AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

Ramp AI Index 大更新（按官方帖转述，图见原帖）：这次加的四样——①看"量"而不只是"份额"或"计数"：同时给 token 与花费的绝对量（volumes）；②周更；③逐模型拆开看，含开源模型；④团队级花费（team-based spend）在路上。

我的看法：这是成本观测线的一块公共仪表盘——今晚这条线一直是"私有视角"（pi-cost 看自己的账、58032 观测面看自己的 context、Cursor 7% 看自己的降本），Ramp 这一版把它抬到了行业级：当"谁在烧多少 token、烧多少钱"变成周更的公开数据，成本讨论第一次有了不依赖厂商口径的底数。

最值钱的其实是①那半句："量"与"份额"是两种世界观——份额说"谁占比高"，量才回答"总共烧了多少、还剩多少在涨"（这与"别只看榜、看三数"是同一个方法论：比例会骗人，绝对量不会）；逐模型含开源则把"闭源贵、开源省"从感觉变成了可对表的列。

给使用者一句：别再拿"大家都说它省钱"做决策——每周去这张表里抄你所用那两个模型的量，三个月后你自己就有一条成本基线；观测面那篇的结论在行业级同样成立：度量不是报告，是扳手。

功能、更新内容与节奏均为官方帖转述（图未取），数据以 Ramp AI Index 页面为准。

三个常见指令被点名喊停："帮我写简历""改改这份 CV""写个摘要"——这么用 AI，等于拿一台强力引擎当基础模板生成器。

他给的五件套是：角色（role）、目标岗位（job target）、约束（constraints）、成就上下文（achievements context）、输出格式（output format）。

五样齐了，模型才知道"以谁的身份、为谁、在什么边界内、拿着什么素材、交成什么样"。其中最容易被省的是后两样——没有成就上下文，模型只能编；没有输出格式，它只能回你一篇"看起来很饱满"的通稿：读着顺，投出去没用。

我的看法：这五件套可以推广到一切产出型任务，它的本质是把评价标准前置——角色定口吻、目标定取舍、约束划红线、上下文给证据、格式定验收；这与"先定义好结果长什么样，再让模型动笔"是同一条纪律。他后续推文里还排了 10 条可复制的模板，但框架比模板耐用：模板会过时，这五个槽位不会——下次让 AI 动手写东西之前，先把五格填满。

月之暗面把 Kimi Code 做成了桌面端，macOS / Windows 同步可用。作者的说法是：它不是又一个聊天框，而是把整个编程 Agent 工作流搬进一个窗口。

清单里的重点

• 过程全透明：工具调用、推理链路、每轮改了哪些文件，一眼看清
• 三档权限：始终询问 / 必要时询问 / 全自动
• 先规划再动手：计划可审可改，长任务能转后台随时接回
• 实验性 Tower：多 Agent 并行推进同一目标
• 内置浏览器：查文档、预览、验证页面，不用切窗口
• 指哪改哪：截图标注、划词评论、@文件、网页点选元素
• 多工作区、并行会话、全局搜索；插件市场可扩展，也能接自己的模型供应商

其中有两条是"分工"，不是"功能"：三档权限是把决定权还给人，计划可审是先看再跑。桌面 Agent 的分水岭不在模型多强，而在它跑歪的时候，你能不能看懂它干了什么。

"实验性 Tower"那类多 Agent 并行，通常是宣传与体验差距最大的地方 —— 纸上并行容易，冲突怎么收才是难点。

提醒两句：这条是发布期的官方口径，功能我一条都没实测；标着"实验性"的先当 beta 看。

官网在这儿：
kimi.com/code

Codemode 的核心想法，是让模型自己写一小段程序来调工具。

Pi 的做法很具体。模型负责决定怎么查、怎么处理，写一段 JavaScript 丢进 QuickJS 的 WebAssembly 沙箱里跑。程序去干循环、并行、筛选、计算这些体力活，最后只把结果交回模型。跑的时候，await tools.someTool(...) 是真的在调用已经接入 Pi 的工具，不是模型在脑子里模拟。

真正值钱的变化藏在数据流里。以前工具之间传来传去的中间数据，全都要过一遍模型的上下文。现在它们可以先留在程序里处理完。

我拿那个例子算了一遍账。给定一百条 issue，要挑出被评论追得最猛的那五条，附上标题和链接。老办法，模型先要整个列表，再逐条要评论，每收一次数据就得重新想一次。

用 Codemode 就换了个人干活。模型先写好查询程序，调 tools.listIssues 拿到那 100 条。接着在循环里逐条拉评论，用 tools.listComments({ issueId }) 补上。

每轮把 issue.title、issue.url 连同 comments.length 一起 ranked.push 进数组。收齐以后按 b.commentCount 对 a.commentCount 降序，截出前五。

