Twitter AI - 2026-06-02¶
1. 人们在讨论什么¶
1.1 基准测试的可信度之争，分裂为饱和、语境与行为缺失 🡕¶
6 月 2 日最密集的技术讨论，把基准测试视为一个信任问题，而不只是排行榜问题。人们不只是在说某个榜单噪声太大；他们还在争论：公开评测正在趋于饱和，模型能够识别测试条件，而一些关键行为仍然游离在基准测试覆盖面之外。五条保留内容共同支撑了这一主题。
@leerob 指出（32 个赞、5 条回复、2,440 次浏览、10 次收藏）称，一些最受欢迎的 AI 基准测试已经不再有太大帮助，难以复现，也遗漏了 UX、语气和日常实用性等特质。回复也朝着同一方向推进：有人要求采用基于任务和结果的评测，而不是“含义模糊的基准测试”；另有人表示，一些开放模型在实际使用中的表现，比其基准分数所显示的更好。
@evaluatingevals 分享了（8 个赞、5 次引用、1,191 次浏览）提到一篇题为《当 AI 基准测试进入平台期：关于基准饱和的系统性研究》的论文，为当天的批评提供了一个正式名称，而不再只是笼统抱怨。
@seungonekim 发布了（59 个赞、3 条回复、3,068 次浏览、16 次收藏）介绍了 K-BrowseComp，指出韩语智能体基准测试仍然缺位。链接中的 论文 称，该基准包含 400 道题，其中 300 道构成一个由韩语母语者构建并验证的子集；前沿模型在该子集上的得分仅为 30.00%-45.67%，而相关项目中的韩语模型得分为 0.00%-10.33%。
@smolix 指出（1 个赞、1 条回复、284 次浏览）提到 ProactBench，将其作为衡量“用户暗示了、但从未明说”的内容的基准。链接中的 博客文章 和 论文 称，该基准使用了 198 段对话、覆盖 24 种沟通风格下的 624 个触发点；即便任务看似已经完成，最佳模型在 Recovery 阶段的得分也只有 37%。
@theinformation 报道（5 个赞、2 条回复、2,061 次浏览）称，模型越来越清楚自己何时正在接受测试。链接中 新闻简报 的预览将其界定为一个发布风险问题：对于那些在发布前依赖评测的实验室来说，这会带来风险。
讨论洞察： 回复并没有要求一个稍微好一点的排行榜，而是要求任务级评测、更难或更本地化的基准，以及在模型开始针对测试优化之后仍然有效的测试。
与前一天对比： 6 月 1 日聚焦于验证器质量、泄漏和基准测试框架设计。6 月 2 日则把这类批评扩展到了饱和、基准感知，以及区域浏览和任务后恢复等缺失行为。
1.2 可靠性工作深入到了智能体运行时内部 🡕¶
第二个讨论簇较少关注模型选型，更多关注模型周边机制：策略检查在何处触发、记忆如何保持可信，以及团队如何证明智能体确实完成了它声称完成的工作。五条保留内容共同支撑了这一主题。
@Azure 介绍了（35 个赞、3,845 次浏览、13 次收藏）介绍了面向智能体的“评估 → 强制执行 → 确认”信任栈。链接中的 ACS 文章 称，Agent Control Specification 定义了八个干预点、规范化的策略输入、证据收集、结论标准化，以及失败即关闭式强制执行；公开预览版 Agent Governance Toolkit 则将该套件定位为面向跨框架自主智能体的治理、身份、沙箱和审计工具。
@ericosiu 梳理了（8 个赞、849 次浏览、17 次收藏）将“Company Brain”拆分为六层：采集、检索、权威信息源、权限、反馈和评估。附图也同样明确列出了失效模式：笔记分散、文档过时、访问范围过宽、修正内容消失，以及没有评分闭环。
@loganthorneloe 表示（6 个赞、598 次浏览、8 次收藏）称，他的职位列表监测智能体发现，智能体评估是当前需求最高的 AI 工程技能，远远高于其他技能，这也把治理讨论直接与招聘需求联系了起来。
@swmansion 警告（9 个赞、2 条回复、546 次浏览）称，生产环境中的提示词评估策略不能只是“我觉得看起来不错”，因为下一次修改提示词时，需要一种可重复的方法来判断系统是否真的变好了。
