Karpathy强推，大厂抢着「复古」命令行，Star数全都上千了（在新窗口打开）
最近，飞书、钉钉、企业微信接连推出 CLI，智能体生态战役再次打响。
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。
首个用户生活「长程模拟器」来了！LifeSim 重新定义大模型个性化评测（在新窗口打开）
来自复旦大学、上海创智学院的研究人员提出 LifeSim，一个面向个性化助手评测的长程用户生活模拟框架。LifeSim 同时建模用户内部认知过程与外部物理环境，生成连贯的生活轨迹、事件序列与多轮交互行为；在此基础上，研究团队进一步构建了 LifeSim-Eval，用于系统评测模型在长期个性化交互中的能力边界。
彻底改写！BVP权威报告：AI制药每年高达1000亿美元市场，5大产业链将被颠覆！（在新窗口打开）
近日，Bessemer Venture Partners发布AI+生命科学路线图，分析今年AI医药的发展趋势。 该报告的核心观点是：AI正在彻底改变制药和生命科学行业，每年能创造超1000亿美元新价值，但目前只有5%的企业真正用起来。
快手广告系统全面迈入生成式推荐时代！GR4AD：从Token到Revenue的全链路重构（在新窗口打开）
快手的这篇论文，正是对这一问题交出的一份沉甸甸的工业级答卷。他们提出了 GR4AD（Generative Recommendation for ADvertising），一个横跨表征、学习、服务三大层面协同设计的生成式广告推荐系统，并已全量部署于快手广告平台，服务超过 4 亿用户。
跨物体融合新突破！从拼贴到创造：AI学会「生」出新物体（在新窗口打开）
AI不再只是把两个物体「放一起」，而是真正造出一个新实体。VMDiff模型通过分阶段策略：先拼接保留信息，再插值融合成整体，并自动调节平衡，让生成结果既像两者，又自然统一。 过去，很多图像生成模型都能同时画出两个物体；但要让它们真正「长成一个新物体」，其实远没有那么简单。
英伟达给机器人装上龙虾大脑！具身智能的Harness来了（在新窗口打开）
Harness（驾驭）的风，终究还是从大模型，吹到了机器人！
一键白标 Claude Code：自定义命令 + 启动画面 + 配置隔离，Skill可自取（在新窗口打开）
这两天，我被一张图反复种草。 就是终端里一打开，先蹦出一段很酷的 ASCII 动画——名字不是 Claude code，是你自己的品牌名、你自己的启动方式、你自己的欢迎语。 对啊，最近好多人都在玩 DIY Claude code，从源码开始一点点改，但我估计那要浪费不少词元，能不能做一个快速 DIY skill，给大家省点 token？ 先说结果，我做出来了。上效果图： 为什么要自己搭一个？ 官方 Claude Code 不是挺好用吗，为什么要折腾 DIY？ 其实有一些实际场景：比如我想接 DeepSeek 或其他国产模型，但官方支持度不够；想给团队统一配一个内部版，不想每个人都走官方认证；或
斯坦福MIT联合发布Meta-Harness，Agent端到端自己优化自己，Dspy一作Omar参与研究（在新窗口打开）
去年讨论Agent落地时，重点往往是Context Engineering。大家都在琢磨怎么放 Few-shot，怎么优化 RAG 检索的文本片段。但随着 Agent 任务复杂度的上升，控制数据流向、工具调度和异常处理的底层脚手架代码，往往比单纯拼接文本对系统性能的影响更大。
Claude Code 源码震撼泄露，一起学习下最前沿的 Harness 工程（在新窗口打开）
3 月 31 日下午，技术圈炸了锅： Claude Code，这款被公认为当前最强的 AI 编程助手，因为一次内部失误，核心代码逻辑暴露在了全球开发者面前。
重构跨域RL框架！理论驱动「双重对齐」让跨域迁移「质变」（在新窗口打开）
