跳到正文
10月21日周三
  1. 掘金27

    大模型底层架构与推理机制源码深度剖析

    文章从源码层面拆解大语言模型推理的完整链路,涵盖 Transformer 主干、因果掩码与 KV 缓存,以及 llama.cpp 推理引擎和采样策略。KV 缓存使每步注意力计算的时间复杂度由 O(n²) 降为 O(n);llama.cpp 借助 GGUF 4-bit 量化、批处理与多线程调度显著降低显存占用并加速 decode。温度与 Top-p 采样则在生成多样性与稳定性之间取得平衡。

  2. AWS Machine Learning Blog39

    如何通过 AWS 上的 Smartsheet MCP 为 AI 智能体提供工作流上下文

    Smartsheet 正式推出全面可用的 MCP Server,使 AI 助手能通过标准化协议读取、写入和管理 Smartsheet 数据。该服务器提供超过 40 种工具,支持用自然语言更新任务状态、创建行和修改项目结构。文章还演示了如何将 Amazon Quick 和 Kiro 作为 MCP 客户端接入现有工作流。

  3. AWS Machine Learning Blog63

    用 AWS Agent Registry 在运行时发现 Agent 工具

    AWS 官方博客演示了用 AWS Agent Registry 让编排器在运行时通过混合语义与关键词搜索发现已批准的 MCP 服务器和 A2A 智能体,替代硬编码工具接入。

    推荐理由:原文给出运行时发现替代硬编码工具的参考实现,读者可据此评估自家 Agent 目录的治理与认证拆分方式。

  4. Hugging Face Blog79

    TorchTPU 发布,Hugging Face 生态原生支持 TPU

    Hugging Face 宣布 TorchTPU 为 PyTorch 增加原生 TPU 后端,Transformers、Diffusers 和 Kernels 无需 torch_xla 或 Optimum TPU 即可在 TPU 上运行,加载 Hub 模型只需设置 device_map 为 tpu。

    推荐理由:原文对比了 torch_xla 旧方案并给出 device_map=tpu 等迁移细节,读者可评估现有 PyTorch 代码上 TPU 的改造成本。

  5. AWS Machine Learning Blog47

    Eon 如何用 Amazon Bedrock AgentCore 的 MCP Gateway 构建多云调查体系

    Eon 基于 Amazon Bedrock AgentCore Gateway 搭建统一 MCP 网关,以单一认证入口替代逐工具凭证和本地 MCP 服务器,让开发者和自主智能体跨 AWS、GCP、Azure 统一访问调查工具。新工程师接入全部调查工具的时间从约 2 天缩短到约 2 分钟。该方案通过 Cedar 策略实现最小权限访问,生产工具仅限只读。

10月20日周二
  1. 掘金68

    一个人带三个 Agent,我用 TRAE 从 0 到 1 搭了个资讯周刊站

    作者用 TRAE 的 Agent 模式同时开三个会话并行开发,一个下午加半个晚上搭起了 dev-weekly 资讯周刊站,从 Hacker News 和 dev.to 公开接口抓取文章并自动分类成刊。全文给出 P1 到 P6 可直接复用的提示词,核心经验是开工前把目录边界写死,并附 package.json 冲突与 mock 类型对不齐两个坑的解法。

  2. 掘金44

    AI Agent 教程附录 E:推荐阅读与资源

    AI Agent 教程附录 E 按主题汇总五类经时间检验的资源:基础论文、工程指南、框架官方文档、基准与基础设施,每项附一句话说明价值。论文部分涵盖 CoT、ReAct、Reflexion、MemGPT、AutoGen 等奠基工作,指南部分收录 Anthropic《Building Effective Agents》及 MCP、A2A 官方规范。

  3. 掘金65

    我的模型置信度 ≥65% 时命中率 74.5%,整体 50% 时如同掷硬币

    作者用 10,617 场足球比赛回测发现,模型整体命中率接近 50%,但置信度 ≥65% 的子集命中率达 74.5%,且自报概率与实际命中偏差很小。样本外测试显示,同一批投注按全平台最高价成交的回报率为 +9.9%,高于按收盘价成交的 +6.9%,仅比价带来的收益就超过翻倍训练数据的预期提升。作者同时提醒样本量小(n=36、n=191),真实回报可能接近 0,应做前向验证并预设停止条件。

  4. 掘金76

    写了个 A2A Agent Card 体检器:一张「自我声明」的名片能验到什么程度

    作者写了一个 186 行纯标准库、不联网的 A2A Agent Card 体检工具 card_lint.py,用 11 条规则检查卡片结构、来源和内容夹带,并支持 digest 固定值对比,可直接接入 CI。

    推荐理由:作者给出了可复用的静态检查规则和 CI 落地方式,读者能直接照做并把卡片变更纳入评审。

  5. 掘金47

    大厂老兵从零学——Agent开发

    作者指出Agent开发已成为明确方向,并给出"体验市面AI产品、学习Langgraph Python SDK、动手写demo"的三步入门路径。同时总结了结构化输出、tool_call调用、plan-execute模式及分页检索节约Token等实战踩坑经验。