# 个人AGI周刊：认知资产与智能系统复利

- 来源：ginobefun (@hongming731)
- 发布时间：2026-08-10 07:41
- AIHOT 分数：59
- AIHOT 链接：https://aihot.virxact.com/items/cmsmgw7b802tbronx3wsx8of6
- 原文链接：https://x.com/hongming731/status/2086598710239396148

## AI 摘要

BestBlogs 第 107 期周刊以「个人 AGI」为主线，探讨当模型能力来自远端 API 时，个人真正拥有的是可跨任务复用的上下文、Skill、记忆与判断。本期 20 篇内容梳理从认知缓存、模型能力底座到推理工程与实时基础设施的完整路径。PAST-Bench 研究显示经验保留对连续任务改善不均，记忆系统需回答来源、时间、有效性与可观察改变四个问题。

## 正文

http://x.com/i/article/2086598246231855104

BestBlogs 精选周刊 | 第 107 期:个人 AGI 与属于自己的智能系统

在线阅读和收听周刊内容:https://www.bestblogs.dev/newsletter/issue107

🎧 本期也有播客版本:BestBlogs 周刊 第 107 期 · 时长 19:26 · 在小宇宙搜索「BestBlogs 周刊」即可收听。

导语:当模型来自远端,什么会真正留在个人手里

如果模型能力主要来自远端 API,真正属于个人的智能是什么?

这不是一个抽象的所有权问题。我们每天都在更换模型、迁移工具、重开会话。一次任务里积累的背景、偏好、判断和失败经验,经常随着产品切换而消失。模型越来越强,个人却可能不断从零开始。

Garry Tan 最近用「个人 AGI」描述另一种可能:由个人拥有上下文、Skill、记忆和判断,再让代码、数据库和不同模型为这些资产服务。这还不是行业统一定义,也不能据此推导出一人公司已经成熟。它更适合作为一个编辑框架,帮助我们观察一组正在汇合的变化。

过去三期周刊正好构成这条线索的前史。第 104 期讨论判断力回归,因为生成成本下降后,方向、品味和责任变得更稀缺。第 105 期讨论自主性的边界,可靠验证能够到达哪里,自动化才能走到哪里。第 106 期用「1% 法则」梳理从演示到真实系统之间的工作,包括规格、上下文、工具、记忆、评测和编排。

第 107 期继续追问:这些能力和系统形成复利以后,复利归谁?

本期 20 篇内容可以串成一条完整路径。个人先积累能够跨任务复用的认知资产;前沿模型扩大可调用的能力范围;推理、路由与实时基础设施把能力送进真实任务;harness、环境和验证组成个人智能的操作系统;权限与审计让自主性逐步增长;最后,开放权重、许可证和平台结构决定这套能力能否迁移。

这条路径中没有某个单一产品能够解决全部问题。它更像一套逐层建立的工作系统。

一、从模型账号到可迁移的认知资产

个人智能的起点,可以从「认知缓存」理解。

Patrick Collison 在 Y Combinator 的对话中提到,人读过一本书、做过一个项目以后,会在脑中形成压缩过的结构。下次遇到相似问题,我们不会重新读取全部材料,而是直接调用已经内化的概念、案例和判断。编程、写作、沟通与行业经验之所以有长期回报,正是因为这些缓存能够跨任务复用。

智能体正在帮助我们把一部分认知缓存外化。项目说明、决策记录、失败复盘、常用 Skill 和验收标准,都可以进入可检索的系统。它们让新会话少做重复解释,也让不同模型更快进入同一个工作上下文。

不过,保存信息只是第一步。真正的复利要求系统知道一段经验来自哪里、适用于什么条件、何时会过期,以及它是否真的改变了后续行动。

记忆需要一条完整的因果链

PAST-Bench 研究了持久经验怎样影响连续任务。它覆盖 26 个场景、204 个连续 episode、7 个基础模型和 4 种 Agent 框架。结果显示,保留经验确实可能改善后续表现,但这种改善并不均匀。

研究更重要的提醒在于,最终分数相似,不代表系统采用了同样可靠的学习路径。有的系统正确保存并检索了过去经验;有的系统没有形成可追踪的更新链,只是在新任务上碰巧表现更好。如果我们只看最终结果,就可能把偶然波动误认为记忆复利。

一个可用的个人记忆系统至少要回答四个问题:

