有人将一整套报关流程给予了Agent, 此人仅仅签字；今日AWS又安排数据工程师在下班后提交相应需求, 到第二天早上便能够运行成功→Gold全链路------并非PPT, 而是已经在航空、金融客户那里得以落地的参考架构。
【Agent跟流程自动化】1. AWS推出ADOP, 借助AI Agent把数据工程周期从数周缩短为数小时。
ADOP所依托的是参考架构, 它借助多个专用的AI Agent, 通过协同合作, 来达成Gold数据管道全生命周期的自动化。
新的数据源接入的时间, 从以往的传统数周, 缩短到了小时级别, 并且它还内置着数据治理以及合规控制, 不会以牺牲安全性作为代价。
已被运用到航空行业客户那里, 也被运用到金融等行业客户那里, 它能够对实时监控予以支撑, 可以对血缘追踪进行支撑, 还能够对策略驱动的数据质量校验给予支撑。
号哥讲, 这是当下最贴近"开箱即用"的AI数据工程方案。此方案不倚赖定制大模型, 而是借助Agent角色分工加上基于契约化协作, 来化解数据团队在长期中一直存在的矛盾, 一边是开发速度快但上线速度慢, 另一边是上线速度快但治理颇具困难之处。对于CIO来讲, 它使得数据平台建设从项目制转变为产品化；针对于数据工程师而言, 这意味着从充当SQL工匠转化成Agent编排师。
请注意落地提点, 不要着急去自己研发Agent框架, 而是先运用ADOP把一个内部BI报表的自动ETL运行成功, 以此来验证数据契约设计是不是合理, 才去决定是不是要替换已有的。
- AWS推出 ：为企业工具访问建立四阶段治理模型
呈上一条逐步推进的治理途径, 它具备（连通）、（管控）所构成的两个方面, （目录）、（加固）这二者也在其中, 总计划分出四个已然成熟的程度阶段, 此为这般情形。
企业不需要对现有的 IT 系统去进行重新构建, 就能够给 AI Agent 赋予那种受到控制、可以进行审计的工具调用权限。
这个模型着重突出'依照治理中存在的痛点循序渐进地发展', 防止一下子彻底完成致使Agent能力受到过度约束而丧失其应有的作用。
号哥讲道, 多数企业被卡在"不敢放权"这一状况上, 原因在于担心Agent胡乱调用CRM/ERP, 进而引发数据泄露或者是出现误操作的情况。而存在的四阶段模型直接命中了这一难题------它并非要求企业马上启用零信任网关, 而是准许先从"只读CRM联系人"此类低风险场景着手, 在凭借实际收益来证实Agent具价值之后, 再去推进高层次治理, 如此便极大地降低了落地时的阻力。
进行落地提点时, 对于小团队而言, 首先要做的阶段是采用IAM策略, 让其限定Agent只能够调用指定的API端点, 并且限定HTTP方法, 这个做法相较于写RBAC规则快速10倍。
- 将机上娱乐故障诊断, 借助AWS AI, 从以小时为单位降低至以分钟为单位, 实现这一转变。
构建此系统所依据的是, 以及AWS Glue, 它能够越过全球范围内的机队, 在实际运行时对IFEC（也就是机上娱乐与连接）故障展开诊断。
保持着的诊断准确率为99.2%, 平均响应时间由3.2小时被缩短到了6.7分钟。
能自动关联飞行日志, 能自动关联硬件传感器数据, 还能关联维修知识库的Agent，会生成带有根因分析的处置建议。
号哥讲道, 这儿存在着特别少见的那种"硬实时加上高可靠"的Agent在工业领域落地的案例, 这案例不跟客服或者办公场景一样, 航空电子系统呢, 它有着毫秒级别响应以及零误判这样的需求。它最为关键的可不是大模型有多厉害, 而是说Agent要怎样经过组织化的方式来处置多个源泉不一样的按照先后顺序出现的数据, 包括像振动的频率, 还有温度曲线, 再加上错误码组合这些数据才行, 此情况对于制造以及能源等有着大量资产的行业具备极其强力的迁移价值。
到现场进行针对性指导: 制造业要是打算借鉴经验, 得先保证你的设备数据已经接入了像时序数据库这类的数据库, 然后再促使Agent去学习查看'波形加上事件'这种关联的模式。
- 教程, 通过构建文档智能 Agent 流水线, 来自动生成科研图表。
它属于一个开源工具包, 具备这样的功能, 即靠着文本描述, 或者依据PDF论文内容, 进而能够自动生成契合出版规范的科学图表。
教程进行了演示, 演示的内容是关于如何去配置由API驱动的那种工作流, 这种工作流能够支持自定义引用样式, 还能支持自定义图例位置, 并且能够支持批量导出图库。
科研人员手动绘图所耗费的时间（平均每图四小时二十分）, 被这份方案压缩到了两分钟以内, 并且还支持版本化迭代。
