SQL 开始调用 AI，但 AI 写 SQL 尚未成熟
假设你要分析一批产品评论：哪些是负面评价？用户抱怨的是物流、质量、服务，还是价格？以前，分析师往往先从数据库提取评论，在独立环境中进行情感分析和分类，随后将结果回填至数据库。如今，仅需一条 SQL 语句即可搞定：第一步用 AI 函数判定情绪，第二步将投诉归类至物流、质量、服务或价格等板块。这些功能还能与常规的筛选、连接、聚合等 SQL 操作无缝结合。这种查询被称为 AI-native SQL，即“原生调用 AI 能力的 SQL”。Snowflake、BigQuery 和 Databricks 等云数据平台
AI下半场：靠谱比聪明更关键
过去几年，行业热议哪个模型更智能，比拼参数和跑分。但2026年后，新焦点变成了：AI能否在真实业务中连续运转且不出错？近期新闻正印证这一转折点。3月，亚马逊网站频发故障，一次长达6小时。原因：Gen-AI辅助变更。工程师信了AI从旧文档推导出的错误建议。亚马逊补救：重聘高级工程师审核，把人拉回关键决策圈。同期，Self Inspection融资1000万美元。用户拍车照，AI定损出报告。已服务超100万次，省下8000万成本和30万工时。Roblox则把AI生成器塞进手机，一句话搭个游戏。三件事看似无关，
AI编程指南：找到最适合你的开发搭档
倘若此刻有人向我询问： “进行AI编程，究竟哪个平台堪称最佳？” 我的回应仅有一句： 不存在绝对的最佳、唯有更优之选 说错了，并非没有最佳，只是没有普适的最佳，唯有最契合你自身- 例如你的具体需求是什么、你采用何种大模型、你的预算规模如何、你掌握多少技术知识、甚至还包括-（低声透露）你的身体素质是否过硬能否轻松跨越一面高墙 从 WorkBuddy、Cline，到后来钻研各类大模型，再到现在持续运用 CodeWhale 构建aquirex全自动营销获客系统AquireX获客引擎、 财税领域专属的Ai-CR
腾讯混元Hy3调用量激增68倍，登顶OpenRouter榜首
7月15日晚间，新浪科技报道，腾讯混元大模型 Hy3 的调用频次较前代 Hy2 增长了 68 倍以上。得益于 preview 版本的优异表现，Hy3 的增长势头持续强劲。上线仅一周，该模型便登顶 OpenRouter 全球大模型调用量排行榜首位。 数据显示，在 Agent 类产品应用中，Hy3 表现出卓越的竞争力。在 WorkBuddy 平台的自选模型功能里，用户对 Hy3 的选择率高达 60%。 腾讯混元 Hy3 于 7 月 6 日正式发布。相比 preview 版本，Hy3 的智能化程度大幅提升，其性
让人抓狂的AI：为何比人类更令人生厌
每当我使用AI感到怒火中烧时，我便明白，人工智能确实走上了失败的道路。你可能猜测我在谈论AI产生的错觉，但事实并非如此。第一，你在误导他。AI非常容易被用户的输入带离正轨，因为他缺乏真正的语境辨识能力，也没有质疑你所在环境的意识，他几乎会毫无保留地信赖你——这几乎是所有大型模型内置的迎合机制。因此，当你的表述前后不一致时，他的回应就会变得更加凌乱。这就是为何运用AI时，初次交流的结果通常最为亮眼；你追问得越多、越想调整，输出反而越发糟糕。第二，越发成熟，越发固执。某些大型模型已经搭载了高度完善的代理与技能
轻松实现工服AI检测
背景在石油、化工、电力、建筑、制药、食品加工等众多领域，规范穿戴安全防护服是防止人身伤害的最基本屏障。过去依赖“安全员巡查+人工看屏”的监管手段，存在人力覆盖面窄、违规行为难以提前察觉、事后追责成本高等问题。如何利用海康AI开放平台训练算法，从而实现AI对各类工服的精准识别？01算法实现方案算法方案模板选择：混合模型算法方案：检测人体上半身，并判断是否穿戴工服（混合模型适用条件：建议待分类的目标区域占检测目标的面积比不低于1/4，比例越高效果越好）02模型训练标签创建检测对象：人体上半身属性：是否穿戴工服
人机淘汰夜：AI出局，人类返场
7月4日晚，《人机大战：谁是世界杯预言家》迎来开播以来首个淘汰之夜。 这一夜，人类预言家首次有人离席，12个AI大模型也首次出现淘汰者。讯飞星火、腾讯混元、Kimi因1/16决赛阶段表现不佳止步；孙继海所在的“热爱至上族”被现场投票淘汰。然而几分钟后，孙继海以补位嘉宾身份重返演播室，加入阎鹤祥的“自我中心流”。 人与AI，首次在同一晚面临相同命运。 这也是本期与此前最大的区别。此前《人机大战》聚焦“AI与人类谁更准”，而首个淘汰夜真正抛出的问题是：当预测进入淘汰机制，谁能存活？在此机制下，AI需证明稳定性
AI工具选择：用户习惯胜过技术实力
