本字幕由TME AI技术生成
嘿 大家好
我是吉o
今天是二零二六年三月三十号
周一
周末攒了不少好内容
今天信息量比较大
先说最值得关注的三件事
Open ai 给codex 加了插件系统
好的 是一个
挺有意思
等下展开聊
Meta 发布了cm 三点一
就是那个万物分割模型的新版本本引入了一个叫对象多路复用的技术
在视频处理速度上很大突破
还有一篇来自tidb 的深度文章
讲的是当数据库的的深度户户从人类变成了i 智能系
整个架构该怎么重新思考
好
我们一个一个来
先说codex 的插件
三月二十五号
Open ai 宣布codex 正式支持插件工具
首批上线了超过二十个插件
这个变化该怎么重新用
系引因入意味着codex 不再只是一个写代码的工具了
而是开始变成一个集成的开发工作平台
具体来说
这些插件覆盖了开发者日常工作中最常用的几类工具
项目管理类的有linear
Jerra 和notion
设计协作类的有figma
错误监控类的有三和data dog
沟通类的有lack
Ack 和gmail
文件管理类的有google drive 和box
甚至还有huggface 的集成
方便直接调用模型技术实现上有一个细节很关键
这些插件的底层用的是mcp 协议
全称是模型上下文协议
这个协议最早是anthroropic 提出了一个开放标准
用来让ai 模型连接外部工具和数据源
Open ai 现在也采用了这个协议
说明mcp 正在成为行业通用的连接标准
插件的工作机制是这样的
当codex 开始执行一个任务时
它会在云端容器里启动对应的mcp 服务
这样cocox 就能在编码过程中直接从centriy 拉取错误数志
从data dog 查看监控数据
从linear 获取项目上下文或者访问notion 里的文档
不再只是对着代码环境活
而是能知知整个开发环境的状态
每个插件本质上是一个安装包
里面的工的工样包工西配配置的技能也就是可复用的工作流程模板
应用集成的配置
还有mcp 服务器的设置
在的客户端命令行工具和vs code 插件里都能用
行业里的讨论也挺有意思
大家普遍认为这是open ai 对cloud code 的一次正面回应
Cloud code 最近在开发者群体中的增长势头很猛
一百美元一个月的价格也比codex 的两百美元更有吸引力
不过也有观点指出
Codex 的插件虽然缩小了功能差距
但还没有完全消除
因为cocox 是在云端沙箱里运行的
天然有延迟和隔离的限制
而cloud code 可以直接在本地环境里执行命令跑测试
这种本地化的能力目前插件还替代不了
个个觉得得管管终终谁胜出
开发者是最的的受覆者
Ai 编程工具竞争正正在从单纯的代码生的覆盖转向对整个开发工作流的覆盖
插件化
平台化是一个必然趋势
换个话题
聊聊计算机视觉领域的一个重要更新
Meta 在三月二十六号发布了cm 三和它升升版版m 三点点
Cmm 是sement anything model l 的缩写
中文叫万物分割模型
这个系列一直是计算机视觉领域的标杆性工作
先说cm 三相比前几代的核心变化
在cm 一和cm 二主要处理的是图像分割
任务
你给它一个点击或者一个框
它帮你把目标物体的轮廓精确的抠出来
但它们有一个限制
只能识别预定义标签集合里的物体
比如你可以让它识别人车猫
但如果你想找红色条纹雨伞这种没有预训练过的概念
它就搞不定了
Cm 三突破了这个限制
它支持文本提示和图像示例两种方式来定义你要找的目标
你可以直接打字告诉他黄色校车
也可以给他一张示例图片让它找类似的物体
而且它能同时处理图片和视频来检测
分割和追踪这三个任务上做到了统一
在基准测试上
Cm 三的表现非常亮眼
衡量识别准确度的f 一分数
简单说就是综合考虑找得准和找的全的一个指标
