Tweets

meng shao

7d ago

OpenAI 与 Palantir 都在用的 FDE 打法：吃客户的苦，挤出好产品

来自 @apoorv03 对 OpenAI Forward Deployed Engineering (FDE) 负责人 Colin Jarvis 的访谈：真正能把最前沿 AI 落地到企业、创造数亿甚至数十亿美元价值的，不是模型跑分最高的公司，而是最懂得“吃痛苦、吐产品”的公司。

什么是 FDE？
简单说，就是把最顶尖的核心技术工程师直接“扔”到客户现场，和客户的业务专家一起日夜作战，深度理解他们的真实痛苦，快速迭代出能用的解决方案，然后把其中可复用的部分提炼成产品，反哺给更多客户。

Palantir 前 CTO Shyam Sankar 的经典比喻：  
FDE 就是要“metabolize pain and excrete product”（把痛苦吃下去，拉出产品）。

OpenAI 自己的 FDE 实践和关键原则
1. 只挑真正高风险、高价值的大问题  
   · 不是做边缘小功能，而是直接攻击客户业务里最核心、最赚钱或最浪费的环节。  
   · 例子：  
     · 摩根士丹利直接把 GPT-4 铺到整个财富管理业务（他们最大的业务板块）。  
     · 一家半导体巨头让 OpenAI 解决整个价值链上最大的浪费源头。

2. 信任比技术更难，迭代比 demo 更重要
   · 摩根士丹利案例：技术管线 6-8 周就能跑通，但真正让理财顾问敢拿去面对客户，花了整整 6 个月的试点、评估、持续迭代。  
   · 最终结果：98% 采用率，研究报告使用量提升 3 倍。

3. 用 Eval 驱动开发  
   · 任何一段由大模型写的代码，都不算完工，除非你有一套严格的 eval 能证明它真的有效。  
   · 这套 eval 既是建立信任的基础，也是将来把系统顺利移交给客户内部团队的关键。

4. 在“确定性”和“概率性”之间做明确取舍
   · 让大模型去做它最擅长的事：处理复杂、模糊、有语义的场景。  
   · 但所有必须 100% 正确的地方（合规、金额、关键决策），一定要用传统确定性代码包住。

给想做 FDE 的 CEO 的最尖锐建议
最重要的一条：必须极度清晰自己的目的。

两种完全不同的打法：
A. 把 FDE 当成服务业务赚钱（收咨询费）→ 短期现金流好，但很容易变成“高配咨询公司”。  
B. 把 FDE 当成产品化的“零到一”手段 → 短期可能赚得少，但长期能把客户现场的解法变成平台能力。

Colin 见过太多公司失败模式：嘴上说要做产品公司，但一有大客户扔钱做定制，就忍不住接了，结果战略视野彻底丢失。

真正的纪律是：在最缺钱、最诱惑的时候，也敢对不战略的单子说 No。

FDE 的终极目标：必须带着产品离开
正确姿势：
· 第一个客户项目：可能只有 20% 的东西可复用 → 咬牙做完  
· 第 2-3 个客户：复用率升到 50%  
· 再往后 → 把这部分直接产品化，推向所有客户

OpenAI 正在热推的 Agent SDK 和 Agent Kit，正是这样诞生的：
1. 先从 Klarna 的定制项目里打磨出来  
2. 再在 T-Mobile 等客户身上迭代  
3. 最后变成所有人都能用的通用智能体框架

Apoorv Agrawal

1w ago

x.com/i/article/1993…

223

42.2K

3,841

Yangyi

6d ago

Google Scholar与AI集成，找文献的效率直接起飞！
只需搜索一下，AI就能筛选出10篇最相关的论文，并展示这些论文如何解答你的问题。
怎么用呢？👇🏻

5,307

Latent.Space

1d ago

"I had this idea I kept pitching to my students at Michigan which is ... the emergence of the neural networks that we use today are really based around matrix multiplication because matrix multiplication fits really well with GPUs.

