Andrew Ng
Workera 正被培生 (Pearson) 收购！很荣幸能在这段历程中支持 CEO @kiankatan 及整个 Workera 团队。早在 2019 年，Kian 就敏锐地预见到严谨的技能评估将变得至关重要。随着近期 AI 技术的飞速发展，这一观点比以往任何时候都更加准确。Workera 通过严谨的技术评估不同任务和岗位中的技能，正帮助众多企业了解员工的长处与提升空间。
随着 Workera 与培生的强强联手，我很高兴看到在 @omarabbosh 和 Kian 的领导下，Workera 将有潜力服务更广泛的个人与企业。感谢 Kian 和 Workera 团队让我担任公司董事长，感谢你们从 https://t.co/zpIxRSuky4 和 AI Fund 孵化出 Workera，也感谢多年来的友谊以及你们在推动评估技术进步方面所做的卓越贡献。
OpenAI 与 Hugging Face 的黑客攻击是由于沙箱机制薄弱导致的。Nvidia 正在发布用于 AI Agent 沙箱化的开源工具，这非常及时。我们支持网络安全工作流的开源 Agent 框架 OpenWorker 很荣幸能对此提供支持。
沙箱可以为 Agent 提供受限权限。OpenWorker 将基于 Nvidia 的 OpenShell 构建，支持在沙箱内运行每个 Agent 的命令：仅允许与任务相关的文件进入；默认情况下，Agent 无法访问敏感 API 密钥、浏览器登录凭据或随意访问网站。这些限制是通过确定性代码实现的，而非依赖可能出错或易受提示注入攻击的 LLM 提示词。此外，所有操作都会被记录以供监控和审计。
感谢黄仁勋（@JensenHuang）的领导，让 AI Agent 变得更加安全。我和 @rohitcprasad 正在开发的 OpenWorker 将持续提升 Agent 的安全性。
过去两周，那些大肆煽动AI风险恐惧的声音势头正盛。AI技术并未出现任何意料之外的危险转向，但在一场疑似精心策划的公关攻势推动下，相关的炒作引发了广泛恐慌。我担心这将是该领域的一次挫折。
我曾多次指出，对AI的恐惧被过度夸大了。AI的能力可能表现出惊人的类人特征且难以预测，因此当业内人士表达担忧时，这种忧虑是理性的。但我认为这些问题预示着后续工程任务的艰巨，而非不可逾越的障碍或末日降临。AI技术在不断进步——这本身是好事！—但由于公众对技术的理解有限，每一次技术突破都给了炒作者反复煽动情绪的机会。
首先，与几个月前相比，我并未发现AI导致人类灭绝的风险有所增加。相关的理论依然停留在几个月前那种荒诞的科幻情节中。AI风险最大的变化在于其网络安全能力——这确实值得我们严肃对待——但这同样不会导致世界末日。
最近引发恐慌最显著的事件，是OpenAI团队部署了一组智能体集群并入侵了Hugging Face。大众媒体对此进行了大量炒作。例如，一些媒体报道称，由1200个智能体组成的集群执行了……
AI工程技能图谱：塑造构建方式
AI 工程技能图谱：使用编程智能体
AI 工程技能图谱：软件工程基础
OpenWorker —— 一个不仅能聊天，还能在你的电脑上执行任务的开源 Agent —— 发布了包含丰富安全工作流功能的新版本。
自发布以来，许多用户发现它在网络安全领域非常实用。攻击者已开始利用 AI；OpenWorker 致力于让防御者也能拥有同等的手段。运行 Agent 需要两个要素：(i) 模型，以及 (ii) 框架（模型周边的软件）。由于 OpenWorker 的框架完全开源，安全团队可以对其进行审计，确保不存在将代码和数据外泄给公司或外部势力的后门。
OpenWorker 现在内置了网络安全 Agent，可实现：(i) 代码漏洞扫描；(ii) 依赖项供应链注入检测；(iii) 云安全配置攻击面检查。这使开发者能够在部署前完成更多安全工作（即“安全左移”）。
你可以自主选择模型：支持完全本地运行开源权重模型，确保敏感代码绝不离开你的机器。这对于需要重现已知漏洞进行防御等合法安全研究非常有用，因为这类操作往往会被主流闭源模型拒绝。此外，你也可以使用 ChatGPT 订阅、Ox Alpha 等预览模型，或通过 API 使用任何模型。
感谢所有开源贡献者！
欢迎加入与 @rohitcprasad 的合作，也请关注他以获取更多动态。
在捍卫AI开放性的斗争中，Marin项目通过开源代码、数据、训练方案乃至实验结果，为模型训练的开放性提供了宝贵的范例。公开AI研究曾是常态；我很感激@percyliang 坚持的开放实验室模式。
