Industry 3176 articles

阿里手里的马，已经越来越多 了

GEO并非适合所有行业，需结合自身条件理性布局

大模型第一股，把自己摆上了货架。

“外卖”的仗才刚开始真打

不能说李斌不努力。

高端纯电这块最难啃的市场，大战刚开始。

带货视频常因画幅比例不匹配而影响投放效果，裁剪又容易丢失关键画面。本文分享一段提示词，让AI在理解画面元素后自动重构构图，将9:16竖版转为16:9横版，并实测短分镜与长视频的转换效果，附完整可复制的提示词。 我刷 X 的时候看到海幸分享了一个帖子，说可以用一段提示词把视频的画幅比例转换——9:16 的竖版变 16:9 的横版，不是裁剪，不是拉伸，是让 AI 重新理解画面然后重构构图。 提示词原作者是 @Framer_X。 我正好在小云雀里做了几条带货视频，刚好有这个需求，马上就去试了。 文末附了完整的提示词，复制就能用。 01 做带货视频的人都碰到过这个问题 有的平台要竖版，有的要横版，有时候还得来个正方形。 同一条素材，在不同平台下播放效果不好。 以前的做法要么重新拍，要么让剪辑师手动裁——费时间不说，裁完的画面经常不对劲，该看到的东西被切掉了。 我最近在小云雀里做了几条带货视频。 一条是紫水晶手串的，16:9 横版。 给了一张产品图，小云雀直接生成了一条带货短片。 还做了一条冰淇淋广告，9:16 竖版，三段分镜自动生成。 视频做出来效果还行，但画幅的问题马上就来了——竖版的想投横…

火山引擎开源OpenViking，以虚拟文件系统统一知识库、记忆与技能，通过L0/L1/L2分层加载优化Agent上下文检索。本文详解其设计思路、部署流程及Claude Code等工具接入实测，展示如何提升Agent信息利用效率。 最近在整理 Agent 的知识库和长期记忆时，我发现一个很有意思的开源项目：OpenViking。它来自火山引擎团队，定位是面向 AI Agent 的开源上下文数据库——解决一个越来越明显的问题：资料、记忆、技能和项目文件分散在不同工具里，Agent 虽然“能搜到”，却未必知道应该先看什么、为什么找到这些内容。我用它搭了本地知识库，又接入了 Claude Code、WorkBuddy、Cherry Studio，实际体验下来，它更像一套 Agent 的上下文基础设施，而不只是一个向量数据库。 项目地址：github.com/volcengine/OpenViking 01 OpenViking到底是什么？ OpenViking 把三类内容统一放进一个虚拟文件系统： Resources · 知识资料：项目文档、网页、代码和其他知识资料，是 Agent 工作时的…

即时零售增长迅猛，但“小时达”并非简单加个标签。本文从库存、订单、门店、运力四维拆解订单承诺的构建，指出真正的挑战在于付款前完成四重校验，并明确责任边界。适合电商产品经理深入理解即时零售的系统逻辑。 最近一组数据很扎眼：2025 年，餐饮、生鲜等即时配送平台交易额同比增长 30.3%；到了 2026 年上半年，即时零售交易额仍保持两位数增长。 增长落到需求群里，通常会被翻译成一句话： “竞品都上小时达了，我们也得尽快接。” 听起来像是多一种配送方式，再给商品加个“小时达”标签。 但我做电商第 8 年，折腾过品牌、跨境和新零售之后，对“只加一个标签”的需求已经有点条件反射了：页面上多四个字，后面通常不是多四个字段。 说明：下面是把多类项目中的常见矛盾揉在一起的脱敏综合场景，不对应某一家真实公司，也不冒充我的亲历案例。 大促前一周，品牌运营希望在周五前把 300 多家门店接入小时达。 商品产品说：“门店库存大于 0，我就展示小时达。” 库存产品提醒：“门店收银系统每 15 分钟才做一次全量校准。样品、店员留货、刚卖掉还没扫码的货，不一定已经扣掉。” 门店负责人接着说：“晚上 6 点到 8 …

