今天是2026年9月4日星期五。早上整理這期AI資訊早報的時候我特意翻了一下這一周社區(qū)、開源圈和幾個技術(shù)社群里討論最密集的話題發(fā)現(xiàn)大家的關(guān)注點正在悄悄發(fā)生變化。去年這時候幾乎所有人都在追模型參數(shù)、刷榜單爭論哪個大模型又“屠榜”了而這一周我看到的明顯信號是——AI Agent的工程化、模型部署的性價比、AI編程工具的深度使用以及產(chǎn)品經(jīng)理和測試工程師這些角色怎么適應(yīng)AI協(xié)作成了真正被反復(fù)拿出來討論的事情。這其實是個好事。說明這個領(lǐng)域正在從“看熱鬧”過渡到“做實事”的階段。今天這期早報我不打算給你堆一堆聳人聽聞的標(biāo)題而是把這一周值得關(guān)注的方向、我自己的實測感受以及踩過的坑、總結(jié)出的方法盡量說人話地整理給你。無論你是做開發(fā)、做產(chǎn)品、做設(shè)計還是單純想用AI工具提效應(yīng)該都能從里面找到點有用的東西。1. 今日簡報五條值得花三分鐘看的AI要聞先說結(jié)論。這一周如果只讓你記五件事我覺得是下面這五件。第一AI Agent的熱度還在漲但討論重心已經(jīng)從“Agent能做什么”徹底轉(zhuǎn)向了“Agent怎么穩(wěn)定落地”。社區(qū)里大量帖子都在聊工具調(diào)用失敗、上下文越搞越亂、多步任務(wù)跑到一半就“失憶”這類問題。說白了Agent的demo人人都能寫但真到了生產(chǎn)環(huán)境工程化難度比想象中大不少。第二AI編程工具進(jìn)入“深水區(qū)”。單說補(bǔ)全代碼、寫單元測試已經(jīng)沒人覺得新鮮了這周值得關(guān)注的是AI編程開始向代碼審查、重構(gòu)建議、跨文件修改、自動修復(fù)CI報錯這些環(huán)節(jié)滲透。很多團(tuán)隊已經(jīng)在把AI編程助手當(dāng)成“結(jié)對程序員”而不只是“高級自動補(bǔ)全”。第三模型部署和AI基礎(chǔ)設(shè)施Infra成了新的瓶頸。社區(qū)里越來越多人在問模型選型容易但GPU成本怎么控制推理延遲怎么降量化之后效果損失多少甚至有人開玩笑說“煉丹”已經(jīng)不難了難的是把爐子燒得便宜又穩(wěn)定。第四AI視頻和AI短劇的制作流程已經(jīng)跑通了一條相對完整的鏈路但商業(yè)化依然在早期。分鏡腳本、文生視頻、數(shù)字人配音、自動剪輯這套流程已經(jīng)能出“能看”的東西可一旦要穩(wěn)定產(chǎn)出“好看”的內(nèi)容還是繞不開人工反復(fù)調(diào)優(yōu)。想做這個方向的朋友要有心理準(zhǔn)備。第五提示詞工程正在從“寫咒語”變成“寫規(guī)范”。這周我看到的幾個高贊分享基本都不再是玄學(xué)式的“魔法提示詞”而是結(jié)構(gòu)化模板、Few-shot示例、輸出格式約束、評估指標(biāo)這套工程化方法。提示詞本身還是很值錢的但值錢的方式變了。這五條是我從幾十個信息源里篩出來覺得對大多數(shù)人最有參考價值的。下面幾節(jié)我挑其中幾條展開說說。2. Agent不是概念是工程問題這一周我看過的關(guān)于AI Agent最扎心的一句話是一位做AI Infra的朋友說的“Agent的demo是AI寫的Agent的生產(chǎn)代碼是人寫的?！痹掚m然極端但確實點出了現(xiàn)在的真實狀態(tài)。2.1 大家都在聊的Agent到底卡在哪如果你自己寫過Agent一定會遇到這幾個讓人頭大的問題。第一個是工具調(diào)用的可靠性。模型知道要調(diào)用工具也知道該傳什么參數(shù)但十次里總有一兩次傳錯、漏傳、或者在一個無關(guān)緊要的參數(shù)上反復(fù)糾結(jié)。尤其是多工具場景模型像極了第一次進(jìn)廚房的新手明明菜譜寫得很清楚還是會把鹽和糖搞混。第二個是記憶管理。