YOHO AI

标签： AI

  • Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

    📦 项目简介

    Flowise 是一款可视化构建 AI 智能体的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构建 RAG 应用和 AI 自动化工作流的首选工具之一。

    54K+
    GitHub Stars

    24K+
    Forks

    v3.1.3
    最新版本

    TypeScript
    语言

    ⚙️ 安装要求和过程

    环境要求

    • Node.js ≥ 20.0.0（推荐 v20.20.2）
    • PNPM（可选，用于本地开发）
    • Docker（可选，用于容器化部署）

    方式一：全局安装（最简单）

    # 安装 Flowise
npm install -g flowise

# 启动服务
npx flowise start

# 访问地址
http://localhost:3000

    方式二：Docker 部署

    # 克隆项目
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker

# 配置环境变量
cp .env.example .env

# 启动容器
docker compose up -d

    方式三：本地开发

    # 安装 PNPM
npm i -g pnpm

# 克隆仓库
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise

# 安装依赖
pnpm install

# 构建项目
pnpm build

# 启动开发服务器
pnpm dev

    ⚠️ 如果构建时出现内存溢出，运行 export NODE_OPTIONS="--max-old-space-size=4096" 后重试

    ✨ 核心功能

    🎨 可视化工作流编排

    通过拖拽节点、连线的可视化方式组装 AI Agent，支持 AgentFlow V2（迭代节点、条件节点、HTTP节点），无需编写代码即可构建复杂 AI 工作流。支持导出/导入工作流，方便分享与协作。

    🤖 多模型支持

    支持 OpenAI、Claude、Gemini、HuggingFace、Ollama 等几乎所有主流 LLM，同时支持 AWS Bedrock 全模型目录和自定义模型接入。Mistral AI FunctionAgent 支持工具调用流式输出。

    📚 知识库与 RAG

    原生支持向量存储和嵌入模型接入，可给 Agent 添加知识库，实现 RAG（检索增强生成）。支持多种向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）。

    🔌 MCP 协议支持

    支持 Model Context Protocol (MCP)，可接入各种 MCP 服务器，扩展 Agent 能力。同时支持自定义工具集成，真正实现对外部系统的无缝对接。

    🔐 细粒度权限控制

    API 密钥支持细粒度权限控制，可按用户权限限定 API 密钥权限范围。支持用户名密码认证，凭证字段类型安全优化，避免敏感信息泄露。

    🚀 典型使用场景

    场景一：构建企业知识库聊天机器人

    上传企业文档（PDF、Word、Markdown等），Flowise 自动解析并建立向量索引。通过可视化界面组装”文档加载 → 文本分割 → 向量存储 → 检索 → LLM 生成”的完整 RAG 链路，一键部署为聊天接口，嵌入企业微信/官网/APP。

    场景二：AI 工作流自动化

    利用 AgentFlow V2 的迭代节点和条件节点，构建复杂的 AI 自动化工作流。例如：自动抓取网页内容 → 用 LLM 提取关键信息 → 判断内容类型 → 分别存储到不同数据库 → 发送通知。整个流程可视化编排，支持人工审核节点。

    场景三：多模型对比与路由

    在同一个工作流中接入多个 LLM，通过条件节点实现智能路由（简单问题用 GPT-3.5，复杂推理用 Claude Opus），或对同一个 Prompt 并行调用多个模型，对比输出质量后选择最佳答案。

    💡 推荐理由

    • 低代码、零门槛：可视化拖拽编排，产品/运营同学也能上手，不再依赖专业开发者
    • LangChain 生态加持：基于 LangChain 构建，享受其丰富的组件和工具生态，同时弥补了 LangChain 代码复杂的短板
    • 活跃社区：54K+ Stars，3600+ Commits，频繁更新（最近一次提交 2026-06-30），社区支持完善
    • 多部署方式：支持本地部署、Docker、Railway、Render、HuggingFace Spaces、Sealos 等一键部署，满足不同场景需求
    • 开放协议：Apache-2.0 许可，可完全自托管，数据不出内网，满足企业合规要求