同一套权重zero-shot从仿真直落真机

The United States and China joined other G20 nations in supporting light-touch regulation for artificial intelligence (AI) this week, creating rare agreement between the tech rivals and a potential foundation for further discussions ahead of an upcoming presidential summit. G20 nations agreed to adopt sector-specific rules for AI and avoid creating new AI regulators at a meeting in North Carolina. The Carolina Principles also call for close cooperation between governments and developers in...

让机器人在现实世界里真正发挥作用，到底需要什么？

不训练模型、不调参数

日本研究团队发布研究结果称，在往返于北海道和东亚的候鸟粪便中发现了耐药菌。这些细菌已被报告对多种抗菌药具有耐药性，可能正在跨国境扩散。团队 2024 年 9 月在北海道厚岸町的灰背鸥繁殖地采集了粪便进行分析。这种鸟夏季在北日本地区繁殖，一天平均在栖息地周边飞 25 公里；冬季则移动至 4000 多公里以外的东亚地区。分析结果显示，检测出了“嗜麦芽窄食单胞菌”。该菌会在免疫力低下者中引发肺炎和血流感染症，也被认为是导致新冠病毒感染重症化的原因之一。检测出的部分细菌对两种用于治疗该菌感染患者的药物表现出耐药性，通过蛋白质等的膜抵抗药物攻击的守护能力以及活动能力较高。分析遗传信息后发现，其中包含日本国内尚无报告案例的类型，有可能是从海外带入的。灰背鸥是杂食性鸟类。或许是它们在各处吃食的过程中，也把细菌摄入了体内。

具身智能现在太吵了。 行业里的人各自笃定，声音大的先被听见。最响的那些声音，往往离真实的进展最远。 真正在往前推的人，看的是谁在践行非共识，什么在真的往前走，以及谁心里有一张完整的图，而不是走一步看一步。 这些东西不会上热搜，但它们决定这个行业的下一步。 我们一直探寻这些。如果你也是—— 欢迎来到极客公园 In The Loop。👇 作者｜Li Yuan 过去一年，上海静安区最醒目的队伍之一，在兴业太古汇北广场上。114.5 米长的路易威登「路易号」，像是一艘巨轮驶入南京西路，引起游人纷纷拍照。 很快，隔着石门一路，对面可能会出现一个新的排队打卡点。 8 月 29 日，吴江路 169 号的一家 DQ 将重新开门。柜台后面，多了一名机器人店员。 机器人做冰淇淋，乍听并不新鲜。过去几年，类似的机器已经作为噱头出现过不少：一套专门为机器人设计的冰淇淋机完成大部分流程，机械臂只需要接住杯子，再把它递给顾客。与其说机器人学会了做冰淇淋，不如说人们重新造了一台更适合机器人操作的机器。 这一次不太一样。 Sharpa 的机器人做的是一杯大家熟悉的 DQ 暴风雪，从取杯、出料、加料到搅拌，全都按照 …

作者｜Li Yuan 编辑｜郑玄 2026 年 9 月 1 日，梅卡曼德登陆港交所。一个过去很少被大众看见的机器人公司，终于被公开市场标出了价格，首日收盘总市值约 124 亿港元。 上市之前，一级市场和基石投资者已经先给出了自己的判断。梅卡曼德此次引入包括苏格兰百年资管巨头 Baillie Gifford 在内的 9 家基石投资者，合计认购 1.86 亿美元。 成立于 2016 年，梅卡曼德和宇树一样，都是上一轮机器人创业潮里走出来的公司。 但从第一天起，梅卡曼德就没有把重点放在造一台机器人上。公司名 Mech-Mind 里的「Mind」，指向的是另一件事：给机器人做感知、识别和运动规划。 2017 年，梅卡曼德推出第一代 Mech-Eye、Mech-Vision 和 Mech-Viz：相机负责获取 3D 点云和图像，视觉软件识别物体的位置与姿态，规划软件计算机械臂怎么抓、怎么走、怎么避障。到了今天，具身智能、物理 AI 和世界模型讨论的很多问题，仍然绕不开这些环节。 梅卡曼德卖出去的不是一台完整机器人，而是一套可以接到不同机械臂和产线里的智能组件。十年下来，这套东西被送进近 50 个…

