217+
AI Agent
2300+
MCP Server
55
主流模型
109
落地场景
1302
实战教程
518
行业资讯
7 大功能模块，覆盖 AI Agent 使用的全部场景
精选全球 AI Skill 资源站，覆盖 ClaWHub、OpenClaw 等官方平台及社区聚合站，一键直达。
汇聚 Manus、Devin、OpenClaw、Dify 等全球顶级 AI Agent 工具，支持类型筛选和对比。
Model Context Protocol Server 精选导航，让 AI 连接文件、数据库、GitHub、Notion 等工具，20+ 实用 Server。
GPT-4o、Claude 3.5、DeepSeek-V3、Gemini 2.0 等主流模型横向对比，含能力评分、价格和 Benchmark 排行。
从"什么是 AI Agent"到实战操作，8 篇系统教程覆盖新手入门、MCP 使用、Dify 搭建、n8n 自动化。
15 个真实落地场景：营销自动化、自动修复 Bug、行业调研报告、邮件分类……附推荐工具组合和实现步骤。
追踪 AI Agent 赛道重大事件：Manus 被 Meta 收购、DeepSeek-R1 开源、MCP 诞生……完整时间线。
2024 年至今，行业里程碑时间线
MCP 协议诞生
AI Agent 接口标准化
DeepSeek-R1
开源推理，成本仅 3%
Manus 爆火
通用 Agent 元年到来
Meta 收购 Manus
巨头押注 Agent 赛道
大家都在搜的实战对比与上手指南，精选高热度内容
Dify vs 扣子(Coze) vs FastGPT 终极对比（2026）：企业私有化选 Dify、国内渠道分发选扣子、中文知识库问答选 FastGPT。含 Docker 部署实操、API 调用示例、四大场景选型与常见坑。
完整的 LlamaIndex 2026 教程。涵盖 VectorStoreIndex、持久化 Qdrant 存储、聊天引擎、子问题分解、语义分块、元数据过滤和流式传输。
pgvector 教程（2026 年）：在现有 PostgreSQL 上执行向量搜索——HNSW 与 IVFFlat 选择、操作符对齐、完整 Python 流水线、SQL 过滤与混合搜索（专用向量数据库的付费功能在此仅是一个查询）、内存估算及迁移阈值。
Claude Artifacts 与 ChatGPT Code Interpreter（2026）：前者是浏览器端交互式渲染画布（UI 原型/可视化/可发布分享），后者是服务端 Python 沙箱（文件分析/数据处理）。如果任务是“构建交互式内容”，选前者；如果是“处理这个文件”，选后者。包含组合使用方案。
Zod vs Pydantic 用于 AI 输出验证（2026）：TypeScript 栈使用 Zod（Vercel AI SDK），Python 栈使用 Pydantic（OpenAI SDK/Instructor）。LLM 输出是不可信输入——包含两个栈的实际代码、自修复重试、反幻觉语义验证以及跨栈 JSON Schema 同步。
Cloudflare AI Workers AI：2026年完全指南 概述 Cloudflare AI Workers AI为企业级AI应用提供边缘AI推理能力，实现零延迟。作为领先的云AI平台之一，它具备生产应用所需的可靠性、可扩展性和安全性。
OpenAI 函数/工具调用完全指南（2026）：使用 JSON Schema 定义工具 → 模型返回结构化调用 → 你执行并反馈结果。包含完整循环的真实代码、生产模式（验证/tool_choice/并行调用/strict）、与结构化输出的区别，以及如何驱动智能体。
LangGraph 完全指南（2026）：将智能体构建为状态机——State+reducer、条件边、检查点持久化（多轮记忆/崩溃恢复/时间旅行）、用于人工审批门控的中断、多智能体监督者模式。包含何时使用与何时不使用的诚实对比。
AI Agent 从入门到实战，手把手教你用好每个工具
GitHub Copilot 进阶 8 技（2026）：内联 Chat 斜杠命令、仓库级 copilot-instructions.md（影响最大的杠杆）、#file/@workspace 上下文变量、Edits 多文件编辑、Agent 模式验收标准前置、补全隐藏操作、代码评审、CLI。
Dify vs 扣子(Coze) vs FastGPT 终极对比（2026）：企业私有化选 Dify、国内渠道分发选扣子、中文知识库问答选 FastGPT。含 Docker 部署实操、API 调用示例、四大场景选型与常见坑。
Replit Agent 完整教程（2026）：真实 Linux 环境里的对话式全栈助手——从一句话需求到公网 URL。含验收标准前置提示词、Agent vs Assistant 成本分工、Secrets/Checkpoint 工程习惯、与 Bolt/Cursor 的赛道划分。