在现实世界中通过强化学习训练智能体，往往需要大量在线试错与环境探索，这不仅成本高昂，还可能带来显著安全风险：机器人可能因试错而损坏，自动驾驶的在线探索可能危及行车安全，而持续采集交互数据本身也代价巨大。
中国最强编程模型来了！ 阿里Qwen3.6-Plus性能直逼Claude，国产大模型杀入决赛圈（在新窗口打开）
什么这code那code，先别code了，因为—— 中国最强编程模型来了！
别再用黑盒预测了！即插即用模块通过前置分解让iTransformer/PatchTST既准又可解释（在新窗口打开）
在时间序列预测领域，深度模型如iTransformer、PatchTST虽然性能强劲，却长期困于“黑盒”困境——预测准，但说不出为什么。
ICLR 2026 | 世界模型卡在多机器人协作？一个「顺序分解」思路打通（在新窗口打开）
近年来，Decision-Coupled World Model 与 Model-based RL 在机器人领域取得了显著成功。通过学习环境动力学模型，智能体能够在内部模拟未来，从而进行规划与决策。但当系统从单机器人扩展到多机器人时，问题开始变得棘手。
哈佛医学院做了5679次组学分析：大模型能力没差别，关键在验证（在新窗口打开）
生物医学AI智能体正从「能不能做组学分析」快速进入下一阶段的检验：做出来的结果，能不能撑得住真实的治疗决策？哈佛医学院Zitnik团队的MEDEA 给出了一条明确的技术路线：与其追求更强的骨干大模型，不如在分析流程的每一步嵌入验证机制。
翻遍Claude Code泄露的50万行代码，我终于发现了它好用的秘密（在新窗口打开）
Claude Code 不是一个套了终端界面的 AI 聊天工具。
Cursor们为什么都开始自研模型？（在新窗口打开）
Tanay Jaipuria 本周写了一篇很有意思的文章，核心论点只有一句话：每家 AI 应用公司最终都会垂直整合，变成全栈公司。
苏黎世联邦理工实测：一句Prompt就能摧毁16个Agent组成的「共识网络」多Agent避坑指南来了（在新窗口打开）
在构建多Agent系统（Multi-Agent Systems）时，让几个Agent互相“对话”并不难，但要让它们在局部状态不一致的情况下，敲定一个全局唯一的决策，也就是达成“一致”（Agree）或“共识（Consensus）”，却是一个极具挑战的工程难题，您可能会问为什么，这有何难？
让Agent把成功经验固化成skills，跨模型复用成功率100%（在新窗口打开）
AI会用工具了，问题才真正开始… 这两年，大模型Agent在“用工具”这件事上进步很快。搜索、查信息、调API，很多模型已经能把一串操作接起来，完成相当复杂的多步任务。 但一旦把场景拉近到真实工作流，问题很快就会显现出来。很多任务表面上不同，底层流程其实高度相似：先搜，再筛，再整理，最后再做一点汇总分析。换一个对象，这套流程往往又要完整走一遍。 麻烦在于，现有Agent虽然会做这些事，却不太会把已经做成功过的流程留下来。 圆满完成任务后，再遇到同样任务它还是会重新规划、重新传参、重新走一遍工具链。结果就是：任务也许做成了，但token越跑越多，上下文越来越长，成本和不稳定性也一起上来了。 为解
Claude Code 源码泄漏了，但我不打算写源码分析分析文章（在新窗口打开）
Claude Code 源码泄漏了，满屏都是“深度分析”文章。也有朋友让我写一篇分析文章，但代码才泄漏十几个小时，50 多万行代码，想深度分析清楚还是有难度的。不过授人以鱼不如授人以渔，我更想聊聊：拿到一份开源代码，怎么把它真正学到手。
88岁算法祖师爷惊呆！Claude联手GPT攻破30年难题，14页论文0修改（在新窗口打开）
「哈密顿分解」难题，终于破解！88岁「算法祖师爷」高德纳再更论文，Claude 4.6+GPT-5.4联合破解了奇偶数情形。甚至，GPT-5.4直出一篇14页论文，引爆全网。
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。