虽然维基基金会拒绝自愿认可员工工会，但根据美国劳资关系委员会于 9 月 3 日公布的不记名投票结果：维基媒体基金会美国员工以 158 票赞成、14 票反对压倒性多数通过了组建工会的决议，有效票数占 91.9%，投票率 81%。维基媒体基金会发表声明，表示尊重结果，接下来将与工会展开集体谈判。

蒸馏解决“值不值得”，泛化解决“能不能大”，跳过其中任何一层空谈下一层，得到的都只会是又一个无法复制的demo。

“低研发、高毛利”的经营逻辑备受市场质疑。

Nvidia's PAIR (Personal AI Router) automatically spreads local AI requests across all available devices on a home network, cutting wait times for parallel agent tasks. The article Nvidia wants your home network to work like a mini data center for local AI appeared first on The Decoder.

Apple’s next flagship smartphone, the iPhone 18 Pro, could cost as much as US$1,319 for the base configuration as skyrocketing memory costs push smartphone prices to record highs, according to a recent report. Prices for the new iPhone line-up were projected to rise by 10 to 20 per cent, driven by soaring memory costs, market research firm TrendForce said in a report released on Thursday. Compared with the baselines of US$1,099 for the iPhone 17 Pro and US$1,199 for its Pro Max variant,...

联合国大会周五投票决定是否淘汰传统的墨卡托投影法地图，改用一种能更准确展现非洲面积的地图。墨卡托投影法地图由比利时佛兰德地理学家杰拉杜斯·墨卡托在 1569 年绘制，一直是全球标准地图，其缺点是高纬度地区面积变形失真，纬度越高变形越严重，接近南北极的高纬度地区如格陵兰面积被失真放大数倍之多。地图显示非洲的面积与格陵兰岛相仿，但实际上非洲大陆的面积是其 14 倍。历史学家和地理学家多年来一直指出墨卡托投影法源于西方刻板印象，部分活动人士甚至创造了“制图殖民主义”一词。改变地图的决议由多哥提出，得到了非盟的支持。联合国决议不具有强制执行力，如果投票通过，可能会促使课程和日常技术更新地图。

AI power integrity now lives inside the package, not just the PCB. Treat chip, package, and board as one PDN. The post When the Package Becomes an Electrical Design Variable appeared first on EE Times.

Google 发布 Gemini 3.8 Flash 的同时，深入探讨了 Harness Engineering 的重要性。本文对比 OpenAI、DeepSeek、Google 三大厂商的 Harness 路线，解析如何通过工程架构让 Agent 稳定、安全地完成复杂任务，并揭示未来企业评估 Agent 的关键指标。 9 月 2 日，Google 正式发布 Gemini 3.8 Flash，这是目前 Google 最强的 Flash 模型。同一天，Google AI 的开发者账号发布了一篇值得看的技术文章：《What is harness engineering and why should I care?》。 一边继续升级模型，一边讲 Harness Engineering，比单看某个 benchmark 更有意思。整个 Agent 行业越来越清楚地认识到一件事：模型决定 Agent 有多聪明，Harness 决定这份智能能不能持续、稳定、安全地完成工作。 这也是为什么今年 OpenAI、DeepSeek、Google，甚至 NVIDIA，都开始把大量工程资源投到模型架构。 一、H…

