跳到正文
11月17日周二
  1. AWS Machine Learning Blog70

    Amazon Bedrock Guardrails Denied Topics 编写最佳实践

    AWS 官方博客系统总结了 Amazon Bedrock Guardrails 中 Denied Topics 的八条编写最佳实践,指出误拦多源于按主题域而非用户意图组织话题。

    推荐理由:文章把误拦问题归因到四种常见写法并给出八条可迁移的编写规范,读者可直接对照自查自家护栏的拒拦边界。

11月16日周一
  1. 博客园34

    OptiMer:不同行业权重混合策略

    论文 OptiMer 提出一种跨行业权重混合策略:先对不同行业数据分别微调提取权重向量,再对向量加权组合,权重由 TPE 贝叶斯优化(基于 Optuna 框架)搜索,无需重新训练模型。作者用糖果、棉纺织、金属加工三个行业的业务数据复现,差异系数合并的 OptiMer 行业宏均 29.61,较混合训练提升 +0.75、较等系数合并提升 +1.42,但并非所有行业都优于混合训练。

  2. 博客园71

    从RAG到知识图谱再到Agent工作流,中间还差一层本体论

    本文认为企业级AI在向量RAG、知识图谱和Agent工作流之上还缺一层本体论,用来统一定义业务概念、逻辑公理与动作边界。文章用毛利率口径不一致、供应商图谱标签混乱和80万元违规采购被放行三个故障案例说明缺失后果,给出五层企业AI架构和从20到50个核心概念起步的三步落地法,并区分了何时只用传统RAG、何时必须上本体组合。

  3. 博客园54

    物理AI、端侧AI、边缘AI到底有什么区别

    文章用一条产线案例厘清三个概念:物理AI看AI输出是否驱动执行器并形成感知与行动的闭环,端侧AI看模型是否在终端本身运行,边缘AI看计算是否靠近数据源。端侧AI属于广义边缘AI,两者与云端AI按计算节点位置区分;谈边缘AI时还要分清边缘推理与边缘训练,后者的难度和成熟度差别很大。文章同时澄清了常见误读,例如端侧AI不等于完全不联网,边缘计算也不会自动消除延迟。

11月15日周日
  1. 博客园39

    如何使用 three.js/WebGL 实现 3D 消防演练系统:事件联动与时间线复盘

    该文讲解如何在 three.js/WebGL 的 3D 消防演练系统中实现事件联动与时间线复盘:以相对演练开始的毫秒数记录报警、通道封闭和人员位置三类事件,用初始状态加 reduceEvent 逐条重算还原状态,事件多时每隔 50 条存一个快照,拖到任意时刻从快照二分查找并补算中间事件。播放、暂停、倍速与拖动共用同一个时钟,统一调用 stateAt 渲染场景,保证同一时间点只得到同一份状态。

  2. The Decoder79

    Anthropic 称过时提示词习惯拖慢 Claude Opus 5.5

    Anthropic 表示 Claude Opus 5.5 现已成为 Pro、Max、Ultra 和 Team 套餐的默认模型,并建议用户删掉“think hard”等继承自旧模型的提示词,因为该模型会自行推理并按任务与努力档位调整深度。

    推荐理由:原文汇总了 Anthropic 官方对 Opus 5.5 的提示词建议,读者可对照调整旧用法,避免多余指令和过高档位增加成本。

11月14日周六
  1. 博客园56

    从 v0 起步:为什么要为 AI 文档体系规划工具链及三个真实踩坑

    作者认为文档结构定死后,维护应交给 AI 按严格格式读写,而不是人在高频开发中手动对账。文章复盘了自家工具链从 v0 迭代至今的三个事故:能力文件与工具版本失配导致审核规则未被加载、写入接口传空即删除、提交粒度按物理时间而非逻辑意图切分导致无法单独回滚,并给出对应的防线改造方案。作者总结称工具的职责是让隐性错误不易发生或尽快显形,这也是 harness 的本质。

  2. 博客园71

    AgentScope-Java 解析:Java 开发者如何用现有技术栈构建 AI Agent

    AgentScope-Java 是阿里巴巴开源的 Java 智能体开发框架,让 Java 开发者无需切换到 Python 即可构建生产级 AI Agent 应用。框架提供轻量的 ReActAgent 和封装工作区、长期记忆、沙箱等工程能力的 HarnessAgent 两种入口,支持 @Tool 注解注册工具、文件驱动的多 Agent 协作以及 MCP 协议工具接入,并可切换状态后端实现分布式部署。

  3. 博客园31

    x3db:通用游戏数据服务器的单表设计与取舍

    x3db 将玩家变量、背包、技能等游戏数据统一抽象为 (ownerid, storeid, objid) 三键定位的对象颗粒,用单表 13 列支撑全部业务读写。数据整份驻留内存,写操作改内存即返回并按 touched 位图稀疏落盘,实测单表 4 连接耗时 284ms,快于 4 张表的 306ms。该设计明确不做跨行事务与全局二级索引,统一的数据模型也为 AI 生成可运行的服务端代码提供了稳定底座。

  4. AWS Machine Learning Blog35

    Amazon Bedrock AgentCore runtime 快速会话启动的架构模式

    Amazon Bedrock AgentCore runtime 的 V2 版本通过预先构建环境快照并按会话恢复,使会话启动更快更稳定。每个会话在独立隔离的 microVM 中运行,平台空闲时缩容至零,V2 还会回收会话未使用的内存以降低成本。文章给出四种加速启动的架构模式,包括用新增的 build hooks 预加载大文件,以及在用户发起请求前预热会话。

  5. AWS Machine Learning Blog32

    用 Amazon SageMaker JumpStart 上的 OpenFold3 预测生物分子结构

    OpenFold3-preview 现可通过 Amazon SageMaker JumpStart 部署到自有 AWS 账户。该模型由 OpenFold Consortium 与哥伦比亚大学 AlQuraishi Lab 以 Apache 2.0 开源,可一次预测蛋白、DNA、RNA 与小分子配体复合物的三维结构。端点采用异步推理,支持网络隔离、多 GPU 并行与空闲时缩容至零。