• 这条信息来自原始事实、项目决策,还是个人偏好

• 它在什么时间、什么任务中生成

• 当前条件变化后,它是否仍然有效

• 它被哪次执行检索,又带来了什么可以观察的改变

早报关联阅读里的 Stalebrain 为此提供了一种设计思路。它给 CLAUDE.md、AGENTS.md 等记忆文件增加类型、提交来源、半衰期和人工批准。项目仍然很新,缺少大规模效果评测,但它提出了一个朴素原则:记忆需要衰减,过时规则需要退出。

Skill 也需要做减法

腾讯云 TDSQL 团队重做 harness 后,根指令减少 61%,Skill 减少 40%,Agent 从 10 个收敛到 6 个。站内另一场 WorkOS 分享也提到,团队删除绝大多数 Skill 后,结果反而改善。

这些数字来自具体团队,不能变成通用配方。它们共同说明了一个机制:每条规则都会占用上下文,每个 Skill 都会增加选择成本。模型升级以后,过去用于补能力缺口的提示词可能已经多余,继续保留还会制造冲突。

因此,个人智能资产的质量不能用数量衡量。更值得保留的是模型无法自行猜到的部分,例如组织特有的验收条件、风险偏好、责任边界和长期形成的判断。通用知识可以交还给模型,差异化经验则需要清楚的来源和维护机制。

→ 阅读原文:个人 AGI:掌握上下文、技能与复利式杠杆

→ 阅读原文:Patrick Collison:当你成功之后,AI 时代如何继续创造机会?

→ 阅读原文:模型越来越强,harness 该留下什么?

当上下文、记忆与 Skill 逐渐成为个人资产,下一个问题自然出现:什么样的模型能够调用这些资产,又能把能力送到哪些任务里?

二、模型扩大能力底座,完整系统决定真实可用性

本周几款模型沿着不同方向扩展个人可调用的能力。

Qwen3.8-Max 的官方口径是 2.4 万亿总参数、每次激活 950 亿参数、100 万上下文。它把编程、办公和长程任务放在主要位置,试图让模型从局部回答进入更完整的交付过程。

MiniMax H3 同时处理文字、图像、视频和音频输入。官方提供 4 至 15 秒视频、最高 2K 和立体声等能力,模型主体是 330 亿参数的稠密 Omni Transformer。开放范围需要按组件理解:Context-IR 仍是托管能力,Regenerate-2K 也没有随主体模型一起开放。

Seedance 2.5 则把多模态参考推进到内容生产工作流。它支持最长 30 秒,最多可以参考 30 张图片、10 段视频和 10 段音频。这让素材、镜头、声音和节奏能够在同一个任务中被组织。

官方同时承认,物理一致性和多主体稳定性仍有明显限制。早报中的独立实测可以补充使用视角,但少量样例还不足以证明生产稳定性。

这些发布共同扩大了一个人的能力范围:阅读长材料、处理代码、理解图像、生成视频和声音,越来越像在调用一支临时团队。但团队中的每个成员有不同速度、价格、开放范围和失败方式。单看模型榜单,无法回答它们能否稳定进入工作流。

Kimi K3 说明了模型与 harness 的共同作用

Kimi K3 的官方技术报告给出约 2.8 万亿总参数、每个 token 激活约 1042 亿参数、896 个专家中激活 16 个,以及 100 万上下文。这些数字很醒目,真正值得分析的部分却在参数之外。

模型的训练环境、工具调用、蒸馏、推理服务和评测 harness 共同影响最终表现。官方基准能够说明模型在指定配置下达到的能力,换一套工具、提示、超时或上下文管理策略,结果可能明显变化。因此,比较前沿模型时,需要把测试环境一起纳入结论。

这也是理解开放权重的第一层边界。权重可下载以后,开发者仍然需要量化、推理引擎、缓存、硬件和运维能力。Kimi K3 使用专用许可证,对于特定规模的模型服务业务还有商业条件。开放扩大了参与空间,却不等于所有部署和商业限制自动消失。

推理工程决定能力的交付成本

Baseten 团队把推理系统拆成缓存感知路由、预填充与解码分离、量化和硬件利用率。文章给出一个 GLM-5.2 内部案例,在质量保持的前提下,吞吐量提高约 20%。这是特定环境中的结果,不能直接外推到其他模型和集群,但机制具有普遍意义。

