AI圈子 · AI 圈的最新动态，一条一条刷

做一个下dsh和pi的对比 Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。 DSH 的骨架是Cordis。 Cordis 不是普通插件加载器，它强调两件事：

1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。

1. 依赖声明与空间组合（spatial composability）：插件通过 inject 声明需要什么服务，运行时按依赖挂载。 所以在 DSH 里： - 模型适配器是插件 - 工具注册表是插件 - session log 是插件

• agent loop 本身也是插件 - 甚至 UI 也是插件 没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。 启动时是 Profile + Bundle叠出来的：

空根 → dsh-base（模型、工具、沙箱、凭证…） → dsh-web-app 或 dsh-headless → 用户自己的 cordis.patch.yml → 命令行 --patch

dsh --profile web --dump-config 能直接把当前实际挂载的树打出来。 Session 设计是硬核部分 Session 是 append-only 的事件流

模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死： > Model-visible means logged. 任何会进模型请求的内容，都要先变成 session event。

所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。 Turn / Step 有claudecode的影子，流程如下： turn/start

→ claim input → agent/pre-step（可拦截、可改写） → step/start → llm/stream

→ tool/call → tools/pre-execute → execute → post-execute → step/end → 继续 or turn/end

agent/pre-step、tools/* 这些是 waterfall，监听者必须显式 next() 才能往下传。扩展点设计得很规整。 Pi 的实际交集 DSH 仓库里有一个包： -ai/dsh-llm-pi-ai

它就是把 pi-ai当成 LLM 适配器的后端。 多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。 所以：

• LLM 调用层：吃了 Pi 的基础设施 - Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系 “LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。 模式上的对应

DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。 官方之前在 V4 的 agent 评测里就用过这个模式。

Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。 如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。

如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。 一句话：

Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。

🎬 告别CapCut：这个开源工具让AI帮你剪视频

有人做了一个叫Video Use的工具，专门为Claude Code设计的视频编辑器，开源免费。

工作流程简单到离谱：把原始素材扔进一个文件夹，告诉它你想要什么，剩下的它全包。

它能做什么？

• 自动剪切片段
• 删除填充词和静音
• 生成字幕
• 应用色彩校正
• 添加动画效果
• 渲染最终视频

没有时间线，不用手动拖拽片段三个小时，没有月费订阅。

和Remotion有什么区别？

Remotion是一个库，你需要手动组装每一帧。Video Use不同——它直接帮你完成编辑。

你不是在"使用工具"，你是在"指挥AI"。

为什么这很重要？

过去视频编辑是这样的：

1. 导入素材
2. 裁剪、排列、调色
3. 加字幕、动画
4. 导出、渲染

每一步都需要手动操作，一个下午可能只剪出一个30秒的短视频。

现在，Video Use把这些步骤全部自动化了。

你只需要告诉AI："帮我把这些素材剪成一个1分钟的短视频，去掉废话，加上字幕。"

剩下的时间，你可以去做别的事。

开源的意义

这个项目完全开源，在GitHub上可以找到代码。

这意味着：

• 你可以审查代码，确保没有后门
• 你可以根据自己的需求修改
• 你可以贡献功能，让工具变得更好

对于内容创作者来说，这是一个解放生产力的工具。以前需要花一个下午剪辑的视频，现在可能只需要几分钟。

个人思考

AI视频编辑工具正在改变内容创作的格局。

过去，视频编辑是专业技能，需要学习复杂的软件。现在，AI让任何人都能轻松制作高质量视频。

这降低的内容创作的门槛，让更多人能够表达自己的想法。

对于营销人员、教育工作者、自媒体创作者来说，这是个好消息。

不过，这类工具目前还不够完美。AI剪辑的逻辑可能和你的预期有偏差，需要手动调整。

但随着AI模型的进步，未来视频编辑可能会变得和写文档一样简单。

Video Use是一个值得关注的项目，特别是如果你经常需要处理视频内容。

🎬 AI直播进入实时互动时代：观众发弹幕就能改直播画面

昨天刷到一个Twitch直播，聊天室里有人用英语说"切到街头"，画面就真的从动画场景跳到了城市街景。

下一条弹幕是西班牙语的"60年代木偶广告"，紧接着画面变成了复古定格动画风格。

再然后有人用日语要求"机器人脸上缠满电线"，AI居然也接住了，生成了一张荒诞但视觉冲击力很强的画面。

这不是预录好的演示视频，是实时直播。

支撑这个玩法的是什么？

MiniMax H3 Max，一个视频生成模型。

数据：

• 生成5秒768p视频不到3秒
• 15秒视频大约15秒完成

这个速度意味着什么？

上一段视频还在播，下一段已经生成好了，中间几乎没有等待。

Pieter Levels做了什么？

他做了一个24小时AI直播网站，首页只写了一句话："The chat decides what airs next"