号哥讲道: 这儿属于'文档智能'范畴难能可贵的端到端Agent实践, 它并非单纯进行OCR识别文字工作, 而是要使Agent领会像'3a应展示X与Y的负相关趋向, 误差棒设成SD, 字体选用Times New Roman'这般的复合指示对法律、咨询、医疗此类重度文档行业而言, 意味着合同条款比对、诊疗报告生成等情景能够迅速复用这种范式句号。
落下地来进行提点, 律所助理不要急着去学习, 而是要先利用模板来跑通一份并购尽调摘要的自动图表生成操作, 如此一来效果就会立刻显现出来。
- 经研究证实, Agent的性能瓶颈, 常常在于'驾驭方式', 而非模型本身。
实验证实, 借助细粒度提示工程以及执行约束, 像工具调用白名单、步骤回滚机制, 弱模型也能够稳定达成复杂任务。
Agent出现失控状况主因在于缺少'缰绳', 这其中包括没有设定明确的终止条件, 并非隔离敏感动作, 抑或是未设计路径。
该结论推动业界从'堆算力换模型'转向'精设计换鲁棒性'。
号哥讲, 这篇有关研究捅破了一种幻觉, 不少企业觉得换GPT - 5.6就能处理Agent不可靠的问题。事实上, 通过实证显示, 给 - 3 - Haiku搭配严谨的Tool以及Step - by - Step Chain, 它的任务完成率反而超过未受约束的GPT - 5.6。这对于预算有限的中小企业而言是重大利好, 能省下百万API账单, 还可把钱用在Agent流程设计上。
落地提点：别迷信顶级模型------先用
.titan-text--v1配做采购审批流，跑通再升级。
- 发布了llm - 0.7, 它实现了全面兼容推理模型, 并且支持 - 3.5/-V4等新模型, 【AI 工具 · 实测上新】有关这些。
0.32版本的LLM有了新版适配, 它对上如-3.5-、-V4这样的推理型大模型的调用稳定性, 有着明显的提升！
新增模型路由策略，可按成本/延迟/能力自动切换后端；
命令行工具链得以完美完善, 可以轻松支持那种只需一键就能实现本地Agent服务部署的操作, 而且不需要额外的任何环境。
号哥讲了这么个事儿, 那就是Simon的LLM生态正日益成长为开发者所认可的事实标准, 与之相比存在着复杂抽象的情况。而llm-, 它是以一种极为简约的CLI形式, 把模型调用、缓存以及插件扩展这一系列完整流程给封装起来。当0.7版对特定的内容提供了相应支持之后, 使得开发者能够在没有任何成本投入的状况之下, 顺利接入最新的闭源模型, 就好比新推出的那个5。这对于那些一心想要迅速验证Agent想法的个人开发者而言, 如同遭遇了降维打击一般。
落地提示点: 要是打算学习Agent开发, 那就千万别去触碰------先安装好llm以及llm-, 接着运用3条命令构建起属于自己的"模型路由器", 其速度比编写100行代码还要快。
- 针对llm的0.32.1版本, 修复了关键依赖漏洞, 解决了Fresh失效问题。
紧急修复因 SDK弃用httpx导致的新安装失败问题；
声明httpx依赖独立, 保证LLM核心功能, 不因上游库变, 而中断。
该版本是所有基于LLM构建Agent工具链的必升基础组件。
号哥讲, 看上去是小范围的修补改动, 实际上与整个轻量Agent生态的稳定性紧密相关, 众多开发者把LLM当作CLI入口, 借助和与之同等类型并能相互匹配之类的模型, 去构建自动化脚本的执行流程。要是基础工具链老是出现崩溃状况, 再出色超凡优秀的Agent设计也无法顺利落地实施。此次修复展现出Simon针对"开发者体验"有着极其高超精妙的把控能力, 能让工具隐匿于背景部分, 仅仅只留下能力清晰地浮现出来。
LLM应用于Agent领域的同学们注意, 今日完成的首要事项应当推行pip -U llm 等于 0.32.1这样的指令, 否则截止下一周来估量会有连典型样例代码都实施不通从而运行失败的状况发生。
- 增加了'过滤付费墙链接'的设置, 这一设置属于Kagi, 它能使AI搜索结果的实用性得到提升。
用户能够在Kagi设置里头, 将该选项予以开启, 从而自动把那些需要订阅才可以查看的网页链接排除掉。
这项功能是依靠Kagi自身所拥有的爬虫, 针对页面内容来进行实时的判断, 并非是那种单纯的简单关键词匹配。
实测使技术文档、学术论文等长尾信息的可访问率提升约40%。
号哥讲, 当AI搜索工具着手主动帮你越过付费墙之际, 它便从"信息聚合器"演化为"知识获取代理"。Kagi的这一行为虽说规模不大, 然而却精准打中开发者日常遭遇的痛点, 即查Stack答案之时不会再被那道墙阻挡住。面对想要构建垂直领域Agent的团队而言, 这意味着能够直接拿来复用Kagi API当作可信赖的信息源头, 从而极大地削减RAG数据清洗成本。
将Kagi设为默认知识源, 添加一条规则就是遇到付费墙链接要自动去换用arXiv或者Pages , 体验会立刻提升, 落地时要去提点, 是做客服Agent?