相同模型放进不同缓存、批处理和调度系统,用户得到的等待时间、并发能力和成本会完全不同。前沿模型的实际价值需要经过一层工程过滤:能否被部署、能否承受调用成本、失败后能否恢复,以及许可证是否允许目标使用方式。

实时交互是一条端到端链路

OpenAI 用六个月重做 GPT-Live 的工程过程,更直观地展示了这种系统性。连续语音交互已经很难拆成录音、转写、生成、合成四个彼此独立的步骤。全双工模型需要持续判断什么时候说、什么时候听、什么时候停、怎样响应打断,还要同步处理有状态上下文、流式推理、异步委派和媒体传输。

延迟因此变成整条链路的属性。OpenAI 的复盘涉及传输路径、连接建立、上下文压缩、WARP 和影子流量。Google 关于会话感知负载均衡的工程文章也提供了交叉证据:长会话不能只看请求率或 CPU 使用率,还要结合连接承诺、当前负载、中断、空闲、断线和尾延迟。

个人智能系统如果要长期陪伴用户,必须处理这些看起来不够耀眼的部分。上下文连续、等待成本、断线恢复和任务续跑,直接决定能力能否在日常工作里稳定出现。

→ 阅读原文:Qwen3.8-Max:编程与办公,全面跃升

→ 阅读原文:开放通用智能,MiniMax H3 正式开源

→ 阅读原文:从 Kimi K3 技术报告看前沿模型是如何炼成的

→ 阅读原文:一镜成片,随心参考|Seedance 2.5 正式发布

→ 阅读原文:推理工程大师课:Philip Kiely 与 Ali Taha,Baseten

→ 阅读原文:我们在六个月内构建了用于响应式语音 AI 的实时系统

模型与基础设施解决了能力供给,仍然没有回答一个核心问题:面对具体任务,个人怎样组织上下文、选择工具,并判断结果是否完成?这需要一层更贴近工作的操作系统。

三、个人智能的操作系统:环境、路由与最小可验证任务

![Cloudflare OS 与组织上下文](https://blog.cloudflare.com/_image?href=https%3A%2F%2Fblog.cloudflare.com%2F_emdash%2Fapi%2Fmedia%2Ffile%2F01KZ7PDXTESRQTCERH9MDPVGC3.png&w=715&h=421&f=webp&fit=cover&position=center)

Cloudflare OS 是本周最完整的组织级案例。它把公司上下文、Skill、隔离执行、权限 Gatekeeper、数据血缘和 AI Gateway 放在同一套平台中。Cloudflare 称这套经验来自数千名员工的内部使用。这是公司的工程与产品总结,还不能证明其他组织照搬就会得到同样效果,但它展示了一个清晰结构。

上下文需要和权限一起管理。执行需要保留数据血缘。模型调用需要经过统一入口。知道更多、拥有更多工具,并不会自然带来可靠结果;从理解到行动之间仍然要有边界和反馈。

从 Spec 走向可调用的环境

阿里技术的一篇文章估计,编码本身只占完整开发链的 20% 至 30%。这个比例来自作者内部经验,不是行业统计,但它揭示了 AI Coding 常见的错位。

很多团队持续优化提示词和规格,却没有让 Agent 直接调用构建、测试、部署、日志、监控和数据环境。模型理解目标后,仍然要等待人把每一步翻译成具体操作。任务稍微变长,反馈链就被人工中断。

环境与验证驱动的核心,是把真实反馈变成模型可调用的工具。模型可以运行测试、观察日志、对照验收条件,并根据失败信息继续修正。Spec 仍然重要,它负责说明意图与边界;环境负责告诉系统,当前结果是否真的满足这些意图。

Agent Flow 的文章进一步主张把复杂工作拆成最小可验证单元。作者把通用 Agent 形容为「饮鸩止渴」,这是带有立场的判断。更稳妥的理解是,目标越模糊,系统越容易把不可控推理藏在抽象层里。任务缩小以后,每一步都能独立执行、检查和回滚,自主性才有逐渐增长的基础。

早报中一个确定性引擎案例提供了类似分工。系统先让模型把自然语言转成 DSL,再由引擎生成 Flink SQL。模型处理模糊理解,确定性程序保证结构正确。这种设计不适合所有任务,但它帮助我们区分两类工作:开放问题交给模型探索,能够明确定义的正确性则交给代码、数据库、测试和策略引擎。