But if we think about how hardware is likely to scale in the future, I don't think the current system [of hardware design] is going to scale infinitely."

Justin discusses an idea he has been pitching since his time as a professor on how there may be different primitives that make more sense with hardware as we scale.

@jcjohnss

01:13

Latent.Space

1w ago

From years as a Stanford professor and building ImageNet, the project that catalyzed the deep learning revolution, Fei-Fei Li joined forces with her former student Justin Johnson and a select team to start World Labs, staking their careers on spatial intelligence as the next frontier in AI.

We sat down with Fei-Fei and Justin to dig into what the “AlexNet moment” for world models looks like, why transformers are really set models rather than sequence models, how Gaussian splats, physics priors, and new hardware primitives could redefine the stack beyond GPUs, the shifting role of academia in an era of frontier labs, how grounding AI in physical reality could change robotics, medicine, and creative design forever, and their bet that spatially grounded world models will be the bridge from today’s text-only LLMs to agents that actually live and act in 3D space.

@drfeifei @jcjohnss @swyx @FanaHOVA

01:04

19.1K

7,046

小互

4d ago

cool...

宝玉

4d ago

🍌 nano banana prompt
Kids’ Crayon Travel Journal Illustration Prompt

This prompt generates a vibrant, child-like crayon-style vertical (9:16) travel-journal illustration for a {City Name} trip, automatically creating a winding route with daily recommended attractions, cute doodles, local landmarks, foods, and playful handwritten notes. The tone is warm, fun, and full of childlike curiosity.

--- Prompt ---

Please create a vibrant, child-like crayon-style vertical (9:16) illustration titled “{City Name} Travel Journal.”  
The artwork should look as if it were drawn by a curious child using colorful crayons, featuring a soft, warm light-toned background (such as pale yellow), combined with bright reds, blues, greens, and other cheerful colors to create a cozy, playful travel atmosphere.

I. Main Scene: Travel-Journal Style Route Map

In the center of the illustration, draw a “winding, zigzagging travel route” with arrows and dotted lines connecting multiple locations.  
The route should automatically generate recommended attractions based on {Number of Days}:

Example structure (auto-filled with {City Name}-related content):

- “Stop 1: {Attraction 1 + short fun description}”
- “Stop 2: {Attraction 2 + short fun description}”
- “Stop 3: {Attraction 3 + short fun description}”
- …
- “Final Stop: {Local signature food or souvenir + warm closing remark}”

Rules:
- If no number of days is provided, default to a 1-day highlight itinerary.

II. Surrounding Playful Elements (Auto-adapt to the City)

Add many cute doodles and child-like decorative elements around the route, such as:

1. Adorable travel characters
   - A child holding a local snack  
   - A little adventurer with a backpack

2. Q-style hand-drawn iconic landmarks
   - “{City Landmark 1}”
   - “{City Landmark 2}”
   - “{City Landmark 3}”

3. Funny signboards
   - “Don’t get lost!”
   - “Crowds ahead!”
   - “Yummy food this way!”  
   (Auto-adjust contextually for the city)

4. Sticker-style short phrases
   - “{City Name} travel memories unlocked!”
   - “{City Name} food adventure!”
   - “Where to next?”

5. Cute icons of local foods
   - “{Local Food 1}”
   - “{Local Food 2}”
   - “{Local Food 3}”

6. Childlike exclamations
   - “I didn’t know {City Name} was so fun!”
   - “I want to come again!”

III. Overall Art Style Requirements

- Crayon / children’s hand-drawn travel diary style  
- Bright, warm, colorful palette  
- Cozy but full and lively composition  
- Emphasize the joy of exploring  
- All text should be in a cute handwritten font  
- Make the entire page feel like a young child’s fun travel-journal entry  