上下文窗口再大也架不住多輪任務(wù)里塞進(jìn)一堆中間結(jié)果。我見過最典型的場景是Agent執(zhí)行一個五步任務(wù)到第三步的時候已經(jīng)忘了第一步的約束條件于是后面的動作全跑偏了。有人靠把關(guān)鍵信息“回寫”到固定的摘要里來解決有人干脆每步都把關(guān)鍵狀態(tài)重新塞進(jìn)上下文但成本又上去了。第三個是成本失控。一個看起來簡單的任務(wù)模型內(nèi)部可能要多輪“思考”每輪都要傳一次歷史上下文Token消耗翻好幾倍。這一周我看到好幾個帖子在曬賬單一個Agent任務(wù)跑完花了普通對話幾十倍的錢效果還不一定更好。所以我的判斷是Agent真正的難點不在“讓模型理解任務(wù)”而在“讓模型穩(wěn)定地完成一連串任務(wù)”。前者是模型能力問題后者是工程問題。2.2 我看到幾個值得借鑒的工程實踐針對上面這些卡點這周社區(qū)里討論最多的幾個解法我覺得很靠譜。第一個做法是把任務(wù)拆小。不要指望一個Agent干完所有事而是拆成一連串小的、單一職責(zé)的子任務(wù)每個子任務(wù)由獨立的Agent或獨立的Prompt負(fù)責(zé)。就像工廠流水線每個工位只做一個動作出錯概率自然低。第二個做法是把決策寫死而不是交給模型自由發(fā)揮。很多場景根本不需要模型“聰明地”決定下一步做什么而是用代碼把流程定死如果這一步的返回結(jié)果長這樣就走分支A如果調(diào)用失敗就重試最多三次如果三次都失敗就直接上報人類處理。模型只負(fù)責(zé)流程中“理解和生成”的部分決策交給確定的代碼邏輯。這個思路這周被反復(fù)提起我實測下來確實能大幅提升穩(wěn)定性。第三個做法是把觀測做全。生產(chǎn)環(huán)境里的Agent如果不記錄每一步的輸入輸出、工具調(diào)用結(jié)果、Token消耗、耗時那出了問題就只能抓瞎。這周有位朋友分享的排查經(jīng)歷讓我印象很深他們的Agent在半夜跑批任務(wù)時偶發(fā)報錯查了好久最后發(fā)現(xiàn)是工具接口在某個時間點返回了一個超長字段把上下文擠爆了。如果沒有完善的日志和追蹤這種問題幾乎沒法定位。2.3 實操建議自己搭一個最小Agent說再多理論不如自己動手做個最小的Agent。我建議你從“單任務(wù)單工具”開始先把鏈路跑通。比如做一個“查天氣并生成穿衣建議”的Agent。流程很簡單用戶輸入城市Agent調(diào)用天氣API拿到數(shù)據(jù)再把數(shù)據(jù)拼進(jìn)一個固定的模板里生成建議?？雌饋砗芎唵蔚憧梢栽谶@個小項目里練習(xí)幾個關(guān)鍵工程點給Agent設(shè)定嚴(yán)格的輸出格式JSON方便代碼解析。在調(diào)用工具前后都記錄日志。給工具調(diào)用加上超時和重試機(jī)制。把“用戶說錯城市名”這類邊緣情況處理掉。等你把這個小項目跑穩(wěn)了再往上疊加多工具、多步驟會順手很多。這周好幾個剛?cè)腴TAgent開發(fā)的朋友來問我建議我都是讓他們先做這樣一個最小閉環(huán)。3. 大模型部署與AI基礎(chǔ)設(shè)施真正拉開差距的地方這周另一個明顯趨勢是討論模型部署和AI Infra的帖子密度明顯上升。原因也很直白模型開源得越來越多能力差距在縮小誰都能在Hugging Face上拉下來一個不錯的模型但怎么把它低成本、低延遲地跑起來服務(wù)好真實業(yè)務(wù)就成了拉開差距的地方。3.1 為什么說“煉丹不如部署”可能有人會覺得模型部署不就是拉個鏡像、起個服務(wù)嗎真不是。舉幾個實際會遇到的問題。模型參數(shù)量一大推理時的顯存占用就不是鬧著玩的。一個70B級別的模型即使用FP16推理一次也要上百GB顯存單張卡根本放不下。于是你得考慮模型并行、張量并行或者做量化把精度降到INT8甚至INT4。量化聽著簡單但模型量化之后生成質(zhì)量會受損。有些場景能接受有些場景一測就露餡。