推文

AI SDK

2天前

立即使用 Intellect-3，体验 AI SDK 和 Vercel AI Gateway 的强大功能！

Vercel Developers

2天前

Access Intellect-3 now on Vercel AI Gateway.

• Open sourced weights, code, and evals
• Achieved SOTA performance across math, code, science, and reasoning benchmarks
• Set model to 𝚙𝚛𝚒𝚖𝚎-𝚒𝚗𝚝𝚎𝚕𝚕𝚎𝚌�vercel.com/changelog/inte…
https://t.co/AwlJfuLEEK

3万

118

2.1万

Y Combinator

1周前

祝贺 @Pibit_ai 完成 700 万美元 A 轮融资！

保险行业正面临人才危机。 核保员将三分之一的时间用于手动数据录入，而提交量却在飙升。

Pibit 使用可解释 AI 自动化核保工作流程，在自动化数据录入、分诊和风险分析的同时，确保人工干预，从而使核保速度提高 85%，每位核保员的 GWP (总书面保费) 提高 32%，损失率最多降低 700 个基点。

forbes.com/sites/ilonalim…

135

1.8万

Microsoft Research

4天前

新的研究探索了两种方法，旨在为 AI 代理提供更强的、基于上下文完整性的隐私保护措施。其中一种方法是添加轻量级的推理时检查；另一种方法是通过推理和 RL：msft.it/6013tpZWv 将上下文感知直接构建到模型中。

1万

LlamaIndex 🦙

1周前

使用 LlamaExtract 的表格行模式精确地从表格行中提取数据 &#128202;

LlamaExtract 现在提供细粒度提取功能，超越了文档级别的处理。这使您可以更强大地控制模式的应用方式。

&#127919; 表格行提取将您的模式应用于有序列表、表格行和项目符号内容中的每个实体，并返回一个 JSON 对象数组，从而实现结构化数据处理。

非常适合处理发票、财务报告、库存清单以及任何需要在行级别提取重复结构化信息的文档。

了解所有配置选项：developers.llamaindex.ai/python/cloud/l…
敬请关注下周发布的深入博客，其中将介绍如何在复杂用例中使用表格行提取。 &#128293;

00:26

1.7万

AK

5天前

RynnVLA-002

一个统一的视觉-语言-动作和世界模型

01:39

6,759

Perplexity

4天前

购物也适用于深度研究和 Perplexity Labs。

创建综合购物指南，其中包含详细的产品细分、产品对比以及根据您的需求量身定制的个性化推荐。

9,364

宝玉

7天前

清明上河图芝加哥版
中文版提示词：

一幅宏大的中国传统水墨工笔长卷画，完全模仿北宋张择端《清明上河图》的绘画风格、散点透视构图和古朴泛黄的绢本设色质感。

核心场景： 繁忙的现代芝加哥河滨鸟瞰图。画面焦点是一座巨大的钢铁双层开合桥（杜萨布尔桥/密歇根大道桥），桥面交通极其拥堵，绘满了密密麻麻的现代汽车、黄色的出租车和芝加哥公交车，所有车辆都用毛笔线条精细勾勒。

环境细节： 芝加哥河中满载现代游客的双层游船、水上出租车和皮划艇。河流两岸矗立着密集的古典复兴风格摩天大楼（类似箭牌大厦和论坛报大厦），建筑采用传统的“界画”技法绘制。背景中可见高架铁路结构和正在行驶的“L”线列车。

人物活动： 河滨步道和桥上挤满了成百上千的微小现代人物，他们穿着当代休闲服装，有的在慢跑，有的举着智能手机拍照，有的在路边热狗摊排队购买食物，有的在遛狗。整个画面细节极其丰富，喧闹繁忙，完全使用古老的水墨和大地色调渲染。

