本字幕由TME AI技术生成
这里是best blocks 每日科技早报
我是你的ai 播报员
今天是二零二六年六月五日
第七十八期
今天早报的三条主线放在一起看
其实在说同一件事
Ai 正在悄悄重写我们和信息
算力
记忆之间的关系
第一条是open ai 官方介绍
Chat gpt 记忆系统的第三代眼镜
叫做dreaming v 三
它从根本上改变了ai 助手记住你的方式
第二条是阿里云工程师丛零搭建llmvt 知识库和五大ai 研发技能包的完整实战
把整个团队的研发工作流重新设计了一遍
第三条来自硅谷一百零一对space x 招股书的完整拆解
最亮眼的不是火箭
而是anthropic 和space x 签下的一笔三年四百五十亿美元的算力大合同
三条主线
记忆研发
自动化
算力格局
我们逐一展开
第一篇精讲来自open ai 官方博客
介绍chat gpt 记忆系统的最新一代
标题是梦境
更强大的记忆
让chat gpt 更贴心
我们先从头捋一遍这三代的眼镜逻辑
因为理解这条时间线
才感受到第三代到底跨了多大一步
二零二四年
Chai gpt 推出了第一代记忆能力
叫做save memories
也就是已保存的记忆
这一代的核心设计是主动触发chai gpt 在对话中遇到你提到的重要信息
比如你的职业习惯
偏好
就会把这条信息写入一个可查看可编辑的记忆状态
问题在于这个列表是静态的
你只能看到一条条孤立的记录
没有办法自动合并
矛盾的信息也没有上下文联系
二零二五年
第二代来了
叫做dreaming v 零
也就是梦境零代这里的梦境这个比喻很有意思
Open ai 借用了人类在睡眠中整理记忆的意向
Dreaming v 零的变化是记忆处理从对话中触发变成了后台异步进息
Cigpt 会在你不用谈的时候
悄悄回头处理你之前的对话
把散碎的信息综合成一份更完整的记忆状态
但这一代的问题是效率不够高
处理成本限制了它只能对付费用户开放
二零二六年
第三代dreaming v 三发布
这一代的技术核心是后台进程能够从大量历史对话中合成记忆状态
而且始终为每一次新对话提供最新最相关的上下文
而不是查询时临时拼凑几条记录
这里有一个很重要的区别
旧模式是查询时检索向图书馆找书
新模式是始终携带像你脑子里随时在线的背景知识
Dreaming v 三带来了三大核心能力
第一个是跨对话携带上下文
你今天说的是明天开新对话时
Cht gppt 已
已经知道
不需需你重新遵循背背
第第个是和持续遵循偏好
比如你告诉他我不喜欢用被动语态
它会在后续所有对话里都记住这一点
第三个是随时间自动修正过时的记忆
比如你之前说我在学python
后来说我已经在用python 做项目了
它会自动把前者覆盖
不会让两条矛盾的记录同时存在
第三个率上
Dream v 三相比上一代提升了大约五倍
这是让free 用户也能开放记忆能力的关键前提
同时plus 和pro 用户的记忆容量同步上调
文章里有一组对比案例很有说服力
同一个用户在没有记忆的情况下和chai gpt 聊得到的是通用回答
开启dream v 三之后
Chi gptt 知道对用户是工程师
有两个孩子
最近在准备晋升
面试给出的回答完全不同
更像是一个了解你的顾问
而不是一个刚认识你的助手
从产品战略来看
记忆系统的三代眼镜其实是open ai 在把ai 助手这个概念的定义从能干活的工具拉向真正认识你的助手
这个方向和best blocks 正在做的个性化推荐有相当高的共鸣
本质上都在解决同一个问题
怎么把ai 随着时间变得越来越适合你这个人
下一篇精讲
我们来看一个更工程化的方向
怎么把ai 能力内化到整个研发工作流里
第二篇精讲
来自阿里云开发者的工程实战
文章标题是ai 研发自动化
Viki 知识库加技能包
这篇文章是一位工程师从零开始亲手搭建的完整记录
很有参考价值
先说背景
作者的起点是一个已经积累了三千零三十八个java 文件的ddd 代码仓库
再加上上百份文档
这些东西散在不同地方
新人开考问题么么辅助效果也不好
因为没有一套统一的知识底座
作者想解决的问题是怎么让ai 真正理解这个系统
而不只是靠通用能力打补丁
