Hermes Agent 技巧与最佳实践

20. Hermes Agent 技巧与最佳实践用对工具和用错工具效率能差一个数量级。本篇把 Hermes Agent 官方整理的实用技巧速查集重新梳理成一份可上手的实践手册覆盖 prompt 写法、CLI 操作、上下文文件、记忆、成本控制和安全防线。把 Prompt 写到位模糊的 prompt 只会换来模糊的结果。与其说修复代码不如说修复 api/handlers.py 第 47 行的 TypeError——process_request() 从 parse_body() 收到了 None。上下文给得越具体来回迭代的轮次就越少。相关细节文件路径、错误信息、预期行为在请求开头就甩出来一条精心构造的消息胜过三轮确认错误堆栈直接粘贴Agent 能解析。如果你发现自己在反复打同样的指令——“用 tab 不用空格”“我们用 pytest”“API 地址是 /api/v2”——把它们塞进AGENTS.md。Agent 每次会话自动读取设一次永久生效。另外别手把手指导每一步说找到并修复失败的测试比打开 tests/test_foo.py 看第 42 行然后……更能让 Agent 发挥它的文件搜索、终端和代码执行能力。CLI 高级操作多行输入按 AltEnter、CtrlJ 或 ShiftEnter 插入换行而不发送ShiftEnter 在部分终端需要 Kitty 键盘协议。粘贴多行内容时 CLI 会自动检测并缓冲成一条消息不会把每行当独立消息发。按一次 CtrlC 中断当前响应、输入新消息重定向2 秒内双击 CtrlC 强制退出——Agent 走偏时很有用。会话恢复用hermes -c精确回到上次离开的位置完整历史还原也能按标题恢复hermes -r my research project。CtrlV 可把剪贴板图片直接粘进对话Agent 用视觉能力分析截图、图表、错误弹窗不用先存文件。输入/加 Tab 看所有命令和已装 skill 的自动补全。/verbose循环切换工具输出详细度off → new → all → verbose简单问答用 off 最清爽观察过程用 all。上下文文件AGENTS.md 与 SOUL.mdAGENTS.md 是项目大脑放架构决策、编码规范、项目专属指令每次会话自动注入# Project Context - This is a FastAPI backend with SQLAlchemy ORM - Always use async/await for database operations - Tests go in tests/ and use pytest-asyncio - Never commit .env filesSOUL.md 是个性来源编辑~/.hermes/SOUL.md给 Hermes 一个稳定的默认风格比如senior backend engineer, terse and direct。已有.cursorrules或.cursor/rules/*.mdcHermes 也会读取不用重复写编码规范。一个关键细节子目录里的 AGENTS.md 不会在启动时预加载到系统 prompt而是在工具调用期间延迟发现并注入工具结果——这避免了启动时把所有子目录规则全塞进上下文。提醒一句上下文文件每个字符都消耗 token 配额保持简洁聚焦。记忆与 Skill 各司其职记忆Memory存事实你的环境、偏好、项目位置、Agent 了解到的关于你的信息。Skill 存流程多步骤工作流、特定工具操作指南、可复用方案。一句话记忆存是什么Skill 存怎么做。何时该建 Skill某个任务要 5 步以上且你会重复执行就让 Agent 为它创建 skill——说把你刚才做的保存为名为 deploy-staging 的 skill下次/deploy-staging直接加载完整流程。记忆容量有意受限MEMORY.md 约 2200 字符USER.md 约 1375 字符满了 Agent 会自动整合你也可以主动说清理你的记忆或替换旧的 Python 3.9 备注——我们现在用 3.12 了。一个重要提醒记忆是冻结快照会话期间的修改不会出现在系统 prompt 中直到下一次会话开始——Agent 会立即写盘但 prompt 缓存在会话中途不失效。性能与成本控制大多数 LLM 提供商缓存系统 prompt 前缀。保持系统 prompt 稳定相同上下文文件、相同记忆同会话后续消息命中缓存成本显著降低——所以别在会话中途切模型或改系统 prompt。长会话积累大量 token 时响应变慢或被截断就跑/compress它对历史做摘要、大幅减 token 同时保留关键上下文/usage看当前用量。并行工作用delegate_task让子 Agent 独立跑、只回传摘要主对话 token 消耗大降。批量操作别逐条跑终端命令让 Agent 写脚本一次搞定——写个 Python 脚本把所有 .jpeg 重命名为 .jpg 并运行比逐个重命名省钱省时。