头条精讲
为什么每个人都可能拥有自己的数据库？Supabase CEO 谈智能体与个人软件（在新标签页打开）
推荐理由Supabase CEO 以构建者增长、命令行优先和可修复错误信息解释 Agent 如何改变数据库产品，让个人软件拥有可持续的数据底座。访谈把用户变化与产品取舍连接起来，适合借此判断工具是否真正面向智能体设计，以及个人数据应怎样与应用解耦。
Supabase CEO Paul Copplestone 解释了数据库平台如何从开发者仪表盘转向智能体基础设施，以及 AI 如何推动个人软件与数据自主权的需求。
从 AI Friendly 架构到可复制的 AI 迁移能力 - 淘宝直播搜推在线架构升级实践（在新标签页打开）
推荐理由淘宝直播将公共能力、流程差异和执行证据分别建模，再把人工迁移经验沉淀为 Skill，让 AI 在可检查的工程空间内改造历史应用。文章具体解释参数契约、受约束编排和新旧链路对照，适合大型系统团队参考如何建立可复制的迁移能力。
淘宝直播推荐系统通过自研轻量级执行框架，将多框架、多分支的复杂架构重构为统一的物料和声明式编排体系，并利用 AI 参与历史应用的迁移与验证，实现了性能稳定、成本降低的长期维护能力。
Crusoe CEO Chase Lochmiller：从闲置能源到 AI 基础设施的规模化之路（在新标签页打开）
推荐理由Crusoe CEO 从闲置能源、数据中心到 AI 云讲述垂直整合如何协调建设和交付，并复盘业务聚焦与规模化管理。访谈补足算力竞争中的物理约束，适合理解电力、建设周期、资本配置和组织能力怎样共同决定基础设施交付。
Crusoe CEO Chase Lochmiller 讲述如何依靠可信赖的领域负责人、组织学习、战略专注与主动风险管理，扩大垂直整合的 AI 基础设施业务。
今日精华
腾讯 TGR-GenRec：从单项预测走向整组推荐生成（在新标签页打开）
推荐理由腾讯 TGR-GenRec 把单项预测推进到整组推荐生成，以语义标识和分层解码兼顾用户偏好与结果组合，可学习生成式推荐如何落到实时服务。
TGR-GenRec 探索用端到端生成模型替换级联中的判别式决策阶段，包括基于 next-token prediction（NTP）的 BARGE 模型和基于 next-slate prediction（NSP）的 HiGR 模型，分别解决 item 边界丢失、语义漂移和列表级优化问题。
智能体为什么白花钱：x402 支付的 6 种攻击与防护 | Ishween Kaur，SoFi（在新标签页打开）
推荐理由SoFi 工程师拆解 x402 的六类支付攻击，把金额验证、幂等处理与交付检查落实到具体流程，适合为 Agent 接入支付前逐项自查。
六组 x402 攻击实验说明，智能体花钱前需要明确的支付限制、防重放机制、卖家校验与端到端追踪。
挑战 ServiceNow：Serval CEO Jake Stauch 谈企业编程智能体与权限治理（在新标签页打开）
推荐理由Serval CEO 将企业编程智能体用于 IT 自动化，把确定性审批和权限控制纳入执行链，帮助判断哪些动作适合交给 Agent，哪些仍需明确授权。
Serval CEO Jake Stauch 认为，企业编程智能体需要确定性审批、受控提权与软件开发规范，才能安全地让 IT 团队和业务人员成为构建者。
从模型优化到智能体协同：阿里 MaaS 团队的 WMT26 技术实践（在新标签页打开）
推荐理由阿里 MaaS 对照翻译模型优化与智能体协同，展示多候选生成、选择和修复的组合方法，可用于判断质量问题应由训练还是编排解决。
阿里 MaaS 团队在 WMT26 中通过 Qwen-MT-Lumen 和 Wayfinder 两套系统，分别探索了翻译领域模型的专项优化与多模型协同的 Agent 路线，均取得了显著成绩，验证了在复杂翻译任务中，模型优化与系统协同的互补价值。
每次会话都像新员工入职：Sonar Vortex 如何为 AI 编程补充上下文与验证（在新标签页打开）
推荐理由Sonar Vortex 把代码库上下文与验证工具带入编程会话，针对每次重建项目认知的问题提供实践路径，可对照自己的工具检查信息交接。
Sonar Vortex 将仓库上下文与确定性检查接入编程智能体循环，在代码进入 PR 前发现缺陷。
以电商客服为例，看 AgentKit 技能评测如何让 Skill 敢上生产！（在新标签页打开）
推荐理由字节 AgentKit 用客服退款规则案例展示 Skill 评测、产物核查和同集复测，帮助团队发现回答正确却改错业务约束的隐藏缺陷。
火山引擎 AgentKit 技能评测通过 Agent as a Judge、一键调优和 A/B 对比，解决了 Skill 质量评估、问题定位和效果验证的难题，让开发者能自信地将 Skill 部署到生产环境。
InfoQ AI、ML 与数据工程趋势报告 - 2026（在新标签页打开）
推荐理由InfoQ 将智能体编排、协议与推理系统化放入技术趋势图，可结合具体工程案例判断成熟度，避免仅凭热度决定下一阶段投入。