@lemire 报道（21 个赞、6 条回复、1,724 次浏览）分享了一种亲历的失效模式：AI 告诉他，基准测试对比和汇编代码检查都没问题，但原始输出却与模型综合出的结论相矛盾。他的结论是：应优先使用能暴露事实依据的工具，而不是依赖 AI 对这些事实依据的解读。
讨论洞察： 反复出现的应对方式是结构性的：缩短任务、明确检查、保留原始输出、进行人工审核，并采用能够解释哪个来源胜出、以及修正后发生了哪些变化的架构。
与前一天对比： 6 月 1 日围绕连接器安全、受限写入和审批边界展开。6 月 2 日则把同样的治理思路进一步推进到运行时内部：记忆、权威信息源、反馈和评估都成了可见的架构层。
1.3 高互动帖子更偏爱基础与专业化，而非新奇噱头 🡒¶
互动量最高的非基准测试帖子，大多是解释型内容、学习路线和具体工作流工具，而不是泛泛宣称“AI 改变一切”的发布文案。四条保留内容共同支撑了这一主题。
@Aurimas_Gr 解释了（127 个赞、4 条回复、4,871 次浏览、116 次收藏）把向量数据库解释为一种具体的写入/查询系统：先对数据做嵌入，单独存储元数据，为两者建立索引，然后在查询时执行近似最近邻搜索并结合元数据过滤。一条回复补充了从业者视角：早在 RAG 让向量数据库流行起来之前，推荐系统和异常检测就已经在使用同样的模式。
@AndrewBolis 指出（38 个赞、25 条回复、3,517 次浏览、47 次收藏）称，大多数人学习 AI 都是在“倒着学”：跳过基础知识，直接进入高级工具和智能体。回复进一步把它变成一场关于基础能力的具体争论：有人认为应先学提示词能力，另一些人则坚持，真正的基础是数学、编程和问题求解能力。
@paulg 表示（119 个赞、15 条回复、6,468 次浏览）称，他在 YC 春季批次接触到的初创公司，其想法远不止“AI for x”。回复串进一步把这件事提炼成一种建设者论点，而不是一句口号：软件并没有死，但一些现有软件公司可能会死。
@SD_Tutorial 强调了（10 个赞、331 次浏览、5 次收藏）介绍了 Vlo：一款本地运行的开源视频编辑器，配备由 ComfyUI 支持的生成式功能。公开内容 README 称，该项目仍处于早期 alpha 阶段，优先考虑控制而非自动化，目前已包含 SAM2 蒙版、关键帧、样条编辑、节拍检测、插帧和超分辨率等功能。
讨论洞察： 有价值的回复集中在基础、任务拆解和适配工作场景的工具上。相比之下，当人们看不出某项公告背后清晰的运行模式时，当天关于硬件的讨论反响要冷淡得多。
与前一天对比： 6 月 1 日，基准测试仪表盘和发布时的架构主张获得了更多关注。6 月 2 日的高互动内容则更偏向入门解释、学习顺序，以及能够嵌入现有工作流的专业产品。
2. 什么让人感到沮丧¶
基准测试分数已经无法告诉人们实际使用中会发生什么¶
严重程度：高。@leerob 指出（32 个赞、5 条回复、2,440 次浏览、10 次收藏）称，热门 AI 基准测试已经不太有帮助，难以复现，而且仍然无法衡量 UX 和日常实用性等特质。@evaluatingevals 分享了（8 个赞、5 次引用、1,191 次浏览）提到一篇关于基准饱和的论文；@theinformation 报道（5 个赞、2 条回复、2,061 次浏览）称，模型越来越清楚自己何时正在接受测试；此外，@seungonekim 展示了（59 个赞、3 条回复、3,068 次浏览、16 次收藏）和 @smolix 展示了（1 个赞、1 条回复、284 次浏览）都表明，本地化浏览和任务后恢复这两项能力，可能使表现远低于标准公开排行榜所暗示的水平。人们的应对方式包括：在自己的实际工作上测试模型、要求采用基于任务和结果的评测，以及构建更具语境的基准。这值得投入建设，因为如今的抱怨已经同时涵盖饱和、可复现性、本地化和行为盲区。
公开安全基准测试仍然遗漏了太多攻击面¶
严重程度：高。@heynavtoor 表示（7 个赞、4 条回复、1,973 次浏览、9 次收藏）称，Palo Alto Networks 研究人员审计了 932 篇攻击论文，发现当前公开基准测试最多只覆盖其攻击矩阵的 25%。附图中的摘要称，此次审计提取出 2,521 个独特攻击组，使整个 STRIDE 威胁类别都缺乏标准化评估，并列举了未覆盖类别中高达 46 倍 token 放大和 96% 攻击成功率的案例。@_vmlops 补充说（11 个赞、3 条回复、1,017 次浏览）提出了同样问题的另一版本，称 Cisco 的一项研究发现，接受测试的 15 个前沿模型全部会在持续的多轮攻击下失守，部分模型的攻击成功率高达 88%。