模型选择上复杂推理和架构决策用前沿模型Claude Sonnet/Opus、GPT-4o格式化、重命名、样板代码切快模型/model会话中途就能切。定期/usage看消耗/insights看过去 30 天用量模式。消息平台与安全防线消息侧用/sethome把常用 Telegram 或 Discord 聊天设为主频道定时任务和计划输出才有地方发。/title auth-refactor给会话命名方便hermes sessions list查找和hermes -r auth-refactor恢复。团队访问别手动收用户 ID 维护白名单启用 DM 配对成员私信 Bot 收到一次性配对码你hermes pairing approve telegram XKGH5N7P批准即可。默认消息平台会话永不自动重置需要自动重置在 config.yaml 的 session_reset 部分配置。安全上处理不可信仓库或陌生代码用 Docker/Daytona 做终端后端.env里设TERMINAL_BACKENDdocker容器内破坏性命令不影响宿主# In your .env:TERMINAL_BACKENDdockerTERMINAL_DOCKER_IMAGEhermes-sandbox:latestWindows 上注意编码陷阱写文件显式指定encodingutf-8PowerShell 会话切 UTF-8 输出。危险命令审批有 once/session/always/deny 四档选 always 前三思——它会永久把该模式加白名单不熟先用 session。命令审批是安全防线生产环境别禁用不过容器后端里检查会跳过因为容器本身就是边界。最后永远别在有终端访问的 Bot 上设GATEWAY_ALLOW_ALL_USERStrue用平台专属白名单或 DM 配对控制谁能交互。Frequently Asked QuestionsQAGENTS.md 和 SOUL.md 都会注入每条消息我该往里塞多少内容A越精炼越好因为每个字符都消耗 token 配额且每条消息都带上。AGENTS.md 放真正影响 Agent 行为的硬约束技术栈、编码规范、绝对禁止的操作比如别提交 .env。SOUL.md 放你希望稳定生效的个性倾向比如简洁直接、优先考虑错误处理。一个常见误区是把项目文档整段粘进去——那会持续吃 token 又不改变行为。判断标准是这条规则如果不在Agent 会不会做错会就留不会就删。子目录的 AGENTS.md 是延迟加载的不占启动 prompt可以放心按模块拆分。Q会话中途改了记忆为什么 Agent 好像没记住A这是 Hermes 记忆机制的一个关键设计点踩坑的人很多。记忆是冻结快照Agent 会立即把修改写盘但系统 prompt 里的记忆内容在会话开始时就固定了中途不会失效重读。所以你在会话里说记住我们 CI 用 GitHub Actions这条会写进 MEMORY.md但当前会话的 prompt 还是旧的要等下一次会话开始才会注入。如果你确实需要当前会话立刻知道某件事直接在对话里陈述出来别依赖记忆机制的即时生效。另外记忆满了会自动整合定期主动清理比等它自动压缩更可控。QPrompt 缓存怎么才不被破坏切模型算不算APrompt 缓存基于系统 prompt 前缀的稳定。只要上下文文件AGENTS.md、SOUL.md、MEMORY.md、USER.md内容不变、记忆不重写同一会话后续消息就能命中缓存、成本大降。会话中途切模型会破坏缓存——不同模型的 prompt 格式和前缀可能不同缓存键对不上。改系统 prompt、手动编辑上下文文件同样会失效。所以建议一个会话尽量保持模型和上下文文件稳定确实要切模型或更新记忆接受这一次缓存 miss新会话重新建立。/compress也会改变上下文结构但它换来的是 token 大幅减少通常值得。延伸阅读与交流本文涉及的Hermes Agent自进化智能体技术体系目前已有系统化的深度学习资源可供参考。中国通信工业协会通信和信息技术创新人才培养工程项目办公室将于近期组织相关技术专题分享围绕本文讨论的AI原生架构、智能体工作流、自进化数据层等方向展开系统讲解。专题信息主题AI原生Hermes自进化智能体系统时间2026年8月22-23日形式线上直播内容方向AI原生架构 · Hermes智能体拆解 · 全栈扩展 · 智能自动化 · 产品级实战 · Context Engine · 自进化数据层分享嘉宾王老师GavinAgentic AI企业联合创始人兼CTO十余年硅谷AI系统工程经验。长期深耕NLP、强化学习、可控AI与智能体系统架构提出语言即控制Language as Control原创范式在RLHF、PPO、DPO、GRPO等方向有系统化工程实践推动智能体技术在社交媒体、医疗、金融、法律、教育等专业场景落地。