---

Input :
Chicago 7-Day Trip, English

112

755

158.7K

9,971

meng shao

3d ago

Vibe Coding 已经颠覆 SaaS 行业商业模式了吗？

@gregisenberg 引用一个 Reddit 上的真实案例，指出了一个正在发生的趋势：AI 正在降低软件开发的门槛，导致越来越多的公司选择 “Build” 而非 “Buy”！

SaaS 创始人的困惑
创始人失去了一个合作 18 个月、月付 300 美元的优质客户，客户表示“我们自己造了一个”，他认为客户的决策在财务上是荒谬的。客户雇佣开发者（预估成本 $8,000/月）花了 3 个月去开发一个“更糟糕的内部版本”，然后还要自己维护，而原本只需付 $300/月。

创始人认为这纯粹是为了“控制权”，甚至宁愿拥有一个“烂一点的内部工具”也不愿依赖外部软件。

Greg 的洞察： "Vibe Coding is eating SaaS"，为什么创始人算错了账？
创始人还在用“旧世界”的数学计算（雇佣全职开发者 = $8,000/月）。但 Greg 想说的是：客户可能根本没有雇佣昂贵的新员工。
· 可能是现有的非技术员工用 AI 在周末搓出来的。
· 可能是实习生配合 AI 工具完成的。
· 实际成本可能远低于 $300/月。

这个案例揭示了 SaaS 行业面临的结构性危机
· 成本：SaaS 认为买软件比雇人开发便宜，而 Vibe Coding 用 AI 自建可能比买软件更便宜（长期看）。
· 门槛：SaaS 认为开发软件很难，不得不买。而 Vibe Coding 让开发软件变简单了，“够用就行”。
· 定制化：忍受 SaaS 的通用功能，还是用 Vibe Coding 完全贴合自身业务流程的定制工具。
· 数据控制：SaaS 数据在别人服务器上，Vibe Coding 数据和代码完全私有化。

总结与启示
Greg 想要表达的是：“Build vs. Buy” 的天平正在倾斜。
过去，SaaS 的护城河是“开发软件太贵太难”。现在，随着 AI 让代码生成变得极其廉价（Vibe Coding），企业宁愿花一点时间生成一个虽不完美但完全可控、无需订阅费、且 100% 契合自身需求的工具，也不愿再支付无休止的 SaaS 订阅费。
这不仅是一个客户流失的故事，这是对所有 SaaS 创业者的一个警钟：如果你的产品核心价值仅仅是“帮客户省去写代码的麻烦”，那么 AI 很快就会取代你。

GREG ISENBERG

3d ago

vibe coding is eating SaaS

this is probably happening more than we think

634

273

5,129

1.3M

4,974

Yangyi

3d ago

RAG 并非终点，AI Agent 的记忆才是未来方向。

用最简单的方式拆解下这个进化过程：

RAG (2020-2023)：
- 单次检索信息，生成回复
- 没有决策，只是提取和回答
- 问题：经常提取到无关信息

Agentic RAG：
- Agent 决定是否需要检索
- Agent 选择哪个数据源来查询
- Agent 验证结果是否有用
- 问题：仍然是只读，无法从交互中学习

AI 记忆：
- 读取和写入外部知识
- 从过去的对话中学习
- 记住用户偏好、历史背景
- 实现真正的个性化

这个心智模型很简单：
↳ RAG：只读，一次性
↳ Agentic RAG：通过工具调用实现只读
↳ Agent Memory：通过工具调用实现读写

Agent 记忆的强大之处在于：Agent 现在可以“记住”事情了——用户偏好、过去的对话、重要日期，所有这些都可以存储起来，供未来交互使用。

这解锁了更大的可能性：持续学习。

Agent 不再被冻结在训练时，而是可以从每次交互中积累知识，随着时间的推移不断改进，无需重新训练。

记忆是静态模型和真正自适应 AI 系统之间的桥梁。

当然，并非一帆风顺。

记忆引入了 RAG 从未有过的挑战：记忆损坏、决定忘记什么，以及管理多种记忆类型（程序性、情景性和语义性）。

从头开始解决这些问题很难。

如果你想给你的 Agent 赋予类似人类的记忆，可以看看 Graphiti，一个用于构建实时知识图谱的开源框架。

链接在下一条推文中！

00:02

3,545

AI Will

2d ago

上周，Tuo Liu参观了深圳的环卫机器人比赛。

看到这么多种类的街道和道路清洁机器人，真是太震撼了，这是服务机器人最完美的应用场景之一。

00:31

2,059

歸藏(guizang.ai)