InfoQ 的 2026 年 AI、ML 与数据工程趋势报告汇集了行业专家、播客和内部数据的洞见，勾勒出不断演变的行业格局。
补充阅读
AI 为什么可能让小型律所成长为十亿美元企业？Eve 的原告法律自动化实践（在新标签页打开）
推荐理由Eve 的法律自动化案例呈现 AI 如何重组专业服务中的时间和成本结构，可借此比较交付效率、业务扩张与专业责任之间的关系。
Eve CEO Jay Madheswaran 认为，自动化原告法律工作流能让原本受人工成本限制的案件变得可承接，从而扩大法律服务覆盖与律所收入。
为什么优秀的开发者对智能体开发如此警惕？（在新标签页打开）
推荐理由Rachel 讨论开发者对智能体开发的具体顾虑，帮助团队辨别模型能力、工程信任和验证责任之间的差距，为采用决策补充一线视角。
Martin Fowler 探讨了经验丰富的开发者为何不愿完全拥抱 AI 编程智能体，认为他们的谨慎源于来之不易的认知——「构建完成」不等于「生产就绪」，并以 Thoughtworks 的实验为例，揭示了 CI/CD 的不稳定性以及对人类架构判断力的需求。
缺失的阶梯：当 AI 吞噬中层，工程师的晋升之路何去何从（在新标签页打开）
推荐理由AI 改变初中级工程任务后，晋升所需的练习与反馈可能出现缺口，适合管理者重新设计成长路径，保留学习复杂系统的机会。
本演讲探讨了 AI 对软件工程的结构性影响，指出尽管 AI 擅长低层级的编码任务，却无法提供晋升至高层级系统设计与调试所需的经验性学习，实质上打断了传统的职业晋升阶梯。
使用 A2UI 与 CopilotKit 智能体构建生成式 UI 应用（在新标签页打开）
推荐理由Google 介绍 A2UI 与 CopilotKit 的界面生成方法，可学习怎样将智能体意图交给受控组件呈现，兼顾交互表达与应用约束。
本文介绍 A2UI 与 CopilotKit，这是一个利用声明式数据而非原始代码，为 AI 智能体构建安全、双向生成式 UI 的框架。
RSI 立大功！国产开源登顶全球第一，1.3B OXR 重塑 OCR（在新标签页打开）
推荐理由OXR 的轻量 OCR 路线提供文档理解模型的选型参照，适合结合目标语言、版面和推理条件检查任务专用模型的实际收益。
国产开源1.3B OXR模型采用递归自我改进训练，在三项文档解析评测中均登顶全球第一，速度快至百页仅101秒，支持13类文档元素，并提供免费API与开源部署，展现了高精度、开源与工程创新。
NeurIPS 2026｜训练策略变强，推理就一定变强吗？MemoraX AI 联合天大、阿里提出 MIPI（在新标签页打开）
推荐理由MIPI 研究把训练策略与推理表现分开观察，帮助理解强化学习改进为何需要看具体测试条件，避免以单一训练指标替代泛化判断。
MemoraX AI 联合天大、阿里提出 MIPI 原则，将推理策略改进确立为优化目标，并设计 MIPU 框架，在 Qwen3-4B 和 Qwen3-1.7B 的 FP8 量化采样实验中，MIPU 在五项数学推理基准上的平均准确率分别达到 66.71% 和 53.97%，较 GRPO 基线分别提升 2.29 和 3.11 个百分点。
DoorDash 借助 AI 智能体将杂货复购延迟从 16 秒降至 2 秒（在新标签页打开）
推荐理由DoorDash 的杂货复购案例拆解智能体延迟优化，适合学习如何沿完整用户路径识别等待来源，区分局部调用提速与端到端体验。
DoorDash 通过离线预计算周期性购买需求，将杂货复购延迟大幅降低，订单率提升 34%，购物清单浏览量翻倍。
宣布 Project ProtoStar：让公共资助的科学成果为 AI 做好准备（在新标签页打开）
推荐理由Project ProtoStar 关注公共科研成果如何为 AI 使用做好准备，可据此审视数据开放、结构化和研究工具之间尚待补齐的连接。
Project ProtoStar 是一项由高校、研究机构和产业界共同发起的倡议，旨在让公共资助的科学数据集、模型和代码更易于被 AI 驱动的研究访问和复用，首项活动是由卡内基梅隆大学主办的气候风险智能挑战赛。
如何用 Kimi 做出更好的 3D 作品？官方教程来啦（在新标签页打开）
推荐理由Kimi 官方教程把三维创作拆成可操作步骤，适合设计与内容工作者观察模型如何参与迭代，而非只比较最终演示效果。
本文详细介绍了使用 Kimi K3.1 Pro 构建 3D 作品的完整流程，包括模型生成、场景搭建、游戏开发和优化技巧，并提供了多个实际案例供读者参考。
SC26 顶会论文：八卦炉 2—— 让万卡集群学会临场应变（在新标签页打开）
推荐理由八卦炉二讨论大规模训练集群的动态调整机制，适合基础设施团队理解资源变化、调度与训练连续性之间的工程取舍。
清华大学翟季冬教授团队发布 BaGuaLu-2，通过运行时自适应的激活显存供给机制，解决了 MoE 万卡集群训练中的显存尖峰与 OOM 问题，实现了零配置下的吞吐量提升。