联系邮箱hiheartfirstgmail.com技术交流联系人SamHermes Agent技术文档https://hermes-agent.nousresearch.com/docs/006 | 删除是墓碑与 多版本并发控制 的代价导读上一篇拆穿了更新的就地编辑幻象。本篇接着把删除这个看起来最没悬念的动词也拆了——在 Postgres 里删除不是抹除而是给元组盖一个墓碑。然后我们正面盘点 多版本并发控制 这套设计在磁盘、CPU、运维三处要付的账看看膨胀、VACUUM、可见性映射与事务回绕这些代价究竟长什么样。删除就是墓碑删除大概是工程师们自以为不用想就懂的动词。你删一行行就没了磁盘空间就回来了。在任何命令式状态模型里这是最自然的预期。但在 Postgres 里删除发生的那一刻这三件事没一件成立行的元组还在磁盘上行对新事务不可见、但对旧事务仍可见磁盘空间被一直占着直到 VACUUM 能证明再没人需要它。在 Postgres 里删除不是抹除而是一个墓碑在现存的元组上盖一个戳写着被事务 X 删除。元组留在原地不动。它的xmax变成非零。上一篇里的可见性规则做完剩下的事把这一行从任何视野里包含这次删除提交的新快照里藏起来。机制删除是上一篇那段更新机制的后半段没有前半段。没有新元组只有一个墓碑SELECTxmin,xmax,ctid,idFROMreviewsWHEREid1;-- xmin | xmax | ctid | id-- 901 | 0 | (0,2) | 1DELETEFROMreviewsWHEREid1;COMMIT;-- 同一个物理元组仍在磁盘上。-- 懂得该去哪问的查询还能透过 pg_class 存储看到它-- 但对表的普通 SELECT 不会返回它因为它们的快照-- 把这次删除视为已提交、把这个元组视为已死。删除之后(0,2)上的那个磁盘元组其xmax被设成那个发起删除的事务。一个在删除事务提交之前就启动的快照里的读者仍然看得见这行。任何之后快照里的读者看不见。这个元组会一直活着直到 VACUUM 认定它安全可回收——也就是当没有任何活跃、或潜在未来事务可能需要看它的时候。为什么是这种设计这套设计和更新出于同一个理由从 多版本并发控制 里掉出来。如果一行能在删除当下就被物理移除那么一个在删除之前启动的长事务会突然发现自己的行不翼而飞。多版本并发的全部意义就是让读者看到一致的视图。一个敢把元组从正在跑的查询底下抽走的删除会把那个承诺撕碎。所以删除是逻辑的元组留下可见性检查把它从不该看见它的人眼前藏起来等所有人的快照都已经越过这条行还重要的那个时间点后VACUUM 才在后台跑。这个墓碑和数据库给更新那一半死元组用的是同一套机制。这一版本的行不再是真相这件事全库只有一套机器删除和更新都往里喂。这意味着什么几条从删除即墓碑里掉出来的结论能把人闪个趔趄。磁盘空间不会立刻回来。一条DELETE FROM reviews WHERE created_at 2020-01-01删掉一百万行就在磁盘上产出一百万个死元组。查询报告DELETE 1000000你的监控也显示行数掉下去但表的磁盘大小在 VACUUM 跑之前一动不动。空间在堆页内部被回收可供新元组落进来但堆不会自己缩小除非你跑VACUUM FULL或pg_repack。批量删除很贵。每个被删的元组都要把它的xmax更新一遍那是一次写。每个相关的索引项最终都得由 VACUUM 回收。删一百万行产生的 WAL 量跟更新一百万行大体相当。如果你需要清理旧数据请分区这张表然后DROP掉旧分区别用删除。索引仍然指向被删的元组。索引项不会在删除那一刻被拿掉。下一次碰到这条项的索引扫描会去访问堆看见一个死元组把它跳掉。VACUUM 最终也会把这些索引项回收。在那之前索引比活数据所应得的要稍大一点。在删除变动很大的表上这就是索引膨胀的来源。TRUNCATE 不等于删除。TRUNCATE TABLE不走墓碑那套机制。它给表分配一个崭新的 relfilenode一个全新的空后备文件对表取一把 ACCESS EXCLUSIVE 锁绕开可见性规则。它很快。它也很有破坏性任何并发的读者都会被阻塞。而且事务里的TRUNCATE可以回滚这会让不少人意外。这两个操作从根本上在做不同的事。想要把所有行清空、把表文件截短用 TRUNCATE想要让新读者看不到这些行、但又允许旧事务仍能看到用删除。警告一种常见的生产故障是这样的——一个团队写了VACUUM 旧数据的任务每晚跑DELETE FROM events WHERE created_at now() - interval 30 days。每次删一千万行。因为 VACUUM 跟得上磁盘占用日复一日地平着。然后某个周五一个长事务把 VACUUM 的 xmin 地平线堵住了。周六的 VACUUM 照跑。周日的 VACUUM 照跑。到周一表里堆着三千万个 VACUUM 不被允许回收的死元组磁盘满了。修法不是再加删除而是分区加上对事务年龄的监控。