AI圈子 · AI 圈的最新动态，一条一条刷

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

发现一个 Agent Skill 的视频教程，挺实用的。

教程内容：
• 用 Claude Code / Codex / Cursor 开发 Agent Skill
• 从 0 开始，不需要先有经验
• 有代码示例，可以直接跟着做

什么是 Agent Skill？
简单说就是给 AI Agent 添加新能力的插件。比如：

• 让 Agent 能查天气
• 让 Agent 能操作数据库
• 让 Agent 能调用第三方 API

教程亮点：

1. 覆盖三大主流工具（Claude Code、Codex、Cursor）
2. 从环境配置到代码编写，步骤很细
3. 有实际案例，不只是讲概念
4. 视频形式，看着不累

适合谁看？

• 想用 AI 做开发，但不知道从哪里开始的
• 想了解 Agent Skill 怎么写的
• 想给现有的 Agent 加新功能的

GitHub 上搜 "Agent Skill" 能找到更多开源示例，可以对照着学。

你们写过 Agent Skill 吗？

#AgentSkill #ClaudeCode #Codex #Cursor #教程

Vibe Coding 火了，但 90% 的人用错了。

不是让 AI 写代码，是你得知道怎么跟 AI 协作。

我总结了一个 10 步工作流，从需求到上线：

1. 写清楚需求——比写代码重要 10 倍
2. 让 AI 生成技术方案——别直接要代码
3. 评审方案——问 AI 潜在问题和风险
4. 分模块实现——一次一个功能点
5. 让 AI 写测试——先测再跑
6. 本地验证——别直接上生产
7. 让 AI 优化——性能、安全、边界情况
8. 文档同步——让 AI 同步更新 README
9. 部署上线——CI/CD 也交给 AI 配
10. 监控迭代——出问题让 AI 分析日志

关键点：AI 是副驾驶，不是自动驾驶。每个环节你都要把关，但具体执行可以让 AI 来。

我按这个流程做了一个小工具，从 0 到上线 3 小时，代码质量比我自己写还高。

适合谁？
• 有编程基础，想提效的开发者
• 产品经理想快速验证想法
• 独立开发者一个人干一个团队的活

不适合谁？
• 完全没编程基础——你分不清 AI 写的是对是错
• 复杂系统架构——AI 容易在边界情况上翻车

你们 Vibe Coding 过吗？踩过什么坑？

#VibeCoding #AI编程 #开发效率

🚀 腾讯混元发布Hy4：770B参数、49B激活、100万上下文，开源前沿模型

腾讯混元团队发布了Hy4预览版，这可能是目前最强的开源大模型之一。

核心参数

• 总参数：770B（7700亿）
• 激活参数：49B（490亿）
• 上下文长度：100万token
• 定位：专注生产力，开源前沿

技术亮点

1. 超长上下文：100万token的上下文窗口，可以一次性处理超长文档、代码库或对话历史
2. 高效激活：虽然总参数高达770B，但每次推理只激活49B参数，在保持性能的同时降低推理成本
3. 开源开放：模型权重、代码、训练细节全部开源，社区可以直接使用和改进

为什么这个发布重要？

在闭源模型不断涨价的今天，开源模型正在快速追赶。Hy4的发布意味着：

1. 企业可以私有化部署：不用担心数据泄露，可以部署在自己的服务器上
2. 成本更低：不需要为API调用付费，长期使用成本更低
3. 可定制：可以根据自己的需求微调模型，打造专属AI助手

使用场景

• 企业知识库：处理大量内部文档，提供智能问答
• 代码助手：理解整个代码库，提供代码补全和重构建议
• 内容创作：处理超长文本，生成高质量文章
• 数据分析：分析大规模数据集，提供洞察