    📥 下载地址

    ● ● ●

    📌 本文由自动化任务定时发布 | 数据来源：GitHub API | 更新时间：2026-07-01

    🔗 项目 GitHub: github.com/FlowiseAI/Flowise

  • 把 AI 智能体塞进手机键盘，这家新加坡创业公司拿到了 530 万美元

    Acti AI 智能体键盘
    Acti 将 AI 智能体直接嵌入手机键盘界面

    你每天在手机上最频繁用的界面是什么？不是某个 App，而是键盘。打字、发消息、搜索、写邮件——几乎所有操作都从键盘开始。

    新加坡创业公司 Acti 想把这个最基础的入口变成 AI 智能体的主场。他们这几天正式推出了一款”AI 智能体键盘”，有 iOS 和 Android 两个版本。不是那种帮你自动补全下一个词的传统输入法，而是能直接替你执行操作的 AI 工具。

    创始人来自百度

    创始人 Young Wang 此前在百度待了十年，把 Facemoji 键盘做到了 3 亿日活。他的判断是：大模型出现之后，文字不再只是用来”输入”的东西，它变成了”意图”的载体——而你打的每一个字，理论上都可以直接触发一个动作。

    Wang 说：”现在的 AI 智能体从根本上受限，因为用户的上下文分散在各个独立的应用里。Acti 坐在所有应用的上方，这让我们能建立一个真正属于用户——而不是某个平台——的上下文层。”

    Skills 是核心

    Acti 键盘的核心卖点叫”Skills”——可以理解为自定义快捷键。用户在键盘上划一个字母，就能触发一个多步骤任务。比如长按”T”翻译整段消息，按”C”立刻发出一个会议链接。不需要写代码，用自然语言描述想要什么效果，Acti 就能帮你建好这个 Skill。

    这些 Skills 可以私用，也可以发布到 Acti 的”Skill Hub”市场里让别人用。内测期间，用户在不到两周时间里建了超过 1000 个 Skills。

    隐私怎么算

    把 AI 放在键盘这个位置，隐私问题肯定躲不掉。Acti 的说法是”本地优先”——用户的个人上下文默认存在设备上，除非用户主动触发需要云端处理的功能，否则不会把消息内容传出去。

    技术上，Acti 用的是 Google 的 Gemini 模型。Wang 说选 Gemini 是因为它在智能程度、速度、可靠性和多语言表现之间找了个不错的平衡点。

    刚拿了 530 万美元

    Acti 刚刚完成了一轮 530 万美元的种子融资，由 BITKRAFT Ventures 领投。团队阵容不算弱——CTO Mike Sun 之前是百度云相册平台 Yike Album 的创始技术负责人，CSO Junbo Yang 之前在 HashKey Capital 主导消费类投资。

    商业模式还在摸索中，但大致方向是订阅制——免费用户能用基础模型，付费用户能用到更高级的模型、更多的每日调用次数。

    键盘这个赛道已经很久没有大变动了。Acti 想借 AI 的机会重新定义这个最基础的界面——这事能不能成，取决于用户愿不愿意让 AI 在他们的键盘里”常驻”。

  • Google 推出 Nano Banana 2 Lite，图像生成速度快到离谱，价格还便宜

    Google Nano Banana 2 Lite
    Google 最新 AI 图像生成模型 Nano Banana 2 Lite

    Google 这两天放出了一个新版 AI 图像生成模型，叫 Nano Banana 2 Lite。名字听起来有点奇怪，但参数很实在——号称 4 秒钟出图，每 1000 张图只要 0.034 美元。

    这个模型是 Nano Banana 系列的最新成员。上一代 Nano Banana 2 今年 2 月才发布，主打更逼真的图像效果。而这次的 Lite 版本不走高端路线，直接瞄准那些需要大批量出图的场景——比如做广告创意、电商配图、或者纯粹想快速试验各种风格的用户。

    快，而且便宜

    Google 的说法是，Nano Banana 2 是”通用工作马”，什么都能干；Lite 版本则是为”高速批量工作流”优化的。如果你需要一口气生成几十张图来挑选最好的那张，Lite 版本会比标准版更合适。

