-
github · 2026-09-19 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:3350；更新:2026-09-19T01:15:34Z
-
github · 2026-09-17 · GitHub / AI 最新 趋势 stars:>50 / TypeScript
语言:TypeScript；stars:195；更新:2026-09-17T21:53:51Z
-
github · 2026-09-19 · GitHub / Claude Code stars:>50 / Go
语言:Go；stars:919；更新:2026-09-19T01:29:27Z
-
github · 2026-09-19 · GitHub / Claude Code stars:>50 / Python
语言:Python；stars:203；更新:2026-09-19T01:25:13Z
-
github · 2026-09-19 · GitHub / Claude Code stars:>50 / Rust
语言:Rust；stars:461；更新:2026-09-19T01:22:31Z
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势
— DAILY GITHUB AI — GitHub/AI 动态 ◆ ◆ ◆ 2026年9月18日 每日热点速览 · Trending 榜单 + AI 行业要闻 一GitHub Trending 每日榜2026-09-18 今日上榜 20 个 ｜ 新上榜 2 个 ｜ 连续上榜 18 个 · 本期看点 · 01OpenCode Review 阿里巴巴开源代码审查工具，混合架构结合LLM Agent，支援精准行级注释 02Tencent/BrowserSkill 让AI agents使用真实已登录浏览器自动化，CLI+扩展跨任何shell-capable AI agent · 新上榜仓库 · 01ever-co/ever-gauzy ★ 7,536今日 +470TypeScript · Ever® Gauzy™ - Open Business Management Platform (ERP/CRM/HRM/ATS/PM) · 官网：https://gauzy.co · 主题：accounting, billing, bookkeeping, crm, hr, human-resources, invoices, project-management, salary, team-management, time-tracking 02ever-co/ever-gauzy 同上（重复计入今日总量） · 重复上榜（昨日已报导） · 18 个仓库与昨日相同，包括云flare/security-audit-skill、Tencent/WeKnora、anthroplcs/claude-code 等 二AI 行业动态2026-09-16至2026-09-18 · 本周要闻 · 01OpenAI/Anthropic/Google AI安全合作 （2026-09-15） · OpenAI与Anthropic、Google DeepMind就AI安全问题进行多周期谈判 · Chris Lehane（OpenAI全球政策首席）证实谈判已进行数周 · 目标：协调AI安全措施，响应行业对技术经济与安全威胁的担忧 · 参考：CNBC、Bloomberg、TechCrunch 三方报道一致 02Anthropic CEO提出「AI发展刹车」计划 （2026-09-13/14） · Dario Amodei提出三步计划：独立评估员、联合安全标准、国际合作 · Sam Altman表示愿意参与 · 行业 median release interval 从2023年的37.5天缩至每日11天 · 「囚徒困境」：单方面减速可能失去市场、人才、投资 03AI模型发布速度加速 · 多家公司（OpenAI, Google, Anthropic, Meta, xAI）模型发布间隔显著缩短 · AI自身生成代码、调试、实验进一步加速开发循环 · 关键公司/项目动态 · OpenAI 与 Anthropic, Google 达成AI安全协调，内部考虑减速最新模型发布 Anthropic CEO Amodei公开呼吁行业减速，已开始聘请外部评估员 Google DeepMind Hassabis 早在7月提出建立「 Standards Body 」，已与OpenAI、Anthropic持续沟通 Meta 计划2027年部署定制AI芯片（Arke/Astrid） 三趋势总结 · 本周 AI 行业转向安全合作共治态势，三大阵营（OpenAI、Anthropic、Google）开始协调而非单纯竞争 · 模型发布频率持续加快，行业内部出现自我纠正的呼声 · 商业层面（芯片、平台、工具）仍保持快速迭代，但治理层面出现罕见的跨公司协作 附：AI 辅助整理标识 + 完整免责声明 本文由 AI 辅助整理，内容基于公开网络信息，可能存在疏漏、延迟或偏差，请以官方信源为准； 如内容涉及版权或侵权问题，请联系删除；不构成任何投资建议或操作依据。 ；检索词:AI与Agent 最新 热点 趋势
-
techcrunch-ai · 2026-09-18 · AI行业 / rss
Nvidia's Nader Khalil and Sydney Sykes discuss one of the decisions shaping next-gen startups on the Builders Stage at TechCrunch Disrupt 2026.
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势
多维表格 + Agent：让重复工作自动化的数智协作实战 课程时长 1-2天（6小时/天） 课程背景 在数字化办公纵深发展的今天，企业面临的协作痛点愈发凸显：数据分散在各类软件中形成“信息壁垒”，跨部门协作时数据同步滞后；重复性事务占用大量工作时间，核心创造力被消耗；传统办公工具难以兼顾数据结构化管理与灵活协作需求。 多维表格作为融合数据库结构化优势与表格易用性的创新工具，正成为破解协作难题的关键。而当AI技术与多维表格深度融合，更实现了从“手动处理”到“智能驱动”的跨越，能自动完成数据分类、信息提取、流程触发等工作，重塑办公协作模式。本课程旨在帮助学员全面掌握AI+多维表格的核心能力，将工具优势转化为实际工作效能，引领办公协作进入智能化新范式。 课程收益 思维革新：建立“智能数据+高效协作”一体化办公思维，突破传统工作模式局限 技能精通：熟练掌握多维表格核心功能与AI赋能工具，实现从基础操作到高级应用的全流程落地 效能提升：通过AI自动化与多维协作功能，减少70%以上重复性工作，显著提升个人与团队工作效率 场景落地：掌握针对不同业务场景的解决方案搭建方法，覆盖项目管理、客户运营、人事管理等核心领域 协作升级：打造透明化、自动化的协作流程，打破信息孤岛，降低跨部门沟通成本 课程特色 实战为王：以真实办公场景为核心（如跨部门项目协作、客户全生命周期管理、批量事务处理），全程实操演练，确保所学即所用 体系化教学：从基础认知到高级应用，从功能操作到场景落地，层层递进，构建完整知识体系 互动沉浸：通过“痛点研讨+分组搭建+成果PK”等形式，强化学员参与感，深化知识吸收 普适易懂：用生活化案例解读专业功能，搭配“一步一演示”教学，无论基础强弱都能快速上手 课程对象 职能部门员工：运营、市场、人事、行政等岗位，需高效管理数据、优化工作流程的职场人 项目与团队管理者：需要统筹任务、跟踪进度、协调跨部门协作的项目经理、团队负责人 企业数字化推动者：希望引入智能工具提升组织协作效率的HRBP、部门骨干、数字化转型负责人 