BestBlogs.dev 精选文章 第 46 期

Google 发布了 Gemini 2.5 Pro 预览版（I/O Edition），该版本在编码能力方面有显著提升，尤其是在前端和 UI 开发方面，提升了模型在复杂任务中的稳定性和可靠性。Gemini 2.5 Pro 在 WebDev Arena leaderboard 排行榜上名列前茅，并在代码转换、编辑以及创建复杂的代理式工作流等基础编码任务中有所改进。该模型还具备强大的视频理解能力，可用于创建视频转互动学习应用。开发者可以通过 Google AI Studio 中的 Gemini API 或 Vertex AI 来使用 Gemini 2.5 Pro，旨在帮助开发者更高效地构建应用程序。

Google 发布了 Gemini 2.0 Flash 预览版，该版本引入了图像生成功能，图像质量更高，文本渲染更准确，并大幅降低了过滤率。开发者现在可以通过 Gemini API 在 Google AI Studio 和 Vertex AI 中使用该模型。Gemini 2.0 Flash 支持多种图像编辑功能，包括重新调整产品在不同环境中的背景、实时协作编辑图像、对话式编辑图像的特定部分（无需改变其他部分），以及动态创建新的产品 SKU。Google 提供了 Gemini Co-Drawing Sample App 和 API 文档，以帮助开发者快速上手。Gemini 2.0 Flash 的发布具有一定的行业影响力，为开发者提供了更强大、更高效的图像生成和编辑工具。

Google Gemini 2.5 模型现在支持隐式缓存功能，与显式缓存不同，此功能允许开发者在不创建或管理显式缓存的情况下，自动享受缓存带来的成本节约，极大地简化了开发流程。当发送到 Gemini 2.5 模型的请求与之前的请求共享一个共同前缀时，该请求即可触发缓存命中，从而动态地为开发者节省高达 75% 的 Token 费用。为了增加请求包含缓存命中的机会，建议开发者保持请求开头的内容不变，并将用户的提问或其他可能变化的附加内容添加到提示词的末尾。此外，Google 还将 2.5 Flash 的最小请求大小降低到 1024 个 Token，2.5 Pro 降低到 2048 个 Token，以便更多短请求也能利用缓存。开发者仍然可以使用显式缓存 API 来保证成本节约，并且可以在使用元数据中查看缓存的 Token 数量。

文章介绍了 OpenAI 最新发布的 MRCR (Multi-round co-reference resolution，多轮共指消解) 基准测试，该测试旨在评估大型语言模型在长上下文和高干扰情况下区分多个目标信息的能力。相较于传统的 “大海捞针” 测试，MRCR 通过增加干扰项 (相似的诗歌内容)、要求区分信息顺序 (诗歌的轮次) 等方式，显著提升了测试难度，更贴近真实应用场景。文章分析了 MRCR 测试的挑战和意义，指出其不仅能揭示当前 AI 的能力边界，还能驱动技术进步，促进 AI 的审慎应用。同时，文章也展示了 GPT-4.1 在 MRCR 测试中的表现，表明即使是先进的模型在面对高难度测试时仍有提升空间。

微软正式开源了业内首个深度集成 Windows 操作系统的桌面智能体平台 UFO² AgentOS。该平台通过多智能体架构，实现了任务的精准分解与灵活执行。UFO² 在统一 GUI-API 混合执行、混合控件感知、持续增强的动态知识集成、高效的推测式多步执行和无干扰的 PiP 虚拟桌面执行环境等核心维度实现了突破。实验结果表明，UFO² 在超过 20 款主流 Windows 应用中进行了充分验证，任务成功率相比业内领先的 OpenAI Operator 提升超过 10%，大模型调用频率降低最多达 51.5%。UFO² 的发布标志着桌面智能体真正迈入了系统级的「AgentOS 时代」。

本文旨在帮助读者快速理解生成式 AI。首先介绍了人工智能、机器学习和深度学习等基本概念，然后重点阐述了生成式 AI 的定义、特点和与分类问题的区别。接着，文章深入剖析了 ChatGPT 等大语言模型的工作原理，包括 Transformer 模型、 Tokenization、 Embedding、 Attention 机制等关键技术。此外，还详细讲解了大语言模型的训练阶段，包括 Pre-train、 Instruction Fine-tuning 和 RLHF 三个阶段，以及各阶段的核心目标和方法。最后，文章探讨了如何有效利用生成式 AI，包括 Prompt 工程、任务拆解、自我反省、模型合作等实用技巧，并提供了使用大模型的实践建议。