OpenClaw 私人 AI 助手搭建（2026）：自托管开源 Agent——Docker 启动、接云 API 或本地 Ollama（数据不出机器）。四类真正有用的任务（文件管家/本地知识问答/简报/轻自动化）+ 三条安全纪律（最小授权/危险动作确认/目录隔离）。
追踪 AI Agent 赛道最新动态与深度分析
OpenAI 宣布新一代模型 GPT-5.6 将于本周四（7月）向公众发布，旗舰版本 Sol 在 Cerebras 定制硬件上推理速度高达 750 Tokens/s。该模型总参数约 3 万亿，激活参数 1500 亿，采用横跨 70-100 张 Cerebras 晶圆级芯片的部署方式，每层神经网络独占一张晶圆。同时，OpenAI 自研推理芯片 Jalapeño 曝光，兼容全行业 LLM，9 个月内完成设计流片。 ## 发布与审批 - 美国商务部下属 AI 标准与创新中心（CAISI）批准 GPT-5.6 公开发布，OpenAI 技术专家常驻华盛顿配合审查。 - OpenAI 官宣 GPT-5.6 将于本周四全量上线，提供三个版本：Sol（旗舰）、Terra（地球）、Luna（月亮），定价每百万 token 5 美元起。 - Codex CLI 0.143.0 已新增 Amazon Bedrock 平台上的三个模型变体，支持 max 推理强度。 ## 技术细节 - **推理速度**：Sol 版本在 Cerebras CS-3 系统上达到 750 Tokens/s，相当于每秒输出 500-600 汉字。 - **模型规模**：总参数约 3 万亿，激活参数约 1500 亿，网络层数 70-90 层。 - **部署方式**：每层神经网络单独部署在一张 Cerebras 晶圆上，横跨 70-100 张晶圆，通过晶圆间全互联通信，带宽是 Nvidia NVL72 上 NVLink 的 200 倍以上。 - **架构优化**：可能采用轻量化 KV Cache 方案，如类似 DeepSeekV4 的架构或混合 SSM 设计（Mamba + Transformer），或注意力与 FFN 解耦（GPU 处理注意力，Cerebras 处理 FFN）。 ## 自研芯片 Jalapeño - OpenAI 发布首款自研推理芯片 Jalapeño，专为大模型推理设计的定制 ASIC，兼容全行业 LLM。 - 设计流片仅用 9 个月，由 OpenAI 主导架构，博通提供芯片实现与互联，Celestica 负责系统集成。 - 首批 GW 级超级数据中心计划从 2026 年底部署，使用 Jalapeño 及后续芯片。 ## 影响与展望 - GPT-5.6 Sol 初期仅向特定客户开放，被视为高端定制服务。 - 实时智能交互和多步 Agent 任务将因低延迟推理得到显著提升。 - OpenAI 通过硬件-模型协同设计，加速全栈 AI 帝国构建，形成“AI 加速基础设施，基础设施运行更强 AI”的飞轮。
2025年5月，魔芯科技联合浙江大学潘云鹤院士团队、华为发布MoWorld——全球首个全栈基于国产NPU的实时交互世界模型（Flash World Model）。该模型在华为昇腾NPU平台上实现最高50FPS实时推理，推理成本较同规模GPU方案降低70%，并首次打通从数据、训练、蒸馏到推理部署的国产算力闭环。 ## 核心突破：实时性与低成本 - **实时交互**：MoWorld支持6自由度相机控制，用户通过W/A/S/D和鼠标即可在生成世界中进行实时漫游，帧率超过50FPS，达到影视级流畅度。 - **成本优势**：通过全栈NPU优化，推理成本仅为同规模GPU方案的30%（即降低70%），大幅降低部署门槛。 - **全栈国产化**：模型在华为Ascend 910C CloudMatrix384 NPU上完成训练和推理，不依赖英伟达GPU。 ## 技术架构：数据、训练与推理三阶段优化 - **数据引擎**：基于多年3D/4D建模积累，构建可扩展的数据生产与治理体系，通过几何一致性、轨迹精度等多维筛选，提供高质量训练数据。 - **训练与蒸馏**：引入超密集注意力并行和长序列Token并行，支持2000帧超长视频训练；蒸馏阶段压缩至4步推理，并创新跳过教师轨迹采样初始化，降低蒸馏成本。 - **推理优化**：通过流水线执行、层级化序列并行、动态混合精度量化等，使14B参数MoE模型在NPU上实现50FPS实时推理。 ## 应用场景与产业影响 - **游戏与娱乐**：支持1080P以上分辨率，用户可自由探索自然风光、二次元等场景。 - **具身智能与自动驾驶**：提供低成本、高保真的数字演练场，用于虚拟训练和验证。 - **影视创作**：支持导演级运镜，实时预览画面，减少渲染周期。 - **数字孪生与三维重建**：生成视频具有高几何一致性，可直接用于室内场景三维重建。 ## 融资与行业意义 魔芯科技近期完成亿元美金融资，投资方包括国家级战略储备资本、中东美元机构、头部市场化基金及十余家产业资本，此前已获华为哈勃、联想旗下基金投资。MoWorld的发布标志着世界模型从实验室走向产业应用，国产算力首次支撑实时交互世界模型，为行业提供了兼顾性能与效率的可行路径。
