本字幕由TME AI技术生成
今天是二零二六年五月二十三日
欢迎收听best blocks 每日早报
这里是ep 六十五
今天三条精讲有一条隐约的主线
Agent 正在走向真正的生产及落地
而不同角色正在被不同方式回应这件事
Launching 的年度演讲里
他们画出了agent 架构的分叉路口
以天计算的尝试成知识agent 和亚苗响应的实时客户体验agent 两类系统开始走向截然不同的工程路径
Notion ceo 在c quare 的对话里讲的另一件事
当coding agent 可以被初级工程师同时驱动四五个
整个人才结构和组织模式必须重写
而质朴同步发布glm 五点一高速版
用每秒四百个token 的速度给这个故事提供了底层支撑
第一次让旗舰模型的质量跟极低延迟同时存在于生产环境
而三条放在一起
描述的是agent 时代一个完整的切面
基础设施
组织结构
模型能力三者正在同时被重写
我们一条条来说
第一条精讲来自launching
是他们今年interact 大会上的主题演讲
视角相当于往前看一年
预测interrupt 两千零二十七时
整个agent 的产业会演变成什么样的
演讲的核心判断是
A ent 的架构正在发生结构性分叉
以前讨论agent 往往假设存在一个统一的技术路线
但launching 的团队察察到两类完全不同的生产需求正在拉开距离
第一类是尝试成知识路线
这类系统的任务往往需要运行数分钟甚至数天
典型场景是复杂数据分析
深度研究
跨系统资产整合
它依赖安全的代码执行
相相需要多的的协调依赖
分层子的的速度
整体设计目标是最终结果质质量
而不是单次响应的速度
第二类是亚秒延迟的客户体验两测
用于客户支持销售自动化实施
交互延迟是这类系统的生命线
传统的语音agagagent 是把语音识别和语音合成和语文本模型两侧
但这条路延延迟无法做到真正性分差
Launch 预测行业无快速转向原生语音模型
让语音直接进语音直接出
绕过文本中间层
这个分叉的意义不只是技术选型
它意味着团队在立项的时候就需要先问清楚自己在构建哪类agent
因为两条路径的工程取舍几乎没有重叠
Launching 同时发布了lengsmih fleet
这是一个面向领域专家的无代码agent 的构建平台
这是两百多个原生集成通过合作伙伴关系拉通了
另外七千五百个长尾工具也支持开放的mcp 协议
最有说服力的数据来自他们内部
他们把自己的销售agent 从定制代码迁移到fleet 之后
商机合格率提升了百分之二百四十
每位客户经理每月节省了大约四十个小时
这不是demo 数字
是他们团队本身跑出来的实际生产指标
围绕持续学习
演讲里提到了三层优化循环
模型层对基础模型进行任务特化微调
Harness 层自动化的迭代连接大模型和工具的应用代码
以及上下文层通过外部文件本地记忆和配置摘要来调整运行式行为
Launching 宣布了内部的launching 部门专门跟踪生产链路历史来做harness 自动优化
整体来看
这次演讲给agent 的落地画出了一张清晰的地图
两类架构不是竞争关系
而是面向不同问题的不同答案
团队要做的是尽早想清楚自己属于哪条路
第二条精讲的切入角度跟第一条形成了有趣的呼应
Launton 讲的是agent 怎么分叉
Notion ceo 讲的是公司怎么随之重组
这是squsquia 做的一期深度对谈
对话者是notion 的创始人兼ceo
Squsquia 的记者形容它是重新创始
但意思是他花了很大精力把一家已经成熟的c ze 公司从内部重新业业
他引入了一个组织模型
叫爵士乐队模式
对应的反面是进行曲乐队模式
进行曲乐队靠严格的自上而脚脚运运行
每个人在固定位置按节拍走
爵士乐队不一样
有共享的结构作为底板
但每个人在这个结构内高度自制
随时即兴听彼此
然后接续
他说notion 现在希望成为一支爵士乐队