效率追求者：任何希望借助AI与数字化工具简化工作、提升核心竞争力的知识工作者 课程大纲 一、 认知重塑：AI+多维表格的协作革命 ·（1）传统办公模式的三大困境：数据割裂、协作低效、重复劳动（如跨部门数据需手动汇总、任务进度需反复确认） ·（2）多维表格的核心价值：结构化数据管理+灵活协作+流程自动化，重新定义办公数据流转方式 ·（3）AI赋能的核心逻辑：从“人驱动流程”到“数据+AI驱动流程”，实现协作效率指数级提升 ·【案例对比】展示“跨部门活动策划”：传统模式下文档分散、进度不明、沟通成本高；AI+多维表格模式下数据实时同步、进度可视化、自动触发协作提醒，大幅缩短项目周期 ·（1）与传统工具的区别：不是替代Excel、文档工具，而是互补协同（Excel擅长复杂计算，多维表格擅长协作与流程） ·（2）核心应用场景：任务与项目管理、客户关系维护、数据收集与分析、跨部门流程协作 ·（3）AI+多维表格的核心能力：智能数据处理、自动化流程、个性化视图、跨平台联动 二、 基础搭建：从0到1打造专属协作表格 ▲ 新建一张多维表 ·（1）列类型深度解析：文本（基础信息）、数字（量化数据）、选项（固定状态，如“优先级”“审批状态”）、人员（协作对象关联）、日期（时间节点）、附件（文件存储）、关联（跨表格数据联动）、查找引用（数据匹配） ▲ AI写函数 ·（2）列类型选型技巧：根据业务场景精准匹配（如需要追踪进度选“选项列”，需要关联客户信息选“关联列”） ·（3）数据规范原则：统一录入标准、避免冗余字段，为后续AI处理与协作奠定基础 ·【实操演练】搭建“跨部门任务协作表”，包含任务名称、负责人、所属部门、截止日期、进度状态、关联文档等核心字段 ▲ 数据仪表盘 / 销售数据驾驶舱 ·（1）表格视图：数据录入与批量编辑的基础场景，适合快速整理与修改数据 ▲ 批量处理数据 ·（2）看板视图：按状态/部门/负责人分组，直观展示任务推进情况（如“待启动/进行中/已完成/延期”分组） ▲ 灵活的视图 ·（3）甘特图视图：时间维度可视化，适合项目排期与进度跟踪（如展示各任务起止时间、依赖关系） ·（4）日历视图：按日期聚合任务与事件，适合日程规划（如面试安排、活动节点） ·（5）画册视图：图文结合展示，适合产品展示、案例库搭建 ·【实操演练】将“跨部门任务协作表”切换为看板视图（按部门分组）和甘特图视图（按时间排序），演练如何通过视图切换快速同步协作进度 三、 AI核心应用：让数据自动“干活” ▲ AI字段捷径 ·（1）AI分类与标签：自动识别文本、图片内容，生成分类标签（如客户反馈按“产品问题/服务问题/价格问题”分类） ▲ AI批量数据打标 / 客评管理 ·（2）AI信息提取：从海量文本中自动提取关键信息（如从简历中提取姓名、工作年限、技能；从合同中提取金额、有效期） ·（3）AI内容生成：根据需求自动生成文本（如宣传文案、客户回复话术、周报摘要） ·【案例实操】提供“客户反馈数据集”，使用AI分类功能自动打标签，对比人工分类与AI分类的效率；提取反馈中的核心诉求，生成回复话术 ·（1）AI图片识别：提取图片中的文字、物体、场景信息（如从报销凭证中提取金额、商户名称；从巡检图片中识别问题） ·（2）AI文件解析：自动提取PDF、Word等文件中的关键数据，同步至表格（如从销售合同中提取客户名称、成交金额） ·【实战演示】上传“员工简历PDF”与“产品巡检照片”，展示AI如何提取关键信息并自动填入表格，节省手动录入时间 四、 协作升级：搭建自动化协作流程 ·（1）自动化配置逻辑：触发条件（如“状态变更”“日期临近”“新增记录”）+ 执行动作（如“发送通知”“更新字段”“关联记录”） ·（2）高频自动化场景： ▲ 自动化流程（审批与状态同步） ·同步类：新增客户记录时自动通知对应销售、任务状态变更同步至关联项目 ·处理类：收到客户反馈自动分配给对应部门、审批通过后自动更新任务状态 ·【实操演练】为“跨部门任务协作表”配置自动化规则：当任务进度改为“已完成”时，自动通知任务发起人与部门负责人；当任务临近截止日期1天时，自动发送提醒给负责人 ▲ 数据安全 / 权限管理 ·（1）收集表：快速创建表单链接，外部填写数据自动同步至表格（支持分享到微信、企业微信、邮件） ·（2）跨表格联动：通过“查找引用”“数据共享”实现数据互通（如“任务表”关联“客户表”，自动获取客户基础信息） ·【场景实战】模拟“市场活动报名”场景：创建收集表并分享，展示报名数据实时同步至表格；配置跨表格联动，自动关联报名人员所属公司信息 五、 场景实战：用AI+多维表格解决真实协作问题 ▲ 数据可视化仪表盘 ·（1）需求分析：核心解决个人待办事项混乱、优先级不清晰、截止日期易遗漏等问题，实现个人事务有序管控，提升执行力。 ·（2）方案设计： ·列配置：事项名称（文本）、优先级（选项：高/中/低）、截止日期（日期）、完成状态（选项：待办/进行中/已完成）、事项分类（选项：工作/学习/生活）、备注（文本） ·视图配置：表格视图（基础数据录入）、看板视图（按完成状态分组，直观查看推进情况）、日历视图（按截止日期展示，规避逾期风险） ·【案例实操】学员独立完成个人事项管理表搭建，配置视图与自动化规则，演示如何通过表格实现个人事务高效管控 ·（1）需求分析：解决招聘过程中简历分散、筛选效率低、面试进度不透明、跨面试官沟通成本高等问题，实现招聘全流程标准化管理。 ·（2）方案设计： ·列配置：候选人姓名（文本）、应聘岗位（选项）、简历附件（附件）、AI匹配度（选项：高/中/低）、面试阶段（选项：初面/复面/终面/录用/淘汰）、面试官（人员）、下次沟通日期（日期）、面试评价（文本） ·视图配置：看板视图（按面试阶段分组，实时跟踪进度）、表格视图（汇总简历核心信息）、日历视图（按面试日期规划日程） ·AI应用：上传简历自动提取核心信息（工作年限、核心技能、学历），智能匹配岗位需求并标注匹配度，减少手动筛选时间 ·【分组实战】各小组搭建招聘管理表，导入模拟简历数据进行AI匹配实操，配置面试进度提醒自动化规则，演示招聘流程标准化管理全流程 ·（1）需求分析：解决电商运营中库存数据与订单信息不同步、库存预警不及时、订单状态跟踪繁琐等问题，实现库存与订单一体化管控。 ·（2）方案设计： ·列配置：商品名称（文本）、规格型号（选项）、库存数量（数字）、库存预警值（数字）、订单编号（文本）、下单客户（文本）、订单状态（选项：待发货/已发货/已签收/退款）、关联商品（关联列，关联商品库存表） ·视图配置：表格视图（库存与订单基础数据管理）、看板视图（按订单状态分组）、数据视图（筛选库存低于预警值的商品） ·自动化配置：订单状态改为“已发货”时自动扣减对应商品库存；库存数量低于预警值时自动提醒库存管理员补货 ·【分组实战】搭建库存表与订单表并实现跨表联动，配置库存预警与订单联动自动化规则，模拟订单处理流程验证方案可行性 ·（1）需求分析：解决跨部门活动策划中任务拆分不清晰、责任划分不明确、进度滞后难察觉、资源协调效率低等问题，保障活动顺利落地。 ·（2）方案设计： ·列配置：任务名称（文本）、责任部门（选项）、负责人（人员）、起止日期（日期）、任务进度（选项：未启动/进行中/已完成）、所需资源（文本）、预算金额（数字）、成果附件（附件） ·视图配置：甘特图视图（按时间维度展示任务计划，规避进度滞后）、看板视图（按责任部门分组，明确分工）、表格视图（汇总预算与成果） ·自动化配置：任务进度滞后时自动通知负责人与活动总协调；任务完成时自动提醒总协调验收成果 ·【小组实战】各小组模拟跨部门场景，分工承担不同部门角色，共同搭建活动管理表，分配任务并配置自动化规则，演示跨部门高效协作流程 讲师介绍 邢老师 AI+场景应用专家 · 飞书&钉钉官方合作讲师 · 复旦大学特聘讲师 ✪ 资质及头衔 ✓高级企业培训师 · AI智能体工程师 ✓复旦大学特聘讲师 · 飞书&钉钉官方合作讲师 ✓WFA高级行动学习促动师 · 阿里人工智能训练师（高级） ✓“前哨AI课研中心”认证导师 ✓《AI+HR实战》《AI驱动效能革命》《AI+多维表格Agent：打造企业专属数据管理驾驶舱》《AI企业数字化落地的双重加速器》版权课程所有人 ✪ 工作履历 ✓曾任阿里系集团公司项目经理，推动跨部门重点项目落地。 ✓10年+企业培训与人才发展经验，专注组织能力建设与数字化转型。 ✓曾任58同城/eifini集团培训管理，负责销售团队培训体系搭建与业务协同。 ✓主导企业数字化转型项目（基于飞书），实现知识管理、业务与协作流程线上化，提升组织效率。 ✪ 服务客户（部分） ✓金融：中国银行、工商银行、建设银行、兴业银行、中国人寿、民生银行、宁波银行 ✓消费：伊利集团、茅台集团、青岛啤酒、安踏集团、欧派家居、华润万家、银泰集团 ✓互联网：58集团、贝壳集团、携程、安居客 ✓制造与能源：国家电网、华能集团、中国中车、一汽大众、吉利汽车、中远海控、华为海思、中兴通讯、京东方 ✓医药：辉瑞制药、阿斯利康、恒瑞医药、复星医药 ；检索词:AI与Agent 最新 热点 趋势
