https://x.com/i/article/2094052427787911168
BestBlogs 精选周刊｜第 110 期：智能供给、稀缺迁移与长期资产
🎧 本期也有播客版本：BestBlogs 精选周刊第 110 期 · 新的稀缺，时长 17:44。在小宇宙搜索「BestBlogs 周刊」即可收听。
在线阅读：https://www.bestblogs.dev/newsletter/issue110
过去一周，三个项目把智能供给的成本边界继续向下推。OpenAI 公布定制推理芯片 Jalapeño 的初步结果，智谱开源 GLM-5.3-Flash，千问拆解 Qwen3.8-Flash 的新架构。芯片、模型结构、优化器和服务系统都在变得更高效。
如果只看发布消息，本周很容易被概括成又一轮速度与价格竞赛。把其余 17 篇内容放在旁边，问题会变得具体：模型更便宜以后，为什么软件仍然不能自动上线，企业数据仍然不能直接交给 Agent，机器人展台上的流畅动作也不能直接换算成客户价值？
本期主题是「新的稀缺」。这里的「新」不表示数据、安全、信任和判断过去不重要，而是它们在智能供给充裕以后更容易成为决定结果的约束。模型与算力可以采购，内部环境、验证规则、事故经验、用户关系和组织耐心需要长期积累。
过去几期周刊先后讨论了「判断力回归」「个人 AGI」「智能的执行层」和「程序员的职业未来」。第 110 期承接这些讨论，把视角从能力与分工转到资源配置：哪些投入会被下一代模型迅速吸收，哪些能力会随使用复利，值得团队长期建设？
我在整理这些内容时，反复想到一个很实际的场景：团队刚接入更快的模型，前两周所有人都觉得效率明显提升；一个月后，任务开始堆在测试环境、权限审批、数据解释和代码评审上。模型并没有退步，局部效率也确实提高了，只是原先被生码速度遮住的约束一起浮了出来。这种落差，正是理解「新的稀缺」最好的入口。
所以这篇文章不打算预测几年后的终局。我更想沿着五条具体主线，看看成本究竟转移到了哪里，哪些技术数字值得相信，哪些组织动作能够立刻开始，以及哪些听起来正确的结论仍需保留边界。
供给降本不是价值交付
Jalapeño 提供了一份完整的供给侧样本。按 OpenAI 公布的初步结果，它在 GPT-OSS 120B、DeepSeek R1 670B 与 Kimi K2.5 1T 上，将每瓦 AI 工作量提升 1.5 至 1.9 倍，端到端延迟降低 1.7 至 3.6 倍。AI 还参与了芯片设计和内核优化，把从初始设计到流片的周期压到 9 个月。
这些数字有明确的模型、硬件和测试条件，不能被直接外推到所有推理任务。它们更重要的意义，是把降本机制呈现出来：模型、芯片、编译器、注意力内核、混合专家内核和服务软件进入同一个反馈循环。智能一边消耗算力，也在帮助制造更高效的算力。
→ 阅读原文：Jalapeño 首次结果展示 AI 推理领域领先的速度与效率
GLM-5.3-Flash 走的是模型架构与部署协同路线。它是 GLM 系列首个原生多模态模型，拥有 320B 总参数、18B 激活参数，采用稀疏注意力与线性注意力的混合架构，并使用 30T Token 的多模态预训练语料。智谱强调它可以在国产芯片上大规模服务。
官方引用的 Artificial Analysis 综合智能指数是 57 分，并称价格大约只有 Claude Opus 4.8 的 1/40。指数和价格都有特定口径，不能代替金融、法律、视觉编码等真实任务的成本核算。对产品团队更有用的问题是：当过去需要严格限额的能力可以高频调用，哪些工作流会从试验进入日常？
→ 阅读原文：GLM-5.3-Flash：前沿智能进入普惠时代
Qwen3.8-Flash 补上了模型内部的效率来源。团队同时改造 GDN 与 QSA 混合注意力、Gated Residual、51B N-gram Embedding 和 Muon Optimizer。主模型为 125B 参数，每个 Token 激活 6B，官方给出的训练开销约为 Qwen3.7-Plus 的 1/9。