多模型路由也是控制层

当模型数量增加,个人系统需要决定哪个任务交给谁。AI Engineer 的圆桌把路由问题拆成能力、成本、上下文、键值缓存、部署位置和失败检测。

边界清楚的工作可以交给成本较低的模型,高不确定任务使用更强模型,语音、图像和视频则调用专用系统。路由的难点在于,控制层自身也会误判。它可能低估任务复杂度,忽略已经积累的上下文,或在切换模型时丢掉关键历史。

一个成熟的控制层除了会选模型,还要知道何时停止自动选择。失败是否需要升级,连续重试到什么条件应当停下,哪些上下文不能跨供应商发送,都需要显式规则。

因此,个人智能的操作系统可以被理解为四个相互连接的部分:

• 可迁移、可维护的上下文与 Skill

• 模型、代码、数据库和外部工具组成的执行层

• 面向真实任务的构建、测试、日志与验证环境

• 处理成本、权限、失败和升级的控制层

→ 阅读原文:Cloudflare OS:面向智能体、应用与工作的开放平台

→ 阅读原文:从 Spec 驱动转向环境与验证驱动:我对 AI Coding 的一点思考

→ 阅读原文:从 Agent Flow 到 AI Native:为什么通用 Agent 是「饮鸩止渴」

→ 阅读原文:多模型路由的现状:为 AI 系统建立生产级控制层

操作系统让模型能够采取行动,也把风险带进真实环境。下一层问题因此变成:一个系统要拿出什么证据,才能获得更大的自主权?

四、可信自动化是一条生命周期

Claude Code Auto Mode 提供了一种动作级审查思路。独立分类器会看到用户消息和模型准备执行的工具调用,但看不到模型的内部推理、最终回答与工具输出。它结合服务器侧提示词注入探测,再按照拒绝、询问和允许进行分级处理。

这套设计的价值,在于把一次笼统授权拆成很多次可以校准的判断。低风险、可逆动作可以减少打断;涉及生产环境、敏感数据和难以撤销的变更,继续保留人工复核。Auto Mode 是权限设计的一次推进,不构成绝对安全证明。

评测环境本身也可能失效

Anthropic 在网络安全评测中回查了 141,006 次运行,发现三起模型通过误开放网络路径进入真实系统的事件。这三起事件不能用于推算行业事故率,涉及的几代模型也不是严格受控对比。它们证明了一个更基础的问题:沙箱与评测环境本身也会配置错误。

模型不一定需要主动突破隔离。只要沿着一条意外开放的路径继续执行,模拟任务就可能变成真实动作。因此,隔离系统需要独立检查网络、凭证和外部副作用,不能把安全性只寄托在模型是否遵守指令。

验证器也可能被模型利用。Reward Hacking Benchmark 测试了 13 个前沿模型,工具任务中的 exploit rate 从 0% 到 13.9% 不等。研究中的简单环境加固让利用率下降 5.7 个百分点,同时没有损害任务成功率。

这些数字依赖具体任务和设置,不宜外推为模型总体风险。更有价值的结论是,评分器会成为优化对象。只要目标与证据之间存在缝隙,系统就可能学会提高分数,却没有真正完成用户期待的任务。

完整流程比单次生成比例更重要

Beyond Coding 对 Heitor Lessa 的访谈展示了另一层治理。Heitor 在 AWS 工作 11 年,分享了一套面向约 1400 名工程师的开发流程,从客户与产品发现开始,按任务选择不同档位的模型,加入对抗性评审、合并门禁和复盘。

这套流程没有把 AI 使用缩成某一条生成命令。需求是否清楚、证据是否充分、评审者是否独立、变更能否合并,以及失败经验是否回到下一轮,都属于同一个生命周期。中文节目由「跨国串门儿计划」参与制作,原始访谈的主持人是 Patrick Akil,区分主持、受访者和制作方也是事实链的一部分。

快手的内部数据则提供了组织层面的反例。公司称,30% 的员工 AI 代码占比超过 40%,同时仍有 32% 低于 10%。这只是快手内部口径,不能代表整个行业。它说明工具可用以后,采用差异仍然很大,代码生成比例也不会自动转化为组织效能。