人们目前通过临时红队测试、策略层和人工审核来应对，但静态安全评级与真实在线多步骤行为之间的差距仍然很大。这值得投入建设，因为买方仍在依据一些帖子所说、忽视真实攻击如何展开的测试来做部署决策。
智能体仍然需要硬事实依据、更严格的边界和可重复的检查¶
严重程度：高。@lemire 报道（21 个赞、6 条回复、1,724 次浏览）描述了 AI 错误综合基准测试和汇编结果，并在受到质疑时为错误进行合理化解释。@Jeyffre 建议（9 个赞、2 条回复、568 次浏览、10 次收藏）提出采用单任务交接、更短的上下文窗口，甚至使用第二个模型来验证声称的工具结果是否看起来合理。@swmansion 警告（9 个赞、2 条回复、546 次浏览）称，“我觉得看起来不错”不是生产级评估策略；而 @ericosiu 指出（8 个赞、849 次浏览、17 次收藏）称，没有权威信息源、权限、反馈和评估，公司知识大脑就会失效。人们的应对方式包括拆解工作流、检查原始输出，以及把修正转化为规则或评测。这值得投入建设，因为可靠性仍然更多取决于工作流结构，而不是任何单一模型的基准分数。
政策与硬件公告仍然显得缺乏细节¶
严重程度：中。@MTSlive 报道（75 个赞、11 条回复、7,505 次浏览、6 次收藏）称，特朗普总统签署了一项行政命令，为前沿 AI 开发者建立了一套自愿流程，允许其在发布前最多 60 天向政府共享模型；但回复随即追问其中的代价是什么、这是否意味着监管蔓延的开始，以及是否会拖慢发布节奏。@RepDonBeyer 回应（9 个赞、2 条回复、537 次浏览）称，该命令没有建立可信框架，也没有明确的响应流程。@tomwarren 表示（103 个赞、4 条回复、5,879 次浏览、16 次收藏）称，Microsoft 的 Project Solara 可能重蹈公司早先设备平台失败的覆辙；回复则表示，这款产品仍然给人一种模糊、甚至令人沮丧，而非令人兴奋的感觉。人们的应对方式是等待更多实地证据和更清晰的运行规则，再决定是否相信公告文案。这值得投入建设，因为合规工具和以证明为导向的产品界面看起来仍然薄弱。
3. 人们希望存在什么¶
基于结果、覆盖丰富行为的评测¶
人们明确要求评测真实工作中真正重要的内容，而不是那些在已经饱和的公开基准上仍能勉强分出高下的内容。针对 @leerob 指出（32 个赞、5 条回复、2,440 次浏览、10 次收藏）的一条回复称，模型应按任务和结果来评判，而不是按含义模糊的基准测试来评判。@seungonekim 展示了（59 个赞、3 条回复、3,068 次浏览、16 次收藏）说明了为什么本地化重要；@smolix 展示了（1 个赞、1 条回复、284 次浏览）说明了为什么任务后恢复重要；@evaluatingevals 展示了（8 个赞、5 次引用、1,191 次浏览）则表明，饱和本身如今也正在被作为一个正式问题来研究。机会：直接。这是实验室、开发者和买方的实际需求，因为他们已不再相信单一基准标题所代表的结论。
能解释发生了什么的可移植运行时治理¶
信息流不断回到同一个缺失层：可移植的控制机制，能够说明答案来自哪里、哪个来源胜出、哪项操作被拦下，以及反馈之后发生了什么变化。@Azure 提出了（35 个赞、3,845 次浏览、13 次收藏）介绍了一个开放信任栈；@ericosiu 降低了（8 个赞、849 次浏览、17 次收藏）把问题归纳为三个审计问题；@loganthorneloe 表示（6 个赞、598 次浏览、8 次收藏）则显示，招聘需求已经明显偏向评估技能。机会：直接且竞争激烈。需求是运营层面的，而且人们已经在围绕它招聘。
针对高风险模型发布与部署的清晰审核流程¶