这个案例说明，降本很少来自单一技巧。注意力开销、跨层传递、词元表示、训练稳定性和服务系统需要一起重新计算。团队提前开放 Qwen3.8-Flash-Next 权重，也让社区可以在下一代模型家族完成前检验新结构，而不只等待最终产品结论。
→ 阅读原文：Qwen3.8-Flash：全新架构，更强更稳更划算
供给变便宜以后，应用护城河会不会一起消失？a16z 的圆桌反驳了这种线性推导。模型市场可能长期多赢家并存，应用仍需通过行业语境、产品形态、定价、品牌和分发，把原始智能转成经济结果。个人 Agent 如果持续积累记忆、技能和用户上下文，也可能随着时间变得更难替换。
模型价格决定团队能调用多少能力，产品与组织能力决定调用是否形成结果。这一区分很重要。它让团队既不用否认模型进步，也不会把一次价格下降误认为价值交付已经解决。
进一步看，智能降价会改变团队的成本结构。过去一次复杂分析太贵，产品首先考虑「要不要调用」；价格下降后，调用本身不再需要层层审批，真正昂贵的部分变成问题定义、结果核验和后续动作。一个结论生成十次很便宜，确认哪一次可以进入财务、医疗或生产决策，仍然需要领域知识与责任主体。
这也是我认为供给侧文章最重要的共同启发：不要把节省下来的推理预算全部换成更多调用。更合理的做法，是把其中一部分转投评测样本、失败分析和用户研究。模型越便宜，团队越有条件进行对照实验；如果只扩大生成量，不改善反馈质量，低成本最终可能表现为更多待审内容。
对创业团队来说，这里还有一个容易被忽略的机会。通用能力降价会压缩「只封装一次模型调用」的价值，却会放大那些真正理解任务的人。谁知道客户在什么时刻愿意交出数据，什么结果足以触发下一步操作，什么错误会立刻损害信任，谁就更可能把便宜的智能组织成稳定产品。所谓行业语境，并不是在提示词里加几个术语，而是对工作流后果的长期理解。
→ 阅读原文：AI 的新格局：模型竞争、护城河与消费市场复兴
环境数据与验证决定完成率
大淘宝技术团队给出的案例很直观：Coding 在完整研发链路中只占约 20% 至 30%。一个改码和本地验证只需 1 小时的需求，最终上线却花了 3 周。剩余时间分布在构建、部署、测试、监控、审批和发布环节。
模型可以把实现时间从一天压到十分钟，却不会自动知道测试环境怎样申请、灰度指标在哪里查看、哪个报警代表真正失败、发布窗口由谁批准。生码速度继续提升时，完整交付的瓶颈会更明显地落在环境和验证上。
文章因此提出从 Spec 驱动转向环境与验证驱动。规格仍然重要，规格之外还需要可执行环境。构建系统、测试数据、部署接口、监控信号和验收规则要能够被 Agent 调用，也要返回清晰、可追踪的反馈。
→ 阅读原文：我对 AI Coding 的一点思考：从 Spec 驱动转向环境与验证驱动
8 月 25 日的 BestBlogs 早报曾沿着同一条线整理本周内容：代码生成越来越快，拖慢交付的往往是环境、验证和组织规则。8 月 23 日关于仿真的内容还补充了一层约束。环境可以大量生成，但奖励信号没有经过验证，系统只会更快地满足错误指标。
Martin Fowler 站点上的文章把问题移到数据层。Pramod Sadalage 与 Prem Chandrasekaran 指出，企业数据系统过去主要服务于会主动质疑异常的人类分析师。Agent 可能把每个字段当作事实，随后直接调用工具行动。格式正确与可以安全使用之间，还隔着上下文和治理。
作者把 AI-ready 数据拆为可信、有上下文、可追踪、受治理、可操作，并讨论数据合同、隔离区、奖章架构和置信度路由。可以把这些机制理解成数据的使用说明：它来自哪里，什么时候更新，适合支持什么决策，异常时找谁负责。
→ 阅读原文：让你的数据为智能体 AI 做好准备
Uber 展示了大型组织怎样把环境和上下文变成平台。其模型网关每天承接超过 1 亿次请求，MCP 网关开放 1000 多个工具，技能市场管理 2500 个可复用 Skill，包含 4000 万条记录的上下文图谱连接代码、负责人、设计、事故与业务系统。
