整理 | 华卫 年少有为、雄心勃勃的创业者早已不是新鲜事。Bill Gates 19 岁时联合创办了微软；Mark Zuckerberg 也是在 19 岁那年创立 了 Facebook。但如今的创业者，年龄更小了，可能还只是个拿着学车许可证、戴着牙套的孩子。 他们的创业起点五花八门：有人从参加机器人夏令营起步，有人在 Roblox 平台开发游戏，还有人从糖果分销业务里淘到了第 一桶金。AI 的飞速发展，既点燃了他们的创业热情，也加速了他们的实现能力。 只写过 10 行代码， 据了解，BeyondSPX 曾对 Greystone Logistics 做过相关分析，该公司随后发布了一份新闻稿，对这份独立分析报告大加赞 赏。任职于 Greystone Logistics 的独立投资者关系顾问布兰登・霍普金斯回忆道，"我当时觉得，这份分析报告总结得非常到 位，整体基调也相当正面，不妨对外发布出去。我当时心里还琢磨，'说不定这个人就是用 AI 对所有中小市值公司批量做了分 析'。" 彼时，他并不知道这个平台的创始人只有 15 岁。 之后，Dobroshinsky 计划对用户开启收费模式。但眼下，他也并不认为组建营销团队 ...

模力工场平台功能更新 - 平台推出全新功能，允许开发者在发布AI应用时，自主选择应用制作所用的AI基础设施支持[3] - 平台为开发者提供三类工具选择：通用工具、AI基础设施或生产力与协作工具，开发者可从已有工具库中灵活选用[5] - 若所需工具已在平台上线，开发者可直接选用，所选工具将展示在应用主页，同时该应用也会出现在对应工具主页，实现双向曝光[6][7] - 平台鼓励开发者推荐尚未被收录的工具，以共建AI生态繁荣[8] 模力工场第025周AI应用榜单 - 本周共上榜8款应用，揭示了AI应用正演化为企业发展的双引擎：对外驱动业务增长，对内优化生产效率[12] - 对外增长引擎的代表是蓝莺 GrowAI，它通过AI SEO主动破解获客瓶颈[12] - 对内效率引擎由多款应用协同构成，包括优化协作的Hivulse AI与博思白板、优化文档的易撰、优化内容的秒创、优化设计的MasterGo与即时设计[12] - 蚂蚁阿福的上榜，意味着“AI专业服务者”角色已亮相数字健康等生活领域[12] 榜一应用深度访谈：蓝莺 GrowAI - **产品定位**：蓝莺 GrowAI是一款一站式AI SEO工具，旨在通过生成式AI技术帮助企业获取海量免费搜索流量，支持传统SEO及针对ChatGPT、DeepSeek等AI问答引擎的优化（AEO/GEO）[13] - **核心功能**：通过构建企业知识库和智能Agent，自动生成符合搜索引擎标准且用户爱看的专业内容，并提供网站托管、SSL/CDN配置及数据分析全流程服务[13] - **平衡个性化与通用性**：采用“框架通用化 + 数据个性化”策略[14] - **通用性**：构建标准化的“企业级AI Agent平台”和网站托管架构，保证SEO底层逻辑和AI生成工作流的稳定性与可维护性[19] - **个性化**：将“内容源”和“模型选择”交给用户，允许上传无上限的专业文档构建企业知识库，并支持自定义API-Key接入不同大模型[17][19] - **内容质量与SEO安全**： - 采用“基于知识库的价值重塑”策略，避免生成低质内容[16] - 通过RAG技术深度调优，优先检索用户上传的权威资料以保证专业准确，并通过Prompt设计“角色扮演”指令保证内容通俗易懂[16][17] - 内置由SEO专家撰写的Prompt，并利用AI自动优化TDK、URL结构及关注长尾关键词，以生成搜索引擎和AI都渴求的优质语料[20] - **获客方式**：最有效的方式是“吃自己的狗粮”，即使用GrowAI自身进行获客，为“蓝莺IM”生成垂直领域内容，使关键词在搜索引擎和AI搜索中排名靠前，该方式流量成本极低，约为SEM费用的1%[21][25] - **未来12个月目标**： - 全面适配llms.txt标准，让生成的内容更快被大模型抓取和理解[22][25] - 强化AEO/GEO的数据反馈闭环，探索量化内容在AI问答中“被引用率”的机制[22][25] - 实现Agent从“辅助创作”到更自主的“营销Agent”的进化，使其能自动监测热点并调整内容策略[22][25] 行业趋势与观点 - **AIGC对SEO的长期影响**：Gartner预测到2025年30%的营销信息将由AI生成，单纯拼凑关键词的“伪原创”将彻底失效[18] - **未来获客策略演变**：SEO将进化为AEO和GEO，获客核心将从“写给搜索引擎看”转变为“写给AI看”，即提供结构化清晰、事实准确的高信噪比内容，以在AI问答中占据推荐位[21] - **AI应用演进路径**：上榜应用虽领域不同，但都遵循“标准化框架 + 个性化数据”的路径，通过标准化产品框架对接私有数据源，实现自动交付和灵活响应个性化需求[27] 其他上榜应用亮点 - **Hivulse AI**：以“Code In, Docs Out”为核心，让代码库自动生成结构清晰、实时同步的技术文档，提升研发效能[12][23] - **MasterGo 莫高设计**：作为AI设计平台与智能协作中枢，用AI理解需求生成UI，保障团队实时同步与设计一致性[12][24] 平台活动与支持 - 模力工场将联合阿里云通义智能硬件举办开年第一展，于2026年1月8日-11日在深圳举行，覆盖76+品类、200+展商、1000+前沿产品，并邀请开发者上传AI硬件作品参展[8] - 吴晓波频道将于12月25日晚举办关于“AI应用如何从好玩到好用”的开放麦讨论[10] - 极客邦科技将借助旗下InfoQ、AI前线、极客时间等全媒体矩阵资源，对在模力工场发布的应用进行传播，触达千万级技术决策者与开发者[30]