-
techcrunch-ai · 2026-09-18 · AI行业 / rss
Google is refocusing its CC AI agent on household coordination, letting families share emails, schedules, and tasks so the AI can manage calendars, fill out forms, make shopping lists, plan meals, and more.
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势
智能世界2035：你我的机会地图与行动指南 你有没有想过，2035年的你，一天是怎么过的？ 早上醒来，你的AI健康助手已经根据昨晚的睡眠数据调整了今天的早餐建议。出门时，无人驾驶出租车准时到达，你在车上用自然语言跟AI协作师讨论了一个商业方案。到了办公室——或者说，到了你"一个人公司"的工位，你的几十个AI Agent已经 overnight 处理完了数据分析、客户邮件、财务报表，你只需要做最关键的决策。 这不是科幻。这是华为在《智能世界2035》报告中描绘的图景。这份报告80页，涵盖十大技术趋势和十个应用场景，从物理世界AGI到可控核聚变，从智能驾驶到算电融合，几乎覆盖了未来十年所有重大技术变革。 你可能觉得，这种未来跟普通人有什么关系？不就是大公司的事吗？ 还真不是。仔细读完这份80页的报告，再交叉比对最新的就业数据、创业案例和技能趋势，我发现了一个被大多数人忽视的事实：这轮智能革命，普通人可能是最大的受益群体——前提是你知道机会在哪，并且现在就开始准备。 不是等技术成熟了再学，而是现在就用起来，在用中学会。 报告里藏着哪些跟普通人有关的数据？ 先把关键数字摆出来，咱们一个个聊。 华为预测，到2035年：全球算力需求增长10万倍，存储容量增长500倍，通信容量增长100倍。90亿人口将拥有9000亿个智能体。全球数字经济规模将从38.2万亿美元继续膨胀，AI累计创造超27万亿美元经济价值。 这些数字太大，大到没什么感觉。换个说法：2035年，每个人平均拥有100个AI助手。 不是100个App，是100个能主动帮你干活的智能体。你的理财Agent帮你优化投资组合，你的健康Agent帮你预防慢性病，你的工作Agent帮你处理80%的重复任务，你的学习Agent帮你定制个性化学习路径。 报告里有个数据特别扎眼：制造业AI应用率将超过85%，劳动生产率提升60%以上，产品缺陷率降至0.05%以下。机器人密度从2025年的300台/万人突破到1000台/万人。翻译成大白话就是：工厂里大部分活儿机器干了，人干什么？人升级成了"全局编排者"——通过混合现实界面，在三维数字孪生空间里指挥智能体干活。 人的角色从"执行者"变成了"目标制定者"和"伦理监督者"。 这句话是整份报告里对普通人最重要的一句话。它意味着，未来最值钱的能力不是"会干活"，而是"知道该干什么活"。 十大技术趋势，哪些跟普通人直接相关？ 报告列了十大技术趋势。我挑跟普通人关系最大的五个来聊。 第一个：AI Agent驱动产业革命。 报告把智能体分了五级，从L1功能级到L5智慧级，预测2035年L4级规模化落地。关键信息是：早期千亿美金市场，中期万亿美金，远期十万万亿美金。这个产业链条上会催生大量新岗位——AI协作师、Agent训练师、Agent编排师、Prompt与Goal设计师、安全审计官。 这些岗位名字听着唬人，其实门槛没你想象的高。后面我会专门聊。 第二个：人机协同编程。 报告说软件开发正在经历"十维重构"——入口、角色、流程、架构、生态、组织、语言、质量、平台、协作全部重塑。从写代码到写自然语言，从程序员到设计师。 这对普通人意味着什么？意味着"编程"这件事的门槛正在消失。2025年中国生成式AI用户已达6.02亿，阿里Qwen3.6-Plus让普通人一句话就能完成专业程序员数小时至数天的编程任务。有个新词叫"Vibe Coding"——凭感觉写代码，AI帮你实现。 第三个：具身智能万亿产业。 智能驾驶2027年L4试商用，2035年L4+规模商用。家庭机器人2030年迎来"ChatGPT时刻"，2035年售价降到1万美金以下，大规模量产。10年后超90%中国家庭拥有智能机器人。 这里有个数据需要澄清。Web验证发现，"90%家庭拥有智能机器人"如果包含扫地机、教育机器人等广义品类，是有可能实现的；但如果专指人形机器人，行业普遍预估2035年家庭渗透率在10%左右。不管哪个口径，家庭服务机器人正在快速进入我们的生活。 第四个：智能体互联网。 90亿人拥有9000亿智能体，从"人与人沟通"到"智能体互联"。通信容量增长100倍。每平方公里网络连接数达到1000万，月人均流量1TB。 对普通人来说，这意味着你的数字生活将从"主动搜索"变成"被动服务"。你不需要打开App找餐厅，你的饮食Agent已经根据你的健康数据、口味偏好和日程安排好了。商业模式从"注意力经济"转向"直接价值交换"——App时代是人找服务，多Agent时代是服务找人。 第五个：App走向多Agent协同。 这跟第四个是连着的。报告说端到端任务成功率将成为核心指标。你的Agent跟别人的Agent之间可以自主协作——你的理财Agent跟医院的健康Agent联动，帮你设计最优保险方案；你的出行Agent跟电力系统的Agent协调，在电价低谷时给你的电动车充电。 普通人在这其中的机会是什么？是成为这些Agent的"训练者"和"编排者"，而不是被它们替代。 新职业已来：AI协作师、Agent训练师到底干什么？ 报告里提到的新兴职业，我逐个拆解一下。 AI协作师：负责设计和优化人机协作流程。说白了，就是帮企业搞清楚"哪些活交给AI、哪些活留给人、两者怎么配合"。这个岗位需要理解AI能力和业务流程，但不一定需要写代码。一线城市月薪15K-25K，高级可到35K+。 Agent训练师：用领域知识"教"AI Agent干活。比如你懂法律，你就训练法律Agent；你懂医疗，你就训练医疗Agent。核心能力是"把你的专业知识结构化，让AI能学会"。这个岗位特别适合传统行业从业者转型——你的行业经验反而是最大优势。 Prompt与Goal设计师：设计AI的指令和目标。听起来简单，实际上是个技术活。你得理解AI的"思维方式"，知道怎么提问才能得到想要的结果。这个岗位文科生反而有优势——因为本质上是"沟通"和"表达"。 安全审计官：审计AI系统的安全性和合规性。随着AI在金融、医疗等高敏感领域普及，这个岗位需求会爆发。需要懂AI、懂安全、懂法规，门槛相对较高。 最新数据验证了这些岗位的真实性：AI Agent方向已成为2026年技术招聘最热赛道，岗位同比增长310%-455%，供需比低至1:8。