与「学习新语｜」相关的搜索结果

【 #学习新语｜##共同守护生物多样之美##】“生物多样性使地球充满生机”“人与自然应和谐共生”……近年来，习近平总书记就加强生物多样性保护、共同建设清洁美丽的世界作出一系列重要论述，阐释人与自然和谐共生的重要理念。# #总书记思想#

想在 2026 年转行做 AI 工程师， 吴恩达这 3 小时必看。 从 AI 智能体、提示词工程， 到动手开发 AI 应用，一次讲清楚。 比起到处找零散教程， 我更建议先把这套系统课程看完。 免费学习，建议收藏。

你的Muse不会做动画视频？ 把以下18个在GitHub上免费公开的Skill丢给Muse学习安装↓ 1~Remotion Skills → 让AI制作视频的官方技能 2~Motion Canvas → 图解动画 3~Motion → 画面切换的动效 4~Ola → 让数值平滑变动 5~Anime.js → 时间线、错峰动效 6~Manim → 公式与图形动画 7~Shifty → 缓动与补间 8~Two.js → 2D矢量动画 9~Lottie Web → 轻量矢量动画的播放 10~TweenJS → 按顺序动起来的动画 11~LUME → 用HTML做3D场景 12~gifenc → GIF导出 13~Konva → 可触摸交互的画布 14~Blender → 绑定与角色动画 15~Three.js → 3D场景 16~Godot → 游戏动画 17~Babylon.js → 3D渲染与动画 18~Proton → 粒子 以上从指示→制作→动起来→修改→导出 整个流程都有对应的工具 基本就能做出来 不止是Muse可用 也可以直接交给Claude虚拟机里的Claude Code或Codex使用以后绝对会用到 先点赞收藏转发 需要时你会用的上的

Anthropic 新发布的《Building always-on agents》非常值得关注，刚好能和之前 DeepSeek 的 Super-agent、LangChain 的 Async Subagents 放在一起理解。 DeepSeek 则通过 Router 接收 GitHub、飞书等事件，在授权规则内判断是否启动任务，再交给独立 Worker 执行。 LangChain 让主 Agent 保持响应，长任务交给后台 Subagent 独立运行，还能随时查看进度、修改指令。 Anthropic 这次把背后的架构拆得非常细。 Agent 平时休眠，收到消息、Webhook 或定时触发才唤醒，执行一轮任务，保存状态后继续休眠。 整个系统围绕 5 个核心组件设计： Inbox 接收事件，负责去重和失败重试。 Timer 定时唤醒 Agent，主动跟进任务。 Memory 保存跨 Session 的记忆和任务进度。 Permissions 管理权限、凭据和人工审批。 Outbox 控制何时向用户发送消息。 我个人比较喜欢 Deferred Tool Call 这个设计。需要人审批时，先保存 Session，释放 Worker，等用户回复后再恢复执行，不会一直卡在那里。 这几篇文章放在一起看，感觉大家越来越关注 Agent 如何持续工作，以及怎么减少人的管理负担。 想自己搭 Always-on Agent 的朋友，真可以系统性的学习这篇，很多设计都能直接参考。 原文：

【NVIDIA NeMo Switchyard在Amazon Bedrock上为编码智能体请求分配合适模型】 AWS机器学习博客11月13日发文，6位AWS和NVIDIA作者介绍在Amazon Bedrock上为编码智能体做模型路由。 作者主张用每个解决任务的成本衡量路由，而不是每个token的单价。 示例把开源网关LiteLLM和Switchyard插件部署在Amazon ECS Fargate的私有子网里。 LiteLLM通过Bedrock Converse API调用模型，流量经过VPC接口端点进入Bedrock。 能力较强的模型使用Claude Opus 5.5，高效模型使用NVIDIA Nemotron 3 Super 120B。 Stage策略读取近期工具结果在两个模型之间选择，信号不明确的时候默认使用高效模型。 Random策略按照权重分配流量，适合A/B测试，两种策略都不调用评判模型。 作者表示只在两个任务上跑了几次，不足以得出成本或者质量结论，示例只适合非生产账户。 我觉得现在只给了部署模板，团队需要自己用bench脚本量出每个任务的实际成本。 来源：AWS Machine Learning Blog · 2026-11-14