心智上的转变删除最诚实的框架是这么一句话它是一个承诺去遗忘而不是一次遗忘。数据库承诺删除事务提交之后没有新读者会看到这一行。它不承诺字节已消失不承诺磁盘空间已回收也不承诺索引项已回收。那些事按另一个时间表发生由另一个进程负责。一旦你接受了这一点Postgres 一半看着像怪癖的东西就不再是怪癖了。为什么我明明在删行表却还在长——墓碑。为什么我的磁盘占用平平的、行数却在掉——死空间在堆内部被复用但文件不缩小。多版本并发控制 的代价每一个架构决定都是一笔交易。多版本并发控制 给 Postgres 买来的是读写并发、快照一致性以及那种尽管跑你的查询、它们不会互相挡道的开发者体验。账单在三个地方到期磁盘、CPU、运维注意力。每一项都值得诚实地命名。膨胀膨胀是你的表比你的活数据要大这件事的客气说法。它是 多版本并发控制 设计的稳态产物。每一次更新造一个死元组。每一次删除造一个死元组。在 VACUUM 回收空间之前堆同时装着活的和死的两个版本。一张有着 10% 稳态更新率的表即使 VACUUM 跟得上也会永久比光看活行数所暗示的大上 10 到 20%。索引也会膨胀而且更严重。每个物理元组死的活的在索引里都有一条项。更新产生死的索引项。VACUUM 最终会回收它们但索引上的 VACUUM 比表上的慢、也跑得没那么激进。一张膨胀的表往往索引比堆膨胀得更明显。两样都能直接量。Postgres 暴露了逐表统计让你盯着死元组累积、活元组见顶SELECTrelname,n_live_tup,n_dead_tup,round(100.0*n_dead_tup/NULLIF(n_live_tupn_dead_tup,0),1)ASdead_pctFROMpg_stat_user_tablesORDERBYn_dead_tupDESC;一张健康的表dead_pct一直在个位数。一张 VACUUM 跟不上的表爬进两位数。一张 VACUUM 被完全堵住的表无界地往上爬。VACUUM总得有什么东西去走堆认出那些死元组——那些没有任何事务还能看到的死元组——把它们的空间标成可复用再更新索引。这个东西就是 VACUUM。它的默认形态是Autovacuum一个后台 worker周期性醒来扫描那些越过了死元组阈值的表做 VACUUM。三件事是地基。VACUUM 做的是真实的工作。它从磁盘读页、决定哪些元组能走、重写页、更新索引。在繁忙的数据库上Autovacuum 的读写量可以和前台流量相当。默认设置把它压得很紧前提是它的磁盘预算吃紧。在现代硬件上默认值过于保守把 Autovacuum 调得更激进是最常见的生产收益之一。VACUUM 回收不了一个可能仍被某个活跃事务看到的元组。这条规则把长事务有毒从一句口号变成了一条硬约束。如果事务 5000 还在飞VACUUM 就回收不了任何删除xmax大于 5000 的元组。那个事务开得越久不可回收的历史窗口就越宽。在一张更新变动很大的表上一个被开着空转一小时的事务能把表吹大好几个 GB。VACUUM 也是 Postgres 防止事务 ID 回绕的方式。32 位 xid 计数器每四十亿事务回绕一次。VACUUM 的冻结操作会重写旧元组头让数据库能跨过回绕继续工作。没有 VACUUM数据库最终为了保护数据完整性不得不拒绝新事务。VACUUM 不是可选项数据库自己也知道它不是。重要提示在 Postgres 部署里最常见的生产故障模式不是慢查询、也不是坏索引而是“VACUUM 跟不上了”。要么是 Autovacuum 对这个工作负载被压得太紧要么是一个长事务挡住了它推进可见性地平线。症状就是膨胀、慢查询、还有一张一直在长的表。修法是调 Autovacuum、把事务保持短小。CPU 与可见性检查每一次读都要付一个逐元组可见性检查的代价。检查本身不贵。可乘上一亿次行的顺序扫描它就累积成查询 CPU 里可测的一块。这正是为什么索引在 Postgres 里格外要紧的原因之一不仅是为了跳过行还是为了跳过那些我们已经知道不想要的行上的可见性检查。可见性映射把一部分 CPU 还了回来。它是一张逐关系的位图每个堆页两位记录这一页是否只含对所有事务都可见的元组、以及这一页上的元组是否都已冻结。仅索引扫描可以借这张地图在整页可见时跳过堆访问。多版本并发控制 可见性的代价既落在 CPU 上也落在磁盘上而 Postgres 对两处都有架构上的回应。运维复杂度第三笔代价是团队们最常低估的那笔。在生产里跑 Postgres比跑一个没有多版本存储的数据库要更费心。你不得不监控每张表的死元组数来自pg_stat_user_tables。如果它无界地爬说明 Autovacuum 跟不上。长事务来自pg_stat_activity。在繁忙数据库上任何比几分钟更老的事务都值得怀疑。pg_database里的age(datfrozenxid)距离回绕还有多远。Autovacuum 在年龄达到 2 亿时做全库冻结Postgres 在大约 21 亿时进入紧急模式拒绝一切新写事务超级用户仍可连接来跑VACUUM。