- 编辑器进行发布操作, 采用'原子指令'来替换自然语言提示, 以此降低AI编程时所产生的疲劳感。
舍弃传统那种'写句子去描述需求'的模式, 转而运用快捷键来触发预设的原子操作, 像Cmd+Shift+R这种是用于重命名变量的, 还有Cmd+Shift+D这种用来生成测试。
专用于每个操作的后方的, 是专注执行单一任务小型的Agent, 于响应速度方面, 其比通用模型快达3 倍标点符号。
支持VS Code插件形态，现有工作流无缝接入。
号哥讲, 这是针对'AI编程倦怠症'的精准回应, 说是当开发者每日都得写50条'请把这段代码改成async/await并加错误重试'这样的内容之时, 通过'按键便执行'去回归工程师的本能。它的价值并非是去取而代之, 而是将高频重复行为从'语言理解'层面降低直至'指令映射'层面, 对于那些需要稳定交付的中大型团队而言这点格外珍贵。
要点落地: 前端团队别急着全体都换过来, 要先给配备10个关于业务组件的生成指令, 如此一来新人需要在3天之内学习到能够搭建页面的相关内容。
- Vomit工具予以揭晓, 借助自成系统的小型模组, 对5输出里多余的token展开清理。
它是一个轻量级的后处理模型, 这个模型是专门设计用来修正5输出里重复句式的, 同时也是专门设计用来修正5输出中无意义填充词的。
实测可减少30%无效输出token，同时保持语义完整性；
支持CLI与API调用，可无缝集成进现有Agent响应链。
号哥讲: 系列模型是以'话多'闻名的, 这在客服、报表生成等情景直接提升了API成本。Vomit不进行翻译、不改变逻辑, 仅做一件事: 去除废话。这种'小而准'的工具思维, 正是当下AI工具链最为缺乏的------与其等着大模型自行优化, 不如运用专用小模型来打补丁。
落下来进行提取指点: 把它用于制作日报的智能助手；先要添加让人作呕之物进行后续处理, 每个月节省下来的代币费用足以购买一台。
5被用于企业级网络安全扫描, 此行动无需客户开放源码, 还属于【行业AI落地】范畴。
已将产品升级到了 5 , 在进行公测的这个阶段, 它能够实现仓库的自动接入, 并且拥有跨文件数据流追踪的功能。
扫描得出的结果当中, 涵盖了CWE分类, 有置信度评分, 还有修复建议，并且, 整个过程是在客户的VPC之内进行运行的, 源码不会超出这个区域, 没问题时会有标点符号。
有一位金融科技方面的客户, 经过实际检测发现, 它的检出率相较于传统SAST工具, 提高了22%, 并且误报率降低了37%。
号哥讲道, 存在这样一个在 AI 安全领域堪称区分不同阶段的关键性节点, 以往企业应用 AI 去扫描代码时, 存在两种情况, 一是将代码上传至厂商云, 然而这会带来合规层面的风险, 另一种是在本地去部署大模型, 可是如此操作会引发算力方面出现类似爆炸这般难以承受的状况。而如今采用 5+私有化部署的模式, 首次达成了既能获得强大能力又保证零数据出境两种优势同时具备的局面。对于银行、政务这类有着严格监管要求行业而言, 这表明 AI 安全工具终于能够在实际中得以真正落实了。
落地予以提点, 需注意的是, 针对金融 IT 部门应留意, 别再进行 SAST 许可证的购买了, 而是采用加 5 的私有部署方式, 且应用一套系统覆盖代码扫描、合规检查以及审计报告生成这几个方面。
- ++构建零代码的ML工作流程, 在信用卡欺诈检测的整个过程当中, 都不需要编写代码。
该方案含有三个部分, 其一为连接起来去做数据准备以及开展特征工程, 其二是自动进行模型训练, 其三是生成自然语言BI看板。
有一家零售银行, 利用这般流程, 把欺诈模型迭代周期进行了缩短, 从原本的两周, 缩减为仅有两天, 并且呢, 业务人员是能够自行去调整阈值 的。
所有组件均通过AWS控制台可视化配置，无须或SQL技能。