前OpenAI安全研究副总裁、Thinking Machines Lab联合创始人翁荔（Lilian Weng）于2026年7月4日发布博客《Harness Engineering for Self-Improvement》，系统阐述AI递归自我改进（RSI）的近期可行路径。她认为，AI自我改进不应从模型直接改写自身权重开始，而应优先优化包裹在模型外部的Harness系统——即负责编排模型思考、调用工具、管理上下文、评估结果的执行层。该观点获得DeepSeek研究员崔添翼转发附议。 ## 核心论点：Harness层优先于模型权重 翁荔指出，RSI的近期路径更可能发生在Harness层而非模型权重层。Harness是围绕基础模型构建的系统，决定模型如何规划、调用工具、管理上下文、存储产出物和评估结果。她认为，改进“获取更好答案的机制”比改进答案本身更现实。许多Harness层的改进最终可能被内化为模型能力，但外部接口应保留。 ## Harness的三种设计模式 翁荔梳理了Harness工程的三种核心设计模式： - **工作流自动化**：定义目标导向的循环（规划→执行→观察/测试→改进），模型通过运行时分析自身轨迹迭代，而非依赖静态提示词。 - **文件系统作为持久化记忆**：将实验日志、代码差异等产出物存储为文件，避免上下文窗口溢出，利用LLM的bash读写能力。 - **子Agent与后端任务**：派生多个子Agent并行执行，通过进程管理器监控和合并结果，确保状态可恢复。 ## Harness优化路径：从上下文到进化搜索 翁荔将优化对象的演进总结为：指令提示词→结构化上下文→工作流→Harness代码→优化器代码。具体包括： - **上下文工程**：ACE将上下文视为动态手册，MCE将上下文管理技能与内容分离。 - **工作流设计**：AI Scientist、ADAS、AFlow等工作将流程结构纳入搜索空间。 - **自我改进型Harness**：Self-Harness通过弱点挖掘、提案生成和验证循环自动优化Harness配置。 - **进化搜索**：Darwin Gödel Machine（DGM）让编码Agent直接修改自身Harness代码，在SWE-bench Verified上从20%提升至50%，在Polyglot上从14.2%提升至30.7%，达到或超过人工设计。 ## 挑战与边界 翁荔坦率列出当前瓶颈： - 评估器太弱，仅代码、数学等可自动评估的任务能跑通循环，科研品味等难以量化。 - 上下文与记忆的生命周期管理尚未解决。 - 负面结果被系统性忽视，模型可能不擅长判断何时放弃假设。 - 多样性坍缩：进化循环可能收敛到局部最优。 - 奖励作弊（reward hacking）问题依然存在。 ## 与Scaling Law的关联 翁荔两周前刚发布《Scaling Laws, Carefully》，指出Scaling Law的拟合受参数计数方式、loss精度、数据重复等细节影响，外推存在风险。两篇文章共同指向：当堆参数和数据的边际效益递减时，Harness工程可能成为AI的第二增长曲线。
OpenAI于近日正式发布GPT-Live，一款基于全双工架构的新一代语音模型，旨在提升ChatGPT语音交互的自然度和智能性。该模型能够同时听和说，支持用户随时打断、停顿思考，并以“嗯”“对”等简短回应保持对话流畅。后台可委派任务给GPT-5.5等前沿模型，处理搜索、推理等复杂需求，实现前台陪聊、后台干活的分离架构。 ## 架构创新 - **全双工持续交互**：GPT-Live在生成输出的同时持续处理输入，每秒可多次判断是否开口、倾听或打断，解决了此前轮次式模型因静音检测导致的抢麦问题。 - **深度任务委派**：将实时对话与复杂任务解耦。前台GPT-Live负责低延迟交互，后台GPT-5.5（或后续模型）处理搜索、推理等任务，结果返回后自然融入对话。用户可选择Instant（快速）、Medium或High（深度思考）模式。 ## 关键改进 - **更自然的对话**：支持实时打断、停顿等待，背景噪声下更聚焦用户声音。OpenAI重新打磨了9种默认音色。 - **更智能的回答**：接入GPT-5.5后，推理和搜索能力大幅提升。官方演示中，模型能实时翻译、查询天气、复盘面试等。 - **可视化回复**：语音对话中可弹出天气、股票等可视化卡片，支持联网搜索、记忆、图片和文件上传。 ## 评估与数据 - OpenAI建立新的人类评估体系，GPT-Live在愉悦感和流畅度上显著优于Advanced Voice Mode。