Cm 三相比之前最好的模型直接翻倍了
用户偏好测试里
Cm 三的输出被选中的概率是最强对手的三倍
然后重点来了
Sam 三点一的核心创新是对象多路复用技术
之前每追踪一个物体都需要单独跑一次推理
如果视频里有十六个物体
就要跑十六次
Sam 三点一把多个物体分组放进固定容量的同理
一次推理就能同时处理最多十六个目标
实际效果是什么呢
在一块h 幺零零gpu 上
中等数量物体的视频处理速度直接翻倍
从每秒十六帧提升到三十二帧
而在一百二十八个物体的极端场景下
推理速度更是提升了大约七倍
同时精度没有损失
实际应用方面
Meta 已经把sam 三用在了facebook marketplace 虚拟摆放功能里
帮用户在买家具之前预览效果
Instagram 的edit 应应用会很快用上
让创
创作者一件给视频里特
特定人物
物体体添加特效
让创领领域
Ta 和保护组织合作发布了了一个生物物物监测据集
包含含过一万万摄摄像头视频和一百多个物种的标注型权重和代码
已经全部开源
Hithub 和hahagking face 上都能找到
还有一个在线的playground 可以全部适用
第三个话题
可能是今天最值得开发者深思的一篇
Tidb 的联合创始人兼首席技术官黄东旭写了一篇文章
标题就很直接
叫当数据库的主要用户不再是人类
他们在tidb cloud 上观察到一个数据
过去一年
每天新创建的数据库集群中
超过百分之九十不是人类创建的
而是ai 智能体自动发起的
这不是某个极端客户的特例
而是正在成为常态
智能体创建数据库
生成表结构
写查询语句
跑实验
销毁数据库
全程不需要数据库管理员介入
这个趋势带来了四个核心挑战
第一
海量短命实例
传统应用是一个产品一个数据库
但在智能体场景下
变成了一个智能体
甚至一个绘画就需要一个逻辑数据库
他们有一个客户
三个月创建了近百万个数据库租户
其中百分之九十九是一次性使用的
按照传统云数据库每个实例每月十几到二十美元的定价
百万实例的成本直接让商业模式崩盘
第二
数据库变成了智能体的工作台
智能不只是往里存数据
他会用score 做清洗
统计
聚类分析
然后生成报告
更激进的场景是智能体帮用户搭建网站
网站要持续运营收费
这时候智能体创建的数据库就是一个真正的生产系统
第层层下文在变长
他没有客户的单条上下文达到三十到五十兆
包含文本和音频
这远超传统事务型数据库的舒适区
第四
流量完全不可预测
智能体可能凌晨三点突然发起密集查询
也可能连续几小时完全沉默
第东旭在文章里分享了三个真实案例
第一个案例是一个全球知名的ai 智能体平台
他们积累了两百万等待用户
但从发布等待列表到真正开放
隔了两个月
包住他们的不是产品
而是数据库方案
用他的原话说
数据库方案不是性能优化项
而是决定业务能不能上线线前提条件
第三方案案三层架构
第一层
一个物理集群承载海量逻辑租户
做到两千万张表以上的原数据承载能力
第二层
把计算和存储拆开
计算资源可以按需弹性伸缩
没人用的时候几乎缩到零
数据则统一放在成本更低的云存储上
第三层
接受合理的权衡
冷启动延迟大约几百毫秒
但在智能体场景里
这完全可接受
因为大模型推理本身就是秒级的
第二个案例来自ai 笔记硬件公司plot
他们的用户上下文最长到五十兆
传统做法是把大文件放到单独的文件存储里
数据库只存一些基本信息
但这样数据分散在两个地方
同步容易出问题
查询性能也上不去
最终变成一套很脆弱的复杂链路
他们的方案是把长上下文直接收回数据库字段
单字段支撑到一百兆级别
事务性和查询能力全部保留
架构大幅简化
文章最后还提到了一个更深层的需求
当智能体开始跨绘画
跨设备跨任务连续工作时
传统数据库能存数据
但缺少一层面向智能体的记杂机制去完成记忆的沉淀
索引
检索和注入
这个观察一成了开源项目mam 九的诞生