    价格方面确实很有竞争力。0.034 美元/1000 张，折合人民币大概每张图两分多钱。作为对比，很多主流 AI 图像生成 API 的定价都比这个高不少。

    Google 在博客里写道：用生成式媒体做创作，核心就是不断迭代。有了这两个模型，开发者可以搭建完整的端到端多媒体体验。

    产品线收敛

    这次发布还有一个细节：Google 宣布 Nano Banana 2 Lite 将逐步替代原来的 Nano Banana 模型，后者被标记为”旧版”。这意味着 Google 在加速收敛它的图像生成产品线。

    同一天 Google 还宣布了 Gemini Omni Flash 的扩大开放。这个模型能把图片、音频和文字输入直接转成视频，定价是每秒视频输出 0.10 美元。

    争议没走远

    图像生成模型炒得再热，现实中的反弹也没停过。今年 6 月，有调研数据显示 TikTok 上约 60% 的视频内容是”AI 垃圾”——低质量、批量生成的内容把平台信息流搅得越来越浑浊。

    但 Google 似乎不打算放慢脚步。它还在加深和好莱坞的联系——前不久和独立电影公司 A24 签了一份 7500 万美元的合作协议，要用 AI 技术辅助电影制作。

    不管争议多大，Nano Banana 2 Lite 的推出至少说明了一件事：AI 图像生成的”价格战”还在继续。对普通开发者来说，工具越便宜，尝试的成本就越低。

  • OpenClaw 终于出了手机版，这下真能在口袋里跑 AI 智能体了

    OpenClaw 终于出了手机版，这下真能在口袋里跑 AI 智能体了

    今年早些时候在网上火了一阵的那个开源 AI 智能体 OpenClaw，这几天悄悄上架了 iOS 和 Android 应用。之前想用只能跑在电脑上，现在手机也能用了。

    OpenClaw 移动应用
    OpenClaw 现在有了官方移动应用

    用起来倒不复杂。手机装上应用之后，跟 OpenClaw Gateway 配对——这东西相当于一个路由层，把你手机上的请求转给后端的 AI 智能体和各种工具。配对好了，你就能在手机上直接跑之前在电脑上配置好的那些智能体了。

    OpenClaw 的用户已经把它玩出了花：写代码、规划餐食，甚至别的一些奇怪用法都有人试过。当然，翻车的人也不少，有人吐槽说结果实在不太行。

    MoltBook 那档子事

    OpenClaw 今年 2 月那波热度，很大程度上是靠 MoltBook 带起来的——当时号称是一个”完全由 AI 智能体组成的社交网络”，闹得挺大。后来被扒出来，里面有不少”智能体”其实是人在扮演，说白了就是一场营销噱头。

    这事说实话挺鸡贼的。用真人冒充 AI 来炒概念，短期确实能吸引眼球，但代价是把口碑搭进去了。不过话说回来，那阵风也确实让大家开始认真想一件事：智能体要是真能靠谱地跑起来，到底能干什么？

    手机上的智能体，到底靠不靠谱

    OpenClaw 上手机这步棋，赶上了智能体遍地开花的节点。你现在能在好多地方看到智能体的影子——键盘插件、各类 App 的集成，甚至系统级的入口也在路上了。

    但问题是，智能体在手机上到底能干多少实际的事，现在还真不好说。桌面端都还没完全跑顺，移动端受限于屏幕、交互方式和后台限制，能发挥的空间更小。OpenClaw 这波先把”能跑”这件事解决了，至于”跑得好不好”，还得靠后面的实际使用来说话。

  • Google NotebookLM 现在能把你的研究变成60秒短视频

    Google NotebookLM 现在能把你的研究变成60秒短视频

    Google 的 NotebookLM 前几天上线了一个新功能——把你塞进去的研究资料，直接变成一段 60 秒的竖屏短视频。就是那种你在 TikTok 上刷到的格式，有画面、有旁白，一口气把重点讲完。

    NotebookLM AI视频生成
    NotebookLM 现在能生成 TikTok 风格的短视频摘要

    这个功能目前向 Google AI Ultra 和 Pro 订阅用户开放。你把资料上传到 NotebookLM，它就能基于这些内容生成一段 60 秒的竖屏视频，配上了 AI 生成的画面和自动旁白。

