推文

借助 ElevenLabs Agents，@cars24india 正在印度、阿联酋和澳大利亚实现汽车销售规模化扩展。

AI 代理目前已处理超过 300 万分钟的客户对话，负责引导买家、解答异议，并在关键时刻将复杂案例上报给人工团队。

项目成效：
• 45% 的销售由代理提供辅助
• 通话成本降低 50%

注意：Replit 企业版 用户。你们一定会喜欢这个！

🛠️ 安全中心 现已对所有企业用户开放！
企业管理员可以一键轻松扫描其整个组织的 Replit 应用，并获取以下信息：
✅ 对所有依赖项进行 CVE 检测，并按严重性排序
✅ 受影响应用的详细视图
✅ 用于合规目的的 SBOM 下载

了解更多安全中心详情及 Replit 最新发布信息，请访问：
docs.replit.com/updates/2025/1…

2015年，Elon Musk详细解释了他如何预测未来。

他的框架：
-基本原则
-资本排序
-关键路径聚焦
-实用性优化

斯坦福演讲中的10个基础教训：

看到一段话，分享一下：

年底复盘的时候，不是回顾这一年做了多少事，也不应该反思有没有更努力，而是只抛出来一个问题：回头看 2025 年，真正做成的、对你人生轨迹产生实质性影响的那一件事是什么。

这个问题本身就已经把大多数年度总结过滤掉了。因为一年里真正改变斜率的事情，通常只有一件两件，甚至半件。其余的，要么是噪音，要么只是为了维持惯性而发生的动作。

找到这件事之后，不要急着给自己贴努力成长这样的标签，而是冷静地把它拆解掉。

拆解的维度也很简单：运气、努力，以及人脉或结构性优势。

当你足够诚实地完成拆解之后，一个更重要的东西会慢慢浮现出来。你会发现，那件最成功的事并非完全随机。它往往与你过往多次做对的事情，隐约遵循着相似的模式。

也许你总是在新领域尚未拥挤时进入，也许你更擅长与少数关键节点建立深度信任，也许你能够长期忍受低反馈状态，直到某个时刻集中兑现，又或者你天然站在不同圈层之间，扮演信息翻译和连接的角色。

这些并不是性格描述，而是你已经用结果验证过的个人算法。真正的能力，几乎从来不会藏在你最痛苦的地方，而是藏在你反复赢过的方式里。

但大多数人恰恰会在这里犯错。他们在跑通一套有效模型之后，并不会选择继续加注，而是开始怀疑这套模型是否足够快、足够显性，继而不断重启人生。

换赛道、换身份、换叙事，看起来像是在进化，实际上是在反复清零。这也是为什么很多人年年复盘，却始终停留在同一个层级。

对下一年的目标，最理性的策略，并不是推翻重来，而是问自己一个问题：如果把 2025 年那件唯一做对的事系统化、前置化、规模化十倍，会发生什么。

如果你的优势是判断力，就更早下注；如果是信任关系，就长期经营；如果是表达或内容，就建立可复利的系统；如果是长期主义，就果断减少所有短期消耗。投资里从来不是靠频繁换仓赚钱，而是靠在正确方向上持续加注。

复盘真正的意义，从来不是为了自我感动，也不是为了证明自己有多努力，而是为了在未来做决策时，减少不必要的不确定性。真正成熟的人生策略，是不再试图成为什么都行的人，而是反复站在那个已经被事实证明、对自己最有利的位置上。