文章详细阐述了从 RAG 1.0 到 RAG 2.0 的技术演进，并深入分析了 RAG 2.0 在多模态扩展、复杂推理、检索质量、幻觉问题、计算效率和安全隐私等方面面临的挑战，这些是 RAG 1.0 时代难以解决的问题。针对这些挑战，文章探讨了混合搜索、DPR、重排序模型（Cross-Encoder、Graph-Based、ColBERT）、多模态 RAG、强化学习（DeepRAG、CoRAG）和图神经网络（GFM-RAG）等关键技术。这些技术旨在提升检索精度、优化生成质量、降低计算成本，并增强 RAG 系统的安全性和可靠性，从而在企业知识管理、智能客服等领域发挥更大的作用。文章强调了各种技术范式的融合，以及持续优化和创新的必要性，为 RAG 技术的未来发展提供了有价值的参考。

本文全面介绍了如何使用阿里巴巴开源的 Qwen 3 大语言模型和 Ollama 工具，在本地构建 RAG 系统和智能代理。本地 AI 具有隐私保护、成本低廉和支持离线使用等优势。本文详细介绍了 Ollama 的安装和配置，以及选择和运行 Qwen 3 模型。它提供了构建本地 RAG 系统的逐步说明，包括数据准备、文档加载、文本分割、嵌入模型选择、向量数据库设置和索引。该指南还解释了如何创建本地智能代理，包括定义自定义工具、设置代理大语言模型 (LLM)、创建代理提示和构建代理。Qwen 3 在推理和编码任务中表现出色，能高效平衡性能和资源占用，是本地 AI 开发的理想选择。总的来说，本文为希望在本地部署和利用 AI 的开发人员提供了一个完整的指南。

本文详细讲解如何应用大语言模型(LLM)函数调用来开发购物助手，该助手能理解用户意图并与外部 API 交互。内容涵盖从定义函数模式(function schemas)和系统提示(system prompts)，到实现操作类(action classes)和安全防护机制(security guardrails)的全过程。示例展示了一个基于 Python 的购物助手，它使用 OpenAI API 执行商品搜索(product search)、详情获取(details retrieval)和请求澄清(request clarification)等操作。文章还讨论了使用 Pydantic 和 instructor 等库减少模板代码(boilerplate code)的方法，并重点介绍了防范提示注入(prompt injections)的安全措施，包括输入净化(input sanitization)和黑名单技术(denylisting techniques)。

文章来自 360 前端工程师的技术视角，首先分析了 LLM 的局限性，即无法获取实时数据和执行外部操作。接着详细介绍了三种解决方案：1) function calling(2023 年由 OpenAI 提出)，使 LLM 能够调用外部函数；2) MCP(Model Context Protocol，由 Anthropic 提出)，标准化了 LLM 与外部工具的交互方式；3) A2A(Agent to Agent，2025 年由 Google 提出)，实现了不同 AI Agent 之间的通信协作。文章通过架构图、代码示例和对比表格等可视化元素，清晰展示了这三种技术的原理、优缺点和适用场景。

文章深入探讨了 Model Context Protocol（MCP）在 AI Agent 开发中的应用，重点解决了当前 AI 开发中的三大痛点：开发耦合度高、工具复用性差和生态碎片化。首先解释了 MCP 作为标准化协议如何将工具提供方与应用研发者解耦，类比 Web 开发中的前后端分离。然后通过开发 Agent TARS 的实践案例，详细介绍了 MCP 在开发范式转变和工具生态扩展中的作用，包括内置 Server 保证开箱即用体验和扩展 Server 提供高级功能的平衡设计。文章还对比了 MCP 与传统 Function Call 的核心差异（双向通信、工具发现等），并通过多个实际应用场景（如股票分析、系统监控、产品调研等）展示了 MCP 的优势。最后分享了 MCP Server 的开发实践和集成方法，并展望了 MCP 生态的未来发展方向。