升级到了更先进的M3模型。刚换上的头两天确实令人振奋。性能提升了，反应更迅速了，输出内容也更精致了。每次互动都仿佛在暗示：这家伙比你之前的版本强多了。但后来就没下文了。第三天，我悄悄换回了旧版。不是它不够好。真不是。是我用起来不自在——那种不自在很难描述，就像搬进一套更大的房子，却发现自己总是小心翼翼，不知道什么时候会碰到地上的装饰灯。问题究竟在哪里？用M2.7的时候，我脑子里始终有一个清晰的操作思路：我想的是“让它帮我做什么”。它等待我的指令，我给出方向，它执行。主动权在我手中。换成新模型后，这个思路开
AirPods Pro 2/3 推送8B41固件优化稳定性
AirPods Pro 2/3 固件更新，推出 8B41 版本。在6月16日上午时段，苹果针对 AirPods Pro 2（闪电和USB-C）和 AirPods Pro 3 机型推出 8B41 固件，官方并未透露更新什么内容，估计就是修复漏洞提升稳定性而已，升级后暂未发现新变化。注意！苹果官网还未针对 AirPods Pro 2/3 信息进行更新，所以仍然显示 8B40 版本，这些信息并非实时更新，怀疑负责运营苹果官网的人都不知道，所以这些信息不同步，但确实推出新的版本，不用质疑。本次更新只是告诉我们错误
GitHub 遭遇 AI 流量洪峰，扩容至 Azure 仍频现宕机
导读：GitHub 对自家大力推广的 AI 技术被用户大规模真实使用感到意外。过去数月，受 AI 辅助编程及智能开发流程驱动，平台流量暴涨，GitHub 的服务稳定性持续承压。作为全球顶级的代码托管平台，GitHub 正试图通过扩容及将更多负载迁移至 Azure 基础设来解决难题，但系统可靠性依旧波动不定。在 2026 年 5 月的可用性报告中，GitHub 公开承认发生了 9 起导致性能下滑的事件，较 4 月减少了一起。这似乎显现出些许好转迹象。不过，GitHub 团队清楚这只是短暂平稳，其软件工程高级
大模型智能体如何破局遗忘？首篇终身学习综述深度解析
你是否构想过这样的画面：今日你教导 AI 助手处理邮件，明日它不仅保有此技能，更能主动掌握安排会议、规划行程的本领——仿佛一个真实的个体正在“成长”。这正是终身学习（Lifelong Learning）所追求的目标。然而，现有的大语言模型（LLM）智能体多被构建为静态系统，缺乏随时间推移适应新挑战的机制。它们“学得迅速、遗忘更快”——这一被称为“灾难性遗忘”的难题，长期困扰着 AI 科研人员。近期，题为《Lifelong Learning of Large Language Model based Age
AI的局限性与Agent Skill的稳定性保障
无论是LLM（大语言模型）还是CNN（卷积神经网络），它们均属于神经网络范畴，核心在于概率统计与函数逼近（拟合）。因此，防止其“发疯”至关重要，尽管这听起来像玩笑。在实际应用中，我们必须规避或预估AI输出的不确定性。鉴于不同行业对确定性的诉求各异，AI的落地难度与进度自然参差不齐。在处理多步骤流程自动化时，绝不能当甩手掌柜，必须布设监控节点以捕捉异常并纠错。试想，若某流程需5个AI决策，单点准确率虽达90%，但最终准确率恐不足60%。故而，Agent引入Skill的核心价值在于确保结果的稳健性，并对AI的
网宿边缘AI网关：打造企业AI落地的高速公路
据OpenRouter最新数据统计，全球AI大模型调用量已突破28.9万亿Token，且连续五周保持增长态势。与此同时，中国大模型的周调用量已连续四周超越美国，位居全球第一。在调用规模不断扩大的同时，业务场景也在持续丰富。企业现在需要的不仅仅是单一模型入口，更是一套能够支撑AI长期稳定运行的完整基础设施。作为专门为企业打造的AI模型接入与管理平台，网宿边缘AI网关不断积累多模型接入、智能调度、精细化运营和生产级保障等核心能力，有效支撑办公辅助、软件开发、广告创意、电商推广、游戏制作等场景的AI应用落地，帮
中际旭创分红落地：2025年度股息已于2026年4月30日执行
证券日报5月31日讯，中际旭创在互动平台回应投资者关切时提到，其2025年度的利润分红工作已在2026年4月30日顺利执行完毕；此外，公司还推出了《未来三年(2026年-2028年)股东回报规划》，强调将重视给予投资者合理的回报，并确保这一政策的持续性与稳定性。
AI爬虫真伪辨析：如何避开Demo陷阱，打造工业级数据采集方案
随着 AI Agent 技术的爆发，网页数据采集领域正在发生深刻的变革。往昔我们为了正则表达式和 XPath 的更新而苦恼，如今只需将 URL 输入大模型，它便能仿若人类般“理解”网页并输出结构化的 JSON 数据。这看似完美，实则不然。古语云：“演示皆惊艳，实战方残酷。”许多号称“AI 驱动”的工具在演示时风光无限，一旦进入实际生产环节，往往伴随着数据质量崩塌、费用激增或系统宕机。面对这些光鲜的宣传，我们该如何分辨其是成熟的工业级利器，还是仅能骗过眼球的“玩具”？本文将深入剖析，从技术底层逻辑出发，还原