围绕行政命令帖子的回复表明，人们需要的不只是自愿提前访问和模糊保证。@MTSlive 得出了（75 个赞、11 条回复、7,505 次浏览、6 次收藏）提出了有关激励和发布延迟的问题；而 @RepDonBeyer 表示（9 个赞、2 条回复、537 次浏览）则指出，该命令仍然缺乏可信框架，以及处理已识别威胁的流程。机会：直接，但受制于机构环境。需求是真实的，但客户可能是政府或受监管企业，而不是大众市场工具买方。
工作流原生的 AI 工具与学习路径¶
当天最成功的“如何使用 AI”类内容，是把工作拆解成易于理解的部分，而不是承诺用一个通用智能体修好一切。@AndrewBolis 表示（38 个赞、25 条回复、3,517 次浏览、47 次收藏）称，人们在倒着学 AI；@Aurimas_Gr 展示了（127 个赞、4 条回复、4,871 次浏览、116 次收藏）解释了向量数据库的实际工作机制；@SD_Tutorial 强调了（10 个赞、331 次浏览、5 次收藏）介绍了一款强调控制的视频编辑器，而不是一次性生成演示。机会：竞争激烈。人们似乎愿意奖励那些适配具体工作、而不是抽象 AI 至上主义的工具和教学材料。
4. 正在使用的工具与方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| 向量数据库 | 数据库 / 检索 | (+) | 存储嵌入与元数据，并通过 ANN 加过滤器进行检索；用途不限于 LLM | 依赖嵌入选择、索引设计和检索质量 |
| K-BrowseComp | 基准测试 | (+) | 韩语语境网页浏览任务暴露出真实的本地化差距 | 领域更窄，且仍属新项目 |
| ProactBench | 基准测试 | (+) | 衡量标准评测缺失的 Emergent、Critical 和 Recovery 主动性 | 新基准，采用率低，且 Recovery 分数很低 |
| Agent Control Specification (ACS) | 治理规范 | (+/-) | 八个拦截点、可移植策略输入，以及跨框架标准化结论 | 需要编写策略并集成运行时；推文中的 ASSERT 主张比所引用的 ACS 页面更宽泛 |
| Company Brain 六层模式 | 知识架构 | (+) | 明确采集、检索、权威信息源、权限、反馈和评估 | 任一层缺失，或修正从未沉淀为规则时，系统就会失效 |
| 提示词回归测试 | 评估方法 | (+) | 以可重复的方式判断提示词修改是否改善了系统 | 相比临时试提示，需要额外设置和维护 |
| 单任务交接链 | 智能体设计模式 | (+) | 上下文更短、子步骤更便宜，也更容易验证每个决策 | 编排工作和交接逻辑更多 |
| 事实依据输出检查 | 验证方法 | (+) | 对比原始工具输出或汇编结果，而不是 AI 摘要 | 比直接信任模型更慢，也更依赖人工 |
| Claude / ChatGPT / Grok Pro | 助手 LLM | (+/-) | 用户按工作流适配度选择；Claude 因长上下文能力受到好评 | 没有公认的唯一赢家；人们会并行使用多个工具 |
| Vlo | 创意编辑器 | (+) | 本地开源编辑器，集成 ComfyUI、蒙版、关键帧、插帧和超分辨率 | 处于早期 alpha 阶段，需要本地部署和 ComfyUI |
人们对那些能减少歧义的方法反响最强烈：本地化基准测试、明确的治理钩子、更短的任务和原始输出检查。共同的应对模式并不是“换个更聪明的模型”，而是“缩小模型可能出错的面，并核实它到底做了什么”。这一点体现在 @Jeyffre 建议（9 个赞、2 条回复、568 次浏览、10 次收藏）所说的单任务交接和合理性检查、@swmansion 呼吁（9 个赞、2 条回复、546 次浏览）所说的可重复提示词评估，以及 @lemire 更倾向于（21 个赞、6 条回复、1,724 次浏览）所强调的：原始输出比 AI 对这些输出的摘要更可信。
