AI 晚报｜11月13日
今天的快讯里，最值得注意的不是某一个新模型，而是"能力在下放、平台在设防"：一方面世界模型和 145B 级模型开始往个人设备上走，另一方面美联航这类平台已经开始对 AI 代理说"不"。与此同时，算力与芯片的故事越来越像地缘政治新闻，开源阵营则还在公开表态"继续
阅读全文 →最新文章
全部专栏
教程用 Google Tabletop 一句话搭一个团队协作小应用
团队里最常见的一类需求，介于「用表格凑合」和「找开发排期」之间：内容排期、活动报名、物料借用、招聘进度、客户跟进。用电子表格管，字段是散的、权限是粗的、状态推进全靠人肉改颜色；找开发做，排队要几周，需求还没说完可能就变了
教程3.8 Flash 迁 Gemini 4 Hydrogen：接口差异、配额与复杂问答实测
这篇能做出什么 读完并照着做，你会得到一个能跑的双模型对照环境：同一份业务代码，只换一个模型 ID 和一个适配层，就能在旧的 3.8 Flash 和 Gemini 4 Hydrogen 之间来回切换；你会有一份记录延迟、
教程把任意网站变成 MCP 工具：Pomerado 接入与鉴权
适用场景 手上有一批只能在网页上操作的内部系统或第三方后台（工单、订单、报表、内容后台），希望智能体能直接读取和操作，而不是靠人复制粘贴。Pomerado 的思路是把网站的登录态、页面操作和数据结构封装成一个 MCP 服
教程复现48智能体72小时遥感扫描：拆分、验证、复核
这篇能做出什么 跑完这篇的步骤，你会得到一条可以反复重跑的流水线：给定一片研究区和一批公开 LiDAR 点云，自动切成上千个瓦片，由 48 个并发智能体在 72 小时内分头扫描，产出带置信度的候选标记（建筑物轮廓异常、地
教程用 Atuin 把多台机器的智能体会话接成一条时间线
适用场景 你有两台以上的开发机：公司台式机、家里的笔记本、一台远端构建机。编码智能体（如各类在终端里运行的 CLI 智能体）都在这些机器的 shell 里启动，提示词、跑过的命令、进过的目录散落在各自机器的历史里。换一台
AI 词典UCB：给不确定性一个乐观的上界
一句话定义：UCB（Upper Confidence Bound，上置信界）是解决"多臂老虎机（multiarmed bandit）"问题的一类经典策略——它给每个选项的收益估计加一个"不确定性补偿"，然后永远选补偿后分
AI 词典格兰杰因果：能预测不等于真因果
一句话定义：格兰杰因果（Granger Causality）是一种基于时间序列的统计检验方法，用来判断一件事的历史信息，是否有助于更准确地预测另一件事。注意，它检验的是"预测增益"，不是"谁导致了谁"。 它到底在算什么
AI 词典指数平滑：为什么越近的数据越重要
一句话定义：指数平滑（Exponential Smoothing）是一类时间序列预测方法：它把历史数据按“越近的权重越大、越远的权重越小”的方式加权平均，用这个加权结果来预测下一个值。 怎么算的 最基础的一次指数平滑（S
AI 词典One-Class SVM：只见过“正常”，也能认出异常
一句话定义：OneClass SVM（单类支持向量机）是一种只用正常样本训练的异常检测方法：它学出一个包围正常数据的边界，落在边界之外的就判为异常。 它到底在算什么 普通分类器要有正反两类样本才画得出分界线。可现实里“异
AI 词典Mean Shift：让每个点自己爬山找峰
一句话定义：Mean Shift（均值漂移）是一种不需要事先指定簇数的聚类算法——每个数据点不断朝周围密度更高的方向挪动，最后停在密度峰上，停在同一座峰的点就算一类。 它是怎么工作的 想象一群人在大雾弥漫的山坡上，每个人
AI 词典层次聚类：不预设簇数，最后给你一棵能自己剪的树
一句话定义：层次聚类（Hierarchical Clustering）是一类不需要你先说"分几类"的聚类方法，它通过反复合并或拆分样本，把整个聚类过程记录成一棵树（树状图，dendrogram），分几类由你事后决定。 它
AI 词典谱聚类：用图的特征向量切数据
谱聚类（Spectral Clustering）是先把数据点连成一张“相似度图”，再借助这张图的特征向量（eigenvectors）把每个点重新表示到一组低维坐标里，最后在低维空间中切分的聚类方法。 它怎么工作 大致分三
AI 词典标签传播：只标了一小部分，怎么让标签自己长满全图
一句话定义：标签传播（Label Propagation）是一种半监督学习方法——把样本看成图上的节点、把相似度看成边，让少量已知标签顺着边“扩散”到所有未标注的样本上。 它是怎么工作的 先建图。每个样本是一个节点，两个
AI 词典知识图谱嵌入（TransE）：把关系变成一段位移
一句话定义：TransE（Translating Embeddings）是把知识图谱里的实体和关系都学成低维向量，并要求“头实体向量 + 关系向量 ≈ 尾实体向量”（h + r ≈ t）的一种经典表示学习方法。 原理：知
AI 词典图嵌入（Node2Vec）：随机游走如何给节点定坐标
图嵌入（Graph Embedding）是把图中的节点映射成低维稠密向量，让图上相近或角色相似的节点，在向量空间里也靠近；Node2Vec 是其中一种经典方法，核心是用带偏的随机游走（Random Walk）生成节点序列