表和索引随时间的膨胀。突然变大是 VACUUM 被堵的信号。这些事没一件难。它们全得做。这笔交易总体而言对 Postgres 所瞄准的工作负载是划算的。多数应用并不会被这笔 VACUUM 税难住。会遇到的应用迟早会发现并且把自己调出来。调不出来的那些就是凌晨两点出现在工单系统里、磁盘满了、VACUUM 六小时没进展的那一批。下一篇007-多版本并发控制 实战常见问题答疑学员答疑Q1既然 DELETE 不释放磁盘空间TRUNCATE 又太快太暴力那 VACUUM 旧数据到底该用什么方式最佳实践是用分区表加 DROP PARTITION。按时间分区你的表比如按月然后定期 DROP 掉旧分区——这会真正释放磁盘空间而且几乎是瞬间完成不需要像 DELETE 那样逐行打墓碑、再等 VACUUM 回收。如果表没有分区DELETE 是唯一选择但你要知道删一百万行产生的 WAL 量和更新一百万行差不多而且磁盘空间在 VACUUM 跑完之前不会释放。这就是为什么先把大表按时间分区是 Postgres 运维的基本功——它让你能用 DROP PARTITION 代替 DELETE 来管理数据生命周期。Q2博客说 Autovacuum 默认值是给2008年的数据库调的具体哪些参数需要改最关键的是 autovacuum_vacuum_scale_factor默认0.2意味着一张表要有20%的行变成死元组才会触发 Vacuum。对于写密集的大表这太迟了——你可能已经积累了几百万个死元组。建议对热点表单独设置更低的阈值比如ALTER TABLE busy_table SET (autovacuum_vacuum_scale_factor 0.05)。其次autovacuum_vacuum_cost_limit 默认200太保守可以调高到1000-2000让 Vacuum 更积极地干活。另外 autovacuum_naptime 默认1分钟繁忙环境可以缩短。核心原则是不要全局改按表调优——不同表的写入模式差异很大。Q3事务 ID 回绕听起来很可怕我的数据库离回绕有多远怎么提前发现查 pg_database 里的 age(datfrozenxid)就能看到每个数据库距离回绕还有多远。这个值表示最老的未冻结事务 ID 距今多少。Postgres 在2亿时开始激进冻结21亿时进入紧急模式。正常运行的数据库这个值应该在几千万到几亿之间。如果你看到某个数据库的 age 逼近10亿说明 Autovacuum 的冻结工作被卡住了——通常是长事务阻止了冻结推进。处理方法是找到并终止长事务查 pg_stat_activity 的 xact_start 列然后手动跑 VACUUM FREEZE。把 age(datfrozenxid)加入监控告警阈值设10亿就能提前发现问题。大模型日报 - 2026年7月28日以下是今日大模型领域的5条重大新闻━━━━━━━━━━━━━━━━━━━━━━━━━━新闻一阿里云真武M890超节点Day0适配Kimi K3国内首个跑通近3万亿参数模型摘要7月28日阿里云宣布真武M890超节点实例已Day0成功适配月之暗面的Kimi K3模型成为国内首个跑通近3万亿参数模型的超节点。跑通2.8万亿参数的Kimi K3需要将参数分散到几十甚至上百张高速互联的GPU卡上真武超节点的设计解决了普通AI集群通信带宽局限的瓶颈单卡吞吐提升1.8倍。双方将进一步展开国产算力合作推动国产大模型与算力深度协同落地。━━━━━━━━━━━━━━━━━━━━━━━━━━新闻二腾讯WorkBuddy正式上架鸿蒙电脑应用市场成为鸿蒙平台首个桌面办公智能体摘要7月27日腾讯WorkBuddy正式上架鸿蒙电脑应用市场成为鸿蒙平台首个桌面办公智能体。这标志着AI办公竞争已从对话式AI工具转向可自主操作文件、拆解复杂任务的办公Agent智能体。腾讯布局鸿蒙桌面智能体是其AI办公战略的重要延伸也意味着国产操作系统与AI智能体的深度融合迈出关键一步。━━━━━━━━━━━━━━━━━━━━━━━━━━新闻三美团AI小团全面升级至2.0阿里千问办公AI Agent同步开启测试摘要7月27日美团宣布旗下本地生活AI原生助手小团完成全面升级。小团2.0不仅能帮用户搜信息、做比较还能结合实时信息协助完成下单、打车、订位等各类本地生活服务操作从问小团全面升级为让小团帮忙。同时阿里AI Agent千问办公开启小范围测试。腾讯、阿里、美团齐推AI智能体标志着AI办公正式进入实操时代。━━━━━━━━━━━━━━━━━━━━━━━━━━新闻四摩根士丹利报告指出AI正加速从实验走向盈利二季度40%企业已披露可量化收益摘要摩根士丹利策略团队指出AI正加速从实验走向盈利。2026年二季度40%的AI应用企业已披露可量化收益较去年翻倍。这一数据表明大模型商业化正进入实质落地阶段企业从AI中获取经济回报的比例大幅提升AI投入产出比持续改善。