AI 工程技能图谱：构建与部署 AI 应用
AI工程技能图谱
感谢 Mark、Alex 以及整个 Meta 团队对开源权重 AI 的贡献。
祝贺 @JeffDean, @Sanjay_Ghemawat, @OriolVinyalsML 和 @quocleix！以我对你们的了解，这一定会非常出色。为你们加油，祝愿这项重要工作一切顺利！
十五年前，Coursera 和在线课程改变了教育。其效果超乎预期，通过打破学习地点的限制，极大地扩展了受教育的机会。但学习方式在几个世纪以来基本没有变化：依然是“一刀切”，对每个人都采用同样的教学模式。
现在，我们有机会改变学习的方式。随着 AI 的进步，我们可以为每个人打造定制化的学习指南，将学习从“一对多”转变为“一对一”。我正在创立 LearnVector，旨在开创下一代学习模式。我们已获得 Coursera 1 亿美元的初始投资，并计划与 Coursera 及 Udemy 开展紧密合作。
优质的学习不仅仅需要一个聊天机器人。研究表明，缺乏约束机制的聊天机器人会对学习产生负面影响。它们虽能帮学生完成任务、提高作业成绩，但这种“认知外包”会导致学生能力下降。此外，聊天机器人的回答也并非
黄仁勋这一步走得妙。英伟达的这封信写得很精彩，值得一读。从 OpenAI 与 Hugging Face 的黑客事件可以看出，我们需要开源模型和防御工具。
别再相信“闭源模型更安全”这种公关说辞了——那不过是监管俘获。
发布 OpenWorker！这是一款开源智能体，它不仅能与你交流，更能直接交付成果——比如递交一份润色好的文档、发送 Slack 消息或更新日历条目。
你可以让它准备客户简报、理清日程、起草报告或筛选 Slack 警报。它能跨文件和日常工具协作，生成交付物，并在执行任何重大操作前先向你确认。
OpenWorker 目前支持 Mac，Windows 版即将推出。它不会将你绑定在特定模型上。你可以自带 API 密钥，使用 GPT 5.6 Sol、Claude Fable、Gemini 3.6、开源权重模型（如 Kimi、GLM、DeepSeek、Inkling）或通过 Ollama 实现数据本地化运行。除非通过你选择的 LLM 提供商或集成工具，否则你的数据不会离开你的设备。
@rohitcprasad 和我正在开发 OpenWorker，因为 AI 同事是完成工作的重要方式，而我们希望提供一个开放、保护隐私且不限模型的选择。欢迎试用并分享你的看法！
立即体验：https://t.co/P0mGnI1o31（需自带 API 密钥）
源代码：https://t.co/NYCiTD6hSq
新课程上线：利用专为快速推理设计的硬件，构建响应极速的 LLM 应用。本课程由 @Cerebras 联合打造，讲师包括 @zhennydez、@duerr_seb 和 @MilksandMatcha。
模型生成文本时，大部分时间都耗费在将权重从内存移动到计算单元的过程中。推理优化硬件能最大限度减少这种数据搬运，使 token 生成速度比典型 GPU 配置快数倍。在本课程中，你将使用 Cerebras 的晶圆级引擎 (Wafer-Scale Engine)，它通过让模型权重靠近计算单元来实现极速推理。
快速推理不仅能加速复杂的智能体 (Agent) 工作流，还能解锁即时翻译和语音助手等对延迟敏感的实时应用。
你将掌握：
- 对比 GPU、TPU 与 Cerebras 晶圆级引擎在处理“内存-计算”瓶颈时的差异
- 构建基于快速推理的实时应用，例如个性化网页和分析市场信号的多步工作流
- 养成利用快速推理进行智能体编程的具体习惯，从而保持专注并更有效地引导模型
我的团队在多个对延迟敏感的应用中都使用了 Cerebras。欢迎加入，一起构建响应迅速的 LLM 应用：
https://t.co/P8vchGAr22
Adam Thierer 曾撰写过关于“无需许可的创新”的里程碑式著作。只有在无需事先向政府申请发明许可时，我们才能迸发出最伟大的创意。保护开源人工智能，正是确保这一点的关键。
“循环工程”（Loop engineering）在 Boris Cherny（Claude Code 创始人）和 Peter Steinberger（OpenClaw 创始人）在社交媒体上提及后，已成为一个热门词汇。如今，“循环”是让 AI Agent 通过长程迭代来构建软件的关键手段。在本文中，我想分享我用于实现“从 0 到 1”产品构建的三个核心循环（如下图所示）。这些循环不仅指导我如何开发软件，也决定了我该开发什么样的软件。