8,277

v0

5天前

vercel.com/blog/how-we-bu…

3,399

宝玉

5天前

@threeaus and @Jackywine

Jackywine

5天前

教你一招，AI 绘图顶级方法

任何图片，对我说的是任何，输出结构化 JSON 提示词：

408

10.1万

1.2万

meng shao

2天前

GitHub Copilot 如何通过「精简工具集」变得更智能

开发者都会遇到的痛点：工具过多导致响应迟缓和决策低效。通过引入“虚拟工具”、嵌入引导路由和自适应聚类等创新，Github Copilot 的智能体能在保持强大功能的同时，显著提升速度和准确性。

核心理念：少即是多，智能体需精炼工具
GitHub Copilot Chat 依赖数百个工具（如代码库分析、Azure 服务调用）来辅助开发者完成任务，例如修复 bug 或合并代码。这些工具通过 MCP 访问，但问题在于：工具堆积过多会让智能体“负担过重”，类似于大脑被无关信息淹没，导致推理变慢、错误率上升。基准测试（如 SWE-Lancer 和 SWEbench-Verified）显示，完整工具集下智能体的任务成功率反而下降 2-5 个百分点，因为模型容易误用工具或忽略关键指令。

解决方案的核心是“用更少的工具变得更聪明”：不是简单裁剪功能，而是通过智能路由和分组，让智能体只在需要时调用相关工具。这就好比从杂乱的工具箱中抽屉化管理——先看目录，再取具体物品，避免盲目翻找。

技术实现：嵌入引导与动态选择
更新引入了两大关键机制，确保工具选择精准高效：

· 嵌入引导工具路由（Embedding-Guided Tool Routing）：利用查询的向量嵌入与工具的语义表示进行匹配，预先筛选出最相关的工具候选。这比传统 LLM 逐一评估快得多。在基准测试中，该方法实现了 94.5% 的工具使用覆盖率，远高于 LLM 选择的 87.5% 或静态列表的 69.0%。例如，对于“修复这个 bug 并合并到 dev 分支”的查询，系统会直接从嵌入空间中锁定“合并工具”，跳过无关的搜索或文档工具，减少了探索性调用。

· 自适应工具聚类（Adaptive Tool Clustering）：基于 Copilot 内部嵌入模型，通过余弦相似度将相似工具自动分组，形成“虚拟工具”——这些虚拟工具像目录一样，提供概述而非完整列表。聚类后，一个小型模型生成每个组的摘要，便于缓存和快速访问。博客展示了 GitHub MCP 工具的嵌入图示：如 create_pending_pull_request_review 与 get_issue_comments 等工具自然聚为一簇。

此外，GitHub 将默认的 40 个内置工具精简至 13 个核心工具（覆盖仓库解析、文件编辑、搜索和终端操作），其余非核心工具归入四个虚拟类别：Jupyter Notebook 工具、网络交互工具、VS Code 工作区工具和测试工具。这种“无损动态选择”确保了功能完整性，同时将首 token 时间缩短 190 毫秒，最终响应延迟平均降低 400 毫秒。

益处：更快、更准的用户体验
· 性能跃升：在线 A/B 测试显示，任务成功率提升 2-5 个百分点，工具覆盖率提高 27.5%。智能体能更专注地推理，减少缓存未命中和 API 限额问题。
· 效率优化：操作成本降低（缓存嵌入和摘要更廉价），开发者感受到更流畅的交互——无需等待“加载中”转圈。
· 实际示例：在处理复杂查询时，系统能从历史上下文推断意图，避免逐一检查工具组，提升了整体可靠性。

未来展望：向长上下文智能体演进
将工具选择视为“长上下文推理”的雏形：未来，智能体将记住工具使用历史、从对话中推断意图，并规划多步行动，甚至跨会话协作。结合嵌入、记忆机制和强化学习，Copilot 可能扩展到数千轮交互，支持动态学习工具使用。

这个更新体现了 AI 开发工具的演进趋势：从“全能”向“专注”转型，GitHub 通过数据驱动的优化证明，精简并非妥协，而是通往更强大智能的捷径。

博客地址：
github.blog/ai-and-ml/gith…

GitHub

2天前

Giving an agent too many tools doesn’t always make it smarter. Sometimes it just makes it slower. &#128034;

So we trimmed GitHub Copilot's default toolset from 40 down to 13.