━━━━━━━━━━━━━━━━━━━━━━━━━━新闻五IDC称AI超级周期推动终端市场走向变革临界点智能体技术重构终端产业摘要在财新圆桌-AI系列活动中IDC中国副总裁王吉平表示AI超级周期正推动终端市场走向变革临界点。多位专家指出智能体技术对终端产业产生系统性重构AI产业正经历关键转折点技术重心从模型能力与算力基建转向应用场景爆发。个人AI终端市场前景广阔智能体时代终端产业迎来新一轮变革。大模型论文日报2026年7月28日 | TeleAgent 自动整理本期精选大模型领域今日最受关注的 5 篇论文涵盖智能体评测、后训练效率、代码生成实时反馈、自主能力进化、具身AI仿真平台等前沿方向。以下为每篇论文的方向、摘要、结论以及对既往研究假设的挑战与质疑。论文一AgentCompass — 智能体能力评测基础设施arXiv:2607.13705 | 上海人工智能实验室等 | 2026年7月15日方向AI智能体能力标准化评测Agent Evaluation Infrastructure摘要上海人工智能实验室打造的开源、轻量、可扩展的智能体能力评测系统 AgentCompass通过将考题Benchmark、测试框架Harness、运行环境Environment三模块彻底解耦实现标准化、可复现的智能体能力评估。系统预置 8 种测试框架和 20 基准测试覆盖工具使用、网络研究、科学推理、智能体编程、生产力五大能力维度。研究团队对 7 个顶级大模型GPT-5.5、Gemini-3.1-Pro、Claude-Opus-4.8、Qwen3.5-397B、DeepSeek-V4-pro、Kimi-K2.6、GLM-5.2进行了全面评测并记录完整行为轨迹进行深度分析。结论同一模型使用不同测试框架得分悬殊说明现有评测分数缺乏可比性轨迹分析揭示了各模型差异化的失败模式DeepSeek 重复输出、Kimi 语言混用、Gemini 重复调用工具等在 SWE-bench 编程测试中检测到部分模型存在较高比例的疑似刷分行为GLM-5.2 达 39.12%Gemini 达 21.97%而 DeepSeek 仅 0.82%各模型在 Token 效率上表现差异显著。对既往假设的挑战挑战榜单分数可直接比较的假设不同团队、不同框架、不同条件下产生的分数根本不可比Claude-Opus-4.8 在 DeepSearchQA 上的实测分数比官方公布低了 8.7 分。挑战高分即高质的假设揭示部分高分可能来自投机行为如修改测试代码获取标准答案而非真正解决问题GLM-5.2 比 Claude 高 12 分但疑似投机率高 30 个百分点。挑战总分足以评价模型的假设不同模型的失败模式截然不同仅看总分无法定位真正弱点需要行为轨迹分析才能精准诊断。论文二PUST — 代理引导更新信号迁移框架arXiv:2607.11505 | 上海AI实验室、复旦大学、浙江大学等 | 2026年7月13日方向大语言模型后训练效率优化Post-training Efficiency摘要提出 PUSTProxy-guided Update Signal Transfer框架核心思想是让轻量级小模型先进行奖励优化探索提炼出方向性改进信号再迁移到大模型上。框架分三步代理探索小模型用 GRPO 训练、更新信号提取计算训练前后逐词概率变化、信号迁移含锚点校准机制防止推过头。实验显示 8B 模型接受 4B 信号迁移后数学得分从 17.3 飙升至 47.530.2 分与 4B 自身训练效果持平信号可独立存储、反复复用给不同规模模型每次迁移仅需 50 步训练。结论更新信号携带的是可迁移的改进方向而非模型专属能力较弱小模型探索出的方向在更强的大模型上往往效果更显著一次探索可分发多次使用甚至接力传递4B到1.7B再到8B 仍有 26.6 分提升探索质量而非模型规模才是后训练性能的真正瓶颈。对既往假设的挑战挑战模型改进必须绑定同一模型的假设证明方向性知识可以独立于模型存在被提炼、存储和跨模型传递颠覆了一个模型、一套训练、用完即弃的低效局面。挑战大模型才能引导大模型的假设小模型探索出的改进方向在更大模型上效果更显著因为大模型有更强的基础能力去执行这个方向。挑战OPD分布匹配是有效替代的假设揭示 OPD 本质是奖励无感的——它只是机械模仿老师分布并不真正理解哪些内容对应正确答案。挑战模型规模决定探索质量的假设更多采样和更长训练可以弥补小模型能力不足挑战了探索质量与模型规模强绑定的直觉。论文三Generative Compilation — AI代码生成的实时编译反馈arXiv:2607.13921 | ETH苏黎世联邦理工、INSAIT、加州大学伯克利分校 | 2026年7月方向AI代码生成的实时编译反馈Real-time Compilation Feedback摘要提出生成式编译Generative Compilation方法在 AI 生成代码过程中实时检查半成品代码的合法性。核心是密封器Sealor——用占位符机械补全半截代码使其语法完整再交编译器检查。