😱 简直牛逼克拉斯！！ 这个项目能让你的 Agent 越用越聪明、越省钱！！ 最近开源的 AgentRun，能帮 Claude Code、Codex 这类 Agent 从以前做过的活里学习，并把经验存下来下次再用。 那它是怎么工作的？⬇️ 比方说，一个 Agent 做项目时碰上了复杂的技术问题，试了好几轮才找到办法。 AgentRun 会把这些经验记下来、整理好： - 把已经解决的技术问题，整理成能用的笔记 - 把成功的方法和解决方案存成 Skills - 后面做项目时，可以直接用上以前的经验 但最有意思的是这一段： 一个 Skill 被用过三次后，系统会尝试把它变成 Workflow。 也就是说，Agent 不用每次从零开始再走一遍解题路径，可以直接用一套已经跑通过的现成流程。 结果是什么？ - 少做重复的试错 - 不用再把已经解决过的问题重新查一遍 - 省 Token - 把成功的经验拿来再用 - 把零散的经验变成可重复的 Workflow 实际上，AgentRun 就是想把每个项目的经验，变成后面项目能用的资产。 🔗 GitHub 仓库：

1993年黄仁勋创立 NVIDIA，但是不甘心只涉足游戏产业，于是想出了可以搞比特币，这样GPU的平行计算能力可以用来挖矿 2009年中本聪更是直接在论坛中（ 2012年之后老黄把注意力转向深度学习，于是就放弃扮演中本聪 这就是为什么币圈暴跌的原因

End-to-End 4-Bit Training：让大模型用更粗糙的数字格式完成全流程训练，大幅缩短显卡训练时间 训练大模型需要处理海量数据，直接把数字精度压到4位虽然能加快计算，但四舍五入累积的误差会严重拖垮模型的学习效果。 为了解决这个矛盾，Thinking Machines Lab在英伟达GB300显卡平台上开发了名为BBBK的专用底层加速程序。采取了分工策略，在模型向前推理计算时使用高速度的4位数字格式NVFP4，在向后更新参数时切回较精细的8位格式MXFP8，并在传输数据时顺手进行旋转压缩与随机舍入修正，省去了传统训练完成后还要单独做低精度校准的麻烦步骤。 这套方案应用在Inkling 2 Small模型的全流程训练中，显卡的运算管道和传输带宽同时跑满，没有出现互相等待的卡顿。原本需要好几周才能跑完的同体量模型，现在在GB300机柜上只用了68小时就完成了预训练。对比全程使用8位格式训练，新方案在预训练阶段节省了8%的时间，在强化学习阶段直接提速了20%，省下了大量算力开销，同时模型最终的回答准确率几乎没有受到影响。 链接：

正常人会经历几个阶段： 1. 基本盘阶段：受周围环境的影响，历史课本、电视、媒体、报纸以及周围人会告诉你“美帝亡我之心不死”，我们是最正确的，天天仇美仇日。 2. 反贼阶段：在自己工作与生活中接触到了一些黑暗和不公，同时有了更多的信息源，了解到了国外的发达以及所谓的自由和民主，意识到自己这些年被糊弄、被洗脑了，开始向往美国宣传的自由、民主、平等，然后觉得共产党这些年干的都是反人类的事情。 3. 对美国去魅，对中国去魅：看到美国仍然有很多优秀、值得学习的地方，但也有很多它自己的问题；同时肯定共产党这些年的稳定与发展，但仍然也看到它有很多毛病。 最后你会得出结论：这个世界上没有一个理想国，只有还凑合的国家。很显然，美国和中国都还凑合，不然也不会成为世界 GDP 第一和第二。实际上，世界上更多国家是没法凑合的，真的是没有比较就没有伤害。 我非常希望更多的年轻人多出去走走，不是走马观花式的旅游，而是在某个国家居住一段时间，最好有朋友在那里工作创业，你会了解更多。最后比来比去发现，中国没有共产党自己说的那么好，但绝对也没有反贼说的那么差；美国也没有反贼说的那么好，但也没有粉红说的那么差。

小红书的这个油管素材生意，被严重低估了 39.9 - 79.9 一单，每天 100+ 单。总结了 3个关键步骤，照抄： 1/ 油管精挑日常化 Vlog, 可以分场景：逛超市，旅游，团；也可以偏专业化：考试，谈判，会议，新闻; 还可以偏口音：印式，法式，美式，英式 2/ 功能用 Kimi, Deepseek 完全可以复刻，不存在技术壁垒，只要买一单就可以抄 3/ 内容更加好做，每做一个视频就可以切片出很多条。我拉了个列表和高赞封面图供参考，就这么点勾子 现在去看这数据没了，幸好我的手机 RPA 及时录下来这个快照。看最近的评论，去年服务了2万个学员，纸面就有 80万 ARR 如果生意你觉得不性感，那么试着把这些学员引流到私域呢： 1/ 学英语的朋友们，同样对交友，留学，旅游有需求吧。读书群，旅游搭子，雅思陪跑，是不是可以搞 2/ 爱学习的人群，对职业有更高要求。高阶领导力陪跑，演讲与口才打造课，是不是可以带一带 首页正在收集 100 个这样的小生意，来翻一翻嘛