The result? ⚡️ 400ms faster responses &#128200; 2-5% higher success rates

Here's how we optimizedgithub.blog/ai-and-ml/gith…/t.co/gSu87EnVPt

356

3.8万

2,350

订阅源

Access Intellect-3 now on Vercel AI Gateway.

• Open sourced weights, code, and evals
• Achieved SOTA performance across math, code, science, and reasoning benchmarks
• Set model to 𝚙𝚛𝚒𝚖𝚎-𝚒𝚗𝚝𝚎𝚕𝚕𝚎𝚌�vercel.com/changelog/inte…
https://t.co/AwlJfuLEEK

祝贺 @Pibit_ai 完成 700 万美元 A 轮融资！

保险行业正面临人才危机。核保员将三分之一的时间用于手动数据录入，而提交量却在飙升。

Pibit 使用可解释 AI 自动化核保工作流程，在自动化数据录入、分诊和风险分析的同时，确保人工干预，从而使核保速度提高 85%，每位核保员的 GWP (总书面保费) 提高 32%，损失率最多降低 700 个基点。

forbes.com/sites/ilonalim…

新的研究探索了两种方法，旨在为 AI 代理提供更强的、基于上下文完整性的隐私保护措施。其中一种方法是添加轻量级的推理时检查；另一种方法是通过推理和 RL：msft.it/6013tpZWv 将上下文感知直接构建到模型中。

使用 LlamaExtract 的表格行模式精确地从表格行中提取数据 📊

LlamaExtract 现在提供细粒度提取功能，超越了文档级别的处理。这使您可以更强大地控制模式的应用方式。

🎯 表格行提取将您的模式应用于有序列表、表格行和项目符号内容中的每个实体，并返回一个 JSON 对象数组，从而实现结构化数据处理。

非常适合处理发票、财务报告、库存清单以及任何需要在行级别提取重复结构化信息的文档。

了解所有配置选项：developers.llamaindex.ai/python/cloud/l…
敬请关注下周发布的深入博客，其中将介绍如何在复杂用例中使用表格行提取。 🔥

清明上河图芝加哥版
中文版提示词：

一幅宏大的中国传统水墨工笔长卷画，完全模仿北宋张择端《清明上河图》的绘画风格、散点透视构图和古朴泛黄的绢本设色质感。

核心场景：繁忙的现代芝加哥河滨鸟瞰图。画面焦点是一座巨大的钢铁双层开合桥（杜萨布尔桥/密歇根大道桥），桥面交通极其拥堵，绘满了密密麻麻的现代汽车、黄色的出租车和芝加哥公交车，所有车辆都用毛笔线条精细勾勒。

环境细节：芝加哥河中满载现代游客的双层游船、水上出租车和皮划艇。河流两岸矗立着密集的古典复兴风格摩天大楼（类似箭牌大厦和论坛报大厦），建筑采用传统的“界画”技法绘制。背景中可见高架铁路结构和正在行驶的“L”线列车。

人物活动：河滨步道和桥上挤满了成百上千的微小现代人物，他们穿着当代休闲服装，有的在慢跑，有的举着智能手机拍照，有的在路边热狗摊排队购买食物，有的在遛狗。整个画面细节极其丰富，喧闹繁忙，完全使用古老的水墨和大地色调渲染。

GitHub Copilot 如何通过「精简工具集」变得更智能

开发者都会遇到的痛点：工具过多导致响应迟缓和决策低效。通过引入“虚拟工具”、嵌入引导路由和自适应聚类等创新，Github Copilot 的智能体能在保持强大功能的同时，显著提升速度和准确性。