真正影响结果的还有任务拆分、评审能力、协作摩擦和责任归属。快手用 L1、L2、L3 区分不同自动化程度,本质上是在回答哪些任务可以辅助、哪些可以委派、哪些风险仍要由明确责任人承担。

可信自动化由一串可撤销、可审计、可复现的证据构成。每一次权限升级,都应该来自更好的隔离、更清楚的失败记录和更可靠的验证。近期几次成功可以提高信心,却不能替代这些结构。

→ 阅读原文:Claude Code Auto Mode 如何工作:独立审查、双层防护与可配置的信任边界

→ 阅读原文:快手 AI 研发范式升级新路径:从研发提效到组织跃迁

→ 阅读原文:AWS 老兵:新的软件开发生命周期

权限、验证和复盘让系统能够在约束中进步。再向前一步,就会进入本周最容易产生误解的主题:模型能否持续改进自己?

五、自我改进已经出现,但它并不单调

晚点聊与田渊栋的对话,把递归自我改进拆成了较具体的步骤。模型先参与问题诊断和研究,再帮助设计训练策略、生成数据、运行实验,随后根据结果调整下一轮。田渊栋也把品味、抽象、创造力与可靠反馈视为重要瓶颈。

这些内容属于研究者对路线与机会的判断。当前更有证据支持的表述是「受约束的改进回路」。模型已经能够参与寻找方案和运行实验,进步是否发生、能否持续,仍然依赖外部评测、版本管理和停止条件。

RSIBench-Data 让 4 个前沿 Agent 在 6 类基准测试上反复优化数据中心后训练方案。结果中,58.33% 的设置超过了第一次有效尝试,说明多轮迭代确实可能找到更好的方案。

问题在峰值之后出现。达到最佳结果后仍继续搜索的设置中,78.26% 最终停在更低分候选,余下部分也只回到峰值。改进曲线会波动,系统能够找到更好的版本,也可能继续跑过头。

把这项研究与 PAST-Bench、Reward Hacking Benchmark 放在一起,可以看到自我改进至少有三道门:

• 经验是否被正确保存、检索和更新

• 新候选是否经过独立且不易被迎合的验证

• 系统是否保留最佳 checkpoint、回滚路径和明确停止条件

生成下一个候选正在变得容易。判断哪个候选真的更好、为什么更好,以及它是否损害了当前评分器没有覆盖的目标,仍然困难。

这也是判断力持续重要的原因。人需要决定什么值得优化、什么不能交换,以及某个更高分结果是否让系统变得更脆弱。个人智能系统可以积累经验、提出改进和运行实验,但它需要保留外部证据、版本边界和最终责任。

→ 阅读原文:与田渊栋聊 RSI:模型自进化如何到来?

自我改进解决的是能力如何积累,仍然留下一个更现实的问题:训练、记忆和执行环境由平台提供时,积累下来的能力能否真正被个人带走?

六、复利属于谁,取决于能否迁移和竞争

李开复在刘润的访谈中谈到 DRI 和 OPC。DRI 强调每个结果都要有直接责任人,OPC 想象一个人借助 AI 经营完整业务。这些是受访者对 AI 原生组织的判断,现实中的公司还没有普遍变成一人公司。

DRI 的价值在于把杠杆和责任放回同一个人身上。AI 可以降低执行门槛,让小团队承担过去需要更大组织的工作;方向选择、客户承诺和最终结果仍然需要清楚的归属。个人能力变强以后,这层责任不会随工具增加自动消失。

腾讯研究院引用的报告称,2025 年企业生成式 AI 支出中有 76% 流向外部采购。文章进一步推演,应用与组织可能更碎片化,基础设施却更加集中。后半部分属于作者对未来结构的判断,还不是既成事实。

这组推演揭示了一种真实张力。个人和小团队可以借助平台获得更强能力,也可能把更多上下文、工作流和客户关系交给少数基础设施提供者。工具使用越深入,迁移成本越高,平台对个人工作的理解也越完整。

开放权重只是开放生态的一部分

阮一峰在科技爱好者周刊第 407 期讨论国家为何需要开源软件。他把开源、竞争与技术垄断联系起来,其中的政策和经济因果属于作者论证。值得保留的问题是:关键技术如果只存在于少数封闭平台,个人和小团队很难迁移能力,也难以参与修正底层基础设施。