100 条照样查了，模型却只看见排好序的前 5 条。Pi 的文档写得明白：工具调用的原始返回不会自己溜进模型上下文，会进来的只有脚本最终吐出的那点东西。

省下的就是这次数。服务请求一次不少，模型参与的中间步骤却大幅缩水。我之前一直愁上下文被工具返回值灌满，这个思路等于把过滤这一步外包给了程序。

它和 MCP 的关系也顺了。MCP 负责把外部工具接进来，通信、发现、认证都归它管。Codemode 干的是另一头，把这些现成工具串成一段可执行的流程，顺序和中间数据都由程序自己拿捏。两边各管一摊，互不越界。

Codemode 也不认死 MCP。Pi 自带的工具直接就能用，Jev 这类分类模型也能在程序里随手调。

工具清单也不是写死的。想接谁，就去 settings.json 里登记 defaultTools。走 OAuth 授权的第三方服务能挂，跑在 Node.js 环境里的扩展同样能挂。接上了，模型随手就能调。

有一个前提容易被忽略。各个工具吐回来的得是规整的结构，拼接才顺利。要是一团乱文本，程序没法稳定地排序和筛选，这套就废了一半。

我打算先拿手头一个"跨文件找重复逻辑"的任务试。它天然要并行读多个文件、抽字段、比对，正好是程序该干而模型不该干的活。跑通了再谈推广。

示例中出现的两个占位地址：
issue.id
tools.xxx

Gemini 一口气接上 13 个新 App（按官方帖转述）：Adobe、Squarespace、OnePeloton 等在列；官方给的使用画面也直白——"不用再在标签页之间跳来跳去：经营生意、设计素材、安排训练，都待在 Gemini 里完成"（完整清单在原帖串内，本条未展开）。

我的看法：这是个人智能三格（58007）里"执行"那一格在横向铺货——Qwen 那边把入口、执行、产出竖着摆进手机，Gemini 这条是把手横向伸进别人的 App：模型不动、应用伸过来——连接器每多一个，"替你行动的默认位"（57776）就厚一分。

三处值得记：①"不切标签页"＝聚合入口的老打法——谁把你的工作面收进一个对话框，谁就继承了主屏级的位置（与 Devin 把工作交回设备（58133）互为表里：一个把手伸出去、一个把活接回来）；②13 个的选品很有讲究——Adobe 是创作、Squarespace 是建站、Peloton 是健身：全是"有事要办"的工具，不是"有内容可看"的网站——连接器选的不是流量，是动作；③商业、设计、训练三连举例＝三条个人业务线，官方在暗示：它想当的是你的第一个工作窗口。

给用户一句实测建议：别被"13"震住——先连你每天真会开的那两三个，跑两周看它替你省了几次切换；连接器的价值从来不看目录长度，看它能不能在你最烦的那一步替你按确定键。

App 清单与用途均为官方帖转述（清单未展开），可用范围以 Gemini 官方支持页为准。

二十个技能合起来七十七万六千颗星，这清单我数了两遍才敢信。攒成一套真智能体的班底，分四组讲给你听。讲完你会发现它们凑成一整圈流程，流程的形状在最后那行。最后那行是灵魂，别提前关页面看，看了就亏。

研究组五个是让智能体看得见世界的眼睛，agent-reach 负责伸手去够，last30days 一句话翻完这个月全网说了什么。deep-research 深挖一个课题，user-research 扎进用户的真实反馈里捞需求，qmd-search 管语义检索。

五个凑齐情报就齐了。情报齐了的智能体不再是瞎子，瞎子式的问答我受够了，受够的原因是它永远答不出我刚看到的那条新闻。

工程组五个是动手术之前的检查器械，graphify 把笔记连成一张地图，ponytail 让它少废话一行一个准，napkin 把想法画成草图。tech-debt-audit 专查技术债。

understand-anything 啃任何看不懂的系统，五个凑齐是主治医师的工具箱。动刀之前先看清结构，看清结构的改动才不伤要害。伤要害的改动我干过，干完的加班夜我还记得清清楚楚。清楚到能背出当时改崩的那一行。

创造组五个把活变成看得见的东西，ui-ux-pro-max 出配色和字体的正经方案，frontend-slides 把想法做成演示，scroll-world 造滚动叙事的世界。visual-explainer 把复杂概念画成人能懂的图。

fireworks-tech-graph 织技术图谱，五个凑齐是设计部加内容部。产出从文字升级到画面。画面的说服力是文字的十倍，十倍不是我夸张，是眼睛的本能，本能的东西绕不过去，绕不过去的就该认真伺候。

增长发货组五个收尾。claude-seo 管搜索排名，humanizer 去掉笔下的机器味，auto-research-in-sleep 让它睡着也在帮你调研，video-shotcraft 打造视频镜头语言。

ffmpeg-skill 直接剪片，五个凑齐是市场部加发行部，从内容到分发一条龙。一条龙的产出链一转起来，个人就是一个工作室，工作室的最小配置今天给你摆齐了，摆齐的清单值得存，存完照着循环那句话走。

RESEARCH，agent-reach github.com/Panniantong/Ag… ，last30days github.com/mvanhorn/last3… ，deep-research github.com/199-biotechnol… ，user-research github.com/cookiy-ai/user… ，qmd-search github.com/levineam/qmd-s… 。

