1W+优质提示词！这个网站塞满了神级AI出图Prompt，复制就能直接用（在新窗口打开）
今天给大家分享一个我最近经常刷的灵感外挂。
内容栏目
AI技术文章
分享不同 AI 工具、模型与相关技术的使用方法和实践文章。
从 OpenClaw 到 FastClaw：如何设计优秀的多 Agent 架构（在新窗口打开）
做了一年 Agent 基础设施，踩了无数坑，我终于想明白了一件事：好的 Agent 架构不是把所有功能塞进一个进程，而是让每一层都能独立演化。
Sakana AI发布模型Fugu Ultra，号称比肩Claude Fable（在新窗口打开）
就在所有人还在为Claude Fable 5的突然消失而懵圈时，Sakana AI却高调宣布：我们的Fugu比肩Fable，还不怕出口管制。
过程比结果重要：一个不给标准答案的调参框架，让Agent自己把数据库性能榨出来（在新窗口打开）
数据库自动调参，一直是大模型Agent的“看似完美、实则翻车”名场面。
AI中转站正在「裸奔」：清华团队提出首个可信原生中转基础设施TrustedARI（在新窗口打开）
当 AI 智能体真正开始干活，它的每一次请求，都要经过一个你看不见的「中间人」。
何恺明团队发布像素空间文生图模型MiniT2I（在新窗口打开）
文本生成图像的领域早已经是一片红海，看上去已经卷无可卷了。
入选ECCV 2026！清华开源空间模型打败Gemini：真正的空间智能是在世界变化中持续学习（在新窗口打开）
在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。
清华NANO滤波器：非线性贝叶斯状态估计迈入优化迭代计算的新范式（在新窗口打开）
NANO滤波器是一种新的非线性贝叶斯状态估计方法，它不依赖线性化模型，而是将预测和更新步骤转化为优化问题。这种方法在高斯分布空间中使用自然梯度，更精确地逼近最优后验，同时利用Stein引理避免显式求导，提升鲁棒性。
同样算力质量更高，西湖大学把扩散缓存做成了“离线搜索题”（在新窗口打开）
扩散模型生成得越来越好，但也越来越慢。 近年来，以FLUX、Wan为代表的扩散生成模型，在文本生成图像、文本生成视频上，已经能产出高分辨率、细节丰富又语义一致的内容。 但它们都有一个共同的麻烦——推理依赖多步去噪，每一步都要完整调用一次大型生成网络，算力成本居高不下。 对图像生成来说，这会直接拖慢交互式创作和在线部署的响应；对视频生成来说，模型还要同时兼顾空间细节与时间连续性，计算量更大，对高效推理的需求也更突出。 为应对这一问题，西湖大学AGI实验室提出了BudCache：一种面向固定计算预算的扩散模型step-level cache方法。 和已有那些基于启发式阈值的缓存方法不同，BudCa
不靠专家出题，8万条人类终端录像，炼成首个真实CLI工作流基准TerminalWorld（在新窗口打开）
AI Agent 正在重塑软件开发。写代码、修 bug，它的能力肉眼可见地往上涨。但软件开发，从来不止 "写代码" 这一件事。装环境、配依赖、部署服务、编排容器、管理云资源、处理安全策略，这些 "让软件活起来" 的脏活累活，才是真实开发的大头。而它们，几乎都发生在同一个地方：终端。
AI跑团/角色扮演为什么越玩越无聊？因为缺了一个导演系统！（在新窗口打开）
深度长文分析！对AI原生游戏的探索！超长文章超多古法手搓！！
OpenAI发布最新里程碑：对齐的本质是「人格」（在新窗口打开）
就在最近，OpenAI扔出一篇重磅论文。他们发现，只教AI好好看病，它写代码居然也不作弊了。方法简单到离谱：拿5%的训练数据，教模型在回答健康问题时诚实、谨慎、知错能改。
你以为是 AI 在干活，其实那个循环一直是你——一个 OpenAI 员工聊 loop engineering（在新窗口打开）