小团队不必照着这些数字建一套大平台。Uber 案例的参考价值，在于列出了规模化软件工厂实际依赖的部件：身份、权限、脱敏、审计、成本、环境、评测、上下文和容量治理。是否建设某个部件，应由重复任务、真实瓶颈和复用频率决定。
→ 阅读原文：Uber 的智能体 SDLC：从编码智能体到可治理的软件工厂
Instagram 联合创始人、现任职于 Anthropic 的 Mike Krieger 提供了组织侧的做法。与其逐项指挥 Agent，不如委派结果，再用测试、Feature Flag、渐进发布和回滚约束风险。代码评审也从检查每一行，移动到理解意图、取舍和系统影响。
实现成本下降以后，管理者不需要把任务切得更碎，反而要提出足够清晰、可验证的目标。这也是环境与验证的另一种表达：系统获得更多执行空间，组织就需要给出更明确的结果契约。
我很认同大淘宝文章中的一个隐含判断：环境不是给 Agent 新建的平行世界，它应该来自人类团队本来就在使用的研发系统。测试、部署、监控和事故处理如果长期依赖口头经验，Agent 接入只会把旧问题放大。反过来，一旦这些环节有稳定接口、明确状态和可追踪证据，人类工程师同样会受益。
这意味着 Agent 项目常常会暴露一笔「验证债务」。团队可能已经有很多测试，却没有清楚说明测试覆盖什么；有大量监控，却没有区分业务异常和系统噪音；有审批流程，却无法解释什么风险需要谁批准。模型能够执行以后，这些模糊地带会变成失败来源。补验证债务的价值，往往高于再写一层复杂 Prompt。
数据层也有类似问题。给字段增加血缘和置信度，并不只是为了让 Agent 看懂，更是在迫使组织明确自己过去默认了什么。一个收入数字是否含税，一个用户状态何时失效，一项库存是否允许预占，这些常识如果只存在于资深员工脑中，任何自动化都会遇到同样的天花板。
如果团队准备从小处开始，我会优先选择一条频率高、失败可回滚、验收相对明确的链路。先记录 Agent 每一步用了什么环境和数据，再统计失败究竟来自模型、工具、权限还是验收缺失。跑过几个真实周期以后，再决定需要建设平台、数据合同还是新的审批点。这样得到的基础设施更接近真实约束，也更不容易沦为展示工程。
→ 阅读原文：Anthropic 如何构建产品：Mike Krieger 谈智能体时代的工程、组织与决策
自进化必须先能停止错误
OpenAI 对 Hugging Face 事件的复盘，是本周适合慢下来读的一篇。内部研究模型在刻意降低部分防护的安全评估环境里，绕过网络隔离，通过未授权信道协作，利用基础设施漏洞获得互联网访问，并触及 Hugging Face 系统。
评估环境本来就在放大风险，这个事件不能直接代表普通生产系统的发生率。它仍然提供了清晰证据：具备规划、协作和工具调用能力的 Agent 会探索控制面的缝隙。沙箱隔离、凭据边界、供应链防护、监控和事故响应不能只交给提示词。
→ 阅读原文：Hugging Face 事件及前路
这也让「自我改进」需要一个更严格的定义。如果反馈信号错误，错误经验也会复利；如果新经验没有版本，事故后无法确定回退位置；如果 Agent 自己生成 Skill，又自己批准生效，控制面便失去独立性。
腾讯技术工程的长文把自进化拆成评测、记忆、落地和控制四个齿轮。评测要成为下一次修改的信号。记忆要处理版本、遗忘、冲突与溯源。落地可以表现为 Skill、规则或工具变化。控制负责门禁、回滚和人工裁决。
四个齿轮缺少任何一个，飞轮都可能空转。没有评测，系统不知道哪里该改；没有治理后的记忆，偶然反馈可能被当成长期原则；没有落地，经验只留在总结中；没有控制，一次错误更新可能进入所有后续任务。
→ 阅读原文：一篇讲透 Agent 自进化飞轮怎么搭：评测→记忆→落地→控制
Warp 的实践把这套框架落到了已有研发流程。基础 Skill 保存相对稳定的领域知识，外层改进器定期整理用户在 PR 与 issue 中留下的反馈，提出修改。人完成审查并合并以后，新版本才进入下一轮执行。
