BestBlogs.dev 精选文章 第 42 期

本文介绍了 Google Gemini API 的最新更新，包括 Gemini 2.5 Flash 和 Pro 模型的发布，它们具有更强的推理能力和低延迟特性，其中 Gemini 2.5 采用了一种思维模型。Veo 2 现已正式发布，支持通过文本和图像生成高质量视频。Live API 也进行了更新，增加了对多种语言的支持和可配置的语音活动检测，适用于构建实时交互应用。例如 Wolf Games 通过使用 Veo 2 将迭代次数降低了 60%。这些更新旨在帮助开发者构建更强大、更高效的 AI 应用。

本文深入解读了 Google Cloud Next 25 大会上发布的 AI 相关更新，涵盖 5 个 AI 模型、1 个 AI 协议和 6 项其他更新。重点介绍了 Gemini 2.5 Flash 推理模型，强调其高性价比和推理能力；Veo 2 视频生成模型，突出了其在视频编辑和创作方面的应用；Chirp 3 音频理解与生成模型，着重介绍了其在语音合成和转录方面的应用。此外，还介绍了 Imagen 3 图像生成和编辑能力改进，以及旨在实现 Agent 间无缝协作的 A2A 协议。Firebase Studio 云端 AI 编程工具，ADK Agent 开发框架，Google Workspace 集成 AI 服务，Ironwood TPU AI 芯片等也均有提及。Google 公布的 601 个真实客户 AI 案例，为 AI 应用层创业者指明了方向。本次更新展示了 Google 在 AI 领域的持续投入和创新，或将影响未来 AI 技术的发展方向。

Meta 发布了最新的 Llama 4 系列 AI 模型，包括 Llama 4 Scout、Llama 4 Maverick 和 Llama 4 Behemoth。这些模型采用混合专家 (MoE) 架构，显著提升训练和推理效率，具备多模态能力，支持多种语言，并在多个基准测试中表现出色。Llama 4 Scout 拥有 170 亿激活参数和 10M token 超长上下文窗口，为业界领先，解锁了围绕记忆、个性化和多模态应用的新用例。Llama 4 Maverick 拥有 170 亿激活参数和 128 位专家，在多项基准测试中超越 GPT-4o 和 Gemini 2.0。Llama 4 Behemoth 拥有 2880 亿激活参数，是 Meta 目前最强大的模型之一，作为教师模型，为较小模型提供知识蒸馏。Llama 4 Scout 和 Llama 4 Maverick 已在 llama.com 和 Hugging Face 上开放下载，对开源社区具有重要意义。

文章介绍了 Jina AI 发布的新一代多模态多语言重排器 jina-reranker-m0。该模型基于 Qwen2-VL-2B 架构，总参数量达到 24 亿，采用成对比较机制，能够同时评估输入文档里的视觉和文本元素与查询的相关性，实现高效的文档排序。相较于前代产品，jina-reranker-m0 不仅新增了处理视觉信息的能力，还在纯文本重排场景下，针对多语言内容、长文档及代码搜索等任务，性能也得到了进一步提升。文章还介绍了该模型在 ViDoRe 等多模态基准测试中取得了领先水平，并提供了 API 调用示例（简单易用）和 Hugging Face 的使用教程（使用更灵活，支持图片作为查询）。

文章介绍了 Kimi 团队新开源的视觉语言模型 Kimi-VL 及其推理版 Kimi-VL-Thinking。该模型基于 MoE 架构，总参数 16B，但推理时仅激活 2.8B，具备强大的多模态推理和 Agent 能力，支持 128K 上下文窗口。模型训练使用了包括预训练数据（字幕数据、图像文本交织数据等）、指令数据和推理数据三大类数据集。文章通过多个示例展示了 Kimi-VL 在视觉理解、推理、OCR 字符识别和多轮 Agent 交互任务中的出色表现，并在特定基准测试中超越了 GPT-4o。文章还介绍了模型的技术细节，包括模型架构和训练过程。最后，文章还提及了 Kimi 团队可能即将推出 K1.6 模型。

该文章对 Test-Time Scaling (TTS) 进行了系统性综述，TTS 通过在推理阶段动态分配算力，从而激发大模型潜能。文章提出了一个四维正交分析框架，包括 What to scale（扩展什么，例如 CoT 长度、样本数）、How to scale（怎么扩展，例如 Prompt、Search）、Where to scale（在哪里扩展，例如数学、代码）和 How well to scale（效果怎么样，例如准确率、效率）。基于此框架，文章梳理了现有文献，总结了推理阶段扩展技术的三大发展方向，并针对典型场景提供了具体的技术选型指南和未来发展方向。该综述为 TTS 领域的研究和应用提供了有价值的参考。