策划 | 李忠良 黑灰产的"智能体"革命 "今年以来，最直观的感受是黑灰产正在全面利用大模型技术提高获利效率。"在专访间里，梁堃指出黑产技术的升级并非 渐进式的改良，而是一次结构性的代际跨越。这种跨越，让数字战争的性质彻底改变。 11 月 13 日，全球领先的 AI 实验室 Anthropic 发布了两份令人警醒的报告。报告证实，早在今年 9 月，一场"高度复 杂"的攻击活动已由 AI 彻底主导：黑客组织通过 Claude Code 实现了 90% 的工作自动化，每场攻击中人类仅需参与 4–6 次关键决策。 Anthropic 直言，黑客对 AI Agent 化能力的利用已达到"前所未有"的水平。这种"自主运行、极少干预"的攻击模式，正标 志着网络安全进入了一个充满变数的转折点。 正如 Anthropic 所警示的那样，AI Agent 在错误的人手中正显著提升大规模攻击的可行性。这与数美科技 CTO 梁堃对国 内黑灰产趋势的观察不谋而合。在梁堃看来，我们正面临一场黑灰产全面完成"智能化"改造的代际跨越。 随着黑灰产全面完成"智能化"改造，攻击手段已从机械脚本进化为具备思考与执行能力的 AI Agent 。这 ...

当"AI 学习"成为常态，当知识获取变得空前平等，当机器也能够学习之后，我们将怎样？ 工程师、微软中国首席技术官韦青，在本套"工程师思维的跨界创意法"系列图书的推荐序中直指 AI 时代的核心挑战： 当机器能学会人类所有可记录的知识时，单纯比拼"知道多少"已失去意义。 人类的价值必须升维——从知识的积累者，转变为运用知识、解决问题的"智慧体"。而这，正是工程师思维的核心。 问题是，当机器也能够学习之后，我们将怎样？ 为 何 当机器开始在人类的设计与指导下学习之后，人类社会大概率将进入一个信息爆炸、知识平权和注意力稀缺的时代，这时候我们可能会面临三种新的挑 战。第一，当智能机器无时无刻不在学习世界知识时，我们是否还能在不必终身学习的前提下继续生存与发展？第二，我们如何能够驾驭一台不断学习 的机器？第三，当"如何做"的知识被机器学会之后，人类在社会中存在的意义何在？大概是在这个时候，每个人，无论是否从事工程师职业，都应该或 多或少地学习和了解一下工程师思维的原因。 截至机器开始具备在人的指导下进行学习为止，人类社会中的合作与竞争态势，从本质而言，往往是不同个体与组织对于信息和知识不同程度的掌握与 利用。因此，"知识 ...