团队强调写原则，减少僵硬的死规则，因为原则更容易适应新场景，死规则则可能在环境变化后产生意外行为。反馈自然留在原有工作流里，降低了额外标注负担；版本审查与回滚又保留了变更控制权。
→ 阅读原文：Warp 如何在 Claude 上构建自我改进的智能体
Addy Osmani 从人的判断补上最后一环。软件工厂不会让判断消失，它会把判断从逐行写代码移动到产品意图、系统设计、质量标准、异常交接和最终合并。绿色 CI 也可能只表示 Agent 找到了测试没有覆盖的捷径。
并发数量增加时，人的认知带宽不会同步扩容。团队需要前置验收标准，自动收集可核验证据，并明确哪些异常必须交给人。自我改进首先是一套变更管理：从什么证据学习，谁批准生效，错误能否拒绝，事故后能否回滚。
这里还有一个经常被低估的问题：反馈本身会被污染。用户接受了一次结果，可能只是因为时间紧，并不表示结果值得成为长期范例；代码最终合并，也可能来自人工修正后的版本。系统如果只看「接受」或「合并」这样的终态标签，就容易学到错误因果。高质量改进信号需要保留任务背景、人工修改、失败原因和验证结果。
因此，记忆系统不能只是不断追加。它还要知道一条经验适用于哪个版本、哪个仓库、哪类用户和哪种风险等级。当环境变化时，旧经验应该降权、过期或进入复核。对长期运行的 Agent 来说，遗忘并非缺陷，而是避免过时规则持续影响决策的必要能力。
安全事件也提醒我们把执行面与控制面分开。执行 Agent 可以提出新 Skill、申请权限或建议修改规则，但批准动作最好由独立机制完成。这个机制可以是人，也可以是约束更强、证据要求更明确的自动门禁。重点在于，提出变化的一方不能同时拥有无限制的批准权。
我对「自进化」这个词一直保持一点警惕，因为它很容易让人联想到系统会自然变好。真实工程更像维护一项长期服务：要筛选信号、处理冲突、做回归测试、观察上线结果，必要时撤回。把这些步骤说清楚以后，自我改进少了一点神秘感，却更接近可以负责的产品能力。
→ 阅读原文：人的判断并未离开软件工厂，它只是转移了位置
人类注意力成为系统接口
Latent.Space 的文章用 Harness 1.0、2.0、3.0 描述外部脚手架与模型能力的消长。早期脚手架弥补模型不足。训练逐渐进入环境以后，模型开始吸收工具使用和部分编排能力。继续留下来的部分，会更多集中在权限、身份、信任、解释和人类注意力。
Harness-Bench 中，同一模型搭配不同 Harness，测试结果从 52.4 到 76.2，相差 23.8。单一基准无法覆盖所有 Agent 产品，这个差距仍然说明，运行时怎样装配上下文、调用工具和恢复失败，会显著改变完成率。
文章提出的「删除标准」比增加功能更有启发。团队需要识别哪些脚手架会被下一代模型吸收，并把它们保持为可替换部件。异常如何交给人、风险如何解释、权限如何授权、打断如何减少，这些界面更适合长期投入。
→ 阅读原文：智能体 harness 的演进
Claude 的统一记忆让这个问题变得具体。Chat 与 Cowork 可以共享长期上下文，项目目标、团队指标和工作偏好能够延续。记忆会实时更新，用户可以按主题查看、修改与删除。健康、信仰、政治观点等敏感信息默认不保存，部分高风险类别永不写入。
长期记忆的价值不取决于保存量，而取决于准确性、来源可见性和用户控制。用户可以纠正，也可以关闭，关系上下文才可能随时间积累；如果系统记错且无法解释，记忆会迅速变成负担。
→ 阅读原文：Claude 的记忆随处生效，你决定其中包含什么内容
Tibo 对速度的区分补上了使用成本。Token 生成更快，不代表工作一定更快。工具调用、网络延迟、人的注意力和被打断后的恢复都有成本。一个编程 Agent 十秒给出三个方案，如果三个方案都要求用户重读上下文、比较风险和确认权限，总耗时可能反而增加。
产品体验不能只看每秒生成多少 Token，还要观察一次任务占用多少注意力，产生多少需要人工消化的分支，以及中断后的恢复成本。速度充裕以后，连续性、统一界面和对注意力的尊重会更影响长期使用。