    Google 分享了一个例子：用澳大利亚历史上那场”鸸鹋战争”做演示。AI 用纸剪风格的图像，配上旁白，把这段荒诞历史讲得挺像回事。

    怎么用

    操作不复杂。在 NotebookLM 的网页端或 App 里打开一个笔记本，点右侧”Studio”栏里的”Video”，选”Short”，然后告诉它你想让视频聚焦哪个主题（也可以让它自己决定），点”Generate”就行。

    目前只支持英文输出，中文估计还得等一阵。Google 说免费用户”很快”也能用上，但没给具体时间。

    不止是视频

    NotebookLM 这两年一直在往”多模态”方向走。之前已经能生成 AI 播客对话、电影感的内容概览视频，还有各种视觉解释卡片。这次加了个短视频格式，显然是看准了大家现在习惯刷短视频、没耐心读长文的趋势。

    不过话说回来，60 秒能讲清楚多少东西，得看你喂给它的材料质量。垃圾进、垃圾出，这条规律在哪儿都适用。

  • Langfuse：开源 LLM 工程平台，AI 应用可观测性与 Prompt 管理首选（30.2K+ Stars）

    Langfuse：开源 LLM 工程平台，AI 应用可观测性与 Prompt 管理首选（30.2K+ Stars）

    Langfuse

    🪢 Langfuse：开源 LLM 工程平台

    Langfuse 是一个开源 LLM 工程平台，帮助团队协同开发、监控、评估和调试 AI 应用。支持自主托管（数分钟部署），经过大规模生产验证。由 Y Combinator W23 孵化的开源项目，已成为 LLM 应用可观测性的首选工具。

    30.2K+
    GitHub Stars
    6
    核心功能模块
    15+
    主流框架集成
    MIT
    开源许可

    📦 安装要求与过程

    环境要求

    • Python ≥ 3.8 或 Node.js ≥ 16
    • Docker & Docker Compose（自主托管推荐）
    • ClickHouse 数据库（Langfuse 核心依赖）
    • 可选：Kubernetes（生产环境推荐）

    快速安装（Docker Compose，5分钟）

    # 克隆仓库
    git clone –depth=1 https://github.com/langfuse/langfuse.git
    cd langfuse

    # 启动（Docker Compose）
    docker compose up

    云端使用（无需部署）

    访问 cloud.langfuse.com 注册账号，免费额度无需信用卡。创建项目后获取 API 密钥，即可开始使用。

    ✨ 核心功能

    ① LLM 应用可观测性（Tracing）

    自动采集 LLM 调用链路，追踪检索、嵌入、智能体动作等所有相关逻辑。支持复杂日志和用户会话的检查与调试。可实时查看每次 LLM 调用的输入、输出、延迟和成本。

    ② Prompt 管理中心

    集中管理、版本控制和协同迭代 Prompt。服务端和客户端强力缓存，迭代 Prompt 不增加应用延迟。支持 Prompt 变量、版本对比和一键回滚。

    ③ 评估体系（Evaluations）

    支持 LLM-as-a-Judge、代码评估器、用户反馈收集、手动标注和自定义评估管道。是 LLM 应用开发工作流的关键环节，适配不同成熟度的团队需求。

    ④ 数据集与实验（Datasets）

    构建测试集和基准，支持持续改进、部署前测试、结构化实验。与 LangChain、LlamaIndex 等框架无缝集成，支持批量评估和对比分析。

    ⑤ LLM Playground

    在线测试和迭代 Prompt 与模型配置，缩短反馈循环、加速开发。从 Tracing 中直接跳转到 Playground 迭代坏结果，提升调试效率。

    🚀 典型使用场景

    场景一：生产级 LLM 应用监控

    某 SaaS 产品集成 Langfuse Tracing，实时采集所有 LLM 调用。当用户反馈 AI 回复质量下降时，工程师通过 Langfuse 会话回放快速定位问题——发现是某个 Prompt 版本在特定输入下表现不佳。通过 Playground 快速迭代修复，15 分钟内完成从发现到修复的全流程。

