搜索
Fable 5 刚上线，系统提示词就泄露： 我读了一下这份提示词，有几个点比较关键：第一，Fable 给 Artifact 新增了持久化存储 API（window.storage）。Artifact 就是 Claude 用代码生成的独内容，比如 HTML 页面、React 组件等。以前 Artifact 不能保存数据，更像个一次性 demo。
AI Agent 正在从 "单兵作战" 走向 "团队协作"—— 让多个 Agent 分工配合，去完成单个 Agent 难以独立扛下来的复杂任务，也是近期最受关注的方向之一。
还在手动在不同工具间来回切换查文献、跑代码、看结果？两个月前发起内侧的科研龙虾SciClaw，经过上万名科研人的「考核」，正式升级为Mira，推出专家小队、科研画布、LLM WIKI 三大核心能力，首次将「Vibe Researching」理念产品化，让研究者像组建实验室团队一样配置 AI，把时间还给真正的科学思考。
过去两年，大模型写代码已经不再新鲜。从代码补全到 GitHub issue 修复，从竞赛编程到仓库级软件工程，人们习惯用一个简单标准评估 coding agent：代码能不能写对？测试能不能通过？
一个约 1B 参数的模型，在 MATH 上拿到 56.2，在 GSM8K 上拿到 84.5，在 ARC-Challenge 上拿到 81.9。训练成本约 1500 美元，16 块 H100 跑了不到两天。
Anthropic自家工程师早已基本不写代码了，却280美元一个任务，花钱请约1000名外部工程师，手把手教Claude Code写出好代码。喂养前沿模型的，终究还是人。
数百万用户、超千万ARR，还能保持25%月环比增长，这是一家AI应用公司已经跑出来的真实数据。为什么大多数AI应用仍困在“用的人多、赚钱难”，而它却能持续增长？
之前预告过的那个「手机上的 Markdown / HTML 阅读器」做完了,叫 即览。
自今年2月以来，AxiomProver已让8篇覆盖最硬核领域的AI论文现身arXiv，6篇正在筹备。上午出题下午交卷的节奏，让博士生秃头、教授评职称的日子一去不复返。接下来AI能做到什么？
多智能体协作对于解决复杂问题虽然具有巨大优势，但是其架构本质上易出现错误传播，因为由不正确的工作流生成或单智能体幻觉输出引起的错误会沿着协作链蔓延，影响最终结果。