企业 AI 智能体是一个熟悉故事的当下版本：一个十分钟就演示得很漂亮的原型，接着是六个月的努力，只为把它做到足够可靠、可以无人值守。几乎全部预算都消耗在这两种状态之间的距离里，而几乎没有任何营销材料描述这段距离。 智能体与聊天机器人有一处在商业上真正要紧的差别。聊天机器人产出文字，由人来决定拿它做什么。智能体则会采取行动：调用系统、写入记录、发送消息。这一转变把风险从尴尬变成了后果，也正因如此，所需的工程纪律更接近构建一套支付系统，而不是一件内容工具。 钱实际花在哪里： 模型是最便宜的部分。成本在工具集成、评测框架、护栏，以及交回给人的路径上。一个简单的内部智能体是 £5,000 到 £12,000，带检索的是 £12,000...
人工智能
关于人工智能的文章、指南和资源，包括概念、趋势和实际应用。并附真实项目中的具体案例。
自托管 Kimi K3 在 2026 年 7 月 27 日成为技术上可行的选项，那天 Moonshot AI 连同生产级推理支持一起公开了这个 2.8 万亿参数模型的权重。许多机构读到这条消息后得出结论：现在可以在自家硬件上运行前沿级推理，不必再按 token 付费了。 这个结论通常是错的，但原因并非人们预想的那样。工程上是可以做到的。真正击垮多数项目的是那笔账，而且它往往在预算批下来好几个月后才悄无声息地发作。 简短回答： 在 MXFP4 精度下，2.8 万亿参数在计入键值缓存之前就已占用约 1.4TB。一个八卡 H100 节点只有 640GB，因此根本无法服务这个模型。现实的部署要从约 1.7TB 显存起步，...
Kimi K3 API 带着一个不寻常的组合登场：接近前沿水平的基准成绩、激进的定价，以及可供下载的权重。Moonshot AI 于 2026 年 7 月 27 日公开了这些权重，使 K3 成为迄今公开发布的最大模型，也是这一规模的模型首次在原则上可以由你自己运行。 对于已经在向前沿供应商付费的团队来说，这提出的是一个务实问题，而非哲学问题：它在你的技术栈里有没有位置，把一部分流量迁过去究竟会改变什么。本文讨论成本测算、集成工作，以及那些公开数字无法转化为生产表现的环节。 简而言之： Kimi K3 的缓存未命中输入约为每百万 token 3 美元，缓存命中输入约为 0.30 美元，输出约为 15 美元，...
这是一篇面向开发者的 Claude API vs OpenAI API 对比，针对两款使用最广泛的大语言模型 API：Anthropic 的 Claude API 和 OpenAI 的 API。它讨论的不是哪个聊天机器人在随意使用时显得更聪明，而是当你在其上构建软件时真正重要的东西：集成、tool use、structured output、上下文处理、成本模型和可靠性。两者都很出色，对许多项目而言，正确的答案是把系统设计成两者皆可使用。 摘要 两个 API 都成熟、文档完善，并按 per-token 计费（input 与 output 分别计），支持 streaming、tool calling / function...
通用 AI 模型对世界了解甚多，却对你的业务一无所知。它从未见过你的产品手册、你的内部制度或上季度的报告。检索增强生成（retrieval-augmented generation，RAG）正是弥合这一鸿沟的技术：它让模型能够使用你自己的文档来回答问题，既准确又附带来源，而无需重新训练模型。本指南解释 RAG 是什么、如何工作，以及何时该使用它。 要点速览 RAG 从你自己的内容中检索相关片段并放入 prompt，让模型基于你的知识作答，而不仅仅依赖其训练数据 它的原理是把文档转换成 embeddings，存入 vector database，并为每个问题检索最接近的匹配 RAG 减少 hallucination 并让你能够引用来...