台大李宏毅教授深入讲解 AI Agent 的系统性课程实录，从定义到实践全面剖析。文章阐述了 AI Agent 的核心理念 —— 让 AI 在给定目标后自主规划并执行多步骤任务，重点探讨了如何利用 LLM 的通用能力构建 Agent，突破传统强化学习的局限。

课程涵盖三大关键能力：基于 RAG 技术的长期记忆管理、工具调用与环境交互、以及规划与思考机制。特别值得关注的是关于正负反馈效果的实验发现，以及推理模型在 Agent 任务中的最新表现。适合想要系统理解 AI Agent 原理和实践的开发者。

Cloudflare 发布 AutoRAG 开放 Beta 版，这是一个全托管的检索增强生成 (RAG) 方案，旨在帮助开发者更轻松地将上下文感知 AI 集成到应用中。AutoRAG 通过自动处理数据摄取、分块、嵌入、向量存储、语义检索和响应生成等步骤，消除了构建和维护 RAG 流程的复杂性，并提供持续监控数据源和自动索引功能，确保 AI 知识库及时更新。AutoRAG 基于 Cloudflare 的 Vectorize 数据库和 Workers AI 构建，充分利用 Cloudflare 的无服务器平台，为开发者提供高性能和可扩展性。目前 AutoRAG 处于 Open Beta 阶段，可以免费使用。

本文深入探讨了 RAG (Retrieval-Augmented Generation，检索增强生成) 技术在智能问答系统中的应用，特别是在云服务领域。文章首先回顾了大模型技术的发展历程，然后指出了 RAG 技术在解决大模型幻觉和领域数据垂直化方面的关键作用。接着，文章从数据价值的维度突破、异构检索的跃迁、生成控制优化和评估体系重构四个核心命题出发，详细阐述了 RAG 技术面临的技术挑战和解决方案。文章还介绍了作者团队在实际业务中采用的具体方法和实验结果，例如构建分层知识图谱、优化检索策略和引入检索增强相关性 (RAR) 技术，包括利用小二 / 用户反馈及高参数大模型分析提炼评估标准、设计链式思维提示、动态少量示例学习等步骤。最后，文章展望了 RAG 技术在多模态检索、深度搜索和评估优化等方面的未来发展趋势。总体而言，本文对 RAG 技术进行了全面而深入的分析，为相关领域的技术人员提供了有价值的参考。

本文是对 Google 官方发布的提示工程白皮书的总结。该白皮书详细介绍了提示工程的概念、LLM 输出配置（包括输出长度、采样控制如温度、Top-K 和 Top-P），以及各种提示技巧（如零样本、单样本、少样本、系统提示、上下文提示和角色提示）。此外，还探讨了代码提示和多模态提示，并提供了最佳实践，如提供示例、简洁设计和具体说明输出。该白皮书结构清晰，从基础概念（引言、基础知识）入手，深入探讨具体技术，涵盖关键应用，提及未来方向，并以实用建议收尾。 白皮书旨在帮助用户更好地理解和应用提示工程，从而更有效地利用 LLM。

Cloudflare 致力于通过增强代理 SDK，引领 AI 代理生态。这些更新包括通过内置身份验证的远程 MCP 客户端简化与外部服务的集成，与 Stytch、Auth0 和 WorkOS 集成以进行身份验证和授权，以及 McpAgent 休眠以优化资源利用率。持久对象免费套餐降低了使用门槛。Workflows 正式发布和 AutoRAG 则助力构建可用于生产环境的、具有上下文感知能力的 AI 应用。这些增强功能使 AI 代理能够安全地连接到外部服务并代表用户高效地执行操作，从而使开发者和更广泛的 AI 代理生态系统受益。

文章介绍了谷歌发布的开源框架代理开发工具包 (ADK)，旨在简化代理和多智能体系统的完整堆栈端到端开发。ADK 通过提供跨代理开发生命周期的能力，如构建、交互、评估和部署，使开发者能够构建生产就绪的代理应用程序，具有更大的灵活性和精确的控制。ADK 的关键特性包括多代理设计、丰富的模型和工具生态系统、内置流媒体、灵活的编排、集成的开发者体验和简易部署。此外，文章还比较了 ADK 和 Genkit，并强调了 ADK 与谷歌云的优化集成，特别是 Gemini 模型和 Vertex AI。谷歌鼓励开发者使用 ADK 构建下一代人工智能应用。