    场景二：Prompt 版本管理与 A/B 测试

    AI 产品团队使用 Langfuse Prompt 管理功能，对不同用户群体展示不同版本的 Prompt，通过内置评估体系自动对比效果。所有 Prompt 变更都有版本记录，出现问题时一键回滚到上一个稳定版本，极大降低了迭代风险。

    场景三：开源项目集成（LangChain + Langfuse）

    开发者在 LangChain 应用中添加 Langfuse Callback Handler，两行代码即可自动采集所有 LLM 调用、Chain 执行和 Agent 决策链路。无需修改业务逻辑，所有 Tracing 数据自动上报至 Langfuse 平台。

    from langfuse import observe
    from langfuse.langchain import CallbackHandler

    handler = CallbackHandler()
    chain.invoke(input, config={“callbacks”: [handler]})

    💡 推荐理由

    Langfuse 是目前开源 LLM 可观测性领域最成熟的解决方案。与 LangSmith（闭源）相比，Langfuse 完全开源、可自主托管，数据隐私完全可控。

    其与主流框架的深度集成（LangChain、LlamaIndex、OpenAI SDK、LiteLLM 等）让接入成本降到最低——通常只需修改一行代码。对于需要构建生产级 AI 应用的团队，Langfuse 是不可或缺的工程基础设施。

    亮点：支持 OpenTelemetry 标准，可与现有监控体系（Grafana、Datadog）无缝整合；YC W23 背景，社区活跃，截至 2026 年已拥有 30K+ Stars 和持续的月度提交。

    🔌 集成生态（部分展示）

    集成方式 支持语言 说明
    SDK Python, JS/TS 手动埋点，最大灵活性
    OpenAI 兼容 Python, JS/TS 直接替换 OpenAI SDK，自动采集
    LangChain Python, JS/TS 传入 Callback Handler 自动采集
    Vercel AI SDK JS/TS React/Next.js 应用 AI 可观测性
    LiteLLM Python, JS/TS 对接 100+ LLM（OpenAI/Claude/Ollama 等）

    📥 下载地址

    License: MIT | 组织: langfuse | Stars: 30,200+

  • 英伟达多了个真对手，Etched 芯片拿到 10 亿美元订单

    英伟达在 AI 推理芯片领域多了一个值得认真对待的对手。一家叫 Etched 的创业公司今天披露了最新进展：台积电今年早些时候已经成功造出了他们的芯片，而现在这款产品的合同订单已经堆到了 10 亿美元。

    Etched 给这套东西起了个名字叫”前沿推理集群”（frontier inference clusters），本质上是把自研芯片、定制机架和配套软件打包在一起卖。说法很直白：帮大模型公司跑推理，速度更快、成本更低、功耗更省。推理听起来不如训练那么性感，但它现在是 AI 公司最大的成本中心和瓶颈——这也是为什么投资人愿意为任何声称能解决这个问题的团队买单。

    从月月熬到估值 50 亿，两年走了完全不同的路

    Etched 成立于 2022 年，累计融资到现在是 8 亿美元。最近的一笔是去年 12 月关账的 5 亿美元，投后估值 50 亿美元。这轮由 VentureTech Alliance、Stripes 领投，跟投的名单读起来像量化交易圈的名人录：Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital。

    天使轮更夸张。Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li、Arthur Mensch、Scott Wu 都在里面，还有亿万富翁 Stanley Druckenmiller 和 Peter Thiel。一个做 AI 芯片的创业公司，天使投资人里既有图灵奖得主也有对冲基金大佬，这个组合不太常见。

    Etched AI 芯片概念图
    Etched AI 推理芯片，专为大模型推理设计的 ASIC

    2023 年差点死掉，现在满地都是钱

    创始人 Gavin Uberti（CEO）和 Robert Wachen（总裁）都是从哈佛辍学后入选 Thiel Fellowship 的。他们在 2024 年就已经在跟 TechCrunch 聊他们的芯片计划了，但回头看，真正的转折点在 2023 年。