文章介绍了 Figma 新发布的 Vibe Coding 产品 Figma Make，该产品最大的特点是深度集成了 Figma 设计稿，允许设计师通过上传设计稿，利用 AI 自动生成网页代码，这与其他的 Vibe Coding 产品有显著区别。Figma Make 的核心优势在于能够直接将设计稿中的布局、变量和组件语义传递给 AI Agents，确保高度还原设计，避免了传统方案中对图片信息理解不足的问题。此外，Figma Make 还提供了便捷的编辑工具，允许用户像修改设计稿一样修改生成的网页，并结合 AI 进一步迭代。文章还提到了 Figma 推出的可视化低代码建设工具 Figma Site，Make 的能力也可以在 Figma Site 中使用，以实现更复杂的功能。随着 AI 代码能力的增强，设计师的职责范围正在扩大，Prompt Engineer 正在成为设计师的新标签。

文章深入探讨了 NotebookLM 作为知识工作者专业 AI 助手的独特价值，指出其基于 Gemini 2.5 Flash 模型的强大能力，包括百万级上下文窗口、精准信息提取和可靠来源引用。通过实际案例展示了 NotebookLM 在有限主题深度挖掘上的优势，特别介绍了其预置功能如 Study guide、Briefing doc 等如何提升用户体验。对比了腾讯 ima 等产品在信息召回率和回答质量上的不足。文章还分析了 NotebookLM 以笔记本逻辑分割知识库的产品设计理念，强调其作为'洞见孵化器'而非简单信息仓库的定位，并提供了教育邮箱可获 15 个月会员试用等实用信息。

文章详细介绍了阿里最新发布的 Qwen3 大语言模型的功能特性，包括国内首创的混合推理模式（可灵活切换思考深度）、工具调用等新能力。作者通过 10 多个具体案例展示了 Qwen3 在实际应用中的表现，包括文档可视化网页生成、动画特效制作、路线规划网站开发、个人播客创建、多语言邮件改写等场景。特别介绍了 no_think 模式在提升响应效率方面的优势。每个案例都提供了详细的提示词模板和使用方法，具有很强的实践指导价值。文章最后强调了提示词工程在 AI 应用中的重要性，并对 Qwen3 的发展前景进行了展望。

文章主要介绍了 RPA (机器人流程自动化) 与 AI 结合的优势，通过体验影刀 RPA 的 AI 魔法指令功能，展示了如何通过 AI 快速搭建 RPA 流程，实现网页数据抓取、处理和上传等自动化任务。作者对比了 Agent 和 RPA 的特点，认为 Agent 在复杂流程中容易出错，而 RPA 更稳定可靠。同时，作者也指出了 RPA 上手难的问题，AI 通过自然语言理解和流程生成，简化了 RPA 的配置过程 ，降低了 RPA 的使用门槛。最后，作者表达了对 RPA+AI 结合的期望，认为它能够更好地完成重复性、琐碎的任务，实现真正的自动化。

文章深入分析了 AI 编程工具 Cursor 的崛起，认为其凭借优秀的产品体验、早期社区和数据积累构筑了护城河。Cursor 以 AI-first 的方式构建，深度集成了 LLM，提供卓越的用户体验。同时，通过快速迭代和 Go-to-market 策略，Cursor 在早期获得了快速增长，用户超过 36 万，ARR 达到 2 亿美元。然而，文章也指出 Cursor 面临大模型商品化和竞争对手涌现的挑战，例如微软和 GitHub 等巨头的竞争。为了巩固护城河，Cursor 需要加强协作与社交功能，深入专有数据飞轮，向团队和企业 Upsell，并将自身转变为平台，拥有端到端的开发者体验。

文章系统性地阐述了产品简化改版的理论框架和实施方法。作者首先介绍了 John Maeda 在《简单法则》中提出的 10 条简化原则，探讨了产品设计中简单与复杂的辩证关系。随后从四个维度提出了 21 条实用建议：1)核心价值聚焦(创造焦点价值、删除不必要内容)；2)信息呈现优化(数据可视化、组织结构、分组)；3)决策流程简化(减少选项、提供建议、智能默认值)；4)交互设计优化(渐进式展现、通用模式、人体工程学)。这些建议融合了席克定律、费茨定律等心理学原理，并强调了无障碍设计的重要性。文章指出简化是产品发展的必经之路，需要持续优化。