方案的第一块是llmvk 知识库
这个模式来自人工智能研究者curpeacy 在二零二六年四月提出的构想
核心思路是把代代仓库库里沉文知识识不只代代码本身
还包括设计决策
模块边界
命名约定
常见坑点
系统整理成一个活知识库
这个知识库不是文档快照以及随着代码演进
持续更新的动态文件
合作者者这三千多个java 文文件文档经过分析析提炼整理理了一套套构构化的llmvi
整个过程不是简单的文件搬运
而是要识别哪些信息对ai 的理解最有价值
包括领域模型
边界服务
调用关系
数据流向
以及那些代码里没写
但老工程师都知道的隐性知识
方案的第二块是五大ai 研发技能包
分别是技术方案撰写
代码评审
自动化编码
测试生成
问题排查
每个技能包都是一套精心设计的提示词和工作流
告诉ai 在这个场景下怎么思考
怎么操作
用什么代准衡量输出质量
这里有一个细节很值得关注
技能包的提示词从最初的五百行精简到了两百七十行
作者把这个过程描述为抽取灵魂
也就是去掉所有冗余的解释
只保留真正影响ai 行为的关键约束
这个过程本身就是一种工程素养
知道什么是核心
什么是噪声
先把方案落地之后
效果体现在几个方面
Ai 在代码评审时能准确识别违反领域边界的写法
自动化编码时能遵守项目的命名规范和模块约定
技术方案撰写时能主动考虑系统里已有的模式
不重复造轮子
文章的最终目标
作者用了一句话概括是用户提供prd
剩下的工作都交给他
这个目标现在还没有完全实现
但这套知识库加技能包的组合
已经让这个目标从遥不可及变成了有路径可走
这篇文章对正在推进ai 研发自动化的团队有很高的参考价值
尤其是那些有历史代码包袱文档分散整i 效果不稳定的项目
核心方法论其实可以概括成两步
这把你的系统知识结构化
再把你的工作流长场景化
只有这两步都做好了
Ai 才能从通用助手变成真正懂你的系统的工程伙伴
金讲一和精讲二分别从产品册和工程册说明了ai 能力深化的方向
下面第三篇金讲
我们来看一个更宏观的视角
Ai 算力市场正在发生的格局变化
第三篇精讲
来自谷谷一百零一的深度内容解读
Space x 招股书里一些被主流媒体忽略的关键信息
标题是人类史上最大ipo
Space 附靠的不止是件件了
Space x 的ipo 消息息一出
大部分媒体的注意力都在新建新链接类附用这些航天叙事上
但硅谷一百零一的解读角度是
招股书里最值得关注的不是那些你已经知道的航天成就
而是几个让人意外的商业解构细节
最重磅的信息是anthropic 和space x 之间的一笔算力大合同
招股书披露
Anthorropic 每月向space x 支付十二点五亿美元
购买位于孟菲斯的closses 一和closses 二数据中心的算力
合同期限到二零二九年
三年总价合计四百五十亿美元
这笔钱有多大
放到space 营收结构里就很直观了
Space ace x 在二零二五年的年收入是一百八十七亿美元
Anthorropic 这一笔合同按年化折算是一百五十亿美元
直接把space x 的预期年收入推高了百分之八十以上
也就是说
Space x 的ipo 故事相当大一部分已经是ai 算力租赁生意
不只是航天
这件事背后有一个结构性逻辑
Ai 公司对算力的需求已经大到足以改变非ai 公司的商业模型
Anthropic 训练和运行大模型需要的算力规模
让它成为了space x 算力资产的主要承租方
这笔合同的存在侧面说明专用算力基础设施的价值有多高
以及为什么科技公司都在抢着建数据中心
第二个值得关注的细节是比特币持仓
招股书披露space x 持有一万八千七百一十二枚比特币
在非加密货币原生公司中持币量排名第一
这不是一个小数字
按当前价格折算是相当可观的资产
Space ace x 没有解释为什么持有这么多比特币
但这个事实本身就说明公司在资产配置上有相当激进的风险偏好
三个细节是投票权结构
招股书显示马斯克控制大约百分之八十五的投票权
这意味着公司治理上外部股东的话语权极其有限
章程里还明确禁止集体诉讼
这对普通投资者是一个重要的风险提示
文章还提到了v 三新建首飞的意义
V 三新建的推力比v 二提升了大约百分之二十五
如果后续能实现完整的可复用验证