    Uberti 后来在 Patrick O’Shaughnessy 的播客里说，2023 年他们到处见投资人，试图讲清楚”AI 最终会需要专用芯片，而不只是通用 GPU”这个故事，结果每一个大机构都 pass 了。公司当时按月烧钱，随时可能断粮。

    从”每个月都在担心能不能发工资”到”估值 50 亿美元、订单 10 亿美元”，中间隔了不到三年。AI 基础设施的投资热度把这家曾经无人问津的创业公司推到了一个完全不同的轨道上。

    对手不止英伟达，大家都想做自己的芯片

    Etched 现在面对的竞争格局相当拥挤。Cerebras 今年打了 AI 芯片赛道第一个 IPO，Groq 刚融了 6.5 亿美元。 hyperscaler 们也在自己搞：亚马逊的 Trainium、Google 的 TPU、微软的 Maia 都在路上。就连 OpenAI 也刚刚发布了和博通联合定制的第一款芯片。

    Etched 的赌注是：通用 GPU（也就是英伟达的 H100/B200 这些）在推理工作负载上不够高效，专用 ASIC 才是未来。这个论点不是只有他们在讲，但对于一家曾经连融资都困难的创业公司来说，现在能拿到 10 亿美元订单，说明至少有一些大客户认同这个判断。

    Etched 还没有公布具体是哪些客户下了这 10 亿美元的订单。如果后续有披露，这件事的可信度会更高一些。眼下，这家公司从”没人要”到”估值 50 亿”，本身就是这轮 AI 基础设施热潮里一个挺极端的样本。

  • Anthropic 发布 Claude Sonnet 5，跑智能体任务更便宜了

    基础模型公司的军备竞赛又换了新赛道。过去几个月里，大家比的是谁的模型更会聊天、谁在基准测试上刷分更高。现在风向变了，各家都在秀自己的模型有多会”干活”——也就是跑智能体任务的能力。

    Anthropic 今天推出了 Claude Sonnet 5。这款中端模型的定位很明确：性能接近旗舰款 Opus 4.8，但价格要便宜一大截。按照 Anthropic 的说法，Sonnet 5 在规划、工具调用（浏览器、终端）、自主运行这些方面的表现，放在几个月前只有更大、更贵的模型才够用。

    智能体能力成了标配，接下来比什么？

    这个叙事听着耳熟，因为 OpenAI 和 Google 前几天也是这么说的。OpenAI 上周预览发布的 GPT-5.6 Sol 同样主打智能体能力，允许用户把长任务拆给多个子智能体去跑。Google 五月份推出的 Gemini 3.5 Flash 更是直接把定位从”对话聊天机器人”改成了”能规划、能构建、能迭代真实工作的智能体工具”。

    Sonnet 5 的发布确认了一件事：智能体能力已经在各个价位段变成了 baseline 预期。接下来的差异化竞争，不再是”谁能更好地跑智能体”，而是”谁能跑得更便宜、更可靠，还不需要人盯着”。

    价格先低后高，意在抢开发者

    Sonnet 5 的定价策略有点意思。从今天到8月31日，输入 token 价格是每百万个2美元，输出 token 每百万个10美元。8月31日之后，价格会涨到每百万输入3美元、每百万输出15美元。

    这个定价比 Opus 4.8 便宜，也比 OpenAI 的 GPT-5.5 和 Google 的 Gemini 3.1 Pro 便宜。当然，还是比 Gemini 3.5 Flash 贵一些。Anthropic 显然在用低价窗口期吸引开发者在 Sonnet 5 上构建应用，等大家用习惯了，再提价。

    Claude Sonnet 5 概念图
    Anthropic 发布 Claude Sonnet 5，主打智能体任务能力

    跑分数据：离旗舰款越来越近

    Anthropic 提供的基准测试数据显示，Sonnet 5 比起上一代 Sonnet 4.6 有明显提升。在智能体编程测试上，Sonnet 5 得分63.2%，Opus 4.8 是69.2%，而 Sonnet 4.6 只有58.1%。在知识工作基准测试中，Sonnet 5 甚至略微超过了 Opus 4.8——后者一向以处理最难的判断类任务和深度研究著称。