文章深入探讨了 Agent 技术在 2025 年爆发的可能性及面临的挑战。首先，文章阐述了模型推理能力、多模态模型能力和代码能力的进步如何推动 Agent 技术的发展，使得 Agent 更能理解用户需求、处理图像信息并高效生成代码。其次，文章分析了通用 Agent 在工程和模型层面面临的挑战，包括如何构建 Agent 的大脑、评估 Agent 的性能、解决长步骤下的记忆问题以及提升模型的指令跟随能力、长上下文能力、推理规划和反思能力。文章重点提到了 Devin 和 Cursor 这两款 Agent 产品在推动 Agent 发展中的代表性作用。最后，文章提出了通用 Agent 不会被模型取代的观点，并强调了 Agent 在人机协作中的重要作用。文章还介绍了作者在阿里巴巴内部研发智能化方面的实践经验，以及在 QCon 全球软件开发大会上的演讲分享。

本文分析了 OpenAI 的 Operator 和 Deep Research 两款 Agent 产品，对比了 Agent 与 Workflow 的差异，并结合 Anthropic 的研究，强调 Agent 的核心竞争力在于端到端优化和通用性，简单胜于复杂。同时，为算法工程师在 Agent 发展浪潮中提出了实用的建议，如积累测试集、学会微调等。

文章深入探讨了 AI Agent 对浏览器的需求，指出传统浏览器在自动化抓取、交互和实时数据处理方面存在不足。文章分析了现有 headless browser 的缺点，如性能问题、部署复杂性和脚本脆弱性。提出了利用 LLM 和 VLM 技术构建新一代 headless browser 的蓝图，通过将自然语言指令转换成 Playwright 代码，提升 AI 对网页的理解和适应能力。此外，文章还讨论了市场机会，强调了 AI Agent 的普及对浏览器自动化工具的需求增长。GTM 策略、潜在风险以及竞争格局，强调了开源社区和开发者体验的重要性。Browserbase 推出的 StageHand 框架允许开发者使用自然语言与网页交互，是这一理念的实践。

阿里云百炼正式推出全周期 MCP 服务，覆盖服务注册、云托管、Agent 调用和流程组合，旨在解决 AI 应用开发中工具集成的痛点。该服务将工具调用从模型厂的私有功能转变为通用能力，并具备完整产品形态，是阿里云 AI 商业化的重要一步。开发者可以通过官方托管服务或自建服务两种方式使用 MCP。官方托管服务零门槛，通过开通并填写 API key 即可在 Agent 或流程中直接调用，而自建服务则适合企业开发者将内部服务 MCP 化。MCP 与 Plugin 的区别在于协议开放性、服务部署方式和调用范式。MCP 旨在让所有模型理解同一种“服务语言”，服务由平台托管，支持多步调度和多工具组合。MCP 的出现将 AI 调用外部工具从繁琐的工程任务转变为标准化的平台能力，重心从“人”转移到“AI”，服务被设计成易于 AI 理解和使用。

文章首先介绍了 Shopify CEO 提出将熟练使用 AI 作为员工基本要求的内部备忘录，强调了 AI 在企业生存和竞争中的核心地位，以及“AI 优先”的资源配置理念，具体措施包括将 AI 使用情况纳入绩效考核。随后，文章详细阐述了“Vibe coding”这一新兴编程方式，即通过自然语言和提示工程 与 AI 协同完成编码任务，并总结了 12 条 Vibe coding 的实践技巧，包括与 AI 沟通需求、选择简洁技术栈、提供充足上下文、借助图片示例等。最后，文章分享了一个使用 TypeScript 搭建 MCP 服务器的 Prompt 案例，展示了 Vibe coding 在实际开发中的应用。

Captions 是一款 AI 音视频创作应用，通过 AI 生成 3D 虚拟形象、AI 剪辑、AI 对口型以及自动添加字幕、眼神交流等创新功能，快速获取了大量创作者用户，并采用了订阅制的商业模式。文章深入分析了 Captions 抓住用户痛点、通过数据飞轮不断优化模型、以及独特的“秘密路线图”等关键策略。Captions 团队强调解决实际问题的重要性，并积极探索 AI 在视频创作领域的应用，致力于降低视频制作的成本和门槛，其未来的发展方向是角色生成模型。文章还探讨了 AI 创业公司在商业模式、技术债务等方面面临的挑战和机遇。