他给智能体框架提供了一套统一的记忆接口
底层用tidb 做数据存储
同时支持按语义相似度去检索记忆
已经集成了open 生态
我觉得黄东旭提出了几础设体系特别值得记住
简化架构比优化架构更有价值
Cloua i
智能体生成的查询语句和人类写的完全不一样
标准基准测试跑的再好
也不代表生产问题题好
记记层层将成为智能体基础设施的标配
好
接下来快速过一下今天其他几条值得关注的内容
第四条
天猫前端团队分享了他们在ai 辅助编程领域的实践经验
他们提出了一个很有意思的理念
叫水水编程
核心思路是不要让ii 层创
创作代系
而让他去组组具具怎记层呢
他们构建了基层创作体系
第四条
规格定义意图
开发规范
管体线约束代码模式
提供样板间骨架
简知知识包含内部组件和避坑验验
通过这套体系
他们业业代代的ai 采纳率做到了百分之九十七点九
用他们的原原说
好的ai 编码不是生产了多少生态代码
而是原创了多少代码
在可标准化的部分
原创越少
说明物料体系越完善
这个思路对很多团队都有参考价值
第五条
智普ai 发布了glm 五点一编程能力较潜在提升了近十分
比竟cloud open 四点六的水平
它支持大约二十万上下文程度
有推理模式
还兼容open ai 的接口规范
可以直接在cloucode 等工具里配置使用
用产模模型编
编程力上上追
越来越近了
第六条
Launching 工程团队发了一份智能体评估的检查清单
核心理念念手手更优先建议开发在
在建
建自动化评估体系之前
首手模试二
二十到五十条追踪记录来归类故障模式
检查清单覆盖了三个层级的评估单步全轮和规范
特别强调要验证实际的状态
规更由数据库库
不是 是的
更优新了
不只是看智智体体的本回复
做智能体产品品团队值得收藏了
第条条
端早读度发了一一深度度拆cloud code 配置目录的文章
从claodedmd 指令手册到rose 目录的模块快化管理
再到自定义命令和技能
系统提供了一套从零开始配置cloud code 渐进式实践路径
如果你已经在用clode code
但还没深入挖掘过配置能力
这篇值得看
第八条
Linux podcast 对前工程负总裁clarvo 做了一期深度访谈
克莱尔分享了他从open cloud 质疑者转变为忠实信徒的过程
提出了智能体团队的概念
核心观点是不要搞一个全能智能体
而是按职能拆分
比如销售助理
行政助理
家庭物流助理
通过分工降低每个智能体的上下文负载
他还探讨了智能体的三个核心要素
身份
灵魂和心跳
第九条是一期波客十字路口
对话了阿里云百炼的技术负责人余文渊
他提了一个很有画面感的概念叫一亿token 俱乐部
随着cloud code 和open cloud 这类智能体工具的普及
Token 消耗已经进入按月翻倍的阶段
他建议企业不要自建gpu
从成本
安全和灵活性三个维度分析了模型及服务为什么更优
还有一个反直觉的概断
因为代码质量高
逻辑封闭
结果可量化
底层系统工程师可能比前端工程师更早被ai 取代
最后 第十条
Keris 之ffransa
Solay 在y combinator 的节目中分享了他对深度学习局限性的反思
他认为当前的ai 系统可能正在遇到根本性的极限
并且介绍了他正在做的新项目ndr
这是一种用紧凑的符号程序来替代神经网络的全新范式
他还详细讲了为什么arc 减agi 基准测试从第一版演进到第三版
以及为什么达到真正的通用智能可能需要一条完全不同的路
好
今天就聊到这里
回顾一下
Codest 加插件意味着ai 编程工具之争进入了平台化阶段
Sm 三点一在视频处理效率上的突破
让实时多目标追踪变得更实用
而tidb 那篇关于智能体时代数据库架构的文章
可能是今天最值得花十分钟认真读的一篇
所有链接都在简介里
感兴趣的可以看看原文
明天见