GLM-4.7 主打编程与代理式任务（coding + agentic tasks）的提升 ，同时在 推理能力 等方面也有所增强。 众所周知，今年的大模型，已经从卷"会答题"发展成了 卷"能干活" 。对应的变化，也体现在评测体系上，这些测试覆盖了真实代码修改、终端操作、多 工具调用以及长链路任务执行等场景。 作者 ｜ 木子、高允毅 正在 冲刺大模型第一股 的 智谱 ，今天又拿出了诚意满满的新一代大模型 GLM-4.7，还给开源了 。 智谱也是 把 GLM-4.7 一口气送进了 17 项基准测试 ，和 GPT-5、Claude Sonnet 4.5、Gemini 3.0 Pro、DeepSeek-V3.2、Kimi K2 Thinking 等同台竞 技。 然后在一众强劲对手中，GLM-4.7 还在 两项 BenchMark 中刷新了公开 SOTA ：在 AIME 2025 （测试高级数学推理能力）中正确率已达 95.7%；在 BrowseComp-ZH 中分数达 66.6%。 | Benchmark 基准 | GLM-4.7 | GLM-4.6 | Kimi K2 Thinking | DeepSeek- V3 ...

文章核心观点 - 2025年是Agent技术从概念走向商业主流的转折点，拥抱Agent已成为企业和个人在智能化浪潮中的生存题[2] - Agent是一种“自主智能体”，具备感知环境、分析目标、自主决策并持续进化的能力，不同于作为“工具”的传统AI，它更像“数字助理”或“超级外挂”[2] - 开发者需要实现认知升级和技能重构，从思考“AI替代岗位”转向“如何用Agent放大自身价值”，并掌握提示词工程、目标拆解、人机协作等新语言[6] Agent技术定义与核心能力 - Agent的核心能力包括：感知-决策-执行闭环，通过LLM+强化学习框架自主拆解任务[2]；工具调用能力，可直接操作GitHub API、K8s集群、云服务控制台[2]；记忆进化机制，通过向量数据库+RAG实现长期经验沉淀[2] - Agent的崛起主要得益于其自主执行能力与广泛的实用性，商业化临界点已至[13] Agent技术生态与资源 - 存在丰富的开源Agent框架与工具，例如AutoGPT、MetaGPT、LangChain、Llamaindex、AutoGen、Dify等[2][17][21] - 技术社区提供了大量学习资源，包括视频教程、行业研究报告、技术解读文章及配套课件，例如“大模型时代的Agent开发方法论”2小时精品视频课[4][8] - 行业已整理出详细的知识库，涵盖多Agent协同调度、企业数据分析应用、具体产品列表以及11个顶级开源Agent框架介绍等[11][13] Agent核心技术栈 - 核心技术栈涵盖多个层面：大语言模型作为基础，例如GPT-4/4o、Claude 3、Qwen2、DeepSeek V3等[17]；记忆与知识管理，涉及向量数据库、知识图谱及长短期记忆机制[16]；多智能体协作技术，包括协作协议与通信协议[15][17]；开发框架与工具链[17]；评估与调试方案[17] - 检索增强生成是关键技术之一[16] - 模型上下文协议被视为Agent领域的“万能插头”[16][17] Agent开发实践与应用 - 存在具体的开发实践教程，例如在10分钟内于Windows环境使用Dify和DeepSeek搭建Agent[19] - Agent已在医疗、教育、金融等超过10个领域拥有实战案例[20] - 技术社区有大量相关视频推荐，内容涵盖智能体搭建、测试用例生成、技术解析及公开课等[19][20][21] 相关学习与求职资料 - 为助力技术学习和求职进阶，整理了包括“中国AI Agent产品罗盘”、“AI Agent行业研究报告”在内的系统学习资料[8] - 提供了AI大模型面试题集，涵盖Agent架构设计、前沿技术、基础理论以及Transformer、RAG等相关高频考点，文件大小从139.42KB到3.48MB不等[22][23]

前段时间，Anthropic 正式发布了 Claude Sonnet 4.5，对它的定位是"世界上最好的编码模型"和"构建复杂智能体的最强模型"。 凭什么这么说呢，Anthropic 在客户测试中观察到，Claude 4.5 能连续专注干活超过 30 小时，而上一代的数据是 7 个小时。以前是代替 1 个程序员， 现在可以代替 4 个了呢。 更夸张的是，它能连续敲出约 11,000 行代码，快速搞出来一款聊天应用。我费劲工作一个月还不如 AI 轻松工作一天。好好好，既生我，何生 AI …… | | Claude | Claude | Claude | GPT-5 | Gemini | | --- | --- | --- | --- | --- | --- | | | Sonnet 4.5 | Opus 4.1 | Sonnet 4 | | 2.5 Pro | | | 77.2% | 74.5% | 72.7% | 72.8% GPT-5 | | | Agentic coding SWE-bench Verified | 82.0% | 79.4% | 80.2% | | 67.2% | | | with pa ...