4d ago

这个老罗喷华与华的视频做的挺像啊，我去。

看的时候都恍惚了一下

Cell 细胞

5d ago

最近老罗又锤华与华
刚好看到 Listenhub 出了个 Sildes 功能
让他按照老罗的风格出了个讲解视频，然后去克隆了个老罗的语音
效果太炸了…..

真老罗估计也看不出来是AI帮他喷的吧hhhh

看完感觉：
可以做个《我与罗的十字路口》，
人人都能和罗老师进行激情对谈👀

04:07

106

41.1K

10.9K

meng shao

1d ago

为 AI 装上“肌肉记忆”：如何通过“状态索引经验”让 Agent 在实时过程中学习、越用越聪明？

核心痛点：AI Agent 的“健忘症”
目前的 AI Agent 虽然聪明，但它们通常有一个致命弱点：无法在部署后学习。
· 模型是“死”的：一旦模型训练完成并上线，它的知识就固定了。
· 不懂吸取教训：如果一个 Agent 今天在某个复杂的网页上操作失败了，明天它遇到同样的网页，可能还会犯同样的错误。
· 缺乏“肌肉记忆”：人类通过“试错”来掌握技能（过程性知识），而 AI Agent 往往缺乏这种从实时经验中积累技巧的机制。

解决方案：PRAXIS 系统
为了解决这个问题，作者提出了一种名为 PRAXIS（Procedural Recall for Agents with eXperiences Indexed by State）的新机制。
我们可以把 PRAXIS 想象成 Agent 的“实时错题本”或“经验备忘录”：
· 记录经验：当 Agent 执行任务时，PRAXIS 会在后台默默记录它的每一个动作及其后果。
· 场景匹配：当 Agent 再次遇到相似的场景（环境状态 + 内部状态）时，PRAXIS 会迅速检索过去的经验。
· 辅助决策：它会告诉 Agent：“嘿，上次在这个界面点击这个按钮成功了（或者失败了）”，从而直接指导 Agent 做出更优选择。

关键技术点
· 轻量级外挂：PRAXIS 不需要重新训练庞大的大模型，它更像是一个外挂的记忆模块，成本很低。
· 双重索引：它不仅看外部环境（比如网页长什么样），还看 Agent 的内部状态（比如当前的计划是什么），从而确保经验匹配的精准度。

实验结果：Web 浏览任务的大胜
研究团队在 REAL Web Browsing Benchmark 上进行了评估，结果表明：
· 任务完成率更高：装备了 PRAXIS 的 Agent 能够更准确地完成复杂的网页任务。
· 更省钱：因为少走弯路，减少了无效的尝试步骤，Token 消耗和运行成本显著降低。
· 适应性强：对于那些没见过的任务，只要环境相似，Agent 也能通过类比过去的经验来解决问题。

行业启示与总结
这篇论文提出了一种 低成本让 AI Agent 实现“自我进化” 的路径。
· 告别“一次性”智能：未来的 Agent 将不再是一成不变的工具，而是越用越顺手、越用越聪明的助手。
· 应对动态环境：特别是在网页浏览、软件操作等界面经常变动的场景下，PRAXIS 这种机制让 Agent 能够像人类一样快速适应新版本的 UI，而不需要等待模型厂商发布新版本。

论文
arxiv.org/pdf/2511.22074

Harvey Hu

2d ago

AI agents can't learn from experience. Until now.

Earlier this year, one of our customers asked us: "If your web agent uses my website once, will it be easier the next time it visits?"