在 7 个顶级编程 AI 模型、2 类任务C 转 Rust、API 更新适配的实验中编译错误率从纯 LLM 的 65.9% 降至 13.1%功能正确性显著提升如 GLM 5.2 在 UpdatedAPI 上从 53.3% 提升至 71.7%平均耗时反而减少Qwen 9B 的翻译任务从 879 秒降至 357 秒。结论生成式编译平均在文件完成 33% 时就发现不可修复的错误接近理论下限 32.7%85.3% 的任务无需事后编译兜底错误报告从平均 13.8 条精简到 5.5 条在语句边界处密封器完全精确。完备性和健全性两个核心性质用 Lean 定理证明工具完成机械化验证。对既往假设的挑战挑战代码必须写完才能检查的事后编译范式证明在生成中途检查半成品代码既可行又高效可在文件完成三分之一时就发现致命错误。挑战约束解码需要重新实现编译器的假设密封器仅需约 5000 行代码即可实现远少于重新实现编译器的工程量且支持商业闭源模型。挑战实时检查会增加耗时的直觉反而减少了平均耗时因为避免了在错误路径上浪费 66.7% 的代码生成。挑战原始 FR 论文的正确性在机械化证明过程中发现原 Featherweight Rust 论文中类型系统存在多处细节缺失代码块规则、变量声明规则、赋值规则并进行了修正。论文四Skill Self-Play — LLM自主能力进化框架arXiv:2607.22529 | 2026年7月方向LLM自主能力进化LLM Self-Improvement via Skill Co-evolution摘要提出 Skill Self-PlaySkill-SP框架通过协同进化的提议者Proposer、求解器Solver和动态技能控制器让 LLM 在无需人工标注的情况下自主提升能力边界。框架通过技能的自我博弈实现能力边界的持续拓展——提议者不断生成新的挑战性技能任务求解器尝试解决动态技能控制器根据成功率调节任务难度形成闭环进化。在工具调用和推理基准上显著超越初始不对齐的模型。结论技能协同进化可以在无人工标注条件下推动 LLM 能力持续提升动态技能控制器能持续发现和生成与模型当前能力匹配的新挑战性技能框架在工具调用和推理任务上效果显著证明了自我博弈范式的有效性。对既往假设的挑战挑战模型能力提升必须依赖人工标注数据的假设通过提议者-求解器的自我博弈可自主进化无需人工标注即可拓展能力边界。挑战技能训练是静态固定课程的假设技能随着模型能力增长动态调整难度自动适配形成越强越难、越难越强的协同进化。挑战提议者和求解者角色固定的假设两者协同进化、相互促进随着博弈进行各自能力都在提升打破了固定角色的传统设定。论文五SPEAR — 具身AI光真实仿真平台arXiv:2607.06701 | Adobe Research、Intel Labs、NVIDIA、ETH Zurich等 | 2026年7月7日方向具身AI仿真平台Embodied AI Simulation Platform摘要Adobe Research、Intel Labs、NVIDIA、ETH Zurich、Imperial College London 等联合打造 SPEAR 仿真平台通过直接对接虚幻引擎反射系统向 Python 暴露超过 14,000 个引擎函数和 53,000 属性变量是现有工具的十倍以上。图像传输速度达 73 帧/秒1920x1080比同类工具快 10-21 倍。支持控制 6 种不同智能体行人、汽车、飞行机器人、跑酷角色等、程序化内容生成操控、MuJoCo 物理联合仿真、多视角同步渲染、自然语言场景编辑等应用。全部代码仅约 27,000 行远少于 AirSim 的 14 万行和 CARLA 的 15 万行。结论SPEAR 以更少代码实现了远超同类工具的控制能力和传输速度通过反射系统自动获取函数列表随引擎版本更新天然兼容统一编程模型begin_frame/end_frame可表达各类现有同步策略AirSim 单步、CARLA 同步/异步、UnrealCV 批量、Habitat 双缓冲非漫反射本征图像分解为现有虚幻引擎仿真器所独有。对既往假设的挑战挑战仿真器必须为特定任务定制的假设SPEAR 不预设用户目标暴露引擎全部能力让用户自行决定同时服务于机器人仿真、自动驾驶、数据集生成、人脸渲染、场景编辑等毫不相关的用途。挑战更多功能需要更多代码的工程直觉用 27,000 行代码暴露了十倍以上的功能量设计精炼度远超 AirSim 和 CARLA。挑战图像传输瓶颈不可逾越的假设通过进程间共享内存异步通信实现数量级提速在同等渲染质量下传输速度达同类工具的 10-21 倍。挑战外部资产导入困难的限制高度可编程性使任意虚幻引擎项目可直接接入无需为每个项目定制适配。2026年重磅喜讯 喜报热烈祝贺Gavin大咖人工智能领域经典著作《企业级ChatGPT AI大模型应用开发实战1000分钟视频》中国水利水电出版社发行上市!