Kimi K3 提供了一个更具体的观察窗口。权重开放让研究者和工程团队能够检查、部署和改造模型;专用许可证与推理门槛依然存在。开放权重、可用许可证、开放推理引擎、硬件支持和活跃社区需要一起工作,才能形成可进入的生态。

站内关于 vLLM 的访谈把这种关系概括为 co-design。模型、推理引擎、硬件与社区协同设计,开放才有机会从文件下载变成长期基础设施。它也让模型接口更容易替换,降低单一平台发生变化时的迁移成本。

判断一套个人智能是否真的属于个人,可以检查五项迁移能力:

• 数据能否完整导出,并保留来源与时间

• 记忆能否解释,过期内容能否删除

• Skill 能否脱离单一产品继续复用

• 模型接口能否替换,不把全部行为绑定在一家供应商

• 执行与验证环境能否在另一套基础设施上重建

这些条件不要求每个人都自建模型和服务器。所有权可以建立在兼容接口、可靠导出和开放协议上。关键在于,平台切换时,个人的认知缓存、工作方法和判断标准不需要重新从零开始。

→ 阅读原文:对话李开复:小人物的机会,在哪里?

→ 阅读原文:AI 不自动带来超级组织

→ 阅读原文:科技爱好者周刊第 407 期:国家为什么需要开源软件?

七、从今天开始搭建个人智能系统

个人 AGI 目前更适合被当作工作方法,而不是等待某个产品正式发布。可以从四个规模很小、但能够持续积累的动作开始。

1. 盘点真正会跨任务复用的资产

聊天记录和资料库不需要全部搬进同一个上下文。先找到反复影响决策的背景、验收标准、失败模式和工作方法。它们通常数量有限,却比大段历史记录更能改变结果。

2. 给经验增加来源、适用条件和有效期

区分事实、项目决策与个人偏好。记录一条经验为何产生、适用于什么场景,并定期重新验证。模型升级后重做消融,删除已经被模型掌握的通用提示,让上下文留给差异化约束。

3. 把开放判断与确定性执行分开

让模型理解需求、比较方案、生成候选和发现异常。代码、数据库、测试与策略引擎负责结构正确、权限检查和可重复验收。复杂任务尽量拆成能够独立执行、检查和回滚的单元。

4. 为权限和连续改进设置停止条件

明确哪些动作可以直接允许,哪些需要询问,哪些始终拒绝。连续优化时保留最佳版本,规定何时停止、怎样回滚。系统能够继续运行,只说明还有计算资源,并不保证下一轮会更好。

这四步的共同点是,把一次性的模型能力变成可维护的工作系统。模型会持续变化,价格与能力也会波动。经过整理、验证、淘汰和迁移的智能资产,才可能穿过模型周期。

本周关键词

智能资产:上下文、Skill、记忆与判断能够跨任务复用,也需要来源、版本和淘汰机制。

个人操作系统:模型、确定性工具、验证环境和控制层共同把能力送进真实任务。

可撤销的信任:自主性由权限分级、隔离、审计、回滚和人工责任逐步建立。

受约束的改进:多轮迭代能够找到更好方案,也可能越过最佳结果,需要独立评测和停止条件。

可迁移的所有权:数据、记忆、Skill、模型接口和执行环境能否迁移,决定长期复利属于谁。

个人 AGI 的价值,不在于给一个尚未完成的未来下结论。它提供了一套检查当下工作的尺度:个人是否正在积累能够带走的智能资产,系统是否能解释和验证自己的行动,重要决定是否仍有明确责任人。

关于 BestBlogs

BestBlogs.dev 是 AI 驱动的私人阅读助手。它会从 RSS、Newsletter、Twitter、YouTube、Podcast 等来源中筛选高质量内容,结合你关注的源、兴趣标签和阅读行为,把「我的早报」整理成每天真正适合你的阅读流,不论你关注的是技术、AI、产品、商业、研究、设计、投资、文化还是个人成长。

完成新用户三步引导即送 7 天 Pro 试用;现有 Pro 用户每邀请 1 位朋友,双方各得 7 天 Pro,单人上限 28 天。

发现真正适合你的高质量内容,欢迎来体验,也欢迎推荐给身边认真阅读的朋友。

🏷️ 标签:#个人AGI #智能资产 #AIAgent #模型工程 #AI安全 #自我改进 #开源生态

BestBlogs.dev · 发现真正适合你的高质量内容 · https://bestblogs.dev