The question highlighted a fundamental gap between human intelligence and AI agents: Humans naturally get better at tasks through experience. AI agents, until now, were stuck.

Our new memory framework, PRAXIS, changes this. With PRAXIS, @altrina_ai shows major gains in accuracy, stability, and efficiency. 

Paper: arxiv.org/abs/2511.22074

@ycombinator

134

1,065

105.1K

2,921

Dify

2d ago

Dify has been named the 2025 AWS Social Impact Partner of the Year 🎉 @AWS_Partners 

Second year in a row.

We're committed to making generative AI easier to build, deploy and use on AWS, helping teams turn advanced AI into real, scalable impact.

Full announcement:aws.amazon.com/cn/blogs/apn/a…5

4,402

Sources

OpenAI 与 Palantir 都在用的 FDE 打法：吃客户的苦，挤出好产品

来自 @apoorv03 对 OpenAI Forward Deployed Engineering (FDE) 负责人 Colin Jarvis 的访谈：真正能把最前沿 AI 落地到企业、创造数亿甚至数十亿美元价值的，不是模型跑分最高的公司，而是最懂得“吃痛苦、吐产品”的公司。

什么是 FDE？
简单说，就是把最顶尖的核心技术工程师直接“扔”到客户现场，和客户的业务专家一起日夜作战，深度理解他们的真实痛苦，快速迭代出能用的解决方案，然后把其中可复用的部分提炼成产品，反哺给更多客户。

Palantir 前 CTO Shyam Sankar 的经典比喻：
FDE 就是要“metabolize pain and excrete product”（把痛苦吃下去，拉出产品）。

OpenAI 自己的 FDE 实践和关键原则
1. 只挑真正高风险、高价值的大问题
· 不是做边缘小功能，而是直接攻击客户业务里最核心、最赚钱或最浪费的环节。
· 例子：
· 摩根士丹利直接把 GPT-4 铺到整个财富管理业务（他们最大的业务板块）。
· 一家半导体巨头让 OpenAI 解决整个价值链上最大的浪费源头。

2. 信任比技术更难，迭代比 demo 更重要
· 摩根士丹利案例：技术管线 6-8 周就能跑通，但真正让理财顾问敢拿去面对客户，花了整整 6 个月的试点、评估、持续迭代。
· 最终结果：98% 采用率，研究报告使用量提升 3 倍。

3. 用 Eval 驱动开发
· 任何一段由大模型写的代码，都不算完工，除非你有一套严格的 eval 能证明它真的有效。
· 这套 eval 既是建立信任的基础，也是将来把系统顺利移交给客户内部团队的关键。

4. 在“确定性”和“概率性”之间做明确取舍
· 让大模型去做它最擅长的事：处理复杂、模糊、有语义的场景。
· 但所有必须 100% 正确的地方（合规、金额、关键决策），一定要用传统确定性代码包住。

给想做 FDE 的 CEO 的最尖锐建议
最重要的一条：必须极度清晰自己的目的。

两种完全不同的打法：
A. 把 FDE 当成服务业务赚钱（收咨询费）→ 短期现金流好，但很容易变成“高配咨询公司”。
B. 把 FDE 当成产品化的“零到一”手段 → 短期可能赚得少，但长期能把客户现场的解法变成平台能力。

Colin 见过太多公司失败模式：嘴上说要做产品公司，但一有大客户扔钱做定制，就忍不住接了，结果战略视野彻底丢失。

真正的纪律是：在最缺钱、最诱惑的时候，也敢对不战略的单子说 No。

FDE 的终极目标：必须带着产品离开
正确姿势：
· 第一个客户项目：可能只有 20% 的东西可复用 → 咬牙做完
· 第 2-3 个客户：复用率升到 50%
· 再往后 → 把这部分直接产品化，推向所有客户

OpenAI 正在热推的 Agent SDK 和 Agent Kit，正是这样诞生的：
1. 先从 Klarna 的定制项目里打磨出来
2. 再在 T-Mobile 等客户身上迭代
3. 最后变成所有人都能用的通用智能体框架

"I had this idea I kept pitching to my students at Michigan which is ... the emergence of the neural networks that we use today are really based around matrix multiplication because matrix multiplication fits really well with GPUs.