**智能体编程循环（Agentic coding loop）：** 在给定产品规格说明和可选评估集（即用于衡量性能的数据集）的情况下，我们可以让 AI Agent 编写代码、测试成果并持续迭代，直到代码无误且符合规格。这种“闭环”理念在去年年底开始兴起，它彻底改变了编程 Agent 的工作模式，使其能够在无需人工干预的情况下长时间高效运作。例如，上周末我在为女儿开发一款练习打字的 App，我的编程 Agent 可以通过浏览器多次检查构建结果，在无需我干预的情况下自主工作了约一小时。
**工程循环（Engineering loop）** 的执行速度极快，编程 Agent 每隔几分钟就能构建并测试软件的新版本。我经常听到开发者们正在探索设计更高效工程循环的新方法，这正是一个充满活力的创新领域！
**开发者反馈循环（Developer feedback loop）：** 在这个循环中，开发者……
过去两周，美国政府和 Anthropic 都采取了重大行动，通过限制他人对前沿模型的使用权限，展示了他们控制 AI 准入的能力。这是一个让人一旦看清就无法忽视的时刻，它正显著加速许多企业和国家确保获得可靠、且不被他人切断的 AI 访问权限的努力。
Anthropic 首先发布了 Claude Fable 5，这是其 Mythos 模型的一个增强版，增加了额外的安全护栏。其中一些基于安全理由的限制似乎是合理的（例如禁止用于黑客攻击、生物武器等），但它同时也限制了开发者利用该模型构建竞争性大语言模型（LLM）技术的能力。这一举动令人担忧，因为包括 Anthropic 在内的整个 AI 社区都从开放研究中获益匪浅——事实上，AI 革命正是由我之前的团队（Google Brain）通过自由发布 Transformers 论文而开启的！
想象一下，如果微软的使用条款禁止任何人利用其工具开发竞争性软件，或者谷歌禁止人们用它搜索信息来研发竞品搜索引擎。Anthropic 声称“允许他人推进 AI 技术是不安全的”，这种说法也显得苍白无力。最初，Anthropic 通过隐蔽干预手段，在不通知用户的情况下削弱了模型的输出质量，从而悄悄降低了那些被检测到正在进行 LLM 研究的用户在使用 Fable 5 时的性能表现……
新课程上线：使用 @VocalBridge（注：AI Fund 投资组合公司）为你的 AI Agent 和应用添加语音功能，由其 CEO @_ashwyn 亲自授课。
以往开发语音应用总是在“速度”与“可靠性”之间做权衡：要么使用快速但不够可靠的端到端语音模型，要么使用准确但高延迟的语音转文字流水线。本课程将教你如何构建既快速又可靠的语音 Agent。
你将动手构建三类语音应用：
1. **语音交互游戏**：实现语音指令与鼠标点击在单一通道内的协同工作；
2. **轻量级语音 Agent**：仅需约 10 行代码即可赋予其语音能力，且无需改动 Prompt 或工具；
3. **外呼 Agent**：通过 `make_phone_call` 函数实现自动拨打电话。
你将掌握的技能：
- 在不重写 Prompt、RAG 流水线或工具的前提下，为现有 Agent 添加语音层；
- 让 Agent 具备拨打外呼电话并实时流式传输转录文本的能力；
- 搭建语音评估体系，通过通话评分和检测性能退化，在部署前优化质量。
无需重构架构，立即为你的 Agent 注入语音能力：
https://t.co/gBO4nmaU9u
关于高效 LLM 推理部署的新课程——如何在保持低延迟和合理成本的同时，为大量并发用户提供模型服务？本短课由 @RedHat 合作开发，并由 @cedricclyburn 授课。
高效的 LLM 推理部署需要出色的内存管理。仅加载一个 70B 参数模型的权重就需要约 140 GB 的显存。除此之外，每个活跃请求都需要占用一部分 GPU 显存（即 KV cache）来存储已生成的 token 上下文。在本课程中，你将学习如何通过量化技术减少模型的显存占用，并使用 vLLM 进行部署——它能通过智能内存管理高效处理大量并发请求。
你将掌握的技能：
- 对模型进行量化并评估精度权衡
- 使用 vLLM 部署模型，观察其高效处理并发请求的能力
- 对部署进行基准测试，在速度、成本和精度之间做出明智权衡
立即加入，学习高效部署 LLM：