核心理念：少即是多，智能体需精炼工具
GitHub Copilot Chat 依赖数百个工具（如代码库分析、Azure 服务调用）来辅助开发者完成任务，例如修复 bug 或合并代码。这些工具通过 MCP 访问，但问题在于：工具堆积过多会让智能体“负担过重”，类似于大脑被无关信息淹没，导致推理变慢、错误率上升。基准测试（如 SWE-Lancer 和 SWEbench-Verified）显示，完整工具集下智能体的任务成功率反而下降 2-5 个百分点，因为模型容易误用工具或忽略关键指令。

解决方案的核心是“用更少的工具变得更聪明”：不是简单裁剪功能，而是通过智能路由和分组，让智能体只在需要时调用相关工具。这就好比从杂乱的工具箱中抽屉化管理——先看目录，再取具体物品，避免盲目翻找。

技术实现：嵌入引导与动态选择
更新引入了两大关键机制，确保工具选择精准高效：

· 嵌入引导工具路由（Embedding-Guided Tool Routing）：利用查询的向量嵌入与工具的语义表示进行匹配，预先筛选出最相关的工具候选。这比传统 LLM 逐一评估快得多。在基准测试中，该方法实现了 94.5% 的工具使用覆盖率，远高于 LLM 选择的 87.5% 或静态列表的 69.0%。例如，对于“修复这个 bug 并合并到 dev 分支”的查询，系统会直接从嵌入空间中锁定“合并工具”，跳过无关的搜索或文档工具，减少了探索性调用。

· 自适应工具聚类（Adaptive Tool Clustering）：基于 Copilot 内部嵌入模型，通过余弦相似度将相似工具自动分组，形成“虚拟工具”——这些虚拟工具像目录一样，提供概述而非完整列表。聚类后，一个小型模型生成每个组的摘要，便于缓存和快速访问。博客展示了 GitHub MCP 工具的嵌入图示：如 create_pending_pull_request_review 与 get_issue_comments 等工具自然聚为一簇。

此外，GitHub 将默认的 40 个内置工具精简至 13 个核心工具（覆盖仓库解析、文件编辑、搜索和终端操作），其余非核心工具归入四个虚拟类别：Jupyter Notebook 工具、网络交互工具、VS Code 工作区工具和测试工具。这种“无损动态选择”确保了功能完整性，同时将首 token 时间缩短 190 毫秒，最终响应延迟平均降低 400 毫秒。

益处：更快、更准的用户体验
· 性能跃升：在线 A/B 测试显示，任务成功率提升 2-5 个百分点，工具覆盖率提高 27.5%。智能体能更专注地推理，减少缓存未命中和 API 限额问题。
· 效率优化：操作成本降低（缓存嵌入和摘要更廉价），开发者感受到更流畅的交互——无需等待“加载中”转圈。
· 实际示例：在处理复杂查询时，系统能从历史上下文推断意图，避免逐一检查工具组，提升了整体可靠性。

未来展望：向长上下文智能体演进
将工具选择视为“长上下文推理”的雏形：未来，智能体将记住工具使用历史、从对话中推断意图，并规划多步行动，甚至跨会话协作。结合嵌入、记忆机制和强化学习，Copilot 可能扩展到数千轮交互，支持动态学习工具使用。

这个更新体现了 AI 开发工具的演进趋势：从“全能”向“专注”转型，GitHub 通过数据驱动的优化证明，精简并非妥协，而是通往更强大智能的捷径。

博客地址：
github.blog/ai-and-ml/gith…

Giving an agent too many tools doesn’t always make it smarter. Sometimes it just makes it slower. 🐢

So we trimmed GitHub Copilot's default toolset from 40 down to 13.

The result? ⚡️ 400ms faster responses 📈 2-5% higher success rates

Here's how we optimizedgithub.blog/ai-and-ml/gith…/t.co/gSu87EnVPt