社区反响

推文获得了5292个点赞和227万次浏览，说明社区对开源前沿模型的需求非常强烈。许多开发者表示要立即尝试，测试其在实际项目中的表现。

技术趋势

这个发布反映了AI领域的一个重要趋势：开源与闭源的竞争越来越激烈。腾讯混元通过开源Hy4，不仅展示了技术实力，也推动了整个行业的进步。

个人思考：

对于需要处理超长上下文的应用场景，Hy4提供了一个强大的选择。100万token的上下文窗口，意味着你可以一次性输入整本书、整个代码库或几个月的对话历史。

建议关注这个模型的发展，特别是需要私有化部署或处理超长文档的场景。开源模型的进步正在改变AI的使用方式。

想靠AI赚钱但不知道从哪入手？GitHub上这5个仓库可以帮你理清思路。

第一个是AI Money Maker Handbook，整合了AI副业、创业案例、赚钱模式和避坑经验，相当于一本AI变现百科全书。第二个是n8n，一个自动化工作流平台，可以帮你连接AI和各种工具，快速搭建内容生产和业务自动化流程。

第三个是Remote Job，远程工作资源合集，收录了大量远程招聘网站和数字游民指南。第四个是Awesome，涵盖AI、编程、设计、创业等多个领域的学习资料库。第五个是Public Datasets，包含40多种量化交易策略和90多个交易相关仓库。

这5个仓库覆盖了从方法论到工具链的完整路径。方法论告诉你怎么想，工具链帮你怎么做。

对大多数人来说，AI赚钱的最大障碍不是技术，而是信息差——不知道有哪些机会、不知道从哪开始、不知道哪些工具好用。这5个仓库直接把信息差抹平了。

不过需要冷静的是：工具和信息只是起点，真正赚到钱的人靠的是执行力和对市场的理解。收藏了不等于学会了，看了不等于会做了。把这些资源当成起点而不是终点，才能真正发挥价值。

🤝 多Agent协作的终极方案：Switch让人和AI在同一个频道工作

你有没有遇到过这样的场景：一个Agent查完了日志，然后你手动把结果复制粘贴给另一个Agent生成图表？这种手动搬运不仅浪费时间，还容易出错。

Switch是一个开源框架，它把多个Agent和人类放在同一个聊天频道里，让任何两个参与者都能直接协作，不需要预先配置。

核心问题：Agent之间的信息传递损耗

Anthropic的研究发现，当多个Agent协作时，Agent在协调上花的token比实际工作还多。他们把这叫做telephone game——每次交接都会让信息质量下降。

传统方案（如OpenAI的handoffs和Google ADK的上下文控制）虽然能解决部分问题，但它们都假设你知道哪些Agent会跟哪些Agent协作。然而实际工作中，很多协作关系是临时产生的。

Switch的创新

1. 共享频道：所有Agent和人类在同一个频道工作
2. 自然路由：人类决定下一步谁来做，但不需要手动搬运数据
3. 上下文保留：新加入的Agent能直接看到之前的所有讨论
4. 框架兼容：支持Claude Code、OpenAI Codex、OpenCode等主流框架

实际案例

假设电商网站的错误率突然上升：

1. 监控Agent查询日志，发现是最近的部署导致的
2. 人类决定需要对比上周的基线数据
3. 图表Agent加入频道，直接引用监控Agent的报告，而不是重新查询
4. 结果：节省时间，避免重复工作

技术优势

• 零配置启动：不需要预先定义Agent之间的关系
• 透明可见：团队成员能实时看到Agent的工作过程
• 持续学习：之前的分析结果会留在频道里，供后续使用
• 多平台集成：支持Slack、Teams、Discord等主流工具

为什么这个方向重要？

AI Agent正在从单体智能向群体智能演进。就像人类团队需要协作工具一样，Agent也需要高效的协作机制。Switch提供了一个优雅的解决方案。

这个框架特别适合需要多个专业Agent协作的场景，比如DevOps、客服、数据分析等。如果你在构建多Agent系统，值得关注这个项目。

🔥 4GB显存笔记本也能微调8B大模型：这个开源方案改变了游戏规则

你还在为没有高端GPU而无法微调大模型而苦恼吗？现在，一个独立开发者开源了Real layer streaming技术，让你在4GB显存的笔记本上也能微调8B参数的LLM。