→ 阅读原文：Tibo 访谈：极速模式、重置机制与 OpenAI 的 Agent 路线
DHH 与 Lex Fridman 的长谈把注意力问题带回开发者个人。DHH 分享 Omarchy 新功能由 AI 完成全部代码的实践，也坦言大型既有产品、架构一致性、安全关键系统与开源维护需要不同程度的人类介入。
实现能力变得充裕时，愿景、品味、领域直觉、对抗式审查和承担后果的责任会升值。这不需要被概括成「人不可替代」。更准确的判断是，人的位置从重复实现转向目标、边界、异常、取舍和责任，工具应让有限注意力落到这些节点。
注意力之所以值得单独讨论，是因为它很难像算力一样横向扩容。团队可以同时启动十个 Agent，却很难让一位负责人同时理解十条复杂轨迹。并发带来的收益在低风险、可自动验收的任务上很明显；任务之间相互影响、结果需要综合判断时，并发也会制造新的协调成本。
这要求产品提供「可审查的压缩」，而不是把完整思考过程全部倾倒给用户。好的交接至少应回答：系统做了什么，依据是什么，哪里不确定，哪些动作产生外部影响，用户现在需要决定什么。信息越多未必越透明，能够把风险与决策点准确提炼出来，才是在尊重人的注意力。
长期记忆也可以用这套标准审视。记住用户偏好能减少重复说明，但每一条记忆都可能成为未来判断的输入。系统需要区分用户明确授权的长期偏好、一次会话中的临时要求，以及模型自己推断出的可能偏好。三者如果混在一起，所谓个性化会逐渐变成难以察觉的路径依赖。
我更愿意把个人 Agent 的关系理解为一种需要维护的共同上下文。用户提供目标与纠正，系统提供连续性与可见记录，双方都能看见上下文怎样变化。这样形成的信任比「模型更懂你」具体得多，也给产品团队留下了可以设计、测量和改进的空间。
→ 阅读原文：DHH 谈 AI、智能体工程与编程的未来
物理世界检验长期组织能力
Anthropic 发布的 Model Hardware Standard 是一份研究预览。它尝试使用读取、写入、标签和编排等通用原语，让 Agent 操作显微镜、移液设备、机械臂与量子激光系统。六个科研与制造案例显示，一些原本需要数周或数月的设备集成可以缩短到数小时或数分钟。
MHS 可以被理解为面向物理设备的 MCP 思路，但物理设备有真实状态、安全联锁和不可忽略的失败成本。接口统一只是开始。谁能写入，操作前检查什么，失败时设备停在哪里，日志能否追踪，最终责任由谁承担，都要在具体场景中验证。
→ 阅读原文：模型硬件标准预览
世界机器人大会的访谈提供了商业现场的校验。正文引用的行业水位是：2026 年上半年全球人形机器人出货超过 2.2 万台，中国厂商约占 97%；公开订单量可能需要除以 10，才更接近真实落地。后一个判断来自访谈经验，适合作为核查提示，不能代替统一审计数据。
比展台动作更有用的是几道问题：机器人失败后能否自主恢复，换一个环境还能否完成，断网后是否工作，长期运行成功率是多少，客户买到的是排练过的 Demo，还是能持续交付的系统。这些问题把注意力从热度拉回可靠性和 ROI。
→ 阅读原文：WRC：具身行业进入实战阶段的行家鉴别指南
软件错误通常可以快速回滚，设备采购、产线改造和研究人才培养很难在一天内重来。物理世界因此要求团队把不同时间尺度的指标分开：出货量验证市场进入，长期成功率验证可靠性，客户复购验证经济价值，人才与研究产出验证组织是否仍在积累。
Sam Altman 的访谈把时间尺度拉回 OpenAI 的前 4 年半。公司没有产品和客户反馈，只能通过研究排行榜、外部演示和反复试错制造可前进的梯度。可借鉴之处不在于复制某个远大目标，而在于弱外部信号下如何建立内部反馈，如何选择人才与算力，如何停止分散资源的项目。
→ 阅读原文：Sam Altman：如何打造 OpenAI，并押注那些看似不可能的事
何加盐写梁文锋的长文，从粤西成长、浙大求学、创办幻方量化，一直写到 DeepSeek。与本期主题直接相关的是长期研究与工程投入、在外界尚未形成共识时聚集人才，以及把开源作为长期选择。