But if we think about how hardware is likely to scale in the future, I don't think the current system [of hardware design] is going to scale infinitely."

Justin discusses an idea he has been pitching since his time as a professor on how there may be different primitives that make more sense with hardware as we scale.

@jcjohnss

From years as a Stanford professor and building ImageNet, the project that catalyzed the deep learning revolution, Fei-Fei Li joined forces with her former student Justin Johnson and a select team to start World Labs, staking their careers on spatial intelligence as the next frontier in AI.

We sat down with Fei-Fei and Justin to dig into what the “AlexNet moment” for world models looks like, why transformers are really set models rather than sequence models, how Gaussian splats, physics priors, and new hardware primitives could redefine the stack beyond GPUs, the shifting role of academia in an era of frontier labs, how grounding AI in physical reality could change robotics, medicine, and creative design forever, and their bet that spatially grounded world models will be the bridge from today’s text-only LLMs to agents that actually live and act in 3D space.

@drfeifei @jcjohnss @swyx @FanaHOVA

🍌 nano banana prompt
Kids’ Crayon Travel Journal Illustration Prompt

This prompt generates a vibrant, child-like crayon-style vertical (9:16) travel-journal illustration for a {City Name} trip, automatically creating a winding route with daily recommended attractions, cute doodles, local landmarks, foods, and playful handwritten notes. The tone is warm, fun, and full of childlike curiosity.

--- Prompt ---

Please create a vibrant, child-like crayon-style vertical (9:16) illustration titled “{City Name} Travel Journal.”
The artwork should look as if it were drawn by a curious child using colorful crayons, featuring a soft, warm light-toned background (such as pale yellow), combined with bright reds, blues, greens, and other cheerful colors to create a cozy, playful travel atmosphere.

I. Main Scene: Travel-Journal Style Route Map

In the center of the illustration, draw a “winding, zigzagging travel route” with arrows and dotted lines connecting multiple locations.
The route should automatically generate recommended attractions based on {Number of Days}:

Example structure (auto-filled with {City Name}-related content):

- “Stop 1: {Attraction 1 + short fun description}”
- “Stop 2: {Attraction 2 + short fun description}”
- “Stop 3: {Attraction 3 + short fun description}”
- …
- “Final Stop: {Local signature food or souvenir + warm closing remark}”

Rules:
- If no number of days is provided, default to a 1-day highlight itinerary.

II. Surrounding Playful Elements (Auto-adapt to the City)

Add many cute doodles and child-like decorative elements around the route, such as:

1. Adorable travel characters
- A child holding a local snack
- A little adventurer with a backpack

2. Q-style hand-drawn iconic landmarks
- “{City Landmark 1}”
- “{City Landmark 2}”
- “{City Landmark 3}”

3. Funny signboards
- “Don’t get lost!”
- “Crowds ahead!”
- “Yummy food this way!”
(Auto-adjust contextually for the city)

4. Sticker-style short phrases
- “{City Name} travel memories unlocked!”
- “{City Name} food adventure!”
- “Where to next?”

5. Cute icons of local foods
- “{Local Food 1}”
- “{Local Food 2}”
- “{Local Food 3}”

6. Childlike exclamations
- “I didn’t know {City Name} was so fun!”
- “I want to come again!”

III. Overall Art Style Requirements

- Crayon / children’s hand-drawn travel diary style
- Bright, warm, colorful palette
- Cozy but full and lively composition
- Emphasize the joy of exploring
- All text should be in a cute handwritten font
- Make the entire page feel like a young child’s fun travel-journal entry