全国仅6-8万人具备Agent开发经验，但需求达9.8万个。到2030年，AI人才缺口预计400万。 更关键的是：59.6%的Agent岗位月薪超25K，北京最高达40K+。 而且这些岗位中，文科友好型AI岗位（Prompt提示词、AI训练、人机理解）平均年薪达34.31万元，高于传统文科岗位16-23万元。 你不需要成为技术大牛，你需要的是"懂行业+会用AI"。 超级个体时代：一个人就是一支队伍 报告里有个概念叫"超级个体集群"——个体借助AI工具集群，实现过去10-20人团队的产出。 这不是理论，已经在发生了。 王钰博，前大厂AI工程师，一个人开发乐谱转换平台和AI民乐效果器，3个月收支平衡。韩家乐，00后留学生，用AI提升水泥厂效率，收获超千万元订单。苏魁，一个人开发"龙骨动画"平台，一句话生成2D骨骼动画，获创业北京OPC一等奖。何汕杉，一人公司，AI做前后端开发、UI设计、数据分析，平台月均服务超50万人次。 还有个咨询从业者，一人服务20家企业客户，年入500万，大部分时间陪家人。一个3人团队配多智能体，在宠物行为训练领域服务1200+用户，年营收破800万。 这些案例的共同点是什么？每个人只做20%的核心决策，AI完成80%的执行。 每投入1元AI算力，可替代约72元传统人力支出。 数据也在印证这个趋势。截至2025年6月，全国"一人公司"（OPC）突破1600万家，占企业总量27.4%。2025年灵活就业人员达2.8亿，2026年预计突破3.2亿。国家发改委明确提出培育"智能代理"等创新型工作形态——劳动者构建AI数字分身完成特定工作，突破时空限制。 报告说AI成为人的"认知合伙人"。我觉得这个说法特别准确。不是AI替代你，是AI成为你的合伙人——你出方向和判断，AI出算力和执行。 普通人的机会就在这里：你不需要组建团队、租办公室、招员工，你只需要"行业理解+AI工具集群"就能开干。 行业机会地图：医疗、教育、金融的AI普惠化 报告里详细描述了多个应用场景的变革。我挑三个跟普通人关系最大的来拆解。 医疗：从"治病"到"防病"的范式转移。 报告预测AI将助力预防超80%的慢性病，住院率降低约52%。65岁以上人口突破11亿，但医疗资源分布不均的问题将被AI大幅缓解。具体路径是：Token管理健康——你的健康数据被持续监测，AI在疾病发生前就发出预警。硅基医疗（脑机接口、仿生增强）和纳米医疗机器人将进入临床。 普通人的机会在哪？在"健康数据解读"和"AI健康方案定制"。你不需要是医生，但如果你懂营养学、懂运动科学、懂心理健康，你就可以用AI工具为普通人提供个性化健康方案。这个市场现在还是蓝海。 教育：双师协同，每个孩子都有"私人教师"。 UNESCO预测2030年全球教师缺口4400万。报告给出的解法是"AI智能学伴+苏格拉底式对话+孪生智能教师"双师协同。2035年超10亿学生使用智能学习助手，超5000万孪生智能教师上线。教育算力需求提升680倍。 普通人的机会在哪？在"学习路径设计"和"AI教学编排"。每个学生的学习方式不同，需要有人根据学生的特点设计个性化学习路径，并编排AI教学工具。有教育经验的人——哪怕是课外辅导老师、培训师——都可以转型为"AI教学编排师"。 金融：从"服务20%重点客户"到"服务所有人"。 报告说金融行业将从"80%投入服务20%重点用户"转向"金融智能助理超个性化服务所有用户"。到2035年，每个用户都将拥有自己的"金融知己"——动态调整投资组合、匹配最优贷款方案、预判投资风险。1人1团队1岗1助手将成为常态。 普通人的机会在哪？在"AI金融方案定制"。过去只有高净值客户才能享受的个性化理财服务，现在通过AI可以普惠化。懂财务、懂税务、懂保险的人，可以用AI工具为普通人提供过去只有富人才能享受的财务规划服务。 这三个行业的共同逻辑是：AI做标准化执行，人做个性化判断。你的行业经验越深，你用AI放大后的价值就越大。 别慌，AI不是来抢饭碗的——就业真相 每次技术革命，大家最怕的就是失业。这次也不例外。 报告里没有直接给出就业替代数字，但Web研究找到了权威数据： 高盛2026年6月报告：未来十年AI替代美国1500万岗位（6-7%劳动力），但生产率提升15%，长期净增长。麦肯锡2026年调研：2.2亿中国岗位将被重塑，50%工时可自动化，但实际裁员企业仅14%，2/3企业称AI尚未影响员工规模。花旗报告：中国7030万岗位面临替代风险。世界经济论坛：新岗位将抵消替代。 把这些数据放在一起看，结论很清楚：AI冲击是"重塑"而非"大规模替代"。 短期两年内有扰动，长期净就业增长。最关键的数据是——77%的中国企业选择技能提升而非裁员。 报告里也给出了方向：人机关系从"人机分工"走向"人机共生"。人类的角色从执行者升级为目标制定者与伦理监督者。制造业"一个工厂一个人"的新型生产模式，操作人员通过云数字孪生平台对生产、运营、物流进行多智能体协同编排。 金融领域也是。报告预测到2035年，每个用户都将拥有自己的"金融知己"——AI超级助理帮你动态调整投资组合、匹配最优贷款方案、预判投资风险。金融机构从"80%投入服务好20%重点用户"转向"金融智能助理超个性化服务所有用户"。 这对普通人意味着什么？意味着金融服务、医疗服务、教育服务——这些过去只有有钱人才能享受的个性化服务，将因为AI而普惠化。 报告里有个数据：教育领域，2035年超10亿学生用智能学习助手，超5000万孪生智能教师。医疗领域，AI助力预防超80%慢性病，住院率降低约52%。这些服务的普惠化，本身就是巨大的就业机会——需要大量懂行业的人去训练、编排、优化这些AI系统。 准备清单：从今天开始的5个行动 聊了这么多机会，最实际的问题来了：普通人现在应该做什么准备？ 我结合报告内容和Web研究，整理了5个可执行的行动建议。 第一，学会"跟AI说话"。 这是最基础也是最重要的技能。不是学编程，是学"用自然语言驱动AI完成专业任务"。2025年秋季起多城市已全面开设中小学AI通识课，Agent平台操作门槛已降至类似Excel水平。你不需要懂技术细节，你需要懂的是"怎么提问、怎么拆解任务、怎么判断AI给你的结果对不对"。 具体怎么做？每天用AI工具完成至少一个实际任务——写邮件、做分析、整理资料。坚持三个月，你就会发现"跟AI协作"已经变成肌肉记忆。 第二，深耕一个行业，用AI放大你的经验。 报告里所有的新职业——Agent训练师、AI协作师、安全审计官——都有一个共同要求：领域知识。AI可以学会通用能力，但行业专精需要人来教。 你做了十年财务？你训练的财务Agent比技术团队训练的更懂业务。你在医院干了十五年？你编排的医疗流程比程序员设计的更合理。你的行业经验不是包袱，是AI时代最值钱的资产。 报告里教育领域的数据也支持这个方向：人机协同教学不是让AI替代老师，是"AI智能学伴+苏格拉底式对话+孪生智能教师"双师协同。需要懂教育的人来设计和优化这个协同流程。 第三，构建你的"AI工具栈"。 超级个体不是靠一个AI工具，是靠一个工具集群。数据分析用AI，文案用AI，客户沟通用AI，财务用AI，项目管理用AI。你把这些工具串起来，形成自己的工作流。 报告里说2035年每人拥有100个智能体。你现在就可以开始构建自己的"迷你版"——从3-5个AI工具开始，逐步扩展。 第四，关注AI伦理和合规。 报告在金融、医疗、制造等多个场景都强调了AI伦理和合规的重要性。安全审计官是新兴高薪岗位。普通人不需要成为伦理专家，但需要了解基本的AI伦理原则——数据隐私、算法偏见、责任界定。这些知识在未来会越来越值钱。 第五，建立终身学习机制。 报告里教育趋势的核心就是"终身学习"。AI技术迭代速度极快，今天的技能明天可能就过时了。但"学习如何学习"的能力不会过时。报告预测教育算力需求提升680倍，个性化学习将成为常态。利用AI学习助手，持续更新自己的知识体系，是未来每个人的"生存技能"。 具体怎么做？