這就像把一張高清照片壓縮成JPG肉眼看著還行但你要拿去做印刷細(xì)節(jié)就崩了。推理延遲也是個坎。跑一個Agent任務(wù)模型可能要連續(xù)推理五六次單次如果就要兩三秒整個任務(wù)就是幾十秒起步用戶根本等不起。所以很多人開始研究KV Cache、前綴緩存、投機(jī)采樣這些優(yōu)化手段。說白了你需要的不是一臺更快的車而是讓車少跑幾趟、跑得更順的調(diào)度方案。3.2 中小團(tuán)隊怎么選部署方案這一周不少中小團(tuán)隊的朋友在糾結(jié)到底用云API還是自己部署開源模型我把自己看到的、聊到的經(jīng)驗整理成了下面這張表供參考。維度云API私有化部署上手成本低注冊就能用高需要懂推理框架和運維單次調(diào)用成本按量付費高頻時成本高前期投入大跑滿后邊際成本低數(shù)據(jù)安全依賴服務(wù)商承諾數(shù)據(jù)不出內(nèi)網(wǎng)合規(guī)可控可控性受限于服務(wù)商限流、版本更新模型版本、參數(shù)、推理策略完全可控適合場景快速驗證、低頻調(diào)用高頻調(diào)用、數(shù)據(jù)敏感、深度定制我的建議是如果你的業(yè)務(wù)剛起步用量還不穩(wěn)定老老實實用云API把時間花在業(yè)務(wù)上別一上來就折騰部署。等調(diào)用量真的上來了成本賬算不過來了再考慮私有化或者混合方案。這周我看到不止一個團(tuán)隊因為“覺得部署很酷”就自建推理服務(wù)結(jié)果運維成本比API費用還高。3.3 我踩過的部署坑既然說到了部署我把自己踩過的幾個坑也分享一下免得你再走一遍。第一個坑是并發(fā)沒測就上線。我用一個開源模型搭了個內(nèi)部工具單測的時候響應(yīng)很快結(jié)果上線后三個人同時用就開始超時。后來才發(fā)現(xiàn)推理框架默認(rèn)的并發(fā)配置很低而我又沒提前壓測?，F(xiàn)在我的習(xí)慣是任何模型服務(wù)上線前至少做一輪簡單的并發(fā)腳本測試。第二個坑是顯存碎片導(dǎo)致的不穩(wěn)定。有一次服務(wù)跑著跑著突然報OOM顯存溢出重啟就好但過一陣又犯。排查很久發(fā)現(xiàn)是請求長度變化太劇烈導(dǎo)致顯存碎片化嚴(yán)重。后來用了一些顯存池化的手段才穩(wěn)定下來。第三個坑是監(jiān)控沒做全。推理服務(wù)的監(jiān)控不應(yīng)該只看CPU和內(nèi)存更要看請求延遲分布、Token吞吐量、排隊長度。有些問題在平均延遲里根本看不出來比如P9999分位延遲已經(jīng)飆到用戶無法忍受的程度但平均延遲看著還挺正常。4. AI創(chuàng)作工具繪畫、視頻、短劇的現(xiàn)狀復(fù)盤早報當(dāng)然不能只聊開發(fā)和部署也要聊聊創(chuàng)作者們在關(guān)心什么。這周我關(guān)注到“AI漫劇制作教程”“AI短劇制作全過程”這類話題的熱度一直居高不下正好也把AI繪畫、視頻、短劇這三塊放在一起做個復(fù)盤。4.1 AI繪畫從出圖到工作流大概兩年前大家玩AI繪畫還在比誰的提示詞寫得更花哨這周我看到的趨勢是單張出圖的討論已經(jīng)很少了大家都在聊工作流、批量生產(chǎn)、風(fēng)格一致性。什么意思呢比如你想給一篇連載漫畫配圖難點不是生成一張好看的圖而是讓所有角色的臉、服裝、場景風(fēng)格保持統(tǒng)一。這就需要用一些固定的角色參考圖加上圖生圖、局部重繪、ControlNet之類的控制手段把“隨機(jī)的創(chuàng)造力”摁在“固定的設(shè)計框架”里。這周有位做漫劇的朋友分享了他的流程先用大模型產(chǎn)出分鏡腳本再為每個主要角色生成固定的參考形象然后逐鏡生成素材最后人工篩選和微調(diào)。