没有导演，观众就是编剧。

直播可能从动画突然切到真人访谈，再跳进某个荒诞广告，全看下一条弹幕说什么。

为什么这很重要？

过去视频生成模型的定位是"内容工具"——你给它一段提示词，它给你一段视频，你拿去剪辑、发布、投放。整个流程是离线的。

但实时直播把这个逻辑彻底改了。

生成速度不再是"效率指标"，而是"能不能用的门槛"。如果生成5秒视频需要10秒，直播就会卡住，观众体验直接崩掉。

H3 Max把这个时间压到了3秒以内，理论上还能给排队、内容审核、编码推流留出余量。

这不是量变，是质变。视频生成从"工具"变成了"系统"，从一个离线的生产环节，变成了一个持续运转的内容流。

技术层面怎么实现的？

两条路线：

1️⃣ fal做的后训练加推理优化，在开源版H3基础上加新数据、加可验证强化学习，吞吐量做到原版的35倍

2️⃣ FastVideo做的稀疏化加速，把49次Transformer Forward压缩到4次，结合90%稀疏度的VSA，单张Blackwell GPU最高14倍加速

两条路线的共同点：都在追求"实时可用"。不是跑分更高，不是画质更好，而是快到能接进直播流。

实操建议：

如果你想试这个方向，先别急着做24小时直播。

先用H3 Max的API做一个5分钟的互动测试，看看观众发10条弹幕，AI能不能都接住，画面连贯性能不能维持。

如果这个都跑不通，24小时就是灾难。

另外，关注FastH3的开源权重，单张Blackwell 14倍加速这个数据如果能复现，成本会低很多。

💻 苹果终于摊牌了：M6芯片Mac Mini就是为本地AI量身定做的

苹果发布了搭载M6芯片的新款Mac Mini，起售价899美元。

这不是普通的性能升级——这是专门为本地AI推理打造的硬件。

为什么这很重要？

以前想跑大模型，要么买昂贵的GPU服务器，要么付云端token费用。

现在，一台899美元的Mac Mini（32GB内存）就能跑起来。

能跑什么模型？

• Qwen 3.6 27B：接近GPT-4的质量
• Qwen 3 Coder 32B：完整的编程助手
• Llama 4 8B：全精度运行
• DeepSeek R1 32B：推理任务

性能有多强？

• LLM处理速度比M1快13.5倍
• 比M4快4倍

这意味着什么？以前需要云端才能跑的模型，现在在本地就能实时运行。

如果预算充足呢？

Mac Studio配M5 Ultra（512GB内存）：

• Llama 4 70B高质量量化
• DeepSeek V4，数千亿参数
• 四台Mac Studio通过雷电5集群，可以跑万亿参数模型

苹果看到了什么趋势？

苹果说上季度Mac业务增长了30%，主要是因为人们买来跑AI模型。

与其付云端token费，不如把模型跑在自己桌上。

个人思考：

苹果这次押注本地AI，时机抓得很准。

云端推理的问题：

• 费用高，token计费模式不友好
• 延迟大，网络传输是瓶颈
• 隐私风险，数据要上传

本地推理的优势：

• 一次买断，长期免费
• 无网络延迟，实时响应
• 数据不离机，隐私安全

对于开发者和企业来说，本地AI是更经济、更安全的选择。

不过，本地推理的挑战在于：模型越大，需要的内存越多。苹果通过大内存芯片解决了这个问题。

未来，"推理在本地，训练在云端"可能成为主流模式。苹果已经为这个未来准备好了硬件。

🚀 微软这次真下场了：Agent Framework推出Go版本，专为生产环境打造

微软把Agent Framework搬到Go上了。

这不是玩具demo，是专门用来写能真上生产的AI智能体。

为什么选Go？

Go在后端开发领域已经是主流语言。对于需要高并发、低延迟的AI Agent系统来说，Go是绝佳选择。

微软这次做的，是让Go开发者也能轻松构建企业级AI Agent。

核心特性：

1️⃣ 多模型支持
不锁死一家大模型。OpenAI、Claude、Gemini、本地模型都能接。

2️⃣ 可插拔中间件
想加日志？想加鉴权？想加限流？中间件随便插。

3️⃣ 可视化工作流
一张图把整个工作流串起来：顺序执行、并发处理、条件分支、检查点、人工介入，全都能画出来。

这意味着什么？

以前用Python写Agent的人很多，但Go开发者一直缺少趁手的工具。

现在微软把Agent Framework带到Go生态，意味着：

• Go后端团队可以直接在现有技术栈上构建AI Agent
• 不需要学Python，不需要切换语言
• 高并发场景下性能更优

适用场景：

• 微服务架构：Agent作为微服务运行
• 高并发系统：需要处理大量并发请求的Agent
• 实时应用：低延迟要求的AI助手
• 企业级部署：需要长期稳定运行的生产系统