每周花2小时用AI学习一个新知识点，每月完成一个AI辅助的小项目。Google、微软、华为都推出了AI认证体系——HCIA-AI、Google AI认证、微软AI认证——不需要技术背景也能考。选一个跟自己行业相关的认证，3-6个月拿下来，你的简历就多了一个AI时代的"通行证"。 写在最后：成为"目标制定者"而非"执行者" 回到报告里那句话：人的角色从执行者升级为目标制定者与伦理监督者。 这才是普通人在智能世界2035中的终极机会。 过去，你的价值取决于你能执行什么——会写代码、会做报表、会搞销售。未来，你的价值取决于你能判断什么——知道什么问题值得解决，知道AI给你的答案对不对，知道哪些事情不应该交给AI。 报告里描述的2035年，AI预防超80%慢性病，AI帮助超10亿学生个性化学习，AI让制造业劳动生产率提升60%，AI让金融服务从"重点用户"走向"每个用户"。这些变革的共同点是：AI做执行，人做判断。 普通人最大的优势是什么？是对真实世界的理解。你知道客户真正需要什么，你知道流程哪里不合理，你知道什么决策有风险。这些"隐性知识"是AI最难学会的，也是未来最值钱的。 所以，别问"AI会不会替代我"，要问"我怎么用AI让自己变得更不可替代"。 答案就藏在报告里：成为超级个体，用AI工具集群放大你的行业经验，从执行者升级为目标制定者。 报告里还有个数据值得回味：到2035年，全球数字经济占GDP比重将超过50%，AI累计创造超27万亿美元经济价值。这块蛋糕足够大，容得下每一个愿意拥抱变化的人。 但机会从来不会均匀分配。它偏向那些提前准备的人——提前学会跟AI协作的人，提前把行业经验结构化的人，提前构建AI工具栈的人。 2035年离我们还有不到十年。现在开始准备，刚好赶上。 点击阅读原文，查看完整报告 热点阅读： 1、 OPC：1600万家一人公司的爆发式增长，改变创业的基本逻辑 2、 AI+教育，未来教育模式的变革要快，还是要慢？ 3、 AI正在重塑全球财富分配：谁在暴富，谁在坠落？ 4、 当大模型从"价格屠夫"走向"峰谷电价"，中国AI商业模式的底层重构 5、 未来的家庭智能模式雏形已现：家用机器人、智能终端、全家智能助手 6、 算力基建狂飙：中国正在织一张什么样的算力网？ 7、 华为国行旗舰正式标注5G网络：这5G回归之路走了6年时间 — — — 数据来源： 1. 华为《智能世界2035》报告（2026年发布） 2. 高盛《AI与就业》报告（2026年6月） 3. 麦肯锡《AI对工作的影响》调研（2026年） 4. 世界经济论坛《未来就业报告》 5. 中国国家发改委灵活就业政策文件（2025年8月） 6. IDC《全球AI市场预测》 7. 智联招聘《AI Agent岗位趋势报告》（2026年） 8. BloombergNEF数据中心能耗预测 9. 国际能源署（IEA）电力需求报告 继昨日朱雀二号一箭十星，今日引力一号遥三运载火箭一箭九星，将千帆极轨26组卫星及EUHT技术试验卫星顺利送入预定轨道。此次发射创下我国单次海上发射载荷重量和轨道高度两项新纪录，净载荷超3吨，入轨高度约800公里。本次为首次开展大型低轨卫星互联网星座组网发射。引力一号四发四捷全胜，标志着我国商业固体火箭技术成熟度迈上新台阶。一箭九星海上发射模式大幅降低发射成本和协调复杂度，为千帆星座大规模组网提供高效通道。净载荷超3吨、入轨高度800公里的双纪录，意味着中型固体火箭已具备承担低轨星座组网主力任务的能力。商业航天正从"能发射"向"高效规模化发射"的关键跨越。#引力一号 #商业航天 #固体火箭 #千帆星座 ；检索词:一人公司 最新 热点 趋势
-
tavily · 2026-07-17 · 一人公司 最新 热点 趋势 / Tavily
## 本报记者) 周轩千 摄 前沿性方面，本届WAIC聚焦AI热点，将围绕世界模型、开源智能体、AI Coding、Token经济、OPC（一人公司）等议题，深入探讨行业新趋势。智算、具身两大赛道各超200家企业、数十家龙头链主、央国企及头部外企，携生态伙伴一起参展。华为新一代昇腾950超节点真机、MiniMax M3多模态大模型、阶跃Agent操作系统、近存计算3D芯片、全球首款AI智能体手机，以及多款人形机器人、AI灵巧手等新品都将集中亮相，展示人工智能赋能千行百业的前沿实践。据记者了解，“AI+制造”“AI+消费”“AI+服务”是上海正重点推动落地的几个领域。在“AI+制造”方面，记者在展会现场看到人形机器人“进厂上岗”，参与汽车电池、电机、电控等制造。在“AI+消费”领域，上海加快布局AI眼镜、AI手机等智能终端产品。在“AI+服务”领域，实施“模塑申服”行动，建设AI公共服务平台，推动金融、咨询、审计等专业服务智能化跃升。 [...] 专业性方面，本届WAIC将聚焦模型前沿架构、语料数据、AI Infra、AI4S、具身智能、AI治理等最新方向，开展创新理论、技术路线、落地应用和规制建设等深度交流。在7月17日下午举行的OPC主题前沿论坛上，工商银行上海市分行发布OPC全面金融解决方案，并与张江科学之门、东浩兰生共同启动OPC创新生态联盟。此外，传统金融智能化转型普遍存在应用碎片化、部署成本高、业务闭环弱等痛点，AI仅零散地应用于风控、审计、数据统计等单一环节，难以适配金融行业强合规、全流程、高效率的发展需求。随着企业级AGI技术快速迭代，相关论坛将聚焦从单点试点，转向全链路自主化、低成本化、生态化的金融AI升级需求。 除了论坛和展览，世博场馆还有“另一副面孔”——一座可以逛、可以玩、可以偶遇、可以互动的“机器人未来城”。机器人巡游、多机协同、智能工作场景全景呈现，从馆内专业展示到周边沉浸式体验，AI在这里不是高高在上的技术名词，而是随时会从你身边冒出来的“摩登拍档”。 本报记者 本报记者 ## 本报记者) 周轩千 摄 [...] 本届WAIC的主题是“智能伙伴 共创未来”。据介绍，“伙伴”有两方面含义，一方面表明人工智能正在赋能千行百业、走进千家万户，成为我们工作生活的重要帮手；另一方面，人工智能全球治理需要各国携手努力，在人工智能领域构建全球伙伴关系，共同促进人工智能向善普惠发展。
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势
在 AI for Science 浪潮下， 机理‑数据融合建模 成为前沿研究热点。 将物理机理先验作为约束引入深度学习，弥补纯仿真泛化不足、纯 AI 结果不符合物理规律的缺陷。PINN、时空 GNN、扩散模型与科研 Agent 构成这套技术栈的核心。但在实际落地中，权重调优、领域适配、案例稀缺等问题，仍是科研人员普遍遇到的现实难点。 📚 课程一：AI-Python前沿深度学习核心架构与科学计算实战——PINN正反问题求解、Transformer多领域建模、图神经网络时空推理、深度强化学习、进化深度学习与扩散模型、自进化Agent数据科学应用高级研修班 📚 课程二：前沿AI-Agent2.0工具链深度科研应用系统教学方案：贯通LLM、Claude Code、codex、OpenClaw、Hermes-meta、人机协同实现从文献挖掘到成果产出的科研效率 📚 课程三：基于Claude Code 、Codex双AI协同高水平论文撰写与质量校准：研究定位→数据分析→论文初稿→交叉审稿→投稿与返修全流程实践培训班 📚 课程四：AI智能体赋能R-Meta分析核心技术全链路高级培训班涵盖从文献计量热点挖掘，到经典与网状Meta建模、贝叶斯MCMC推断、MetaForest机器学习，直至SCI规范发表与Codex自动化实现 📚 课程五：第九期：融合AI与 Python 机器学习（随机森林/SVM/XGBoost/神经网络）的滑坡·崩塌·泥石流易发性评价、危险性-易损性-风险全流程评估、空间数据库信息化建库、灾后重建选址与应急救援路径规划及SCI论文写作发表全链条实战高级培训班 📚 课程六：第八期：高水平学术论文写作的“破局”之道暨AI赋能下前沿选题、智能写作、科研可视化、精准选刊与投稿、审稿博弈策略及CNS跃迁进阶全链路实践培训班 📚 课程七：第二十期：2027年国自然与省级基金申报全链路实战高级培训班从选题到提交——AI协同撰写、立项依据精修、科学问题"三问法"凝练、技术路线图设计、评审逻辑拆解与往期学员TOP33踩坑全解析 报名咨询 联系人：王倩 微信二维码： 培训时间 2026年10月10日-11日、17日-18日【提供全部资料、代码及长期回放】 课程以”PyTorch全栈筑基、真实数据驱动、问题导向实战”为三大支柱，构建兼具学术严谨性与工程实用性的培养体系。