NVIDIA发布新一代AI超算平台：Rubin

将推理 token 成本降低 10 倍

相比上一代 Blackwell：

✅ 推理成本降 10 倍 
✅ 训练 GPU 需求降 4 倍 
✅ 能效提升 5 倍 
✅ 首次实现机架级保密计算
✅GPU 间带宽高达 260 TB/s

完全重新设计 没有电缆软管和风扇

由六大核心组件组成：

🧠 Vera CPU：专为推理与决策设计的高效能脑中枢

💪 Rubin GPU：全新 Transformer 引擎，单卡达 50 PFLOPS

🔗 NVLink 6：GPU 间通信带宽高达 260 TB/s

🌐 ConnectX-9 SuperNIC：超高速智能网卡

🛡️ BlueField-4 DPU：AI 原生安全与存储处理

⚡ Spectrum-6 Ethernet：能效提升 5 倍的 AI 专用以太网

[论文解读] 一切皆上下文：面向上下文工程的智能体文件系统抽象，用管理操作系统文件那样严谨、标准化的方式，去管理 AI 的上下文。

核心理念：AI 时代的 "Unix 哲学"
论文的标题致敬了 Unix 操作系统的经典哲学——“Everything is a file”。

在 Unix/Linux 系统中，无论是文档、硬件设备还是网络接口，都被抽象为“文件”，可以用统一的方式（如读、写、挂载）来处理。 这篇论文提出，在 AI 智能体开发中，所有的“上下文”也应该被抽象为“文件”。

· 以前的做法：提示词、外部知识库、对话历史、工具调用等都是散乱的，开发者需要用不同的方式去拼接和管理它们。
· 论文的做法：将上述所有内容（记忆、工具、知识、人类指令）都视为“文件”，通过一个统一的智能体文件系统抽象层进行管理。

解决了什么问题？
目前的 AI 开发（特别是上下文工程）面临“手工作坊”式的混乱：
· 碎片化：提示词工程、RAG 检索、工具集成各自为战，缺乏统一标准。
· 不可追溯：AI 为什么输出了这个结果？到底用了哪段背景知识？很难像审计代码一样去审计“上下文”。
· 难以维护：随着对话变长、任务变复杂，上下文窗口很容易“爆炸”或丢失关键信息。

核心架构：AIGNE 框架
团队开源了一个名为 AIGNE 的框架来实现这一理念。该架构将上下文处理流程化为一条清晰的流水线，包含三个关键组件：

1. 上下文构造器
  职责：像文件管理器一样，负责“挂载”和“筛选”文件。它根据当前任务，从海量的“上下文文件”中选出最相关的部分，进行优先级排序和压缩，生成一份“清单”（Manifest）。

2. 上下文加载器
  职责：负责“读取”文件。它按照构造器的清单，将实际的内容加载进来，组装成最终喂给 LLM 的 Prompt。支持静态读取和流式更新。

3. Context Evaluator
  职责：负责“写入”和“验证”。它检查 AI 的输出是否符合预期，并将新的交互产生的有价值信息（如用户偏好、新知识）“写入”回文件系统中，形成记忆的闭环。

实际应用案例
· 带记忆的智能体：通过文件读写的方式，让 AI 像操作日志文件一样管理自己的长期记忆，而不是单纯依赖上下文窗口的滑动。
· GitHub 助手：利用 MCP 协议，将 GitHub 仓库的代码、Issues 等抽象为文件系统的一部分，让 AI 能以标准化的方式读取代码库上下文进行辅助编程。 

论文地址
arxiv.org/abs/2512.05470

立即试用：miromind.ai  

模型下载：huggingface.co/miromind-ai/Mi… 

GitHub：github.com/MiroMindAI/Mir…

放手你的乐高

“学会放手你已经驾轻就熟的事情，转而迎接新的挑战，并认识到随之而来的情绪变化是必然的。这既是规模化公司的磨砺——你必须接受脚下随时可能发生的变化，一旦你感到安逸，就有人会让你再次感到不安——但它同样蕴藏着巨大机遇。它能让你从一个擅长建造房屋的人，蜕变为一个懂得如何构建整个世界的人。”—— @molly_g

通过 LlamaSheets，将繁杂的 Excel 文件转化为 AI 就绪数据——这是我们用于解析复杂电子表格，同时保留语义上下文和分层结构的解决方案。

加入我们的在线研讨会：https://t.co/mgTvCBBHAN
1 月 29 日，美国太平洋时间 (PT) 上午 11 点

📊 解决传统解析工具难以处理的合并单元格、多级标题和视觉格式问题
🤖 构建用于财务分析、预算解析和自动landing.llamaindex.ai/messy-spreadsh…可将杂乱的电子表格数据转化为结构化的 Parquet 文件
🔗 与 LlamaAgents 无缝集成，实现端到端的工作流自动化

我们将演示真实案例，包括构建财务分析代理和整合大型电子表格中的多区域数据。这对于处理预算文件、季度收入表或任何需要输入 AI 系统的电子表格数据的人来说，绝对不容错过。

Lovable 的平台团队确实让我深受启发。