https://t.co/x04xMbFlkO
硅谷最近一个备受关注的新职位是“AI 前线部署工程师”（Forward Deployed Engineer，简称 FDE）。这类工程师会被派驻到客户机构内部，协助定制解决方案，例如构建和调优符合客户特定需求的智能体工作流（agentic workflows）。随着 OpenAI 和 Anthropic 开始组建专门的 FDE 团队并派驻客户，不少人开始重新审视这一职业路径。
AI 工作负载对 FDE 需求的增加，正是 AI 创造新就业机会的体现（这也反驳了所谓的“就业末日”论——即就业市场即将崩溃——因为未来仍会有大量 AI 及非 AI 的工作）。不过，正如我下文所言，我认为 AI 工程师职位的数量将远超 FDE。
FDE 这一角色由 Palantir 在约二十年前率先提出，当时他们派遣工程师前往政府机构，在安全的物理隔离网络上工作。除了过硬的技术能力，FDE 还需要具备沟通能力，有时甚至需要商业技能。例如，他们需要与客户沟通以了解需求、制定项目优先级策略、解释复杂技术，并在客户提出不切实际的要求时礼貌地予以拒绝。由于将现成的 LLM 转化为符合特定业务需求的定制化智能体工作流涉及大量工作，这一职位正迎来复兴。
然而，我认为 AI 工程师职位的数量会大得多。一家公司可能会接受几名 FDE 派驻到其……
阵亡将士纪念日。今天，我们向那些为捍卫民主而献身的人们致敬。民主并非理所当然，它是需要我们时刻守护的珍贵遗产。🇺🇸
白宫要求绿卡申请人必须在境外申请的新政，是对合法移民的反复无常的攻击。这不仅会伤害家庭，还会导致医生、教师和科学家流失，削弱美国在人工智能领域的竞争力。
哈佛大学刚刚投票决定，将本科课程中 A 等级的比例限制在约 20% 左右。我并不赞成这一做法，因为它与我心中的教育理念背道而驰。我们应当设立高标准，但同时也应竭尽全力支持每一位学习者取得成功，而非仅仅关注少数人。
尽管遭到了大部分学生的反对，哈佛校方仍采取了这一举措，以应对成绩通胀问题。成绩通胀确实存在：许多大学给 A 和 B 的比例越来越高，导致平均绩点（GPA）在衡量学生能力方面的参考价值下降。与此同时，我们也希望学生能取得成功。问题的核心在于教育机构的角色：我们的目标究竟是帮助学生成功，还是评判学生？
两者都有其价值，但在从事教育工作时，我的重心几乎完全在于帮助学生成功。在我看来，显而易见的是，许多人都渴望学习、渴望获得赋能、渴望掌握能让他们尝试新事物的技能！这正是 DeepLearningAI 的核心理念。这也是为什么我的在线课程（从早期的斯坦福 Coursera 课程开始）允许对评分作业进行无限次重试。
我相信应该允许——甚至鼓励——一个人不断重做，直到成功为止，而不是仅仅因为他们第一次没做对就对其进行评判。此外，我...
新课程上线：构建图像与视频生成 AI Agent —— 这是一个尚未被充分开发的领域。提升性能的关键在于让 Agent 实现自我评估并迭代优化。本课程由 @googlecloudtech 联合打造，由 Katie Nguyen 和 Wafae Bakkali 授课。
你将学习并将三种评估技术整合进 Agent 中：
1. **图文相似度评分**：检查输出是否符合提示词；
2. **LLM 裁判**：根据品牌一致性等自定义标准进行评分；
3. **结构化评分标准**：将提示词拆解为可验证的“是/否”问题（例如：“主体是否在画面内？”、“镜头运动是否匹配？”）。
你将掌握的技能：
- 图像与视频提示词工程 (Prompt Engineering)
- 构建能将品牌指南转化为 UI 原型的图像 Agent
- 构建能规划多场景解说视频，并为参考帧生成同步音频的视频 Agent
立即加入，动手构建图像与视频生成 Agent！
https://t.co/bjuSjIxcIG
新课程上线：《Transformers 实战》。带你从实战角度理解 Transformer 大模型的运作原理，助你洞察模型行为、诊断推理延迟等问题，并做出更明智的部署决策。本课程由 @realSharonZhou 授课，并与 @AMD 联合推出。
你将深入了解 Transformer 如何逐个 token 生成文本、模型如何判定预测下一个词时哪些前文最为关键，以及量化等技术如何加速 GPU 推理。这不仅是视频课，课程全程包含交互式可视化工具，让你在动手实践中建立深刻的直觉。
你将掌握：