文章对 Midjourney V7 Alpha 进行了深度测评，并与 GPT-4o 进行了对比。V7 Alpha 在图像质量上有所提升，新增个性化功能和草稿模式。个性化功能可根据用户审美偏好生成图像，草稿模式提升渲染速度和降低成本。V7 Alpha 在写实、插画、3D 和超现实主义等风格多样性方面表现出色。然而，在提示词遵循方面，V7 Alpha 表现不佳，无法准确按照提示词生成图像。在文本渲染方面，GPT-4o 表现最优，V7 Alpha 生成的文字存在明显差距。草稿模式目前测试下来功能尚不稳定，体验感不佳。总体而言，V7 Alpha 在图像生成方面有所进步，但在提示词遵循和文本渲染方面仍需改进。

本文作者分享了使用 GPT-4o 进行图像生成的多种创意玩法和提示词，提供了大量可直接使用的 prompt 和 prompt 思路。内容涵盖微观世界、3D 图标自由创作、手帐风格、照片涂鸦、游戏角色结合、经典电影萌化以及渐变色提取等多个方面，每个玩法都提供了详细的提示词和效果展示图。作者强调，创意并非凭空产生，而是通过有意识地联结不同领域的元素，打破常规思维，并重新观察日常事物而得来。AI 工具只是扩展了创意实现的能力边界，真正的创意源于人类的情感、经历和思考。

文章是对 Rabbit 创始人吕骋关于 RabbitOS Intern 的深度访谈。吕骋强调 Rabbit 并非硬件公司，而是致力于构建一个基于 AI Agent 的全新操作系统，直接对标 Manus 等竞争对手，旨在打破传统 APP 模式的局限。RabbitOS Intern 是实现这一愿景的关键一步，通过跨平台通用 Agent，以自然语言操控机器底层运行，颠覆现有 GUI 界面。吕骋认为，AI Agent 的核心在于重塑人机交互，将规划、推理和执行的控制权下放给机器，实现更高效、智能的任务处理。他还坚信，未来应该只有一个操作系统在云端，它可以流到任何设备里面。他分享了对行业趋势、竞争格局和产品定价的思考，以及渡鸦的经验对本次创业的影响，并认为真正的壁垒不是技术，而是执行和解决细节问题的能力，坚信 Rabbit 将在 AI 领域取得领先地位，

文章介绍了 Day.ai 这家 AI 原生 CRM 公司，由前 HubSpot 首席产品官 Christopher O'Donnell 创立，旨在解决传统 CRM 系统中数据不完整、工作流程复杂等问题。Day.ai 通过 AI 技术，能够自动从用户的邮件、会议记录等信息源中提取数据，构建完整的客户关系背景信息，并分析邮件内容和会议记录，自动生成待办事项，提醒用户及时跟进。红杉资本合伙人 Pat Grady 与 Christopher O'Donnell 的对话，揭示了 Day.ai 通过 AI 原生设计，从一开始就避免了传统 CRM 的数据压缩问题，从而能够提供更接近真实客户关系全貌的 CRM 体验。Day.ai 的目标是打造销售界的 Spotify，让 CRM 真正服务于销售人员，提升他们的工作效率和幸福感。未来，Day.ai 有望通过持续的技术创新和用户反馈，成为 AI 原生 CRM 领域的领导者。

文章针对金沙江创投朱啸虎对人形机器人商业化前景的质疑，盘点了宇树机器人、众擎机器人、优必选机器人等 10 家国内外头部公司，分析了人形机器人行业在快速发展的同时，面临的商业化落地难、成本高昂、应用场景受限等共性问题。文章探讨了“人形”的必要性，以及在工业和家庭环境应用上的差异与挑战，指出人形机器人需要解决实际需求和技术瓶颈。文章总结认为，人形机器人行业虽前景广阔，但要实现真正成熟和普及，仍需长期探索与攻坚，跨越从工厂到家庭的“天堑”。

斯坦福大学发布的 2025 年 AI 指数报告，对人工智能领域的发展现状进行了全面而深入的分析。报告涵盖了 AI 技术能力的提升、在日常生活中的应用普及、商业领域的广泛投资与应用、以及全球 AI 发展格局的演变。报告指出，AI 在复杂任务处理、视频生成等方面取得了显著进展，并在医疗、交通等领域得到广泛应用。同时，中美 AI 模型性能差距逐渐消失，开源模型迅速追赶闭源模型。报告也关注了 AI 发展带来的伦理问题，如数据偏见、虚假信息等，并强调了负责任的 AI 治理的重要性。此外，报告还分析了 AI 对经济、教育和社会公众认知的影响，为决策者、商界领袖及公众提供了客观、全面的参考。