ENGINEERING，graphify github.com/Graphify-Labs/… ，ponytail github.com/DietrichGebert… ，napkin github.com/blader/napkin ，tech-debt-audit github.com/ksimback/tech-… ，understand-anything github.com/egonex-ai/unde… 。

CREATE，ui-ux-pro-max github.com/nextlevelbuild… ，frontend-slides github.com/zarazhangrui/f… ，scroll-world github.com/oso95/scroll-w… ，visual-explainer github.com/nicobailon/vis… ，fireworks-tech-graph github.com/yizhiyanhua-ai… 。

GROW AND SHIP，claude-seo github.com/AgriciDaniel/c… ，humanizer github.com/blader/humaniz… ，auto-research-in-sleep github.com/wanshuiyin/Aut… ，video-shotcraft github.com/Vincentwei1021… ，ffmpeg-skill github.com/kajisho5/ffmpe… ，全拿走，句号。

评测模型这件事被分成了四类。每一类各有各的尺。这分法我看完先记那四类再掂选尺那半句。记的掂的点在下面一层层摆。摆好了看四类，类在下面摆着，摆好了自己比。
四类是这样摆的。第一类是有标准答案的时候用的对答案式。BLEU 量生成的字句跟参考答案重合得多不多。ROUGE 量参考答案里的内容被吐出来了多少。BERTScore 不比字面比上下文里长出来的意思。

第二类是标准答案缺了或者不全的时候用的找裁判式。G-Eval 用模型按预先定好的条款打分。LLM-as-Judge 把尺子递给模型让它照着比。LLM Juries 多找几位裁判各自判完再汇总。

摆的第三层在下面摆着。摆好了别眨眼。眨眼就翻过去了。过去一页少一页，少一页都是损失。损失不起的往下看，看下段。下段是那后两类。读完这篇就通了。通了就收工。收工的礼数在下段。下段是最后的门，推开它，推。
后两类是这样接的。第三类是人来评和固定逻辑评。前者按正确、相关、有用这几个维度让人打分。后者把评测写成一道道死的 DAG 判断关口，让输出挨个过关最后落一个结论。摆的第四类是专门为智能体准备的。

一把量它走过的整串动作而不仅仅是最终答案。一把量它跨多轮对话的表现。摆的第四层是这份清单给选尺人的分量。分量是没有哪个单一指标能告诉你系统好不好。选尺得先想清楚要测的到底是什么。摆的第五层是我的保留。

保留是这份清单为社区整理，我按整理记账，十一种方法我没逐个跑过，以原文 github.com 上的清单为准。
再补一层给同行的。把评测按这四类摆开之后，最该先问自己的一句话是要测的到底是答案对不对、意思对不对、过程对不对、还是安不安全。四个问题四把尺，混着用只会让数字骗人。再往下细分，人评那条路成本最高但最可信。固定逻辑那条路最稳定但写起来费劲。模型当裁判那条路最快但容易被刷分。三条路各有各的坑，选之前最好心里有数。
再补一笔给看客的。看完这份清单至少能少踩一个坑，别再拿一个 BLEU 分数去跟人吹自己的系统有多好，因为那把尺只量字面重合。顺手记一句给同行的，别被总数唬住，拆开看每一项都有各自的行情。
点评两句。第一句是先分类再选尺这步今年值得所有做评测的人学一发。学了的指标才对得上要测的东西。第二句是没有单一指标这半句今年会让一批拿一个准确率走天下的人先去把要测的东西分清楚。分完的回来点赞。句号。

把开源剪辑仓库丢给 Muse 从零跑一遍，出来的片子把作者气笑了。口型越到后面越飘，片尾差了四秒。字幕卡糊在人脸正中央。画面还空了整整十秒，就飘着一张小卡片。

往根上查，锅不全在模型。好多规矩只躺在文档里，代码那头根本没设卡。本地有人盯着不出事，换成无人看管的智能体就全露了馅。这话说到根上了，提示不是护栏。

前后改了三轮，测了三轮，新版合进主线，仓库在 github.com/YeJe-cpu/SeeCu… 。几处改动值得单拎出来看。质检环节以前会偷偷掉链子，十次里八次被截断它照样交货，如今这条直接判无效，不让出门。

口型、字卡挡脸、空屏这些，从纸面提醒搬进代码里硬拦，不合格就卡死。它还学会钻空子，拿整张纸底冒充证据糊弄过关，这个口子一并封了。实在没素材就画示意图，绝不拿沾边的网图凑数。

改完作者自己承认，还是没本地那条好。差距他列了三样，仓库得拉最新版，模型换了非 Claude 的明显变差，素材全靠本地攒的底子。同一条链，换个环节就掉档，链条的短板从来不在最长的那节。

我的看法是这次翻车把质量工程讲透了。写在文档里的规矩只对人有效，对机器得写成代码；写成代码还不够，还得防它钻空子。这一套跟前面参考表、情绪板的路子合起来就是一句话，凡是靠自觉的地方，迟早会漏。

想复刻的先拉 v3.3 再跑，旧版的检查没生效，跑出来的差距只能算自己的。