- 理解大模型幻觉产生的原因，以及 RAG 和思维链（CoT）如何影响生成内容
- 透视模型内部，理解注意力机制与各层是如何协同预测下一个 token 的
- 诊断推理瓶颈，并学习在 GPU 上加速 Transformer 的技术
加入课程，洞察大模型内部的真实运作机制：https://t.co/oS6ekeHsIw
AI 不会导致所谓的“失业末日”。
关于 AI 将引发大规模失业的说法正在煽动不必要的恐惧。AI 与任何其他技术一样，确实会影响就业，但传播这种夸大其词的失业论调既不负责任也有害。我们应该停止这种行为。
我曾在之前的文章中对“失业末日”表示怀疑，很高兴看到大众媒体现在开始纠偏。下图是一些近期的新闻标题。
随着代码智能体的飞速发展，软件工程是受 AI 工具影响最大的领域。然而，软件工程师的招聘依然强劲！虽然确实存在 AI 取代岗位的案例，但趋势表明，净增就业远大于岗位流失——这与以往的技术浪潮如出一辙。此外，尽管 AI 取得了令人兴奋的进展，美国的失业率仍维持在 4.3% 的健康水平。
为什么“AI 失业末日”的论调如此盛行？一方面，前沿 AI 实验室有强烈的动机让自己的技术听起来更强大。在极端情况下，他们甚至会宣传 AI “接管世界”并导致人类灭绝的科幻场景。如果一项技术能取代大量员工，那它显然极具价值！
另一方面，许多 SaaS 软件公司每用户每年的收费在 100 到 1000 美元之间。但如果一家 AI 公司能取代一名年薪 10 万美元的员工，或者让其效率提升 50%，那么即便收费 1 万美元也显得合情合理。
我很高兴 @coursera 与 @udemy 能够合并为一家公司，共同致力于服务学习者。
Coursera 和 Udemy 的创立初衷都是深信高质量教育能够改变命运。多年来，两家公司始终致力于实现这一目标，为全球个人、组织及社区创造机遇。
随着人工智能（AI）正在改变工作的本质并提升持续学习的需求，这一使命变得愈发重要。帮助人们掌握与职业相关的技能，对于我们创造更美好的世界至关重要。
通过整合两家公司的优势，我们能够更好地满足这一需求。我们将更丰富的学习内容、备受信任的讲师与教育者，以及极具吸引力的学习体验融为一体。这将创造新的契机，让学习变得更加个性化、更具实践性，并实现大规模的普及。
我很荣幸能担任合并后公司的董事长，与 Greg Hart 及领导团队并肩作战。两家公司都拥有深厚的积淀，我非常期待各团队通过协作，在全球范围内扩大获取机遇的机会。
了解更多：https://t.co/QpCwBmqWTJ
新课程上线：教你构建不仅能回复纯文本，还能按需生成并直接在聊天窗口显示图表、表单和白板等自定义 UI 的智能体。本课程由 @CopilotKit 合作开发，并由其联合创始人 @ataiiam 授课。
你将学习三种实现方式：
- 让智能体从你构建的自定义组件（如图表、表单）中进行选择。
- 让智能体利用你提供的构建块（如行、卡片和文本）组合出新布局。
- 让智能体直接在对话中集成现有的第三方应用（如白板或日历）。
你将掌握的技能：
- 构建能按需渲染图表、表单等自定义组件的智能体。
- 开发让用户与智能体在聊天窗口之外协作处理共享数据的应用。
- 将地图、日历和白板等第三方应用直接嵌入界面。
立即加入，构建能为用户提供直观视觉体验与交互能力的智能体！https://t.co/lvMy0YdF3z
编程智能体对不同类型的软件工作带来的加速程度各不相同。在构建团队架构时，理解这些差异有助于我们建立合理的预期。按加速程度从高到低排序，我的顺序是：前端开发、后端、基础设施和研究。
前端开发（例如为电商网站构建产品描述页面）的效率得到了极大提升，因为编程智能体精通 TypeScript、JavaScript 等流行前端语言以及 React 和 Angular 等框架。此外，通过操作浏览器来检查构建结果，编程智能体现在非常擅长实现“闭环”并对自己的代码进行迭代。诚然，目前的 LLM 在视觉设计方面仍然较弱，但只要给定设计稿（或者对设计的精致程度要求不高），实现速度非常快！
后端开发（例如构建用于响应产品数据查询的 API）则更难。人类开发者需要投入更多精力来引导现代模型思考那些可能导致隐蔽 Bug 或安全漏洞的边界情况。此外，后端 Bug 可能引发非直观的下游影响，例如导致数据库损坏并偶尔返回错误结果，这比典型的前端 Bug 更难调试。最后，尽管有了编程智能体后数据库迁移变得更容易了，但它们依然具有挑战性，需要谨慎处理以防止数据丢失。虽然后端开发...