豆包手机助手的技术定位与核心突破 - 字节跳动发布的豆包手机助手被定义为行业首款系统级GUI Agent，标志着大模型应用从“对话”迈向“行动”的重要跃迁，它深度耦合于操作系统底层，具备跨应用感知与操作能力，是一个“超级中枢”[2] - 豆包手机助手是强化学习驱动的视觉语言模型技术路线的集大成者，其核心技术GUI Agent在2023至2025年间经历了从“外挂式框架”到“模型原生智能体”的根本性范式转变[4][5] - 该产品在工程侧实现了关键突破，凭借定制OS优势实现了“非侵入式”的系统级接管，核心要素包括GPU Buffer直读以降低延迟，以及构建虚拟屏幕后台进程以避免抢占用户焦点[7][10] - 在模型侧采用端云协同架构：端侧模型负责意图识别与任务路由，实现毫秒级响应；云侧模型处理多步骤、跨应用的复杂任务，并区分“思考”与“非思考”两种模式以平衡速度与成功率[8] - 其核心护城河在于建立了基于强化学习的数据闭环，通过高保真OS沙盒环境，模型经历了数百万次轨迹的探索与优化，使其泛化能力显著优于学术界开源模型[10] GUI Agent的技术演进路径 - 早期阶段（2023-2024）采用外挂式框架，通过提示工程将界面转化为文本或带数字标记的截图，模型能力受限于外部工具精度，并未真正“看见”GUI环境[4] - 后续阶段（2024）转向模仿学习驱动的视觉语言模型方案，如智谱的CogAgent等，直接基于像素输入理解界面，实现了感知层面的“原生化”[5] - 当前主流（2024-2025）是强化学习驱动的视觉语言模型，如伯克利的DigiRL、智谱的AutoGLM、字节的UI-TARS等，使得智能体能在与OS环境的持续交互中优化策略，具备自主执行任务的能力[5] 当前技术面临的挑战与局限性 - **生态覆盖有限**：面对微信、淘宝、小红书等高频应用，智能体常因无法精准调起原生应用，被迫降级为网页搜索或通用问答，“服务直达”退化为“内容检索”[10][11] - **复杂任务能力不足**：测评显示，豆包手机助手在59.86%的复杂任务上取得成功，失败案例集中在复杂指令解析精度不足、动态环境执行鲁棒性缺失、长程交互上下文管理混乱等方面[10][11] - **隐私安全风险**：当前架构严重依赖云侧GUI模型处理屏幕理解与操作，相当于将用户数字生活映射至云端，触及了应用厂商的数据红线，已导致对微信、淘宝等核心应用的支持被暂停[9] - **个性化与主动服务能力不足**：本质仍是“用户下令-智能体执行”的被动工具，缺乏对用户深度理解，无法提供基于个人习惯的主动服务[12] 端侧智能的未来演进方向 - **端侧智能（隐私安全）**：未来AI手机生态必须确立“端侧原生、端云协同”原则，涉及用户隐私、实时交互的私有数据必须在端侧形成闭环，云侧则处理通用逻辑与专业需求[12][14] - **全模态智能（环境感知）**：下一代感知需从“多模态”走向“全模态”，在统一架构下融合文本、图像、视频、音频等信息，并从“静态采样”走向“动态流式”处理，实现实时增量式理解与决策[18][19][20] - **自主智能（复杂决策）**：需在泛化性、自主性与长程性三个维度实现突破，让智能体具备零样本泛化能力、应对动态环境的反思与错误恢复机制，以及管理长程交互上下文的类人记忆架构[22][24][25][27] - **主动智能（个性化服务）**：需完成从“被动响应”到“主动智能”的范式跃迁，具备基于用户历史行为和环境状态的意图预测能力，并通过“预先填充确认”等方式大幅降低用户交互成本[29][30][31] 行业竞争格局与未来展望 - **短期（1年内）**：预计更多手机助手将上市，应用厂商与操作系统厂商之间的“软硬对抗”将加剧，可能引发类似Web端“爬虫与反爬虫”的GUI层面技术对抗[35] - **中期（2～3年）**：竞争焦点将转向“个性化”，端侧模型通过持续学习用户数据，将进化成“持续成长的个人专属助手”，形成用户无法迁移的体验壁垒[36] - **长期（3-5年）**：端云协同架构走向成熟，高隐私与高频任务由端侧闭环处理，超复杂任务路由至云侧，同时将催生以智能座舱、AI眼镜为代表的AGI时代新型端侧硬件形态[38][40] - 大模型能力密度遵循“每3.5个月翻倍”的法则，技术发展正从“尺度驱动”转向“能效驱动，通过稀疏模型架构、软硬协同加速等技术，让更小模型实现更强性能，是端侧智能普及的关键[15][16]