一套下來生產(chǎn)效率比純?nèi)斯じ吡瞬恢挂槐兜f了一句很實在的話“AI負(fù)責(zé)把上限抬高下限還得靠人來兜底?！?.2 AI視頻和短劇到底做到什么程度了AI視頻這一兩年的進(jìn)步確實快這周看幾個演示視頻生成畫面的連貫性已經(jīng)比以前好很多了。但如果要說用AI做一部完整的短劇我的判斷是流程已經(jīng)能跑通質(zhì)量還不穩(wěn)定。所謂流程能跑通是指從劇本、分鏡、文生視頻、數(shù)字人配音、背景音樂、剪輯這一整條鏈路上都有對應(yīng)的AI工具能頂上去。我見過有人用AI工具鏈幾天時間就做出了一條五分鐘的短劇樣片單看某個鏡頭效果很不錯。但質(zhì)量不穩(wěn)定是什么意思呢就是同樣的提示詞這次生成出來的畫面可能是80分下次就可能跌到60分。于是做短劇的團(tuán)隊不得不生成大量素材然后人工挑選。相當(dāng)于AI畫了一百張草圖人類設(shè)計師從中挑十張精修。效率有提升但沒有有些人吹的那么神。如果你打算入局AI短劇我給你的建議是別一開始就想做長篇先試著做一個一分鐘以內(nèi)的小樣片把角色一致性、鏡頭銜接、配音口型這三個最容易露怯的地方跑通再考慮擴(kuò)大規(guī)模。4.3 提示詞工程依然是核心競爭力無論是繪畫、視頻還是短劇這周所有高質(zhì)量分享背后都繞不開“提示詞工程”這四個字。但現(xiàn)在的提示詞工程跟很多人理解的“玄學(xué)咒語”已經(jīng)不是一回事了。我看到比較靠譜的玩法都是把一個復(fù)雜的創(chuàng)作需求拆成若干可控的小需求然后用結(jié)構(gòu)化模板去描述。比如先定角色性別、年齡、發(fā)型、服裝、情緒基調(diào)。再定場景環(huán)境、光線、視角、氛圍。接著定美術(shù)風(fēng)格寫實、二次元、水墨、賽博朋克。最后定畫面控制構(gòu)圖、鏡頭運動、關(guān)鍵元素位置。除此之外負(fù)面提示詞也很重要。比如生成人像時常常會遇到手指畸變、多余肢體這類問題你會發(fā)現(xiàn)在負(fù)面提示詞里把這些“不想要的東西”明明白白寫清楚比在正面提示詞里強(qiáng)調(diào)十遍“手要正?！惫苡玫枚唷＿@一周的觀察讓我越來越確信提示詞工程本質(zhì)上是一種“用自然語言做產(chǎn)品設(shè)計”的能力。你能不能用清晰、準(zhǔn)確、無歧義的語言把你想要的東西傳達(dá)給一個“極其聰明但缺乏常識”的模型這就是核心技能。5. AI職業(yè)變化產(chǎn)品經(jīng)理和測試工程師正在被迫進(jìn)化早報的最后一個觀察類話題聊聊人。這周我在各個社群里看到“AI產(chǎn)品經(jīng)理”和“AI測試工程師”這兩個詞的討論熱度都很高。很多人擔(dān)心被AI取代但結(jié)合我這一周的觀察與其說取代不如說這些崗位的活兒正在被重新定義。5.1 產(chǎn)品經(jīng)理的新工作以前的產(chǎn)品經(jīng)理可能要花大量時間寫PRD、畫原型、排優(yōu)先級。但有了AI之后產(chǎn)品經(jīng)理一個新任務(wù)變得非常重要定義Agent的行為邊界。什么意思呢比如你做一個智能客服以前你只需要說清楚“用戶問退貨怎么辦就引導(dǎo)到退貨流程”?，F(xiàn)在呢你需要跟模型或Agent說清楚哪些問題它可以直接回答哪些問題必須轉(zhuǎn)人工遇到用戶情緒激動時該用什么語氣如果用戶故意誘導(dǎo)它“越獄”該怎么防守。這些東西已經(jīng)不太像傳統(tǒng)的需求文檔而更像一份“行為規(guī)范說明書”。這周我遇到一個做AI產(chǎn)品的朋友他說自己現(xiàn)在最常干的事不是畫原型而是“調(diào)教” Agent的提示詞和測試集。他還說了一句讓我印象很深的話“以前我們定義功能現(xiàn)在我們定義規(guī)則?！?.2 測試工程師的新挑戰(zhàn)AI項目的測試比傳統(tǒng)軟件測試麻煩得多。傳統(tǒng)測試講究確定性輸入什么預(yù)期輸出什么一一比對就行。但AI模型的輸出天生帶隨機(jī)性同一個問題問兩遍答案可能不一樣而且沒有唯一正確的答案。