对话流畅度评分从3.80提升至4.96（满分7分）。 - 在GPQA（科学推理）、BrowseComp（网页搜索）和τ³-Voice Telecom（客服任务）等基准测试中，GPT-Live均优于前代。 - 每周有超过1.5亿用户使用ChatGPT语音功能。 ## 发布与限制 - **版本**：GPT-Live-1（默认，面向Go/Plus/Pro用户）和GPT-Live-1 mini（面向Free用户）。 - **平台**：iOS、Android和ChatGPT.com。 - **限制**：上线时不支持视频和屏幕共享，不面向B端，不支持桌面端App、Codex和自定义GPT。API定价尚未公布。 ## 行业对比 - **字节豆包**：全双工模型Seeduplex，支持屏幕共享和视频，但未明确后台委派强模型。 - **MiniMax**：Speech 2.8主打TTS和声音克隆，适合内容生产。 - **面壁智能**：MiniCPM-o 4.5全模态全双工，开源免费。 - **谷歌**：Gemini 3.1 Flash Live Preview低价多模态，每分钟约0.036美元。 - **ElevenLabs**：企业语音Agent，每分钟0.08美元。 GPT-Live通过架构创新将语音交互推向更自然的水平，但产品细节和定价仍需完善。
北京时间2026年7月16日，SpaceXAI（原xAI）正式发布旗舰模型Grok 4.5。该模型基于1.5万亿参数的MoE架构，在数万张NVIDIA GB300 GPU上训练，并与AI编程工具Cursor联合训练，引入了数万亿Token的开发者交互数据。Grok 4.5主打编程、Agent和知识工作场景，支持50万Token上下文（下周将升级至100万），推理速度达80 TPS。 ## 性能表现 在多项基准测试中，Grok 4.5与Claude Opus 4.8和GPT-5.5正面竞争，整体互有胜负： - **DeepSWE 1.0**：62.0%，超过Opus 4.8（55.75%），接近GPT-5.5（64.31%） - **Terminal Bench 2.1**：83.3%，与GPT-5.5（83.4%）几乎持平，超过Opus 4.8（78.9%） - **SWE Bench Pro**：64.7%，超过GPT-5.5（58.6%），但低于Opus 4.8（69.2%） - **SWE Marathon**：29.0%，排名第一，超过Opus 4.8（26.0%） - **Harvey法律Agent基准**：位列第一 独立评测机构Artificial Analysis的GDPval-AA v2测试中，Grok 4.5得分1543，全球第四，但完成单个任务平均成本仅0.49美元，远低于其他前沿模型。 ## 价格与效率 Grok 4.5的API定价为：输入2美元/百万Token，输出6美元/百万Token，相比Opus 4.8便宜约60%。更关键的是Token效率：在SWE Bench Pro任务中，Grok 4.5平均仅消耗约1.6万Token，而Opus 4.8需要6.7万Token，效率提升4.2倍。马斯克表示，Grok 4.5“大致相当于Opus 4.7，但快得多”。 ## 训练与数据 Grok 4.5的训练数据经过大规模去重、质量筛选和领域过滤，强化学习重点覆盖数十万个真实软件工程和知识工作任务。与Cursor的联合训练是核心亮点：模型学习了开发者与代码库、工具和Agent的真实交互，而非仅学习代码本身。训练系统采用高度异步设计，支持模型在长时间执行复杂任务的同时持续训练。 ## 可用性与未来规划 Grok 4.5已通过SpaceXAI API、Grok Build命令行工具和Cursor（所有订阅档位）开放，限时免费。马斯克预告：下周将推出100万Token上下文版本，月底发布2万亿参数版本。此外，Meta同日发布Muse Spark 1.1，定价更低（输入1.25美元/百万Token，输出4.25美元/百万Token），但Grok 4.5在多项基准上表现更优。
智源研究院悟界·RoboBrain Orca团队发布技术报告《Orca: The World is in Your Mind》，提出一种多模态世界模型，旨在让AI学习统一的世界状态表征，而非仅预测单一模态输出。Orca通过无意识学习（连续视频）和有意识学习（事件标注、语言问答）两种模式，利用12.5万小时视频、1.6亿事件标注和1150万条VQA数据训练，构建可扩展的世界潜空间。实验表明，随着预训练数据规模增加，模型损失持续下降，且冻结主干后通过轻量读出模块在文本理解、图像预测和机器人控制任务上表现提升。Orca已登上Hugging Face Daily Papers月度榜单，引发海外研究社区对世界模型方向的讨论。
精选进阶实战与主题合集，覆盖 RAG、Agent 工程化、后训练等高价值方向