技术层面，系统讲授物理信息神经网络（PINN）的正反问题求解、Transformer在自然语言处理、时间序列预测与遥感影像解译三大领域的迁移应用、图神经网络的消息传递机制与时空建模、深度强化学习从Q-learning到PPO/SAC的算法谱系与工业智能体构建、进化计算驱动的无梯度优化与神经架构搜索与扩散模型的原理、从零实现及其在自然科学中的应用。实战层面，全部案例基于PyTorch软件栈（含torchvision、torchtext、PyTorch Geometric、Gymnasium、BoTorch/GPyTorch、DEAP、pgmpy/DoWhy等生态）完成，数据一律采用公开真实数据集，保证即学即用、课后可复现。四天沉浸式学习，打通从算法原理到科研落地的最后一公里。 培训内容简要 培训时间 2026年10月16日-19日【提供全部资料、代码及长期回放】 本课程是一门面向科研人员、研究生、博士生、高校教师以及高端知识工作者的系统化实战训练营，以“工具即生产力，Agent即科研合作者”为核心理念，带你从“使用AI”进阶到“构建AI系统”。课程将系统讲解如何将主流大语言模型深度融合进： 1.科研写作与论文生产流程 2.实验与科研数据分析 3.文献管理与知识体系构建 4.科研绘图与学术级可视化表达 5.多模型协作的创新型科研思考 6.基于NotebookLM 的研究资料整合、来源引用与可信推理 7.使用NotebookLM 48小时通过一门课、掌握一系列知识点 8.Google生态系统自动化科研工作流与AI Agent系统 9.OpenClaw和Claude Code个人AI助手结合Agent Skills技术自动化生成论文 10.Seedacnce2.0视频大模型生成科研科普视频 11.Codex/HyperFrames代码化生成科研视频：自动完成脚本、分镜、字幕、旁白、时间线、排版检查与MP4渲染 12.Codex生成3D科研、教学图片。 13.本地ChatGPT（Odysseus+Ollama）搭建：在个人电脑上部署可私有化免费具有隐私性的科研AI工作台 14.解决Claude Code封号的两种方案 通过真实科研场景与完整案例，你将学会如何让AI主动协助你思考、决策与创作，而不仅仅是被动回答问题。 通过本课程，你将不只是学会“使用AI”，而是能够真正做到： 1.构建属于自己的科研AI Agent，让AI成为你的长期研究助手 2.打造可持续复利的个人科研系统，知识与成果持续积累 3.显著提升科研效率与创新能力，减少重复劳动，专注高价值思考 4.让AI成为你稳定、可靠、可进化的科研合作者这不是一门“教你玩AI的课程”，而是一门帮助你在AI时代建立长期科研竞争力的系统训练营。最后将总结Google Gemini（Nano Banana），Notebooklm，OpenClaw，Claude Code，Seedance等一系列AI大模型的不同应用范围，如何使用这些打造专属个人自动科研系统。 【往期答疑与好评】 培训内容简要 培训时间 2026年9月26日-27日【提供全部资料、代码及长期回放】 【课程定位】： 目标学员：所有以数据为基础的定量研究方向均适用，只要你能整理出数据+分析脚本+统计结果+图表+核心结论，流程就能迁移。覆盖理工、农林、地学、环境、生态、医学、公共卫生、药学、心理、社科定量、经管、教育、信息等领域的研究生、博士生、博士后、青年教师及科研人员。 前置要求：有科学上网条件、课前完成环境预装（提供详细指南和助教支持）核心工具：Claude Code + OpenAI Codex CLI + VS Code。 教学数据：讲师演示使用一份通用公开数据集——用"通用数据"跑出"科研实战"：完整走通 数据获取→清洗→统计→图表→论文初稿→双AI审稿→投稿材料包全流程。方法完全通用，学员可直接替换为自己领域的数据（CSV/Excel/JSON/Parquet/SQL/NetCDF/HDF等格式均支持）； 课程产出：一篇经过多轮AI交叉审稿、具备投稿前内部打磨基础的论文草稿（Markdown + DOCX），含符合主流期刊投稿格式的图表、Cover Letter、citations_todo、claim 校准报告与完整审稿轨迹。 【两天完整产出】： 培训内容简要 培训时间 2026年10月16日-17日 23日-24日【提供全部资料、代码及长期回放】 Meta分析 是针对某一科研问题，根据明确的搜索策略、选择筛选文献标准、采用严格的评价方法，对来源不同的研究成果进行收集、合并及定量统计分析的方法，现已广泛应用于 农林生态，资源环境等方面，成为Science、Nature论文的重要分析方法 。 以Codex为代表智能体带来了新一波人工智能浪潮，可以快速提升Meta分析的理解和应用效率。 R语言拥有完整有效的数据处理、统计分析与保存机制，可以对数据直接进行分析和显示，命令格式简单、结果可读性强，包含众多针对Meta分析软件包，是进行Meta整合分析及评价的有效平台。 本课程通过AI大模型和Codex智能体全程助力Meta分析，从文献计量分析研究热点变化，寻找科学问题、R-Meta多手段全流程分析与Meta高级绘图、多层次分层嵌套模型构建与Meta回归诊断、贝叶斯网络、MCMC参数优化及不确定性分析、Meta数据缺失值处理的六种方法与结果可靠性分析、Meta加权机器学习与非线性Meta分析等方面讲解，每个专题，每一部分结合多个典型案例实践，深受众多学员好评 。 培训内容简要 培训时间 2026年10月14日-15日、19日-21日【提供全部资料、代码及长期回放】 本研修班面向地质灾害、遥感 GIS、资源能源相关行业的工程技术人员与科研工作者，包括地质灾害调查评估、国土空间、生态环境、能源开发相关岗位工程师，地质工程、地理信息、资源环境方向硕博研究生与青年科研人员。无论从事滑坡崩塌泥石流传统灾害研究，还是人为工程活动诱发地质灾害方向探索均可参与，学员可结合自身研究对象，对课程所学方法进行适配迁移。 课程核心技术聚焦地质灾害风险全流程评价实战，系统讲授易发性‑危险性‑易损性‑风险完整评价框架；掌握 ArcGIS 多源地学数据处理、地质灾害空间数据库建库与拓扑质量检查；实操 Python 机器学习模型，运用随机森林、XGBoost、SVM 等算法完成因子筛选、共线性诊断、模型训练与精度验证；掌握 AI 大模型科研增效工作流，实现脚本生成、文献梳理、文稿辅助撰写，同时覆盖 SCI 论文拆解、图表制作、投稿及审稿回复全链条。 课程针对性解决科研与工程领域普遍存在的现实痛点，补齐部分研究者风险评价体系碎片化的短板，破解多源地学数据处理繁琐、成果数据库构建不规范的难题；改善机器学习简单调包、模型结果可解释性不足的问题，依托 AI 工具缩减文献整理、代码调试等重复劳动；打通从模型运算到成果产出的卡点，助力输出满足项目审查的工程成果与契合地学类期刊范式的学术内容，为各类地质灾害相关研究提供一套成熟可复用的完整技术方法论。 培训内容简要 培训时间 2026年10月23日-24日、30日-31日【提供全部资料、代码及长期回放】 本课程以高水平论文发表为导向，结合前沿的AI大模型和智能体赋能场景，系统讲解从前沿选题挖掘、论文结构搭建、写作表达优化、图表可视化设计，到精准选刊投稿与审稿意见回复的全过程，并延伸至CNS等顶级期刊的撰写策略，帮助学员建立高质量论文写作与发表的完整方法体系，提升写作效率、论文质量与投稿命中率，建立属于自己的科研第二大脑。 