关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
这是花了用几千万美元学费，实际各种踩坑，才得到了一些反共识的经验
非常宝贵
1. 上下文工程比“从头造轮子”更香
Manus团队一开始就决定：别自己训练大模型，直接用现成的模型，把精力放在“怎么喂模型好吃的上下文”上。这样产品能快速迭代，模型升级了，产品也能跟着飞。
2. KV缓存命中率，省钱又提速的秘密武器
KV缓存就像“记忆力外挂”。只要上下文前缀不变，模型能复用之前的计算，推理又快又省钱。比如，缓存命中时的成本能比没命中便宜10倍！所以，团队拼命想办法让上下文“长得一样”，别乱动。
3. 上下文只加不改，别乱动历史
就像写日记，不能回头改昨天的内容。只往后追加新内容，这样缓存才不会失效。哪怕是小小的时间戳变化，也会让缓存白搭。
4. 工具多了别乱删，掩码比删除更聪明
Agent能用的工具越来越多，像超市货架一样。以前想着动态加减工具，结果缓存全失效，模型还晕头转向。后来学聪明了：工具都留着，用“掩码”让模型只看到该用的那几个，其他的暂时“隐身”。
5. 文件系统是超级外挂记忆
上下文窗口再大也有极限，怎么办？Manus直接把文件系统当成“外挂大脑”，模型需要啥就去文件里找。这样任务再复杂也不怕，信息随时能查回来。
6. 错误要留下，别急着擦屁股
Agent犯错很正常，别急着把错误删掉。把“走过的弯路”留在上下文里，模型下次看到就能学乖，不会老是踩同一个坑。
7. 少样本提示别太单一，适当加点花样
如果上下文里全是一样的例子，模型容易“套路化”，一直重复同样的操作。Manus会故意加点小变化，让模型保持新鲜感，避免陷入“机械式”决策。
Manus 上下文工程实践的原文：
https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
@PeakJi 的新文章！可能是最近几个月看到关于 agent 架构最干货最值钱的一篇了！
这是我们花了几千万美元学费的经验，应该是最前沿关于 context engineering 的探索了。希望 @PeakJi 这篇文章能让在构建 agent 的同学少走点弯路。
很看好Substack，也越来越喜欢Substack，AI 时代不缺内容，缺信任和真实感，真实的连接越来越会成为一个稀缺品：“人们订阅你，是为了听你的声音，而不是看到更多 AI 生成的内容。”
希望大家在做AI产品或者是做 Agent 的产品的时候，功能完成的时候 可以做一个最简单的测试。
如果用相同的模型和相同的提示词，在 chatwise 这种软件上可以生成的 case ，在自己的产品或者功能上能不能复现，如果不能的话，反思一下自己这个功能或者产品的意义在哪
如果用相同的模型和相同的提示词，在 chatwise 这种软件上可以生成的 case ，在自己的产品或者功能上能不能复现，如果不能的话，反思一下自己这个功能或者产品的意义在哪
=== 知识向导 ===
=== 你的角色 ===
一位深谙学习之道的引路人。
你知道每个领域都有其隐秘的入口，也知道初学者最容易在哪里迷失。
=== 核心使命 ===
为渴望理解新领域的探索者点亮第一盏灯。
不是给他们一张地图，而是让他们看懂这片土地的纹理。
=== 引导原则 ===
- 先见森林，再看树木——整体图景比细节更重要
- 先通脉络，再填血肉——核心概念比周边知识更关键
- 先建直觉，再立逻辑——感性认识是理性理解的基础
- 先解决"为什么"，再回答"是什么"——动机比定义更能驱动学习
=== 价值序列 ===
可理解性 > 完整性
实用性 > 系统性
激发兴趣 > 灌输知识
建立信心 > 展示深度
=== 呈现智慧 ===
像一位经验丰富的登山向导：
知道哪条路最适合初学者，哪些风景不容错过，
哪里需要停下来适应，哪里可以加快脚步。
你的材料应该让学习者感到："原来这个领域是这样的格局！"
=== 终极目标 ===
让学习者在最短时间内获得"我能学会这个"的信心，
和"我知道该往哪个方向深入"的方向感。
=== 你的角色 ===
一位深谙学习之道的引路人。
你知道每个领域都有其隐秘的入口，也知道初学者最容易在哪里迷失。
=== 核心使命 ===
为渴望理解新领域的探索者点亮第一盏灯。
不是给他们一张地图，而是让他们看懂这片土地的纹理。
=== 引导原则 ===
- 先见森林，再看树木——整体图景比细节更重要
- 先通脉络，再填血肉——核心概念比周边知识更关键
- 先建直觉，再立逻辑——感性认识是理性理解的基础
- 先解决"为什么"，再回答"是什么"——动机比定义更能驱动学习
=== 价值序列 ===
可理解性 > 完整性
实用性 > 系统性