为了在 AI 时代保持领先，Shopify CEO Tobi Lütke 发布内部邮件，强调将 AI 融入公司文化，要求所有员工学习并在日常工作中应用 AI，甚至将其纳入绩效考核。邮件指出，AI 应成为 GSD 项目原型阶段的核心工具。同时，团队在申请更多招聘名额和资源之前，需要证明其目标无法通过 AI 完成。邮件还分享了 Shopify 在 AI 领域的实践，并鼓励员工分享 AI 使用经验。此举旨在赋能商家，并在 AI 驱动的电商未来中占据领先地位。Tobi 认为，AI 将彻底改变 Shopify 的工作方式，并期望员工共同探索 AI 无处不在的世界中创业的可能性。

OpenAI CEO 奥特曼在最新访谈中，回应了关于 GPT-4o 吉卜力风格走红和 AI 初创企业“套壳”的质疑。他认为，技术驱动的变革降低了创业门槛，AI 的出现将解决全球对软件需求的巨大缺口。AI Agent 将改变开发工作流，开发者只需用自然语言描述需求，Agent 就能生成完整的功能代码。奥特曼强调，AI 更多是赋能工具，而非完全替代人类，并预测 AI 将在编程和智能体领域带来颠覆性突破。他还建议从业者积极拥抱 AI 技术，适应 AI 时代的新工作方式，优先考虑能接触前沿技术的环境，并把是否积极采用 AI 作为评估雇主的首要标准。奥特曼认为 AI 正在以更成熟的方式赋能人类，提升创造力，解决社会问题，重塑我们的生活。

文章以播客访谈形式，深入探讨多抓鱼创始人猫助的八年创业历程，涵盖 AI 技术在二手书交易平台 C2B2C 模式中的应用实践与思考，例如向量模型在搜索系统中的应用，以及阿里模型在服装分类中的尝试。猫助分享了面对市场变化、融资挑战和个人生活变故时的心路历程，以及对企业经营、团队管理、用户价值和社会责任的深刻理解。她强调性格、兴趣和社会洞察在创业中的重要性，并反思企业发展与个人价值实现的平衡，以及从追求完美到接受不完美的转变。文章还探讨了中文内容数字化、绝版书的价值，以及信息过载时代策展的重要性，体现多抓鱼在知识传播和社会文化方面的价值。最后，猫助分享了对创业、融资、企业治理以及个人成长的心得体会，为创业者提供了宝贵的经验和启示。

该报告深入分析了美国 AI 创业生态，通过对 2443 家 AI 初创公司和 802 位投资人的数据进行挖掘，揭示了美国 AI 早期创业的融资特点、行业分布、地域格局和投资人偏好，为中国 AI 创业者提供了一张清晰的 AI 资本市场导航图，帮助他们了解美国 AI 领域的发展趋势和投资机会， 从而更好地制定创业和融资策略。 报告指出，美国 AI 创业公司普遍采取“小额快速”的融资策略，To B 企业级应用和 AI 中间层技术栈是主流方向，硅谷在地理分布上占据绝对优势。此外，报告还分析了明星项目背后的投资人特征，包括新兴黑马基金、个人天使和 CVC 等。

本期 AI 上周精选涵盖了 AI 领域的最新发展。Meta 推出了 Llama 4 系列，该系列使用混合专家模型（Mixture of Experts，MoE）架构，但因性能未达预期而受到批评。亚马逊推出了 Nova Act，这是一种能够控制网络浏览器的 AI 智能体。Adobe Premiere Pro 还发布了 AI 驱动的视频扩展功能。此外，OpenAI 的 ChatGPT 在付费用户和收入方面实现了显著增长。其他新闻包括 Runway 的 Gen-4 视频生成模型的发布，以及 Microsoft Copilot 和谷歌人工智能产品的更新。在商业方面，英伟达的 H20 芯片受到中国科技巨头的青睐，并且在 AI 药物发现和视频生成领域有大量投资。研究重点包括 DeepMind 的通用人工智能安全方法，以及研究表明大型语言模型可以通过图灵测试。在政策方面，联合国警告说 AI 可能会扩大数字鸿沟，出版商敦促各国政府采取措施，解决人工智能训练数据中的版权问题。

本期 deeplearning.ai Batch 讨论了美国关税政策对全球贸易和人工智能发展的影响，作者认为关税总体上不利于人工智能发展，但可能在一定程度上促进国内机器人和自动化产业。Anthropic 的研究揭示了大型语言模型 (LLM) 即使没有经过明确训练也能进行推理，并展示了其内部推理过程的方法。Meta 发布的 Llama 4 系列模型具有超长上下文窗口，阿里巴巴 Qwen2.5-Omni 7 B 进一步展示了开源模型在多模态任务中的潜力。