号哥讲, 这是针对'AI民主化'最为务实的解读, 当风控总监能够凭借自行拖拽来达成特征选择, 能够看见模型预测的热力图, 能够借由语音问询'上月高风险交易集中体现在哪些商户类型上'之际, AI方才切实从IT部门的玩具转变为业务部门的武器。对于中小金融机构而言, 这套组合拳相较自建MLOps平台更为高效。
实现落地的关键提点在于, 针对中小银行风控岗位, 要求今日务必完成AWS账号的注册操作, 还要依据Part 2的教程, 将数据准备流程顺利跑通, 如此一来, 明日便能够为老板呈现实时欺诈预警的演示示例。
- Waymo自研芯片降低对依赖，量产成本下降18%
Waymo芯片是专门针对L4级自动驾驶实时推理做了优化操作的芯片, 其电能效率相比A100要高出3.2倍。
这款芯片呢, 在最新的那一代Crown车型里边已经搭载好了, 并且还搭配为自己研发的感知、规划以及控制Agent栈。
量产成本下降主要来自芯片采购成本降低及散热系统简化。
有个被称作号哥的人讲, 那Waymo做出这样的举动绝不仅仅是出于供应链安全方面的考量, 更是AI Agent能够付诸实际落地的一种物理层面的基础, 就是这样, 当车辆上配置的Agent需要在100毫秒这个时间段内完成从识别锥桶开始一直到预测轨迹最后生成避让路径这样一整个完整链路的时候, 对于通用GPU来说, 它所具有的功耗以及延迟方面就成为了阻碍前进的瓶颈。自己研发的芯片使得车轮上的Agent真正拥有了在商业领域得以实行的可能性, 而这对于像物流、环卫等这些其他场景下进行作业的无人车公司来讲是一个清晰明确的信号, 那就是算力一定得下沉到实际操作的边缘地带才行。
提醒需落地: 物流公司先别着急去购买英伟达服务器, 倒是应当先开展对Waymo芯片架构文档的考察评估, 说不定明年度你的无人配送车使用的就会是相同款式的。
- Meta成微软AI最大客户之一，年采购额达数亿美元
有报道称, Meta正在大规模地运用Azure AI服务, 其中涵盖了Azure, 还有Phi-4模型的托管以及。
采购, 主要是用于广告推荐系统的微调工作, 用于内部员工生产力提高的工具, 还用于多模态内容的审核工作。
此行为体现, 处于领先地位的科技类公司, 正在由"自行研发并且完全投入单一事物"转变为"混合形态的云计算人工智能策略"。
号哥讲, Meta的抉择扯出了个真相, 便是哪怕拥有Llama生态, 巨头还是愿意给微软做工程化的能力掏钱。Azure的合规SLA, 还有低代码Agent编排, 以及Phi - 4在图像理解方面的性价比, 一块儿组成没法被替代的价值。这给国内SaaS厂商提了个醒儿, 即在AI能力方面, 得包装成能够嵌入客户工作流的'服务模块', 而不是单独的大模型。
当落地进行提点时, 要告知SaaS创业者牢牢记住, 你的客户并非是想要大模型API, 可是而是向往那种, 点击一下后，就能让销售自动去跟进微信线索的按键。
- 上线Apple 插件，可代用户发送短信
这个插件具备让用户收件箱以及联系人被访问的许可, 它在依据上下文的状况下, 能够自动进行生成, 并且发送回复。
提供多轮对话记忆方面的支持, 能够延续之前对话所具有的风格, 像是正式的风格, 或者幽默的风格, 又或者简洁的风格。
一开始, 仅仅限制在美国区域的iOS 18系统的用户, 需要通过手动的方式, 来开启"消息访问"这一权限。
号哥讲, 这是AI Agent往个人数字生活渗透的具有标志性意义的一步, 当Agent能够帮你应对像'收到房东催租短信该怎么礼貌地进行延期'这种琐碎事情的时候, 它就从工具转变成为数字分身, 对于客服、HR等高频沟通的岗位而言, 意味着能够迅速地复刻这种能力, 也就是把企业微信或者钉钉接入类似的插件, 使得Agent能够自动处理员工请假、报销确认等事务。
现场指导要点: 人力资源业务伙伴千万别学, 明天就要运用, 借助插件尝试运行'自动回复员工入职的疑问', 一周之内推出最小可行智能体。
我称作号哥聊AI, 会助力企业将重复性流程打造成为AI Agent, 每日都会分享AI落地以及Agent实战方面的内容, 那些想要进行自动化实现或者有意学习开发的人, 来关注我。