而不是一支进行曲乐队
这个比喻在ai 时代尤其准确
因为基础模型的输出本身就是概率性的
如果组织本身是高度机械的
遇到模型的不确定性就会卡住
关于产品开发
他用了造桥和酿啤酒来对比
传统软件是造桥
高度确定性
先设计好再按图施工
用ai 做产品更像酿啤酒
你没办法直接告诉酵母该产生什么风味
你只能把最好的原料放进去反复实验
看看最终发酵出什么
这个比喻精准指出了为什么传统的pm 流程在ai 产品开发里会碰壁
因为传统pm 流程依赖的是确定性的需求传导
而ai 产品的核心竞争力是实验速度
最有冲击力的部分是notion 的人才结构改造
他把工程团队重组成了哑铃型
两端是截然不同的两类人
一端是高级架构师
负责品味方向
系统结构
这些是模型没法替代的
另一端是刚毕业的初级工程师
他们的角色不是靠手写代码证明自己
而是同时驱动四到六个coding agent
传统意义上的中间层
也就是有几年经验
靠熟练度输出价值的工程师这个层级的需求开始收缩
因为agent 可以承担大部分原本需要熟练度的工作
他还提到解散了cmo 职位
把营销职能拆成两块
一块专注品牌叙事
直接嵌入产品团队
另一块处理增长和商机转化
他的观点是
每家公司的创新点是稀缺资源
不能到处扑
必须集中在真正有差异化价值的地方
其他地方用承受模式就好
这段对话是对notion 内部变革的一手叙述
里面的框架不是理论
是经过真实组织实验的具体总结
第三条金讲切回基础设施层
但角度不是抽象的架构
而是一个具体的速度数字
智朴发布了glm 五点一高速版api 输出速度达到了每秒四百个token
这是目前全球大模型api 中可查的最高速度记录
这个数字本身已经够有冲击力
但这条消息真正值得关注的地方在于
它打破了一个行业惯例
快的模型必然是小的模型
过去确实是这样
但高速推理的通常是轻量化模型
旗舰模型的质量和低延迟几乎是一对矛盾体
Glm 五点一高速版说
这次两个都有旗舰质量
每秒四百个token 稳定生产级能力不是压力测试下的峰值
为什么在coding agent 场景里这个数字特别重要
他们在文章里有一段说的很具体
一个coding agent 任务往往需要几十轮模型调用
单轮响应慢几秒
累积下来整个任务耗时就会拉长十几分钟
做大型代码重构的时候
每一步响应慢一秒
逐步累加又是几分钟的空等
速度不只是体验问题
是整个agent 工作流的效率乘数
技术上这个速度怎么实现的
背后是tie rt 推理引擎做的系统级优化
传统推理框架的问题在于调度力度太粗
每个算子都要走完整的启动
读权重计算
写回同步这条链路
在单token 小批次多卡并行的场景下
这些看起来微小的开销会被迅速放大
Til t 的解法是在编译器把整个计算图静态编排成一个常驻gpu 的引擎内核
算子之间的中间结果不再写回显存
而是通过寄存器共享内存和二级缓存直接传递
省掉了主机调度和跨算子同步的开销
整个推理过程只需要启动一次内核
不是运行时动态调度
而是编译时提前确定
从工程角度看
这类系统级优化的价值不只是让一个模型变快
而是证明了一个方向
推理速度还有很大的挖掘空间
不一定要靠更小的模型来换取低延迟
用系统工程可以在质量不损失的情况下把速度推上去
结合第一条lanuncheck 的判及
Coding agent 密集调用场景正是当前增长最快的生产部署类型之一
第二m 五点一高速版的发布
恰好落在这个需求窗口里
接下来是今天的速览部分七条
第一条
Spotify 把ai 开发方式规模化到三千名工程师的经验
他们结合cloud code 内部标准化代码库工具fleet shift
以及一个叫hunk 的agent sdk 工具
完成了覆盖全工程团队的ai 辅助开发推广
一个具体的成果是把java 代码库升级任务压缩到了七十二小时内完成
规化ai 开发不是单靠工具