作者｜冬梅 在通用大模型赛道尚未走出"长期投入期"的背景下，资本市场已经率先迎来新的叙事节点。 12 月 21 日，通用人工智能（AGI）公司 MiniMax（稀宇科技）通过港交所上市聆讯，并首次刊发聆讯后资料集（PHIP）版本 招股书。继智谱 AI 于 12 月 19 日披露招股书后，MiniMax 成为"大模型六小虎"中第二家通过港交所聆讯的中国大模型企业， 若按计划于明年初完成上市，这家成立于 2022 年初的公司，将成为全球范围内从创立到登陆资本市场用时最短的 AI 企业之 一。 385 人历时 4 年冲刺 AGI 全球第一股，MiniMax 赴港 IPO 聆讯 MiniMax 成立于 2022 年初，被认为是国内首批大规模应用"混合专家"（MoE）架构的公司之一——这种方法后来被 DeepSeek 采用并推广。 MiniMax 在招股书中将自身定位为"生而全球化"的 AI 企业，核心目标是研发具备国际竞争力的通用人工智能模型，并面向全球 市场展开业务布局。截至 2025 年 9 月 30 日，MiniMax 持有的现金及现金等价物余额约为 10.46 亿美元，为其持续投入模型 研发和算力资源提供了较 ...

文章核心观点 - 谷歌联合创始人Sergey Brin认为，当前AI在代码生成等关键任务上存在严重错误风险，可能更适合创意类、文字类等容错率较高的工作 [2] - 谷歌在生成式AI路线上曾因对技术浪潮的低估、算力投入不足以及对产品化风险的过度担忧而出现迟疑，让竞争对手抢占了先机 [2] - 真正的AI竞赛核心并非简单的“砸钱堆算力”，过去十年算法进步的速度远超规模扩张，算力是“甜点”，而算法与工程才是“主菜和蔬菜” [3][55] - 大学和工程教育在AI时代面临根本性挑战，需要重新思考其知识创造、传播以及人才聚集的物理形态在未来百年的角色 [41][42][43] 谷歌的创业历史与文化基因 - 谷歌起源于斯坦福博士阶段的自由研究环境，早期尝试过多种项目，包括失败的在线订披萨网站 [6][7][8] - 公司创立是技术授权失败后的“最后一个选项”，曾尝试以160万美元将技术授权给Excite但未成功 [10] - 公司创立之初就确立了宏大的使命（“整合全球信息”）和重视基础研发的学术精神，这深刻影响了其文化 [12][13] - 早期招聘大量博士，并基于对深技术的信任招揽顶尖人才（如Jeff Dean），奠定了其创新基础 [14][24] 对AI发展的观察与反思 - 谷歌低估了Transformer论文之后的技术浪潮，在扩大量级算力上投入不足，且因害怕聊天机器人“说蠢话”而过于谨慎，延迟了产品化 [22][23] - 谷歌的长期积累（如Google Brain、自研TPU芯片、大规模数据中心）使其仍能站在AI前沿 [24][25] - AI发展速度极快，竞争激烈，其最终能力上限和走向（包括超级智能）仍是未知数 [26][27][28] - AI目前更多是增强人类能力的工具，能提供各领域80%-90%的概览知识，让个体更有能力 [30][31][33] 对人才、教育与创业的建议 - 不建议因AI会写代码而放弃学习计算机科学，编码能力对AI发展本身至关重要，且AI生成的代码可能存在严重错误 [35][36][38] - 给创业者的建议是避免过早商业化，需将产品打磨成熟后再推向市场，以免被外部期待绑架，并以Google Glass为例说明了抢跑的教训 [50][51][52] - 在AI时代，大学需重新定义自身价值，在线教育和AI助手使知识获取民主化，但高密度人才物理聚集的“生态”价值仍需思考 [41][42][43] - 学术界到产业界的创新管道价值面临挑战，因产业界研发和规模化速度加快，但某些需要长期“发酵”的激进探索（如量子计算新路径）可能仍需学术界 [46][48][49] 未来技术趋势判断 - 材料科学是被严重低估的新兴技术方向，其突破对AI、量子计算等领域有巨大潜在影响 [56] - 生物与健康领域的分子科学、合成生物学同样充满机会，不应被AI完全掩盖光芒 [56][57] - 解决AI发展瓶颈的关键在于算法、新模型架构（如Transformer的替代者）和训练方法的进步，这些比单纯扩大算力和数据规模更重要 [53][54][55]