---

Input :
Chicago 7-Day Trip, English

Vibe Coding 已经颠覆 SaaS 行业商业模式了吗？

@gregisenberg 引用一个 Reddit 上的真实案例，指出了一个正在发生的趋势：AI 正在降低软件开发的门槛，导致越来越多的公司选择 “Build” 而非 “Buy”！

SaaS 创始人的困惑
创始人失去了一个合作 18 个月、月付 300 美元的优质客户，客户表示“我们自己造了一个”，他认为客户的决策在财务上是荒谬的。客户雇佣开发者（预估成本 $8,000/月）花了 3 个月去开发一个“更糟糕的内部版本”，然后还要自己维护，而原本只需付 $300/月。

创始人认为这纯粹是为了“控制权”，甚至宁愿拥有一个“烂一点的内部工具”也不愿依赖外部软件。

Greg 的洞察： "Vibe Coding is eating SaaS"，为什么创始人算错了账？
创始人还在用“旧世界”的数学计算（雇佣全职开发者 = $8,000/月）。但 Greg 想说的是：客户可能根本没有雇佣昂贵的新员工。
· 可能是现有的非技术员工用 AI 在周末搓出来的。
· 可能是实习生配合 AI 工具完成的。
· 实际成本可能远低于 $300/月。

这个案例揭示了 SaaS 行业面临的结构性危机
· 成本：SaaS 认为买软件比雇人开发便宜，而 Vibe Coding 用 AI 自建可能比买软件更便宜（长期看）。
· 门槛：SaaS 认为开发软件很难，不得不买。而 Vibe Coding 让开发软件变简单了，“够用就行”。
· 定制化：忍受 SaaS 的通用功能，还是用 Vibe Coding 完全贴合自身业务流程的定制工具。
· 数据控制：SaaS 数据在别人服务器上，Vibe Coding 数据和代码完全私有化。

总结与启示
Greg 想要表达的是：“Build vs. Buy” 的天平正在倾斜。
过去，SaaS 的护城河是“开发软件太贵太难”。现在，随着 AI 让代码生成变得极其廉价（Vibe Coding），企业宁愿花一点时间生成一个虽不完美但完全可控、无需订阅费、且 100% 契合自身需求的工具，也不愿再支付无休止的 SaaS 订阅费。
这不仅是一个客户流失的故事，这是对所有 SaaS 创业者的一个警钟：如果你的产品核心价值仅仅是“帮客户省去写代码的麻烦”，那么 AI 很快就会取代你。

RAG 并非终点，AI Agent 的记忆才是未来方向。

用最简单的方式拆解下这个进化过程：

RAG (2020-2023)：
- 单次检索信息，生成回复
- 没有决策，只是提取和回答
- 问题：经常提取到无关信息

Agentic RAG：
- Agent 决定是否需要检索
- Agent 选择哪个数据源来查询
- Agent 验证结果是否有用
- 问题：仍然是只读，无法从交互中学习

AI 记忆：
- 读取和写入外部知识
- 从过去的对话中学习
- 记住用户偏好、历史背景
- 实现真正的个性化

这个心智模型很简单：
↳ RAG：只读，一次性
↳ Agentic RAG：通过工具调用实现只读
↳ Agent Memory：通过工具调用实现读写

Agent 记忆的强大之处在于：Agent 现在可以“记住”事情了——用户偏好、过去的对话、重要日期，所有这些都可以存储起来，供未来交互使用。

这解锁了更大的可能性：持续学习。

Agent 不再被冻结在训练时，而是可以从每次交互中积累知识，随着时间的推移不断改进，无需重新训练。

记忆是静态模型和真正自适应 AI 系统之间的桥梁。

当然，并非一帆风顺。

记忆引入了 RAG 从未有过的挑战：记忆损坏、决定忘记什么，以及管理多种记忆类型（程序性、情景性和语义性）。

从头开始解决这些问题很难。

如果你想给你的 Agent 赋予类似人类的记忆，可以看看 Graphiti，一个用于构建实时知识图谱的开源框架。

链接在下一条推文中！

最近老罗又锤华与华
刚好看到 Listenhub 出了个 Sildes 功能
让他按照老罗的风格出了个讲解视频，然后去克隆了个老罗的语音
效果太炸了…..