他们建立了验证闭环来保障质量
这是这篇内容里值得重点关注的部分
第二条
阿里云在年度峰会上宣布了agenty cloud 全栈升级
发布了三十二项面向agent 的新产品
包括自研芯片旗舰模型q one
三点七max
以及全新的千问云产品
阿里云cto 的判断是
云服务的使用主体正在从人转向agent
这次发布是在响应这个判断的战略转向
覆盖面相当全面
第三条
来自huggface ace 分析析章包括结论
论专业业化业规模
模 们
们实测测据是一个三
三亿参数数专业业模
模型在结构化ocr 任务上超过了所有主流商业api
而成本大约是后者的五十分之一
这条数据对ai 采购决策有直接参考价值
模型参数量和能力之间的线性关系在细分场景下正在瓦解
第四条
来自ffo q 的
的例 例研究 绍
绍matrereality 怎
怎么构建laabi 原
原工程文化
化一个小型社
社区的规模文化应用框架
他们记录了整
整路 路径
给出了 了量
量化生产
产力提升 据
据于正在推
推进内部ai 开发文化转型团队
这是一个很有参考价值的样本
第五条
阿里云开发者的一篇梳理文章
系统回顾了a 键技术从早期react 框架到自进化阶段的四个发展阶段
类统提示
系规规划
一一工工程流
环境境个维度做了横简面分析
第篇篇章章适需要对对键技术术完整整脉认知的作者作为背景知识识梳理做的比较扎实
第六条
李飞飞团队发布了新的空间推理基准测试esi bench
这个基于跟以往的静态图像理解不同
他要求a 键通过主动行动来完成空间推理任务
类似于让模型在一个环境里移动和观察
而不是看一张图回答问题
测试结果揭示了当前ai 在行动策略和原认知略上根本缺缺如六求说im net 定义义图图识识别评测标准
这个方向向可能会对空间智能领域产生类似的锚定作用
第七条
Open ai 和anstropic 的财务对比
有媒体分析了两家公司在二零二六年一季度的财务表现
核心发现是两家公司走向了截然不同的盈利路径
Anthrobic 已经开始盈利
而open ai 处于赚一块亏一块二的状态
背后的原因是商业模式的差异
消费端订阅和企业端客户在成本结构和毛利率上有本质区别
这个对比很有参考价值
尤其对于判断两家公司后续的产品策略会有什么分化
最后简单带过几篇补充阅读
都放在今天胸透子里
阿里技术发了一篇丛林搭建个人agent 助手的方案
从react 框架到记忆系统rag 工具调用的完整实践路径
干货密度比较高
适合打算动手的读者
腾讯云有一篇关于agent 记忆优化的技术文章
他们用上下文卸载结合mamay 的无线画布的方案
在超长绘画场景里节省了大约百分之六十一的token 消耗
同时把任务成功率提升了百分之五十二
工程细节很具体
I combinator 有一个演讲
讲如何用ai 构建自我改进型公司
核心思路是把整个公司重构成一个由传感器
策略工具和学习系统组成的递归循环
而不只是用ai 辅助单点效率
还有一篇space xipo 的分析
目标估值在一万七千五百亿到两万亿美元之测
关划六月十二日敲钟
Starlink 是现金流
旗下ai 业务的不同项目高估值依赖ai 加航天的早事
马斯克通过多重股权结构掌握约百分之八十五的投票权
这个治理结构本身也值得关注
这篇对理解ai 基础设施投资逻辑很有参考价值
今天三条精讲合在一起
讲的是agent 走向生产时
整个生态系统的协同变化
架构在分叉
组织在重组模型
基础设施在突破原有约束
这三件事不是孤立的
它们是同一个趋势的不同侧面
如果你想把今天的阅读往深里走
Best blocks 平台上有今天所有内容的原文链接和ai 解读
都在show 此里
想要每天收到一份按照你自己兴趣过滤的早报
可以试试nobest blocks pro 内测
关注你感兴趣的来源
配置兴趣标天
每天收到一份属于自己的我的早报
感谢收听
明天见