技术原理

这个方案的核心是Real layer streaming：冻结的基础模型永远不会完全加载到显存中，而是逐层流式加载解码器层。这意味着即使你的显存很小，也能处理大模型。

在RTX 3050笔记本（4GB显存）上的测试结果：

• 速度：119.6 tokens/秒
• 峰值显存：3.32 GB
• 与完整显存运行结果完全一致

关键优势

1. 无需量化：不需要任何量化技巧或offloading hack
2. 简单配置：只需YAML文件和命令行
3. 完全兼容：与标准训练流程完全兼容
4. 真实场景：专门为笔记本GPU设计，不是实验室玩具

为什么这个突破很重要？

传统上，微调大模型需要昂贵的GPU集群。这导致了AI研究的门槛越来越高，只有大公司和富裕的研究机构才能参与。

但这个技术打破了这个壁垒。现在，一个有创意的开发者在咖啡馆里用笔记本就能微调出适合自己任务的模型。

实际应用场景

• 定制化模型：为特定领域创建专业模型
• 隐私保护：在本地训练，数据不离开设备
• 快速原型：快速验证想法，无需等待云资源
• 教育目的：让学生和学习者也能实践大模型训练

技术细节

Real layer streaming的关键创新在于：

• 动态层加载：根据需要加载模型层，而不是一次性全部加载
• 智能缓存：缓存常用层，减少重复加载
• 内存优化：精确控制每层的内存使用
• 流式处理：像流媒体一样处理模型层

社区反响

这个开源项目已经在GitHub上获得了大量关注。开发者们正在讨论如何改进、扩展应用场景，以及如何与其他训练框架集成。

有人预测，这可能会催生一波新的AI工具和应用，因为训练门槛降低了。

个人思考：

这个技术突破的意义不在于技术本身有多复杂，而在于它 democratize 了AI研究。当更多人能够参与大模型训练时，创新的速度会加快。

建议开发者们尝试这个方案，特别是那些在资源受限环境下工作的团队。这可能是一个改变游戏规则的工具。

🚀 Jack Dorsey开源了29000+星的AI Agent框架：5分钟搭建AI自动运营的公司

前Twitter CEO Jack Dorsey最近开源了一个GitHub上已经获得29000+星的框架，让你用AI Agent完全自动化运营一家公司。

为什么这个框架值得关注？

1. 零代码部署：克隆仓库、启动服务器、把Agent加到频道，5分钟搞定
2. 全栈覆盖：从客服、运营到数据分析，Agent可以接管所有业务流程
3. 插件生态：支持连接各种API和工具，扩展性强
4. 多人协作：团队成员可以和Agent在同一个频道工作，实时协作

实际应用场景

• 客服自动化：Agent自动回复邮件、处理工单、解决常见问题
• 内容运营：自动生成社交媒体内容、发布、互动
• 数据分析：定时生成业务报告、监控关键指标
• 财务处理：自动处理发票、报销、账务核对

技术亮点

这个框架最聪明的地方是它的"人机协作"设计。Agent不是完全取代人类，而是在需要人类决策的环节自动请求审批，在可以自动化的环节直接执行。

比如：Agent处理完一封客户邮件后，如果是常规问题就直接回复；如果是投诉或特殊需求，会自动@相关负责人请求确认。这种设计既保证了效率，又不会因为AI误判造成损失。

个人思考：

这种"AI运营公司"的框架正在快速成熟。以前我们谈论AI自动化，更多是在单个任务层面。现在，这种全栈框架让AI可以接管整个业务流程。

对于创业者来说，这意味着可以用更少的人力启动更大的业务。对于传统企业来说，这是数字化转型的一个重要方向。

不过也要注意，完全依赖AI运营公司还为时过早。框架提供了很好的基础设施，但业务决策、客户关系维护这些核心工作，还是需要人类来把握。

开源地址GitHub可搜。如果你正在考虑用AI提升业务效率，值得深入研究。