到2026年，我们提示 AI 的方式已与 ChatGPT 问世时的2022年截然不同。
我正在开设一门新课程——《全民 AI 提示词》（AI Prompting for Everyone），旨在帮助无论处于何种水平的你，都能成为 AI 高手。
课程涵盖了适用于 ChatGPT、Gemini、Claude 等各类工具的通用技能：如何利用“深度研究模式”针对复杂问题撰写详尽报告；如何为 AI 提供精准的上下文（包括许多人尚未意识到可以提供的更多文档和图像）；何时该让 AI 针对买车、选专业或职业选择等重大决策进行数分钟的深度思考；以及如何利用 AI 生成图像、分析数据，甚至构建简单的游戏和网站。
我还会讲解这些模型底层运作的直觉逻辑，让你明白何时该信任 AI 的回答，何时不该。
学习过程中，你还会看到飞鼠、创意测试、我的旧家照以及烟花。
点击链接加入我：https://t.co/tcQc4iJAJG
AI原生软件工程团队的运作方式与传统团队截然不同。显而易见的区别在于，AI原生团队利用编程智能体（coding agents）能更快地构建产品，但这同时也引发了运作模式上的诸多变革。例如，一些优秀的工程师不再仅仅负责写代码，而是承担起更广泛的角色：他们既是产品经理、设计师，有时甚至是市场人员。此外，在同一办公室进行面对面沟通的小型团队，其推进速度惊人地快。
由于构建效率大幅提升，我们需要投入更多时间来决定“该做什么”。为了解决这种项目管理上的瓶颈，一些团队正在降低工程师与产品经理（PM）的比例，例如从 8:1 降至 1:1。但我们还可以做得更好：如果一名 PM 负责决策，另一名工程师负责实现，两人之间的沟通就会成为瓶颈。这就是为什么我看到的那些迭代最快的团队，往往拥有一批懂产品工作的工程师（以及部分懂工程工作的 PM）。当工程师理解用户，并能直接决定做什么、如何实现时，他们的执行效率会极高。
我见过工程师成功扩展职责以参与产品决策，也见过 PM 通过学习构建软件来拓宽角色。科技行业中工程师的数量多于 PM，但这两条路径都大有可为。如果你是一个...
新课程上线：与 @jetbrains 合作推出的《使用编程智能体进行规格驱动开发》，由 @paulweveritt 授课。
“氛围编程”（Vibe coding）虽然快，但生成的代码往往不符合预期。本短课将教你“规格驱动开发”：通过编写详细的规格文档来定义构建目标，并与编程智能体协作实现。许多顶尖开发者已经在采用这种方式。
规格文档让你只需寥寥数语即可控制大规模代码变更，在不同的智能体会话中保留上下文，并在项目复杂度增加时始终保持掌控。
你将掌握的技能：
- 编写详细规格，定义任务目标、技术栈和路线图，从一开始就为智能体提供必要的上下文
- 以规格文档为指南，在迭代循环中规划、实现并验证功能
- 将这套可重复的工作流应用于新代码库和遗留代码库
- 将工作流封装为可移植的智能体技能，实现跨智能体和 IDE 的通用
立即加入，学习编写能让编程智能体始终“不跑偏”的规格文档！
https://t.co/hI4GwuvhtN
我很看好将语音作为现有视觉应用的 UI 层——实现语音与屏幕的同步更新。这远不止于呼叫中心自动化这类纯语音场景。
目前的障碍在于一个难以权衡的技术难题：低延迟语音模型缺乏可靠性，而智能体流水线（语音转文本 → LLM → 文本转语音）虽然智能，但响应太慢，无法满足实时对话需求。Vocal Bridge（AI Fund 投资组合公司）的 Ashwyn Sharma 团队通过“双智能体架构”解决了这一问题：前台智能体负责实时对话，后台智能体负责推理、安全护栏和工具调用。
我用 Vocal Bridge 为给女儿做的数学测验应用增加了语音功能；借助 Claude Code，整个过程不到一小时。她口述答案，应用会语音回应，并同步更新屏幕上的题目和动画。
目前只有极少数开发者构建过语音应用。如果你想尝试，可以免费试用 Vocal Bridge：https://t.co/nGrFznAMLh
随着 AI Agent 加速编程，软件工程的未来将走向何方？一些趋势已初见端倪，例如“产品管理瓶颈”：即我们的限制不再是“如何构建”，而是“决定构建什么”。但 AI 对就业市场的影响、软件团队的组织方式等诸多深远意义，仍有待进一步厘清。