真老罗估计也看不出来是AI帮他喷的吧hhhh

看完感觉：
可以做个《我与罗的十字路口》，
人人都能和罗老师进行激情对谈👀

为 AI 装上“肌肉记忆”：如何通过“状态索引经验”让 Agent 在实时过程中学习、越用越聪明？

核心痛点：AI Agent 的“健忘症”
目前的 AI Agent 虽然聪明，但它们通常有一个致命弱点：无法在部署后学习。
· 模型是“死”的：一旦模型训练完成并上线，它的知识就固定了。
· 不懂吸取教训：如果一个 Agent 今天在某个复杂的网页上操作失败了，明天它遇到同样的网页，可能还会犯同样的错误。
· 缺乏“肌肉记忆”：人类通过“试错”来掌握技能（过程性知识），而 AI Agent 往往缺乏这种从实时经验中积累技巧的机制。

解决方案：PRAXIS 系统
为了解决这个问题，作者提出了一种名为 PRAXIS（Procedural Recall for Agents with eXperiences Indexed by State）的新机制。
我们可以把 PRAXIS 想象成 Agent 的“实时错题本”或“经验备忘录”：
· 记录经验：当 Agent 执行任务时，PRAXIS 会在后台默默记录它的每一个动作及其后果。
· 场景匹配：当 Agent 再次遇到相似的场景（环境状态 + 内部状态）时，PRAXIS 会迅速检索过去的经验。
· 辅助决策：它会告诉 Agent：“嘿，上次在这个界面点击这个按钮成功了（或者失败了）”，从而直接指导 Agent 做出更优选择。

关键技术点
· 轻量级外挂：PRAXIS 不需要重新训练庞大的大模型，它更像是一个外挂的记忆模块，成本很低。
· 双重索引：它不仅看外部环境（比如网页长什么样），还看 Agent 的内部状态（比如当前的计划是什么），从而确保经验匹配的精准度。

实验结果：Web 浏览任务的大胜
研究团队在 REAL Web Browsing Benchmark 上进行了评估，结果表明：
· 任务完成率更高：装备了 PRAXIS 的 Agent 能够更准确地完成复杂的网页任务。
· 更省钱：因为少走弯路，减少了无效的尝试步骤，Token 消耗和运行成本显著降低。
· 适应性强：对于那些没见过的任务，只要环境相似，Agent 也能通过类比过去的经验来解决问题。

行业启示与总结
这篇论文提出了一种低成本让 AI Agent 实现“自我进化” 的路径。
· 告别“一次性”智能：未来的 Agent 将不再是一成不变的工具，而是越用越顺手、越用越聪明的助手。
· 应对动态环境：特别是在网页浏览、软件操作等界面经常变动的场景下，PRAXIS 这种机制让 Agent 能够像人类一样快速适应新版本的 UI，而不需要等待模型厂商发布新版本。

论文
arxiv.org/pdf/2511.22074

AI agents can't learn from experience. Until now.

Earlier this year, one of our customers asked us: "If your web agent uses my website once, will it be easier the next time it visits?"

The question highlighted a fundamental gap between human intelligence and AI agents: Humans naturally get better at tasks through experience. AI agents, until now, were stuck.

Our new memory framework, PRAXIS, changes this. With PRAXIS, @altrina_ai shows major gains in accuracy, stability, and efficiency.

Paper: arxiv.org/abs/2511.22074

@ycombinator

Dify has been named the 2025 AWS Social Impact Partner of the Year 🎉 @AWS_Partners

Second year in a row.

We're committed to making generative AI easier to build, deploy and use on AWS, helping teams turn advanced AI into real, scalable impact.

Full announcement:aws.amazon.com/cn/blogs/apn/a…5