    Zapier 高级工程师 Daniel Shepard 在 Anthropic 的博客里说了一句话很能说明问题：”我们给 Claude Sonnet 5 派了一个两阶段任务——更新 Salesforce 客户层级、给企业联系人发产品发布通知——它从头到尾跑完了。”他说这话的潜台词是：以前的版本跑到一半就卡住了。

    安全表现也在提升

    智能体跑起来了，但跑偏了怎么办？Anthropic 说 Sonnet 5 比起 Sonnet 4.6，在”不合作滥用”和”不被欺骗”这两个指标上有明显进步。具体来说，它更善于拒绝恶意请求，也更不容易被提示词注入攻击绕过。幻觉和谄媚行为的出现频率也比 Sonnet 4.6 低。

    当然，跟 Opus 4.8 和 Claude Mythos Preview 比，Sonnet 5 在处理危险行为的能力上还是有差距。Anthropic 在博客里坦白说：”评估显示，它执行危险网络安全任务的能力比我们目前的 Opus 系列模型低得多。”这句话其实是在告诉企业用户：如果你要跑高危任务，还是得用 Opus。

    Lovable 联合创始人 Fabian Hedin 说了一句挺实在的话：”我们把强大的工具交到数百万构建者手里，一个知道什么时候该说’不’的模型，和知道怎么构建的模型一样重要。”

  • AI agent 进了手机键盘，以后打字就能直接办事

    你每天在手机上敲的字，背后藏着的意图，有没有可能直接变成行动？新加坡一个创业团队正在做这件事——他们把 AI agent 塞进了手机键盘里。

    Acti AI智能键盘概念图
    Acti 把 AI agent 直接嵌入手机键盘

    键盘才是最佳的 AI 入口

    Acti 的创始人兼 CEO Young Wang 有个很直接的观察：今天用 AI 最麻烦的地方在于，你的上下文散落在无数个 App 里。和朋友聊到某家餐厅，想查评价，得切出去打开点评软件；聊到某只股票，想看实时价格，又得切到行情软件。

    他说，现在的 AI agent 从根本上就受限，因为用户的上下文是碎片化的。Acti 的思路是：键盘是你和手机交互最基础的界面，它横跨所有 App，如果能在这里建一层属于用户自己的上下文，AI agent 才能真正发挥作用。

    键盘是所有人每天用得最多的软件，但它一直只是个输入工具。到了 AI 时代，它应该成为意图和行动之间的桥梁。

    长按一个键，触发一串操作

    Acti 的核心功能叫”Skills”，类似自定义快捷键。用户可以给某个按键设定一个多步任务——比如长按字母 T，整段消息就被翻成英文；长按 C，会议链接直接发出去。

    不需要会写代码。你想要什么功能，用自然语言描述一下，Acti 帮你生成这个 Skill。内测阶段，用户在不到两周的时间里就自己造了超过 1000 个 Skills。有人做了查世界杯实时数据的，有人做了拉 Polymarket 赔率的，都放在 Skill 市场里给别人用。

    底层模型用的是 Google 的 Gemini，选它的理由是综合平衡了智能水平、响应速度、多语言表现和成本。Gemini 支持多模态，也适合驱动 Skills 这种需要理解用户意图然后触发动作的功能。

    隐私怎么算

    把键盘换成 AI 驱动的，最自然的担心是隐私。Acti 的说法是”本地优先”——个人上下文默认存在设备上，除非用户主动触发需要云端处理的功能，否则私人消息和对话内容不会被上传。

    这个承诺够不够，取决于你信不信。但至少从产品设计上看，他们意识到了这个问题。

    创始人做过 3 亿日活的键盘

    Young Wang 不是第一次做键盘。他在百度待了十年，把 Facemoji 键盘做到了 3 亿日活。那是表情包和主题皮肤的生意，但积累了对键盘这个特殊场景的理解——怎么在方寸之间做输入体验，怎么处理多语言，怎么在资源受限的移动端跑模型。

    Acti 的 CTO Mike Sun 也不简单，他是百度云相册平台 Yike Album 的创始技术负责人，那个产品峰值时也有 1000 万日活。CSO Junbo Yang 之前在 HashKey Capital 做消费赛道投资。