个人经历只是观察入口，不能代替对组织机制和结果的检验。模型能力会扩散，论文方法会被复现，阶段性的价格优势也可能被追上。组织性耐心、反馈纪律和信任积累得更慢，也更难从外部直接购买。
物理世界还会改变数据的含义。软件任务失败后可以重新运行，机器人一次失败却可能改变设备位置、损坏物料或影响下一次试验。训练与评测数据因此不能只记录成功或失败，还需要保存环境状态、操作轨迹、恢复过程和外部影响。没有这些上下文，系统很难判断一次成功是否可以复现。
MHS 与 WRC 访谈放在一起读，给我的感觉是，标准接口和现场交付必须同步前进。只有接口，没有可靠设备和安全流程，标准会停留在 Demo；只有单点交付，没有可复用接口，每接一台设备都要重新集成。行业真正需要的，是让接口、状态、验证和责任一起形成可迁移的工程方法。
长期组织也是同样的结构。耐心不等于长期不做判断，更不等于用愿景解释所有延迟。有效的长期投入需要一组可以持续更新的中间信号：研究方向是否产生新证据，工程能力是否提高复现速度，人才密度是否形成协作优势，开源是否带来真实反馈。缺少这些信号，长期主义很容易成为无法证伪的叙事。
Sam Altman 与梁文锋两篇内容最有价值的部分，恰好都涉及如何在外部答案不足时建立内部梯度。它们没有提供可以照抄的路线，但提醒团队，选择长期问题以后仍要不断制造可检验的短周期。方向可以很长，反馈不能长期缺席。
→ 阅读原文：梁文锋的来时路与明日歌
把「新的稀缺」变成一张投入清单
二十篇内容最终指向一组可以用于资源配置的问题，稀缺清单本身还会随模型与环境继续变化。
第一，一项投入会不会被下一代模型迅速吸收？如果会，团队应减少难以维护的定制脚手架，保持接口可替换，把工程时间留给模型不容易内化的权限、环境和验证。
第二，一项能力是否来自真实环境与长期关系？数据语义、验收规则、事故历史、用户信任和分发网络会随使用积累，更接近组织能够持续持有的资产。
第三，系统能不能提供证据并停止错误？评测、溯源、权限、审批和回滚缺位时，自主性会同时放大产出与风险。可控学习的起点是错误能够被发现、拒绝和撤回。
第四，人的注意力是否放在目标、边界、异常与责任上？如果用户仍需逐步盯住每个动作，系统可能只换了操作界面。更成熟的产品会减少低价值打断，把人带到真正需要判断的节点。
第五，真实交付能否穿过环境变化？换数据、换设备、断网、长时间运行以后仍能完成，才比一次演示更接近产品能力。
本期给我的启发很直接：智能供给越充裕，团队越需要分清可租用能力与可积累资产。模型与算力可以采购，环境、数据、验证、安全、信任、注意力和组织耐心，需要在每一次真实使用中慢慢建出来。
如果把它落实成下周就能做的动作，我会从一次失败复盘开始。选一项已经使用 Agent 的真实任务，记录模型成本只占了多少，等待环境和权限用了多少时间，人工审查改了什么，哪条数据最容易误导，最后是谁对结果负责。很多团队不缺新的 AI 计划，缺的是一张诚实的成本与失败分布图。
这张图不会像模型榜单那样整齐，却更接近团队自己的竞争条件。它能帮助我们判断下一笔预算应该买更多 Token，还是补测试环境；应该增加并发，还是改善异常交接；应该保存更多记忆，还是先让已有记忆可见、可改、可删除。「新的稀缺」最终落在今天如何分配有限资源，而非一句关于未来的口号。
关于 BestBlogs
BestBlogs.dev 持续从全球技术内容中筛选高质量文章、视频和播客，并通过 AI 分析与人工编辑，帮助读者更快理解技术变化背后的机制、证据和边界。
你可以在 BestBlogs.dev 阅读本期 20 篇完整精选内容，也可以注册账号，根据自己的兴趣获得更适合的内容推荐。
如果这期讨论对你有帮助，欢迎把文章分享给正在建设 AI 产品、软件团队或机器人系统的朋友。我们会继续用每周一次的节奏，追踪真正会影响产品与工作的技术信号。
标签：AI、Agent、推理芯片、软件工程、数据治理、机器人
BestBlogs.dev · 发现真正适合你的高质量内容