我们将于 4 月 28 日至 29 日在旧金山举办 AI 开发者大会，主题为“软件工程的未来”。我期待在会上分享这一话题，聆听其他嘉宾的见解，并与参会者深入交流。我们正在塑造未来，期待你的加入！
当前，一些技术和政策圈流行预测 AI 会引发大规模失业。即便这种现象尚未显现，人们也认为失业潮已近在咫尺。但我持相反观点：所谓的“AI 失业末日”——即 AI 会导致大规模失业甚至引发社会动荡——绝不会像专家们预言得那么糟糕，尤其是那些试图通过夸大 AI 技术威力来博眼球的专家。
在各行各业中，由于编程 Agent 的兴起，AI 对软件工程的加速作用最为显著。根据 Citadel Research 的最新报告，软件工程的职位需求正在快速增长。因此，如果说软件工程是 AI 影响其他行业的风向标，那么这种软件工程领域的扩张……
新课程上线：使用 SGLang 实现高效推理（文本与图像生成）。本课程由 LMSys 与 RadixArk 联合推出，由 RadixArk 技术专家 Richard Chen 授课。
在生产环境中运行 LLM 成本高昂，其中很大一部分开销源于冗余计算。本短课将教你如何利用 SGLang 消除这些浪费。SGLang 是一个开源推理框架，能够缓存已完成的计算并在后续请求中复用。
当十个用户共享同一个系统提示词时，SGLang 只需处理一次，而非十次。这种加速效果会迅速叠加，尤其是在请求间存在大量共享上下文时。
你将掌握的技能：
- 从零实现 KV cache，消除单次请求内的冗余计算
- 利用 RadixAttention 实现跨用户和请求的缓存扩展，确保共享上下文仅处理一次
- 利用 SGLang 的缓存机制和多 GPU 并行技术，加速扩散模型的图像生成
立即加入，学习如何在大规模场景下实现更快、更经济的 LLM 推理！
https://t.co/vUiu6goWCO
反AI联盟正不断寻找各种论据，试图减缓AI的发展。如果有人对AI的特定影响（例如可能导致人类灭绝）持有真诚的担忧，即便我深表反对，我也尊重其求真的态度。但我担心有些组织正通过民意调查来寻找能煽动公众反对AI的话术，并担忧这些话术在游说者、试图恐吓选民的政客、追求监管俘获或推广技术的公司，以及通过挑衅博眼球或谋利的个人传播时，会引发怎样的公众反应。
英国一个研究小组进行的一项大型研究测试了旨在引发AI恐慌的不同信息。研究发现，“AI会导致人类灭绝”这种说法已基本失效。几年前，末日论者曾极力推行这一论点，所幸我们的社区成功抵制了它。但“AI驱动的战争”和“环境问题”更能引起共鸣。我们应做好准备，应对以此为由反对AI的信息潮（这已在发生）。此外，失业和危害儿童也是能促使人们采取行动的论点。
需要明确的是，我也认为AI驱动的战争令人担忧；我们需要继续努力监测并减轻AI对环境的影响；任何失业都是悲剧性的，会伤害个人和家庭。
新课程发布：《智能体记忆：构建具备记忆能力的智能体》。本课程由 @Oracle 合作开发，由 @richmondalake 和 Nacho Martínez 授课。
许多智能体在单次会话中表现出色，但一旦会话结束，记忆就会重置。以一个需要连续几天研究数十篇论文的科研智能体为例：若缺乏记忆，它便无法跨会话存储和检索所学知识。本短课将教你构建记忆系统，使智能体能够实现记忆持久化，从而具备跨会话的学习能力。
你将学习：设计处理多种记忆类型的记忆管理器；实现可扩展且不增加上下文负担的语义工具检索；构建回写流水线，让智能体能随时间自主更新和完善知识。
你将掌握的技能：
- 为不同类型的智能体记忆构建持久化存储
- 实现协调智能体读、写、检索记忆的记忆管理器
- 将工具视为“程序性记忆”，并在推理时通过语义搜索仅检索相关工具
立即加入，学习构建能够持续记忆与进化的智能体！
https://t.co/nxNSEHGmr9
是否应该为 AI 编程智能体建立一个类似 Stack Overflow 的平台，让它们互相分享经验？
上周我发布了 Context Hub (chub)，这是一个为编程智能体提供最新 API 文档的开源 CLI 工具。自那时起，我们的 GitHub 仓库已获得超过 6000 个 star；得益于社区贡献和全新的智能体驱动文档编写器，我们的 API 文档规模已从不足 100 份扩展到了 1000 多份。感谢每一位支持 Context Hub 的朋友！