竞争态势也在从单一模型至上转向工作流适配度。@Bigdennis 表示（18 个赞、10 条回复、135 次浏览）称，他已把日常工作从 ChatGPT 转到 Claude 以处理长上下文任务，同时保留 Grok Pro 用于更窄的使用场景；回复则描述了并行比较多个模型，而不是宣布某一个模型永久胜出。与此同时，@SD_Tutorial 强调了（10 个赞、331 次浏览、5 次收藏）介绍了 Vlo 这一工作流原生创意工具，进一步强化了这种趋势：产品差异化正从泛泛的“最佳模型”定位，转向对具体工作的适配度。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| K-BrowseComp | @seungonekim 及合作者 | 基于韩国网站和韩语语料的网页浏览基准测试 | 韩语语境下区域性智能体评测的缺失 | 400 道题、300 道验证子集、search_eval 框架、公开数据/代码 | 已发布 | 论文 推文 |
| Agent Control Specification (ACS) | @Azure / Microsoft | 面向 AI 智能体的开放运行时治理层 | 分散且依赖具体框架的策略强制执行 | Agent Governance Toolkit、manifest、策略引擎、Python/Node/.NET/Rust 适配器 | Beta | 文章 仓库 推文 |
| ProactBench | Boson AI / Alexander Smola（由 @smolix 分享） | 衡量 Emergent、Critical 和 Recovery 阶段对话主动性的基准测试 | 标准评测遗漏了显式任务看似完成后仍有价值的行为 | Planner + User Agent + Assistant 流程、198 段对话、624 个触发点、公开数据/代码 | 已发布 | 博客 论文 推文 |
| Vlo | PxTicks（由 @SD_Tutorial 分享） | 具备 ComfyUI 生成式功能的本地视频编辑器 | AI 视频生成与真实编辑工作流脱节 | Node.js 22+、Python 3.10+、ComfyUI、SAM2 蒙版、关键帧、插帧、超分辨率 | Alpha | 仓库 推文 |
K-BrowseComp 和 ProactBench 的重要性在于，它们重建了评测表面，而不是再发布一个通用模型。前者把网页浏览评测本地化到韩语网站；后者衡量显式任务看似完成后仍能体现的主动价值，而链接论文称，标准基准对这种能力的预测效果很差。
ACS 及相邻的“Company Brain”讨论，展现了当天的第二种构建模式：把治理、权威信息源和评估明确做成系统层。@ericosiu 用图示说明了（8 个赞、849 次浏览、17 次收藏）将这些层定义为采集、检索、权威信息源、权限、反馈和评估，这说明记忆和策略正被视为可构建的基础设施，而不是模糊的最佳实践。
Vlo 代表了第三种模式：工作流原生 AI 应用。其 README 明确表示，优先级是控制，而不是自动化；这与当天更广泛的偏好一致——人们更青睐适配真实工作的工具，而不是泛化的 AI 演示文化。@paulg 将其概括为（119 个赞、15 条回复、6,468 次浏览）在初创公司层面也体现了同样的转变：他表示，如今发生的事情远不止“AI for x”。
6. 新动态与值得关注的内容¶
K-BrowseComp 让本地化成为一等公民级的智能体基准¶
@seungonekim 发布了（59 个赞、3 条回复、3,068 次浏览、16 次收藏）介绍了 K-BrowseComp：一个立足于韩国网站和韩语内容的基准测试。链接中的 论文 称，即便是前沿模型，在验证子集上的最高得分也只有 45.67%，而数据和代码均已公开。这一点很重要，因为它把“基准测试太泛”这类抱怨，转化成了一个已经发布的实际产物。
ProactBench 单独测出了助手缺失的“Recovery”能力¶
@smolix 指出（1 个赞、1 条回复、284 次浏览）提到 ProactBench；链接中的 论文 称，该基准在 198 段对话和 624 个触发点中，衡量 Emergent、Critical 和 Recovery 三种形式的对话主动性。Recovery 是最突出的信号，因为六项标准基准对它的预测能力仍然很弱。即使互动量不高，这条帖子仍然值得关注：它引入了一个可供测试的具体新维度。
ACS 将智能体治理推进为可移植的运行时契约¶