新链卫星的发射成本会进一步压缩
对芯念收入的拉动效果是可以预期的
但硅谷一百零一的判断是
对于理解space x 的ipo 估值
Anthropic 那笔算力合同的短期确定性收益
其实比新建的长期技术故事更关键
这篇解读给我一个很深的印象
我们习惯把公司贴标签
Space x 是航天公司
Anthropipic 是ai 公司
比币币是加密货司
比现实的商业结构早就不是这样分类的了
Ai 算力需求正在成为一条隐性的纽带
把原本不相关的行业连在一起
重新定义谁是谁的客户
谁依赖谁的基础设施
精讲部分到这结结束
下面是今天的快讯内容
共六条
第一条
关于mcp 生成式ui
一篇文章探讨了如何为mcp 应用设计超越组件的生成式界面和人机协作画布
核心论点是mcp 的价值不止在于工具调用
而在于让ai 能够动态生成适合当前任务的交互界面
而不是把所有交互都塞进一个聊天框里
文章提出了深成式画布的概念
Ai 可以根据任务类型动态渲染不同的操作面板
让用户和ai 在同一个可视化空间里协作完成复杂任务
这个方向对正在做ai 产品的团队有参考价值
尤其是在思考如何设计ai 和用户的协作边界时
第二条
来自yc 的创业者实作框架
文章讨论了如何打造ai 原生服务公司
提炼了几个关键阈值
一是低信任
高智能的业务场景是最适合ai 原生服务的切入点
意思是那些客户不太在意谁来做
但需要高质量结果的任务
二是监管壁垒
能在有合规要求的行业里落地ai 服务
往往意味着更高的护城河
三是利润率门槛
Yc 的判断是ai 原生服务公司应该瞄准百分分之五十上的利润率
这是检验aai 是否真正替代了人力成本的财务指标
这套框架对判断一个ai 服务方向是否值得投入是个不错的思考工具
第三条
一份关于agent memory 的系统性评测综述
文章从基准设计评估方法和记忆系统架构三个维度梳理了当前ai 智能体记忆能力的研究全景
这是一篇理论性较强的文章
适合正在做智能体记忆模块的工程师和研究者参考
了解现有基准测什么不测什么
以及当前记忆系统设计的主流路线和盲点在哪里
第四条
一篇用ai 生产内容的复盘文章
作者总结了用ai 辅助内容生产二十期的经验
核心问题是
Ai 知道你要什么吗
文章的结论是
大多数情况下
Ai 并不真正知道
他在做的是模式匹配
而不是意图理解
这个问题的根源不是模型能力不够
而是提示词设计和工作流设计没有给ai 足够清晰的意图信号
作者分享了几个经过验证的改进方法
对吧
Ai 用于内容创作的团队有一定参考价值
第五条
一篇非技术内容
来自一名精神科医生三年从业经历的回顾文章
文章的核心问题是人如何与痛苦共存
作者从数十年的临床经历出发
讨论了痛苦的本质
接受的意义
以及在不确定中找到立足点的方式
在ai 加速变化的时代
这类关于人的状态和心理韧性的思考反而显得更有价值
推荐在信息密集的工作节奏里偶尔停下来读一读
第六条
来自一篇对谷歌io 的深度复盘
文章的核心论点是认为谷歌还在追赶open ai 和anthropic 是对谷歌io 最大的误读
作者的论据是
谷歌在基础模型能力
多模态硬件算力
应用层分发渠道这几个维度上
其实都保持着相当有竞争力的位置
只是产品化节奏和叙事方式和open ai 不同
这个视角值得参考
尤其是在判断ai 大厂格局时
不要只看谁的发布会深量最大
今天三篇精讲说的其实是ai 影响力渗透的三个不同层次
最靠近用户的那一层是chat gpt 记忆系统的演进
Ai 助手正在从能干活的时具变成真正认识你的助手
工程层是阿里云
工程是把代码知识库和研发工作流重新组织
让ai 从通用辅助变成真正理解你系统的工程伙伴
基础设施层是antho ropic 四百五十亿美元的算力合同
这笔钱告诉我们
Ai 的算力需求已经大到足以重新定义一家航天公司的商业模型
Best blocks 每天从全网精选这类一手内容
帮你把握ai 领域真正值得关注的进展
想让早报越来越适合自己
可以试一下best blocks pro 早鸟内测
关注你感兴趣的来源
配置兴趣标签
每天收到一份属于自己的我的早报
这里是best blocks
发现真正适合你的高质量内容
明天见