培训内容简要 培训时间 2026年10月10日-11日【提供全部资料、代码及长期回放】 2026年，国家自然科学基金委启动申请书"瘦身提质"行动，新版申请书仅保留"立项依据、研究内容、研究基础"三大核心板块，取消"研究方案""技术路线"等固定条目，评审从"形式合规"转向"实质创新"。这意味着：过去靠模板堆砌、靠格式凑字数的写法彻底失效，评委要看的，是你对科学问题的理解深度与解决路径的可信度。 更关键的是——青年学者的窗口期正在打开。 2026年青年科学基金项目（C类）资助规模预计增加12000项，增幅超过50%。政策在扩围，但申报人数同样屡创新高，评审标准愈发严苛。一个残酷的现实是：名额多了，但"写得累却不得要领"的人，依然会在第一轮就被筛掉。 AI浪潮正深度重塑科研全流程。大语言模型能快速生成文献综述、梳理提纲、润色语言、甚至绘制图表——但绝大多数使用者正陷入"生成快、修改更慢"的困境：AI输出的逻辑松散、术语偏差、引用失准，不仅没提速，反而因"一眼假"被评委扣分。AI无法替代你的科学判断、问题意识与创新思维，但它可以成为你最高效的科研副驾驶——前提是，你知道如何驾驭它。 您可能正面临—— 时间极度紧张：教学、实验、论文、行政事务交织，留给基金撰写的整块时间寥寥无几，deadline前一周才开始动笔是常态； 经验尚有不足：尤其是青年学者，缺乏系统指导，常在"立项依据写成文献堆砌""研究内容大而空""创新点像自夸"中反复试错，投出去的石沉大海； 人机协同不好：虽尝试借助大模型提速，却陷入"生成快、修改更慢"的困境，甚至因逻辑松散、术语偏差反被扣分； 资源相对有限：尚未组建成熟团队，独自承担从选题到预算的全部环节，代表作搭配、团队配置、预算科目，每一步都是盲区。 我们深知，一份成功的基金申请书，从来不只是文字的堆砌，而是科学洞察、逻辑架构与表达艺术的综合体现。它背后，是无数个深夜的推敲、无数次的自我质疑，以及对"那个值得被资助的问题"的执着追寻。本期课程以"人机协同、效率与深度并重"为核心理念，16个专题层层递进，从评审专家视角出发，直击每一个实战痛点，无论您是首次申请青基的新手，还是冲击面上项目的"老将"，无论您手握代表作信心满满，还是正焦虑"青基没论文怎么办"——我们都愿成为您科研路上的同行者与助推器。期待与您共启这段高效、深度、有温度的基金撰写之旅！ 【往期答疑与好评】 培训内容简要 报名须知 【 培训方式 】 ： 网络直播+助学群辅助+导师面对面实践工作交流（报名后加入助学群、查阅会议流程） 【 导师随行 】 ： 1、建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用。 2、课程结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流 【发票可开具】：培训费、会议费、资料费、技术咨询费，配有盖章文件【用于参会人员报销使用】 报名咨询 联系人：王倩 微信二维码： 声明： 本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。 Ai尚研修 丨专注科研领域 技术推广，人才招聘推荐，科研活动服务 科研技术云导师 ，Easy cientfic Research ；检索词:AI与Agent 最新 热点 趋势
-
techcrunch-ai · 2026-09-18 · AI行业 / rss
Security researchers used Anthropic’s Claude to exploit vulnerabilities in OpenAI’s systems, taking over employee accounts and gaining access to an internal code repository before reporting the flaws.
-
justoneapi-all · JustOneAPI / 认知差与信息权重 最新 热点 趋势
智能硬件产品经理面试真题；检索词:认知差与信息权重 最新 热点 趋势
-
justoneapi-weibo · 微博热搜 / JustOneAPI
-
hf-papers · 2026-09-15 · AI论文 / hf-daily-papers / [object Object]
As corporate AI adoption continues to grow, enterprise-grade LLM agents are being deployed into sensitive contexts such as hiring, healthcare, and finance. In these contexts, compliance with rules specified in an agent's system context is a first-order legal concern. Currently, no evaluation framework systematically measures which LLM models tend to violate compliance rules, especially under pressure from a persistent user, a hurried manager, or circumstances where violation is convenient or attractive. We introduce PACT (Pressure-Applied Compliance Testing), a benchmark for rule-following under pressure in AI agents assisting employees in daily tasks across twelve regulated enterprise domains and forty-eight scenarios, each set in a realistic multi-turn conversation. Each benchmark item pairs a standing rule against a rule-violating shortcut, and applies a battery of pressures across different wordings and system-prompt modes. We construct PACT component by component under strict LLM-as-judge auditing to ensure samples are unambiguous, ungameable, and realistic enough to avoid eliciting evaluation-aware behavior. We use PACT to profile LLM compliance across six complementary metrics that create a holistic picture of an AI assistant's robustness under pressure and throughout multi-turn conversations, its transparency, and ability to correctly discern where a rule applies. We aggregate this profile into PACTScore, a reliability-weighted compliance rate over all items and modes. Our results across 22 common LLM models spanning multiple providers and sizes show substantial variability in compliance across models and metric dimensions. Even the strongest assistants mis-apply a rule on 6 to 10% of items, and ordinary user pressure raises the violation rate by 65% on average. PACT highlights compliance risks in LLM assistants, motivating guardrails and careful model selection.
