    💡 推荐理由

    我试用后的真实感受——它把「Agent 作为工作单元」这件事做得相当彻底。过去我们用 AI 工具是「开一个聊天窗口、丢一个任务、复制结果」，LobeHub 则把 Agent 变成可以招聘、排班、持续记忆的长期同事：白盒记忆让我能直接看到并修正它记住的偏好，多 Agent 群组把原本串行的人工协作变成并行的智能体流水线。对想搭建自己「AI 员工团队」的个人或小团队来说，这是目前少有的、开箱即用又完全可自托管的开源选择。

    ⚠️ 许可证提示：LobeHub 采用基于 Apache 2.0 的 LobeHub 社区许可证（LobeHub Community License），含商业使用限制，商用前请务必阅读其许可证条款。

    🔗 下载地址

  • Grok 4.5 发布：马斯克称媲美 Opus，价格却只有对手四分之一

    上市后的第一枪

    7月8日，SpaceXAI（也就是原来的 xAI）把 Grok 4.5 推了出来。这是它上市之后的第一款模型，也是和编程工具 Cursor 合并之后的第一款联合产品。马斯克在自己的 X 平台上（X 现在算 SpaceXAI 的子公司）给它的定位很直白：这是一颗”Opus 级”的模型，但更快、更省 token、也更便宜。

    SpaceXAI 把它定义成一匹干活的工作马，编码、搭应用、办公和行政事务、研究写作这些知识工作它都能接。公司说自己 token 效率是主流模型的两倍——如果这事在真实场景里成立，对价格敏感的开发者来说是个不小的诱惑，毕竟 token 成本这两年一直是大家心里的疙瘩。

    “我们的内部判断是，Grok 4.5 大致相当于 Opus 4.7，但快得多。能力、速度加上低价的组合，才是它真正有竞争力的地方。”马斯克在 X 上这样写道。

    价格确实能打

    数字摆出来挺好看：Grok 4.5 输入每百万 token 收 2 美元，输出 6 美元。对比一下，Anthropic 的 Opus 4.7 是输入 5 美元、输出 25 美元；OpenAI 那边 Sol 最贵，输入 5 美元、输出 30 美元，最便宜的 Luna 是输入 1 美元、输出 6 美元。如果能力真如 SpaceXAI 所说，那这个定价确实把性价比拉到了第一梯队。

    Grok 4.5 模型发布
    SpaceXAI 发布 Grok 4.5，主打高性价比的通用模型（图源：TechCrunch / Getty Images）

    少了一张该有的卡片

    热闹之外也有人挑刺。宾夕法尼亚大学沃顿商学院的教授 Ethan Mollick 在 X 上点了一句：Grok 4.5 没有发模型卡（model card）。今天 Anthropic、Google DeepMind 乃至 OpenAI，每出一款前沿模型都会附上系统卡，写清楚训练数据、评估方法、已知局限。SpaceXAI 这回只晒了 benchmark，没晒评估方法。

    模型卡不是新鲜事，2019 年就被提了出来，如今已经是行业惯例，欧盟的 AI 法案甚至把模型文档列成了合规义务。一家公司只往外出漂亮的性能曲线、不交代怎么测出来的，信任上总会打个问号。公司自己跑的基准测试是起点，不是结论，毕竟谁来挑数字、怎么配环境，团队自己最有动力让结果好看。

    • Grok 4.5 定价输入 $2 / 输出 $6（每百万 token），只有 Opus 4.7 的大约四分之一。
    • 马斯克称其能力接近 Opus 4.7，但速度和性价比更突出。
    • 缺模型卡引发透明度质疑，真实水平还要等第三方评测说话。

  • 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。
  • 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。