调用 OpenAI API 获取一条回复很容易。构建一个可靠、不跑题、控制成本并能在真实用户压力下稳定运行的 OpenAI API 聊天机器人，才是真正的工作。本指南将梳理那些把演示与可以放到客户面前的产品区分开来的架构和生产问题。 TL;DR 聊天机器人是一个循环：管理对话历史，带着清晰的 system prompt 发送出去，streaming 回复，然后重复 system prompt 和上下文管理对行为的决定作用远大于模型选择 在生产问题（rate limiting、错误处理、成本控制和 guardrails）上，大多数项目投入不足 对于面向知识的机器人，通常正确的模式是 retrieval-augmented...
AI机构还是自建团队：这是2026年英国企业采用人工智能时面临的核心问题之一。AI集成需求激增，但具备能力的AI人才稀缺且昂贵，这让大多数企业都在权衡是与AI机构合作，还是构建自己的内部能力。没有放之四海而皆准的正确答案，只有适合你的情况的正确答案。本指南从成本、能力、速度和风险四个维度诚实地比较这两条路径，并给出一个实用的决策框架，帮助你选择适合自身业务的方向。 核心摘要 AI机构让你无需面对招募稀缺AI人才的成本和难度，即可立即获取专业能力 自建团队能带来掌控权和长期能力，但速度慢、成本高、人员配置困难 对于大多数刚开始AI旅程的英国中小企业，选择机构或合作伙伴是更快、风险更低的第一步 当AI是产品核心，且规模足以支撑永久团队...
AI 软件开发对于英国企业来说已不再是未来趋势，而是当前的基准。过去三个月中，该术语的搜索兴趣增长了 30%，“AI 软件开发公司"的兴趣上升了 60%。现在理解这一转变的企业将比那些仍在考虑是否参与的企业拥有显著的先发优势。 本指南解释了 AI 软件开发在实践中的真正含义、它对软件构建方式的改变，以及英国企业在选择合作伙伴时应注意什么。 要点摘要 AI 软件开发分为三种类型：AI 驱动产品（AI 是价值所在）、AI 辅助开发（AI 加速构建过程）和 AI 集成产品（将 AI 添加到现有软件） 使用 AI 工具的英国团队每天产出两到四倍的代码；不这样做的企业已经处于竞争劣势 评估 AI 开发合作伙伴时，寻找经证实的集成交付成果，而不...
说到 AI 辅助编码，OpenAI ChatGPT 5 和 Grok 4 是 2025 年最热门的两款工具。两者都声称能够以高精度和高效率编写 Python 代码，但在实际场景中，究竟哪一款能够真正交付更简洁、更易于维护的脚本呢？ 在本文中，我们将在多项 Python 挑战赛中对 ChatGPT 5 和 Grok 4 进行对比。我们将考察它们的代码正确性、可读性、执行速度以及在应对棘手问题时的适应性。 为什么要比较 ChatGPT 5 和 Grok 4 的 Python 版本？Python 仍然是 AI、自动化和数据科学领域的首选语言。现在，许多开发者依靠 AI 来加速他们的编码工作流程、更快地进行调试，甚至从头开始生成完整的应用程...
ChatGPT 5 正式发布，并在人工智能领域掀起波澜。在 GPT-4 成功的基础上，OpenAI 的最新版本不仅注重原始智能，更注重速度、准确性和适应性。 在这篇亲身体验的ChatGPT 5 评测中，我将带您了解 ChatGPT 5 的实际使用体验，重点介绍其突出的功能，并帮助您判断如果您已经在使用 GPT-4，它是否值得您投入时间。 ChatGPT 5 的新功能OpenAI 强化了架构，改进了训练方法，并增加了更多安全防护措施——以下是您在实际使用过程中会感受到的变化： 更快的响应 - 答案几乎即时弹出，尤其是在处理较短的提示时。 更清晰的推理 - 更少的逻辑跳跃，更清晰地逐步解答复杂问题。 更好的上下文处理 - 虽然并非真正的...