-
hf-papers · 2026-09-16 · AI论文 / hf-daily-papers
Multi-turn agents trained with reinforcement learning (RL) receive a single scalar reward per trajectory, which motivates self on-policy distillation (OPD) to supply dense token-level supervision from a self-teacher with privileged task skills, letting a skill-free student internalize them. This recipe, however, is undermined by two findings in agentic tasks: privileged information alone does not always make a teacher reliable, and the benefit of teacher supervision is stage-dependent. We therefore propose RetireOPD (Self-Retiring On-Policy Distillation), which first optimizes a decoupled, skill-conditioned teacher with environment rewards and then trains a skill-free student jointly with RL and OPD. Rather than following a predefined distillation schedule, RetireOPD adopts Adaptive Retirement: the student drops the teacher on its own once their discrepancy stops shrinking and it reaches a target fraction of the teacher's success rate, after which training proceeds with RL alone. Across Qwen2.5 models from 1.5B to 7B, RetireOPD improves ALFWorld success rate over RL baseline by 14.1% to 18.8% and WebShop accuracy by 11.8% to 19.0%, and surpasses its own skill-conditioned teacher in every setting.
-
hf-papers · 2026-09-14 · AI论文 / hf-daily-papers
GUI agents execute long-horizon tasks on dynamic graphical user interfaces, where pop-ups, delayed loads, and relocated widgets routinely invalidate plans fixed before execution. Recent agent-skill frameworks encapsulate reusable procedural knowledge to mitigate this, yet existing skill designs are largely developed without targeting GUI execution dynamics and treat skills as static artifacts produced before deployment rather than living procedural knowledge that improves through it. We argue that what GUI agents need is not better static skills, but skills that can be revised from execution feedback at deployment time, without additional training. We propose EvoSkill-GUI, a training-free framework in which each skill is a structured multi-file package containing retrieval metadata, executable plans, backup localization, failure-recovery rules, accessibility utilities, and failure cases. EvoSkill-GUI operates through a \emph{reflect-revise-reuse} loop: the executor performs instant in-rollout revisions, an isolated critic diagnoses failed trajectories under strict information isolation, and the executor edits specific skill files through a restricted tool interface. Across MobileWorld, AndroidWorld, and OSWorld, three mainstream GUI benchmarks spanning mobile and desktop platforms, EvoSkill-GUI consistently improves multiple base models without any training, with maximum gains of +16.2%, +6.0%, and +10.5% respectively, and evolved skill libraries continue to benefit related tasks rather than being rebuilt from scratch. Our code is available at https://github.com/ZJU-REAL/EvoSkill-GUI.