文章介绍了顶级风投红杉资本在年度 AI Ascent 大会上分享的 AI 发展趋势和市场机遇。主要内容包括：1) AI 市场规模预计比云计算大十倍，将同时冲击软件和人力资源市场；2) 应用层是价值创造的核心，创业者应专注垂直领域；3) 警惕'氛围营收'，关注数据飞轮和毛利率；4) AI 用户参与度显著提升，语音生成和编程领域取得突破；5) 智能体经济将成为 AI 下一阶段，将面临持久身份、通信协议和安全三大技术挑战；6) 提出了'随机性思维'这一重要概念，标志着思维方式的根本转变。

文章记录了喜剧演员 Theo Von 对 Meta CEO 马克·扎克伯格的深度访谈。扎克伯格首先分享了他高度自律的生活方式，包括不摄入咖啡因、通过巴西柔术和综合格斗保持精力；详细讲述了与妻子 Priscilla 的相遇及 FaceMash 的早期经历，强调家庭生活的重要性；随后阐述了 AI 眼镜、全息影像和通用人工智能将如何改变人与世界的互动方式；探讨了教育的真正价值在于培养思维方式和解决问题的能力；最后强调了用户智慧和选择权在科技发展中的核心作用。访谈全面展示了这位科技巨头在公众形象之外的个人思考、价值观和对未来的独特愿景。

本文是对中国 AI 投资人的访谈合集，深入探讨了当前 AI 领域的投资趋势和创业机会。投资人们分享了对 Manus 成功、DeepSeek 影响、大模型发展、以及产品创新等方面的看法。他们认为，模型层的竞争已进入深水区，应用层的机会正在涌现，例如 AI 原生硬件、特定领域的 Agent 应用等，创业者应关注用户需求和产品创新，而非盲目追逐技术热点。文章还讨论了 ARR 指标的价值、AI 原生硬件的机遇、以及微信生态对创业者的影响。此外，投资人们还分享了他们对创业者特质的看法，强调了执行力、学习能力和战略定力的重要性。

文章详细介绍了 Cognition 公司开发的 AI 软件工程师 Devin 的功能、应用场景和对软件开发流程的革命性影响。Devin 被设计成能独立完成从需求到交付全流程的 AI 工程师，通过与 Slack、GitHub、Linear 等工具深度集成实现无缝协作。Cognition 内部 15 人工程团队每人同时运行 5 个 Devin 实例，形成 75 个'虚拟工程师'规模，目前 Devin 贡献了约 25%的代码合并请求，预计年底将超过 50%。文章深入探讨了 AI 将如何改变工程师角色，从编写代码转向架构设计，同时提出'锯齿状智能'概念解释 AI 能力的特殊性。还分析了'杰文斯悖论'在编程领域的体现，预测随着效率提升，程序员数量和代码总量将激增。最后分享了构建成功 AI 产品的关键因素，包括技术突破、用户体验和工作流集成等。

本期 deeplearning.ai Batch 首先介绍了人工智能基金的最新投资策略，强调了创业公司快速行动的重要性，并分享了利用人工智能辅助编码和快速获取用户反馈的经验。随后，文章重点介绍了阿里巴巴发布的新模型系列 Qwen3，该模型在 LiveCodeBench 等基准测试中表现出色，尤其是在编码和数学方面。此外，文章还讨论了 OpenAI 的 GPT-4o 模型在更新后出现的奉承用户问题，并展示了一些具体的奉承例子，例如对不道德的选择表示赞同。最后，文章引用了人工智能研究分析师 Ajeya Cotra 对人工智能模型的分类，并讨论了人工智能模型的奉承行为可能带来的风险。文章深入探讨了人工智能初创公司和大型语言模型的发展趋势。

本文以“大事记”的形式，盘点了 2025 年 4 月 AI 行业的 104 项重要进展，由 Jomy、南乔 River、大聪明联合出品。内容涵盖模型、图像、视频、音频、3D、机器人、应用和新闻等多个领域，记录了当月每天发生的 AI 领域重要事件。文章不仅罗列了事件，还包含了“业内解读”，提供了对事件的专业分析和观点。在模型方面，强调了 1M 上下文将成为标配，推理模型聚焦 Agent 方向，以及推理模型和基础模型的融合趋势。图像方面，GPT-Image-1 对传统图像模型公司造成冲击，但传统图像模型在文字渲染等方面更优。视频方面，生成时长成为新的竞争点，数字人生成也越来越成熟。应用方面，AI 编程和 Agent 是两大热点领域。文章也展望了 AI 行业正在从「研究导向」快速地向「应用导向」转变。