跳到正文
#教程/实践
10月23日周五
  2. Figma AI / Agent / Make58

    Figma 官方讲解如何让 Figma agent 用好你的设计系统

    Figma 官方介绍了如何为现已全面推出的 Figma agent 配置设计系统上下文，以提升设计产出的准确性与贴合度。文章主要讲解了四个核心方向：连接官方设计库作为真实数据源、通过指南明确团队判断标准、向 agent 提供实际设计示例以及将重复指令转化为斜杠技能（Skills）。

    发布时间：
  8. MIT Technology Review · AI12

    企业 AI 推理服务架构的设计与工程实践

    企业 AI 的竞争优势正从模型本身转向围绕模型的服务架构，工程系统决定了智能能否可靠、经济、大规模地交付。技术领导者应从具体工作负载出发，关注延迟、并发和成本等生产约束，而非盲目追求模型性能。构建适应性强的服务架构能够确保企业在面对模型与硬件迭代时无需重构平台，实现可持续的商业价值。

    发布时间：
  10. Hugging Face 社区博客83

    Microsoft 与 Hugging Face 发布 ThinkingBox-Training：用数据库评分训练 Agent

    Microsoft 与 Hugging Face 联合发布 ThinkingBox-Training，将数据库终端状态的可执行检查转化为强化学习奖励来训练智能体。通过离线策略相对难度过滤并结合 GRPO 微调 Qwen3.8-27B，使其在 ThinkingBox-Bench 上的平均成功率和观察到的全过率均显著提升。

    发布时间：

    推荐理由：原文公开了利用数据库终端状态作为强化学习奖励的训练方案，展示了智能体在业务工作流中可重复成功率的显著提升。

  18. Databricks：Blog46

    Databricks 高管复盘 AI 编码成本治理，从账单失控到单位成本降 90%

    Databricks 通过引入控制层 Unity Gateway 并采用更具性价比的新模型，成功将 AI 编码工具的单位成本降低高达 90%，同时将研发团队的整体产出提升近一倍。早期由于无限制开放顶级模型导致费用指数级飙升，该公司随后放弃了一刀切的硬性限额，转而采用渐进式干预、透明化消费明细以及集中化模型路由等策略。

    发布时间：
  19. AWS Machine Learning Blog64

    在 Amazon SageMaker AI 上使用 Kokoro TTS 从 AI 智能体流式传输低延迟语音

    AWS 官方介绍了如何在 Amazon SageMaker AI 上使用 Kokoro-82M 模型和双向流式传输，实现 AI 智能体生成首句文字即开始语音合成。该方案通过逐句推送和传输优化，将首音频响应时间缩短了数倍。

    发布时间：

    推荐理由：文章给出了基于 Amazon SageMaker AI 部署 Kokoro 82M 模型并进行双向流式传输的具体架构和性能对比，读者可以参考其实现来降低语音智能体交互延迟。

  24. n8n Blog60

    AI 智能体工作流中的幻觉检测方法指南

    本文介绍了 AI 智能体工作流中幻觉检测的方法与实现路径，分析了事实性错误、上下文幻觉、编造和自相矛盾四种常见幻觉类型。文章指出单靠单一评分无法应对所有故障模式，建议将忠实度检查、自一致性检查、语义熵估计与来源验证等多层方法结合，并通过代码优先框架与自动化平台在生产工作流中实施。

    发布时间：
  27. AWS Machine Learning Blog21

    Rescale 如何用 Strands Agents 与 AI-DLC 构建 AI 故障分诊 Agent

    Rescale 结合 AWS 架构与 AI-DLC 方法论，在 5 天内完成了智能故障分诊 Agent 的原型构建并在几周内投入生产。该 Agent 借助 Amazon Bedrock 上的 Claude Opus 4.8 自动对夜间端到端测试失败进行分类与路由，并结合 MCP 查询日志及知识库历史模式生成结构化修复报告。

    发布时间：
  28. AWS Machine Learning Blog63

    如何在 Amazon SageMaker AI 上为 TTS 端点精确配置自动伸缩策略

    亚马逊机器学习团队介绍了在 Amazon SageMaker AI 上部署 Kokoro-82M 语音合成模型时，如何通过测量单实例并发上限 Q_max 和端到端扩容时间 T_total 来精确计算自动伸缩阈值。该方法利用原生指标 ConcurrentRequestsPerModel 替代盲目猜测，确保服务在流量突发时既能满足延迟 SLO 又不会造成 GPU 闲置。

    发布时间：

    推荐理由：文章给出了基于真实测量的自动伸缩策略推导方法，读者可以据此避免盲目设置指标带来的隐性成本或延迟风险。

10月22日周四
  1. n8n Blog54

    自托管 LLM 与云 API 之间如何路由请求

    n8n 官方博客介绍了自托管大模型与云端 API 的选型对比及混合路由实现方案。文章分析了隐私合规、成本、延迟与前沿能力差异，并演示了如何在 n8n 中通过规则引擎、If/Switch 节点及模型选择器将请求智能分发至 Ollama 本地模型或云端 API。

    发布时间：
  5. n8n Blog42

    有状态与无状态：AI 智能体构建中的上下文管理指南

    有状态与无状态设计决定了 AI 智能体系统如何处理跨任务的信息、扩展规模及恢复故障。有状态应用通过跨请求保留信息来提供连续性，而无状态应用则将每个请求独立处理以提升可扩展性与容错能力。大语言模型本身不自动保留对话，智能体需要通过外部存储或内存缓冲区来实现有状态的记忆管理。

    发布时间：
  9. Hacker News-首页63

    Switch 2 软件越狱实现与底层漏洞分析

    作者 ledoge 介绍了针对 Switch 2 最新固件 23.0.1 的软件越狱方案 ns2jb。该方案利用了浏览器及历史游戏漏洞获取任意代码执行权限，通过路径规范化漏洞实现文件系统的任意读写，进而加载自定义代码并获取系统模块权限。

    发布时间：
  11. Hacker News-首页75

    Minotaur：如何在没有大语言模型和GPU的情况下实现AI风格推理

    作者介绍了Minotaur人工智能架构，它不依赖大语言模型和GPU，而是基于ELC结构通过测量而不是预测来运作。该系统在多个盲测中匹配了语言模型的推理水平，支持演绎、诊断、信念修正等多种推理，且每次运行都能给出确定的步骤和证书。

    发布时间：