所以AI測試工程師的重點慢慢變成了搭評估集和回歸測試。比如你要上線一個智能問答機(jī)器人你得先準(zhǔn)備幾百個覆蓋各種場景的測試問題然后定好評估標(biāo)準(zhǔn)準(zhǔn)確率多少算達(dá)標(biāo)語氣是否符合預(yù)期有沒有潛在的偏見或違規(guī)內(nèi)容這周有個帖子分享了一個慘痛教訓(xùn)他們的AI功能上線前沒做足夠的回歸測試結(jié)果一次模型升級之后老用戶問同樣的問題竟然給出了和以前完全相反的答案被用戶投訴了一大堆。測試集的重要性怎么強(qiáng)調(diào)都不過分。5.3 普通人的應(yīng)對思路說了這么多崗位的變化落到我們每個人身上我覺得有三件事現(xiàn)在就可以開始做。第一把AI當(dāng)成你的“初級同事”。別指望它一次就交給你完美結(jié)果而是學(xué)會給它布置任務(wù)、檢查結(jié)果、反饋修改。這個協(xié)作過程本身就是一種新技能。第二保持對底層原理的基本理解。不一定要會手寫Transformer但至少得明白Token是什么、上下文窗口是什么、為什么模型會胡說八道。否則你連它出錯的原因都猜不到。第三建立一個屬于自己的“AI工具箱”。每周花點時間試試新工具記錄哪些好用、哪些是噱頭。長期積累下來這份清單就是你個人的競爭力。6. 我的資訊追蹤方法把碎片信息變成自己的體系談到“每日AI資訊早報”最后跟你分享一下我自己是怎么整理每天的AI信息的。因為做這期早報的時候也收到不少朋友問“你每天哪來那么多時間看這些”其實我花的時間不算多關(guān)鍵是方法。6.1 少看熱榜多看項目我發(fā)現(xiàn)很多人在刷AI資訊時有個誤區(qū)喜歡盯熱搜榜、熱點新聞今天哪個模型發(fā)布了、明天哪個公司融資了看得熱血沸騰但一周后什么都記不住。我的習(xí)慣是新聞可以快速掃一眼但真正值得花時間的是那些有代碼、有文檔、有案例的項目。同樣是看一個Agent框架的消息看十篇轉(zhuǎn)述的文章不如自己把官方文檔翻一遍、把示例代碼跑一遍哪怕只是跑通一個小例子收獲都比刷帖大得多。6.2 我的每日信息處理流程我每天處理信息流的動作基本是固定的大概三步。第一步是篩選。我訂閱的信息源分幾類官方文檔和博客、開源社區(qū)熱門項目、幾個高質(zhì)量技術(shù)社群、少量行業(yè)媒體。每天抽出半小時把這幾個來源掃一遍。第二步是沉淀。光看不記錄等于白看。我會把看到的有價值的東西用一兩句話記到自己的筆記里附上鏈接。別小看這一兩句話積累幾個月之后這會成為你判斷趨勢走向的珍貴素材。第三步是輸出。每周我會挑一兩個最值得聊的話題寫成深度內(nèi)容或者做個小分享。這個“輸出”的動作逼迫我把碎片信息重新組織成有邏輯的知識這是最好的內(nèi)化方式。6.3 推薦關(guān)注的幾個觀察維度最后給你幾個我在追蹤資訊時常用的“觀察維度”比單純追熱點更有用。工程實踐不只看模型本身多看別人怎么把模型用到真實業(yè)務(wù)里踩過什么坑總結(jié)過什么經(jīng)驗。工具鏈演進(jìn)關(guān)注AI開發(fā)工具、部署工具、測試工具的變化。工具鏈的成熟度往往比單個模型的能力更能說明行業(yè)處在什么階段。角色變化關(guān)注產(chǎn)品、測試、運維這些崗位在AI影響下工作方式的變化這背后反映的是AI落地的真實深度。成本曲線多留意推理成本、訓(xùn)練成本的變化趨勢。很多應(yīng)用的爆發(fā)不是因為模型變聰明了而是因為變便宜了。如果你也能試著從這幾個維度去看資訊你會發(fā)現(xiàn)自己的判斷力和信息篩選能力會提升不少。最后再分享一個小技巧。做資訊整理的時候我習(xí)慣在每個月底回頭翻一下月初記的那些內(nèi)容看看哪些判斷應(yīng)驗了哪些事情一個月后已經(jīng)沒人提了。這個“復(fù)盤”的動詞很輕但做下來收獲很大它會不斷修正你對這個行業(yè)的感覺。今天的早報就到這里希望對你這一天的決策有點幫助。