个人思考：

微软这次做对了一件事：让AI Agent开发融入现有技术栈。

很多公司已经在Go上投入了大量资源。让他们为了AI Agent去学Python，成本太高。

直接在Go上构建Agent，是更务实的选择。

不过，Go生态的AI库确实不如Python丰富。微软需要持续完善Go版Agent Framework，才能真正吸引开发者。

对于Go团队来说，这是一个值得关注的机会。在你的技术栈上构建AI Agent，比迁移到Python更高效。

最近有人总结了一套使用 GPT-5.6 Sol 的实践指南，核心观点就一句话：规划可高，执行要轻，约束先行。

这条推文来自评论区的高赞内容汇总，主要讲的是怎么避免在使用高级模型时「过度工程化」。

几个关键原则：

1. 先复述意图再动手。让 AI 重复你的需求、范围、非目标和验收标准，确保理解一致后再开工。
2. 规划和执行分开。用高能力模型做架构规划，用轻量模型做具体执行，别一刀切全用最贵的。
3. 禁止全程 Ultra 模式。不要让 AI 一上来就用最复杂的方案，简单够用永远优先。
4. 不可逆操作必须等确认。删除、覆盖、发邮件这类操作，没有人工确认别放行。
5. 完成前检查三件事：测试跑通了、改动范围小、没有多余的抽象层。

作者还提到一个很实际的思路：让 Grok 4.6 基于这些高置信度内容生成了一份 Agents.md 配置文件，相当于把这套最佳实践固化成 AI 的行为准则。

这其实反映了一个趋势：随着 AI 模型能力越来越强，真正的瓶颈不再是「AI 能不能做」，而是「怎么让 AI 不做过头」。约束设计本身就是一种工程能力。

📄 PDF解析新王者：OpenDataLoader让AI真正"读懂"文档

你有没有遇到过这种情况：

PDF里明明有表格、有图表、有公式，但用传统工具解析出来全是乱码？

这就是PDF解析的老大难问题。而OpenDataLoader PDF来了。

它是什么？

一个免费、开源的PDF解析器，能把PDF转换成AI-ready的格式：Markdown、JSON、HTML。

核心能力：

1️⃣ 表格识别
不是简单的文本提取，而是能识别表格结构，转换成结构化数据。

2️⃣ 公式处理
LaTeX公式、数学表达式，完美保留。

3️⃣ 图表解析
柱状图、饼图、折线图，都能识别并转换。

4️⃣ OCR支持
扫描版PDF也能处理，用OCR识别文字。

为什么这很重要？

对于AI应用来说，PDF是最重要的数据源之一。但传统PDF解析工具太弱了：

• PyPDF2：只能提取纯文本，表格全丢
• pdfplumber：表格识别不稳定
• Adobe API：收费，而且也不是百分百准确

OpenDataLoader的目标是：让AI能真正理解PDF内容。

适用场景：

• RAG管道：构建文档问答系统
• AI Agent：让Agent能读取PDF资料
• 搜索系统：构建文档搜索引擎
• 数据分析：从PDF报表中提取数据

技术亮点：

• 开源免费（MIT协议）
• 支持多种输出格式
• 处理复杂布局能力
• 可集成到现有AI管道

个人思考：

PDF解析一直是AI应用的痛点。很多公司花大量时间在"数据清洗"上，就是因为原始文档格式太乱。

OpenDataLoader这类工具的价值在于：它把"数据清洗"这个苦活标准化了。以后构建AI应用时，不用再为PDF解析头疼。

不过，这类工具的挑战在于：PDF格式千变万化，没有一个工具能100%搞定所有情况。OpenDataLoader需要持续迭代，才能覆盖更多边缘场景。

对于需要处理大量PDF文档的团队来说，这个工具值得关注。

🔥 Google工程师教你：270M小模型微调后秒杀70B大模型

270M参数的小模型，在特定任务上干翻70B大模型。

这不是段子，是Google工程师演示的实战效果。

怎么做到的？

选Gemma 270M作为基座，然后走这套流程：

1. 生成合成任务数据

不需要海量标注数据，用大模型生成针对你具体任务的训练数据。

1. LoRA微调

只训练少量参数，不用全量微调。一个普通人在家用电脑就能搞定。

1. int4量化

把模型压缩到4位整数，体积砍掉一大半。

1. 部署到手机

在Pixel上跑，完全离线，每秒2000个token。

效果有多猛？

• 准确率从46%飙升到90%
• 21分钟完成微调
• 完全在手机端运行，不需要联网

为什么这很重要？

大模型的问题是：太贵、太慢、需要联网。

对于很多实际场景，比如：

• 企业内部知识问答
• 本地文档搜索
• 边缘设备上的智能助手

你不需要一个通用的70B大模型。你需要的是一个在特定任务上极度专业的小模型。

这套方法的精髓是：用大模型生成训练数据，然后教小模型。

Gemma 270M + 合成数据 + LoRA + int4量化 = 你的专属小模型

成本有多低？

• 训练时间：21分钟
• 硬件要求：一台普通电脑
• 部署成本：几乎为零（手机本地运行）

个人思考：

这套方法的价值在于：它把微调从"大公司专利"变成了"人人可用"。

以前微调大模型需要A100集群、几天时间、几十万美元。现在呢？一台电脑、21分钟、几乎免费。

这可能会催生一波"小模型创业"潮。每个公司、每个团队都可以训练自己的专业模型，不需要依赖大模型API。

从"用别人的大模型"到"训练自己的小模型"，这个转变可能会比我们想象的来得更快。