OpenAI 的 tevfik 写了篇关于 loop engineering 的文章,开头那句我读完顿了一下。他说,他和 coding agent 协作,到现在大多还是同一个流程:我解释一个任务,等结果,审一遍,再发下一条指令。代码是 agent 写的,但我在后台还干着另一份活——我记着发生了什么、决定下一步做什么、判断这事到底完成没。
斯坦福报告：中国自主培养，顶尖AI人才崛起（在新窗口打开）
斯坦福胡佛研究所追踪了 DeepSeek 七篇论文背后 356 名研究者的完整职业轨迹。美国培养出的最优秀 AI 人才正在大规模回流中国，而中国本土管道已经能独立产出前沿模型的核心贡献者。
从“一句成片”到“长轨推演”：探究多模态智能体在长视频编辑中的应用（在新窗口打开）
近年来，大语言模型（LLMs）在长篇视觉叙事中展现出卓越潜力，生产方式正迅速从单一模型生成转向面向生产的智能体系统。但长视频剪辑仍然是一个极难控制的长期任务。模型有时会在缺乏素材依据的情况下强行生成，甚至在面对明显断档的转场或人物不一致时依然“盲目拼接”。
沿着何恺明团队「漂移模型」再走一步：奖励只需排名，单步文生图偏好优化提速3.51倍（在新窗口打开）
来自西湖大学和香港中文大学（深圳）的团队沿着这一思路提出 Drifting Preference Optimization（DrPO），把漂移场用于单步文生图模型的偏好后训练。在 DrPO 中，奖励只负责对候选图像排序，不参与反向传播。具体而言，针对同一个文本提示词，当前模型生成一组候选图像。高分样本在特征空间中产生吸引，低分样本产生排斥，并结合参考模型约束给出模型的更新方向。
AI接管数字世界！华为Claw-Anything：面向跨设备、跨时间、跨服务的Claw评测与数据引擎（在新窗口打开）
我们相信，常驻型 (always-on) AI 助理的下一次飞跃，不在于把某一个模型单点调得更聪明，而在于扩展智能体的上下文 (Scaling Agent Context)—— 不断拓宽助理能够持续 "感知 — 推理 — 执行" 的范围，作为生活连接器连接用户的信息孤岛，直到它能接管用户的整个数字世界。
CameraSquad：精准运镜，多视角一致——视频世界模型的空间智能新范式（在新窗口打开）
如今，CameraSquad 的出现，让这种多视角一致的视频生成与 3D 世界状态构建成为现实。近日，中国科学院大学高林研究员团队联合卡迪夫大学、香港科技大学和快手可灵团队，提出了一种面向多轨迹并行生成的相机可控视频生成方法 CameraSquad [1]，相关论文已被 ACM SIGGRAPH 2026 录用。
深入理解 Claude Code：从 CLAUDE.md 到 Hooks、Skills、Subagents..（在新窗口打开）
在常规的对话外，Claude Code（也可以是 Codex）其实还提供了一些别样的控制（或者说：上下文注入）方法，比如：CLAUDE.md、Rules、Skills、Subagents、Hooks、Output Styles、以及 System Prompt Append
ICML 2026｜从「鉴伪」到「修复」，AI图像取证进入闭环时代（在新窗口打开）
对于 AI 生成图像中可能存在的不自然伪影，我们是否不仅能够将其定位和解释，还能进一步对其进行修复，使图像恢复为更加真实、自然的视觉外观？围绕这一问题，来自北京大学等机构的研究者提出了 GenShield：一个统一的自回归框架，将 AI 生成图像检测 与 图像伪影修复 结合到同一个闭环中，实现从 “诊断” 到 “修复” 的一体化建模。
参与交流
查看 AINRK 交流群说明
了解加入交流群的方式，阅读内容无需登录。