登录社区云，与社区用户共同成长
邀请您加入社区
→前两篇讲的是单个 Agent 怎么定义、Prompt 怎么写。这篇开始讲怎么把多个 Agent 串起来干活。Shell 脚本也能串（claude -p一个接一个），但数据靠文件传，并行写起来麻烦。别怕，不需要会 JS。这篇看完你就知道，写 Workflow 只需要四样东西。
2026年9月，OpenAI推出GPT-6Astra，强化计算机操作与智能体执行能力；Anthropic发布ClaudeFable5.1，聚焦长上下文推理与代码开发。前者擅长复杂任务自动化，后者在长文档分析与高频复用场景更具优势。对比显示：GPT-6Astra适合端到端执行与多步骤任务，ClaudeFable5.1则在长文本处理与缓存成本上更优。选型应基于任务类型、成本与实际表现，优先测试真实业务
同一段规则在 3 个以上不同任务里重复出现 → 定义只用一次 → 直接写在 Prompt 里，别折腾需要频繁来回确认的任务（子 Agent 独立于主对话，来回沟通成本高，不适合）就改一两行的小事（派 Agent 的开销比直接改还大）规则还没稳定，正在频繁调整（先在 Prompt 里迭代，稳定了再存）定义 Agent 不是越多越好。我目前常用的也就四五个，都是反复用、规则稳定的。□ name 用小写
Xuelang API Gateway以统一OpenAI兼容接口，一个Key一套代码通调GPT-5.6、Claude Opus 5、Gemini 3.8、Grok 4.6、DeepSeek-V4、Kimi K3等500+文本及多模态模型，免去多平台对接烦恼。支持智能负载均衡、统一计费，入门极低，中文界面，兼容主流生态工具，3分钟即可接入。
GLM-5.3-Flash」为GLM-5系列首款原生多模态模型，总参数320B、激活参数18B，AA综合智能指数对标Claude Opus 4.8，综合性能全面超越参数更高的GLM-5.2，同时实现颠覆性低价，定价仅为GLM-5.3的1/10、国际同级模型的1/40，国产芯片即可高效承载，真正实现顶级AI能力普惠化。「GLM-5.3-Flash」是GLM-5系列的首个原生多模态模型，依托混合注意力
Mahdieh Allahviranloo作为某中心最后一英里科学团队的访问学者，正在利用她在纽约市立学院的学术休假期间，研究提升某中心最后一英里配送网络效率的方法。
Skywork-R1V3将R1思路引入多模态大模型，提出需开发VLM特定RL配方。文章详述了数据构建、奖励函数设计、冷启动微调、强化学习微调(PPO/GRPO算法)及连接器模块微调三个训练阶段。研究通过消融实验验证了连接器模块对推理能力的关键作用，并发现课程学习策略可能降低模型泛化能力。
2025 云栖大会“大模型在云通信中的创新应用与全球化实践”分论坛将于 9 月 25 日上午 9 点-11 点在杭州云栖小镇 B3-6 场馆进行。
在AI应用开发中，调用不同大模型（如OpenAI、Azure、Anthropic等）的API接口碎片化问题长期存在——每个平台的接口格式、参数命名、错误处理逻辑均不兼容，开发者不得不为每个模型单独编写适配代码，维护成本极高。而开源工具LiteLLM的诞生，彻底终结了这一痛点，它以统一接口+智能管理为核心，让多模型调用变得像点外卖一样简单。- 成本控制：相比UnionLLM的粗放式管理，LiteLL
在参加了Lustig在某大学的MRI原理课程后，他爱上了MRI：“它具有与UAV成像相同的数学兴奋感，但也是你可以视觉看到的东西，这太酷了，并且具有非常重要的社会影响。为了获得尽可能高的图像质量，MRI技术人员必须收集所有可能的测量数据，从低频到高频构建。一个关键问题是缺乏可用的“真实”数据：“与机器学习世界的其他部分相比，这是医学成像中的一个非常大的问题，”他说。“我们非常兴奋地将其作为基础模型
前阵子在公司内部介绍多模态大模型。讲解比较简略，很多人觉得这是噱头：研究人员的事，和项目落地没关系。甚至有人说，这只是把已有识别结果加一句话描述，不如直接做工程更实在。这种看法很常见，但其实是对多模态大模型的误解。
动手学深度学习》是一本开源互动式教材，以独特形式融合文本、数学和可执行代码。该书最初基于MXNet框架编写，近期新增了对PyTorch和TensorFlow两大框架的支持，旨在覆盖更广泛的机器学习开源社区。该书始终保持开源迭代模式，所有内容通过Jupyter笔记本形式维护，支持实时代码运行和跨框架对比学习，成为机器学习教育领域的重要基础设施。更多精彩内容 请关注我的个人公众号 公众号（办公AI智能
时常收到咨询如何开始研究对抗性机器学习的邮件。以下推荐论文清单将帮助读者熟悉机器学习系统中的规避攻击特定子领域（即对抗样本）。也可查看（未过滤的）
在早期购买数据分析中，一项研究发现人们经常同时购买尿布和啤酒。当时还是计算机科学本科生的Theodore Vasiloudis从塞萨洛尼基亚里士多德大学的教授那里听到这个故事时，对这种相关性产生了浓厚兴趣：“我发现通过聚合多个用户的数据，可以提取出这种奇怪且意想不到的关联，这让我非常着迷。这门课程激励了Vasiloudis——如今是某机构网络服务的应用科学家——将他的学习方向转向机器学习。他于20
合成数据是解决数据稀缺和隐私风险的有效方案：在标注数据有限时，合成数据可扩充训练集以减少过拟合；在隐私保护场景中，数据管理者可共享合成数据而非原始数据，既保护用户隐私又保留数据效用。研讨会聚焦机器学习与隐私保护的交集，涉及生成对抗网络（GANs）、差分隐私技术及数据增强方法。研讨会由学术界和工业界研究人员联合组织，涵盖隐私、公平性、医疗健康和机器学习鲁棒性等领域。更多精彩内容 请关注我的个人公众号