OpenClaw 和 Moltbook 证明了智能体可以使用专为它们构建的社交媒体来分享信息。在 chub 的新版本中，智能体可以分享关于文档的反馈——哪些有效、哪些无效、缺少了什么。在确保隐私和安全的前提下，这些反馈将帮助所有人完善文档。
我们仍处于开发的早期阶段。你可以在 GitHub 仓库中查看详情和配置选项。请按如下方式安装 chub，并提示你的编程智能体使用它：
npm install -g @aisuite/chub
GitHub: https://t.co/OCkyxXQMCq
很高兴宣布推出 Context Hub！这是一个开源工具，旨在为你的编程智能体提供所需的最新 API 文档。安装后，只需通过简单的 CLI 引导智能体即可获取精选文档。（见图。）
为什么这很重要：编程智能体经常会使用过时的 API 或产生参数幻觉。例如，当我让 Claude Code 调用 OpenAI 的 GPT-5.2 时，尽管新的 responses API 已发布一年，它却仍在使用旧的 chat completions API。Context Hub 正是为了解决这一问题。
Context Hub 还会随着使用变得越来越聪明。智能体可以为文档添加注释——如果它发现了一个绕过方案，可以将其保存，下次无需重新摸索。从长远来看，我们正致力于实现智能体间的知识共享，从而让整个社区受益。
感谢 Rohit Prsad 和 Xin Ye 与我共同完成这项工作！
npm install -g @aisuite/chub
GitHub: https://t.co/OCkyxXQMCq
苹果刚把最新的笔记本命名为 Neo——跟我儿子同名！我该买一台吗？
如果能在 Apple Neo 上运行 Amazon Nova，我一定要让两个孩子惊掉下巴。
新课上线：使用 JAX 构建并训练大语言模型。本课程由 @Google 合作开发，由 @chrisachard 授课。
JAX 是 Google Gemini、Veo 等先进模型背后的开源库。通过本短课，你将学习如何利用 JAX 及其生态工具，从零开始构建并训练一个拥有 2000 万参数的语言模型。
你将从零实现完整的 MiniGPT 式架构，进行模型训练，并通过图形界面与训练好的模型进行对话。
你将掌握：
- 学习 JAX 核心原语：自动微分、JIT 编译和向量化执行
- 使用 Flax/NNX 构建 MiniGPT 式大模型，实现 Embedding 和 Transformer 模块
- 加载预训练的 MiniGPT 模型，并通过聊天界面进行推理对话
快来学习这一构建大模型的重要软件层吧！
https://t.co/wm6NZOGIKC
Inception Labs 的扩散 LLM 推理速度令人惊叹。扩散 LLM 是传统自回归 LLM 的一种极具吸引力的替代方案。@StefanoErmon 及其团队干得漂亮！
AI会创造新的就业机会吗？我的女儿Nova喜欢猫，最喜欢的颜色是黄色。为了庆祝她的7岁生日，我们先用Gemini的Nano Banana设计了一个黄色的猫咪主题蛋糕，然后请烘焙师用美味的海绵蛋糕和糖霜将其制作出来。女儿非常喜欢这个独特的创意，而这个过程也为烘焙师增加了额外的工作（我很庆幸自己能负担得起这份额外的工作）。
许多人担心AI会取代人类的工作。作为一个社会，我们有道义上的责任去照顾那些生计受到影响的人。与此同时，我也看到了人们承担新工作并拓展职责领域的许多机会。
AI创造大量新工作的进程尚处于早期阶段。我不知道烘焙AI设计的蛋糕是否会发展成一门大生意。（AI Fund不会涉足这个领域，否则我会长胖不少。）但纵观历史，每当人们发明出能释放人类创造力的工具时，都会产生大量新的、有意义的工作。例如，一项研究表明，在过去的150年里，农业和制造业就业人数的下降，已被“护理、创意、技术和商业服务领域的快速增长所完全抵消”。
AI也在增加对许多数字服务的需求，这可以转化为为那些从事这些服务的创建、维护、销售和扩展工作的人提供更多机会。例如，
致所有的AI朋友：每次见到你们，我的温度参数都会升高。
情人节快乐！❤️