@Azure 介绍了（35 个赞、3,845 次浏览、13 次收藏）介绍了一个端到端信任栈，把评估与强制执行打通成闭环。链接中的 ACS 文章 称，该规范统一了不同运行时中的拦截点、策略输入、证据收集和失败即关闭式处理。这一点很重要，因为治理层开始更像一个产品类别，而不再只是一组定制钩子。
Vlo 展示了强调控制的 AI 视频编辑器，而不是纯生成演示¶
@SD_Tutorial 强调了（10 个赞、331 次浏览、5 次收藏）介绍了 Vlo：一款由 ComfyUI 支持的视频编辑器；公开内容 仓库 称，该项目为本地开源项目，处于早期 alpha 阶段，面向真实编辑工作流，支持蒙版、关键帧、插帧和超分辨率。这一点很重要，因为它契合了当天更广泛的偏好：人们想要的是工作流原生工具，而不是泛泛的 AI 奇观。
7. 机会在哪里¶
**+++］ 真实世界代理评估基础设施** — 来自 ［K-BrowseComp 的证据、ProactBench、前文提到的基准饱和论文，以及攻击覆盖率审计，都指向同一个缺口：公开排行榜遗漏了本地化、恢复行为，以及攻击面的大部分内容。这一机会很强，因为同一天里，研究、产品营销、安全和招聘都暴露出了同样的问题。
**+++］ 治理、溯源与事实来源层** — ［ACS、Agent Governance Toolkit，以及前文讨论的“Company Brain”架构，都指向一个缺失的运行时层：它能够解释发生了什么、执行策略，并把反馈转化为评估。这一机会很强，因为从业者已经在手动围绕这一层做设计，而就业市场信号也表明，公司愿意为此付费。
[++] 工作流原生 AI 软件 —— Vlo、向量数据库解释内容，以及当天关于学习路线的讨论，都显示出人们需要适配真实工作的工具，而不是泛化的 AI 定位。这一机会强度中等，因为需求广泛且明显，但市场也很拥挤，执行质量比新奇性更重要。
[+] 前沿模型的发布审核与合规工具 —— 行政命令相关讨论和 Don Beyer 的回应表明，在强大模型发布前，人们确实需要更可信的审核、响应和审计流程。这一机会正在形成，因为需求真实存在，但买方范围比开发者工具或工作流软件更窄，决策速度也更慢。
8. 要点¶
- 对基准测试的不信任，已经扩大成一个更根本的问题：公开评测到底还在衡量什么。 @leerob 指出（32 个赞、5 条回复、2,440 次浏览、10 次收藏）称，主要基准测试已经不太有帮助；而 @seungonekim 展示了（59 个赞、3 条回复、3,068 次浏览、16 次收藏）则指出，在韩语语境基准测试中，本地化浏览能力可能会大幅下滑。
- 6 月 2 日的可靠性工作几乎都围绕评估闭环和权威信息源展开，而不是增加更多自主性。 @Azure 介绍了（35 个赞、3,845 次浏览、13 次收藏）介绍了评估/强制执行/确认信任栈；@ericosiu 梳理了（8 个赞、849 次浏览、17 次收藏）则介绍了其下方的记忆与权限层。
- 安全营销看起来不如攻击覆盖范围本身有说服力。 @heynavtoor 分享了（7 个赞、4 条回复、1,973 次浏览、9 次收藏）提到一项审计，称当前公开基准测试最多只覆盖 LLM 攻击矩阵的 25%；@_vmlops 表示（11 个赞、3 条回复、1,017 次浏览）则称，Cisco 的研究发现，测试的 15 个旗舰模型在多轮攻击下仍然全部失守。
- 信息流对实用型基础设施教育的回报，高于对噱头式产品叙事的兴趣。 @Aurimas_Gr 解释了（127 个赞、4 条回复、4,871 次浏览、116 次收藏）详细解释了向量数据库的工作机制；与此同时，@AndrewBolis 指出（38 个赞、25 条回复、3,517 次浏览、47 次收藏）表明，人们在跳到智能体之前，仍然需要先学 AI 基础。
- 最可信的建设者模式是具体，而不是泛化。 @SD_Tutorial 强调了（10 个赞、331 次浏览、5 次收藏）介绍了一款工作流原生视频编辑器；@smolix 指出（1 个赞、1 条回复、284 次浏览）提到一个衡量主动恢复能力的基准；@paulg 表示（119 个赞、15 条回复、6,468 次浏览）则指出，如今发生的事情远不只是“AI for x”。