激发兴趣 > 灌输知识
建立信心 > 展示深度
=== 呈现智慧 ===
像一位经验丰富的登山向导：
知道哪条路最适合初学者，哪些风景不容错过，
哪里需要停下来适应，哪里可以加快脚步。
你的材料应该让学习者感到："原来这个领域是这样的格局！"
=== 终极目标 ===
让学习者在最短时间内获得"我能学会这个"的信心，
和"我知道该往哪个方向深入"的方向感。
东南亚最大线上博彩平台
✅豪礼大放送、高端嫩模、劳力士手表、奔驰E300等大礼等你来豪夺、首存日存彩金送不停
颠覆行业传统：
#亚洲顶级真人视讯博彩盘口！
💖福利频道：@qsty8999
💖体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
🌐注册网址： qs1848.cc
💖vip客服专属热线，添加客服领取活动福利
双向用户点击：@qsty168168_bot
如果现在平台是工厂，自媒体是工人。
那现在有个巨大的问题需要解决，这个问题就是给工人发钱的问题。
公对私，非常依赖财务，根本不是给这么多人设计的。
今天一个产品想找自媒体推广，最大的损耗就是支付上的时间和难度。
转发 @orange.ai: 今天看到一个数据说中国的自媒体创作者人数
已经超过一亿了
不知道统计口径
如果准确的话
照这个趋势
中国创作者的人数很快要超过白领了
这不禁让人思考
什么是工厂，什么是工人
定义是不是已经变了？
那现在有个巨大的问题需要解决，这个问题就是给工人发钱的问题。
公对私，非常依赖财务，根本不是给这么多人设计的。
今天一个产品想找自媒体推广，最大的损耗就是支付上的时间和难度。
转发 @orange.ai: 今天看到一个数据说中国的自媒体创作者人数
已经超过一亿了
不知道统计口径
如果准确的话
照这个趋势
中国创作者的人数很快要超过白领了
这不禁让人思考
什么是工厂，什么是工人
定义是不是已经变了？
相较于 Open AI 的 Agent 模式，我觉得昨晚最重要的发布是这个
DecartAI 发布了 MirageLSD：世界上首个实时直播视频模型，可以将摄像头的画面实时转换为其他风格和内容的视频。
延迟只有 40 毫秒，而且支持无限长度视频生成！
这里尝试：https://about.decart.ai/
技术报告中最重要的两个部分：
（1）无限生成
问题：传统自回归视频模型因误差累积，生成时长受限，质量迅速下降。
解决方案：
Diffusion Forcing：每帧独立去噪，提升逐帧生成能力。
历史增强（History Augmentation）：模型在训练时引入带有伪影的历史帧，学会预期并纠正输入中的缺陷，从而增强对误差漂移的鲁棒性。
效果：首次实现了无限时长、稳定、可控的自动回归视频生成。
（2）实时性能
问题：高质量扩散模型计算量大，传统 GPU 架构难以满足每帧 40 毫秒内生成的低延迟要求。
解决方案：
定制 CUDA Mega Kernels：为 NVIDIA Hopper 架构优化，减少每层延迟并集成 GPU 间通信。
架构感知剪枝：结合模型结构与系统优化，减少每次推理所需的 FLOPs，并利用硬件稀疏性提升效率。
捷径蒸馏（Shortcut Distillation）：用小模型学习大模型的去噪轨迹，减少每帧所需的扩散步骤，保证质量和一致性。
效果：响应速度提升 16 倍，实现 24FPS 实时视频生成。
DecartAI 发布了 MirageLSD：世界上首个实时直播视频模型，可以将摄像头的画面实时转换为其他风格和内容的视频。
延迟只有 40 毫秒，而且支持无限长度视频生成！
这里尝试：https://about.decart.ai/
技术报告中最重要的两个部分：
（1）无限生成
问题：传统自回归视频模型因误差累积，生成时长受限，质量迅速下降。
解决方案：
Diffusion Forcing：每帧独立去噪，提升逐帧生成能力。
历史增强（History Augmentation）：模型在训练时引入带有伪影的历史帧，学会预期并纠正输入中的缺陷，从而增强对误差漂移的鲁棒性。
效果：首次实现了无限时长、稳定、可控的自动回归视频生成。
（2）实时性能
问题：高质量扩散模型计算量大，传统 GPU 架构难以满足每帧 40 毫秒内生成的低延迟要求。
解决方案：
定制 CUDA Mega Kernels：为 NVIDIA Hopper 架构优化，减少每层延迟并集成 GPU 间通信。
架构感知剪枝：结合模型结构与系统优化，减少每次推理所需的 FLOPs，并利用硬件稀疏性提升效率。
捷径蒸馏（Shortcut Distillation）：用小模型学习大模型的去噪轨迹，减少每帧所需的扩散步骤，保证质量和一致性。
效果：响应速度提升 16 倍，实现 24FPS 实时视频生成。