    这帮人刚完成了一笔 530 万美元的种子轮，由 BITKRAFT Ventures 领投。投资方的逻辑很直接：人机交互的下一个阶段，入口可能在键盘。

    Acti 目前还在早期，商业模式打算走订阅——付钱能用更强的模型、更多的每日调用次数。Skill 市场将来也可能分成。但所有这些的前提是，用户愿意换掉自己用了好几年的键盘，为一个”AI 能帮你做事”的承诺。

    这个前提成不成立，接下来几个月就能看到。

  • 这家被所有投资人拒绝的AI芯片公司，现在估值50亿美元

    一家叫 Etched 的创业公司，这两天把融资成绩单拍在了桌面上。TSMC 今年早些时候成功量产了他们的芯片，紧接着订单就涌了进来——还没正式交付，合约订单已经堆到了 10 亿美元。

    Etched AI推理芯片
    Etched 的 AI 推理芯片瞄准 Nvidia 腹地

    从被所有人拒绝到估值 50 亿

    这个故事的开头并不光鲜。2023 年，两个哈佛辍学生带着一份 30 页的备忘录到处见投资人，核心论点是：AI 未来一定需要专用芯片，而不是通用 GPU。结果每一个他们见过的重磅投资人，全部 pass。

    公司当时每个月都在烧钱，账面上的钱只够撑一个月。联合创始人兼 CEO Gavin Uberti 和总裁 Robert Wachen 都是 Thiel 奖学金得主，从哈佛辍学创办 Etched，没想到第一步就差点被市场掐灭。

    两年前还在为下个月的工资发愁，现在合约订单已经 10 亿美元，估值 50 亿美元。AI 芯片的窗口期，比大多数人想象的更窄，也更疯狂。

    转折发生在 2024 年。AI 热潮全面爆发，投资人的态度从”这东西不可能”变成了”给我一个位置”。到 2024 年，Etched 已经募了超过 1.25 亿美元。去年 12 月，又悄悄完成了一轮 5 亿美元的融资，投后估值 50 亿美元。

    目前为止，Etched 累计融资 8 亿美元。投资人名单读起来像科技圈名人录：VentureTech Alliance、Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital 都在其中。个人天使里更有 Andrej Karpathy、Geoffrey Hinton、李飞飞、Arthur Mensch、Scott Wu，还有亿万富翁 Stanley Druckenmiller 和 Peter Thiel。

    专攻推理，不跟 Nvidia 正面硬刚训练

    Etched 的产品叫”前沿推理集群”（frontier inference clusters），不是单独卖芯片，而是卖整套系统——芯片、定制机架、软件打包在一起。瞄准的是 AI 推理环节，也就是用户提交 prompt 之后模型生成回答的过程。

    为什么是推理？因为对于 OpenAI、Anthropic 这些公司来说，推理是目前最大的瓶颈和最烧钱的地方。用户每发一条消息，背后都是一次推理计算。模型越大，推理成本越高。谁能把这个环节做得更快、更便宜、更省电，谁就掐住了 AI 公司的命脉。

    Etched 声称他们的系统在推理速度、成本和功耗上都能压倒竞争对手的方案。目前产品正在和客户做测试验证，10 亿美元的合约订单说明至少有一些大客户已经买单了。

    大家都想摆脱 Nvidia

    Etched 赶上了最好的时候。AI 芯片赛道现在已经挤满了玩家，大家都想减少对 Nvidia 的依赖。今年已经有不少大动作：

    • Cerebras 打了 2026 年 IPO 第一枪，估值 55 亿美元
    • Groq 刚刚确认完成 6.5 亿美元融资
    • 亚马逊、谷歌、微软都在自研 AI 芯片
    • OpenAI 也宣布了第一颗定制芯片，由 Broadcom 代工

    这么多钱和人才涌进来，说明一个问题确实存在，而且足够大。Etched 的赌注是：推理专用的 ASIC 芯片，长期来看会比通用 GPU 更有效率。这个判断如果对，他们就是下一个 Nvidia 级别的赢家。如果不对，8 亿美元烧完也就是一阵烟。