豆包工作Agent把周报、表格、PPT和定时Skill整合进一个入口，实测可用性测试数据清洗、9页汇报PPT生成和竞品追踪日报都能连续完成。相比多工具拼接，它的价值在于任务云电脑执行、多端共享上下文，以及关键操作再确认的可控性。 8月份国内多家大厂把自己的招牌产品整合为办公 Agent 产品向个人和企业开放公测。一个信号已经很清楚：办公 Agent 的竞争，不再是谁会多写一段文案，而是谁能把文件、数据、协作和定时任务接成完整工作流。 豆包全新推出的独立端「豆包工作」也是沿着这条路往前走：一句话派活，自动完成写周报、整表格、数据分析、做 PPT、调用 Skill 等复杂办公任务。 但这次更值得看的，不是电脑里又多了一个 Agent，而是同一个入口能不能接住一周里的不同工作。文字、CSV、图片、PPT 和 Skill 不需要在多套工具之间来回搬；重任务可以放在云电脑里继续执行，手机、PC、Web 多端协同共享上下文。 豆包工作Agent有何不同之处？ 第一个差别是任务不必跟着电脑走。不少“手机操控电脑”的方案，本质上仍要求那台电脑保持开机；一旦合盖或断线，定时任务也跟着停。豆包工作采用本地…

一个经营分析的 AI 智能化需求背后，产品负责人与 FDE 负责人争论不断。拆解 B 端 Agent 产品如何分层：规则、Workflow、LLM 节点、Agent 各司其职，产品守住稳定解，FDE 承接边界外问题，让共性能力在真实业务里回流产品、沉淀底座。 前段时间在一家做数字员工公司的咨询过程中，我旁听了他们 FDE 负责人和产品负责人一场挺激烈的争论。 他们的问题是：AI 时代下，B 端的 Agent 产品到底应该做成什么形式？以及如何设计才能兼顾可处理问题难度、结果确定性和灵活性？ 一个业务的复杂度低的时候，可以保证它的确定性足够高，但当一个业务的复杂度过高的时候，使用工作流缺少灵活性、已经很难维护了，但是 Agent 驱动又很难保证结果确定性。 一开始聊技术，争论的是业务理解到底应该在什么载体上面，Workflow 在哪里承载？数字员工应该怎么定义？ 慢慢地聊到产品边界，产品负责人认为，产品一定要有边界，什么能做、什么不能做，必须定义清楚。否则客户每来一个需求，就得重新开发一次，最后做出来的不是产品，只是一套越来越复杂的项目平台。 而 FDE 负责人的观点正好相反，现在的大量…

配置中心若只是一组后台菜单的集合，能建东西却答不了被谁引用、改了影响多少、如何回滚。企业级配置中心应是平台业务规则的治理系统：追踪配置的身份、绑定范围、传播方式与版本，配置才从功能变成可治理的模型。 项目管理平台刚建起来时，配置通常是一组后台页面：工作项类型、字段、流程、角色、权限、视图，各自有一个新建按钮。管理员配置好“需求”复制给第二个团队，改几个字段再复制给第三个。一开始这种方式很快，真正的麻烦会在一年后出现：公司想给所有缺陷增加“根因分类”，管理员却发现系统里已有大量同名字段、相似类型和只差少数步骤的流程；直接删除“待验证”状态，所有引用它的空间、看板、工作项和自动化都可能同时受影响。 这时再打开“配置中心”，你会发现它只是把所有配置页面集中放在一起，能创建东西，却回答不了“这项配置被谁引用、修改影响多少数据、如何验证和回滚”。 企业级配置中心不是后台菜单的集合，而是平台业务规则的治理系统。 只有继续追踪配置的身份、绑定范围、传播方式、版本和存量数据，配置才真正从“功能”变成可治理的产品模型。读完这篇，你可以回去检查自己的配置后台：哪些“复制”按钮其实欠了一个绑定关系，哪些删除…