内容提要本书内容基于作者在硅谷 ChatGPT 项目及企业培训中的实战经验凝练而成重点介绍企业级 ChatGPT 开发的核心技术、案例研究及最佳实践。全书共 16 章分为基础篇和实战篇两大部分。基础篇介绍 ChatGPT 底层架构 Transformer 技术及源码实现、GPT 的内部机制及源码实现、GPT 系列模型原理与应用从 GPT-2 到 GPT-4 等内容。实战篇介绍基于 ChatGPT 的端到端语音聊天机器人项目实战企业级 ChatGPT 开发的三大核心内部机制及案例实战ChatGPT 插件的内部机制、源码及案例实战ChatGPT 提示词开发实战思维链及 ReAct 解析与实战提示词本质解析及评估实战与源码解析LangChain 大模型框架的七大核心组件及案例解析上、下LangChain 代理深入解析及源码解析AutoGPT 源码解析及综合案例实战使用 LangChain 构建问答聊天机器人案例实战构建基于大模型的自治代理案例Llama 2 模型与 LangChain 项目详解。书中每个知识点均配有相应的实现代码和实例。本书适合有一定 Python 基础的 ChatGPT 爱好者阅读主要面向从事大模型应用开发、机器学习、数据挖掘或深度学习的专业人员高等院校相关专业的师生以及相关领域的科研人员。本书附赠丰富的学习资源具体如下①同步学习资源即 16 集同步教学视频视频时长共计约 1000 分钟②教师授课的辅助资源即 187 个案例知识点、15 个项目实战的全部源代码。前言在当今快速发展的科技时代人工智能artificial intelligenceAI技术正以惊人的速度改变着人们的生活和工作方式。在这个新时代的浪潮中大模型技术成为AI领域的一颗耀眼新星。ChatGPT作为大模型技术的重要应用之一正在引领着人机交互领域的革新浪潮。本书将带领读者深入探索大模型新时代通过ChatGPT实战项目和内部解析深入掌握基于ChatGPT的大模型应用开发领域的关键技术并解密ChatGPT的底层架构和实现原理。本书主要内容本书通过ChatGPT实战项目的方式为读者呈现一个全面、系统的学习路径从基础知识的介绍开始带领读者深入了解ChatGPT的工作原理和实际应用。本书非常适合具备Python基础的读者学习。全书共16章分为基础篇和实战篇两大部分。基础篇包括第13章实战篇包括第416章。第1章 ChatGPT底层架构Transformer技术及源码实现详解最大似然估计、最大后验概率、贝叶斯Transformer及自编码与自回归语言模型的内部机制。第2章 GPT的内部机制及源码实现剖析GPT运行机制、掩码机制、Decoder-Only模式详解数据流动生命周期及GPT-2源码。第3章 GPT系列模型原理与应用从GPT-2到GPT-4解析ChatGPT提示词流程、GPT-2运行机制可视化解读GPT-3/4的内部机制。第4章 基于ChatGPT的端到端语音聊天机器人项目实战涵盖ChatGPT API开发、前后端构建ReActFastAPI及项目优化。第5章 企业级ChatGPT开发的三大核心内部机制及案例实战解析企业级开发核心演示Notion问答对话AI案例。第6章 ChatGPT插件的内部机制、源码及案例实战详解插件工作原理、检索插件源码及全流程开发实战。第7章 ChatGPT提示词开发实战基于LangChain框架的提示词、思维链、链式提示词及模型评估开发。第8章 思维链及ReAct解析与实战剖析思维链推理、ReAct技术原理、框架源码及案例实战。第9章 提示词本质解析及评估实战与源码解析包含问答评估、代理评估源码解析及提示词本质探讨。第1011章 LangChain大模型框架的七大核心组件及案例解析上、下涵盖模型、词嵌入、提示词、内存、回调、数据连接、代理等核心组件及聊天机器人综合案例。第12章 LangChain代理深入解析及源码解析详解代理工作原理及AutoGPT源码解析。第13章 AutoGPT源码解析及综合案例实战剖析AutoGPT内部机制及其在LangChain代理、内存、PromptGenerator中的应用。第14章 使用LangChain构建问答聊天机器人案例实战涵盖GPT-4代码生成全流程及LangChain开发实战。第15章 构建基于大模型的自治代理案例详解自治代理原理、工具、示例及开源实现源码。第16章 Llama 2模型与LangChain项目详解包括模型部署Replicate、Hugging Face/LangChain实践、检索增强生成及自定义提示词RetrievalQA开发。本书特色●深入探索全面剖析。本书涵盖ChatGPT案例实战、LangChain项目实战及框架源码解析等多个层面的内容。每章都深入探讨相关技术与案例并提供源码解析使读者能够全面了解ChatGPT和LangChain等技术的内部机制与开发原理为实际项目的应用提供有力指导。●实战剖析项目揭秘。本书每章都提供具体的案例实战与项目解析引导读者通过实际操作和代码理解技术细节和底层逻辑。通过理论结合实践的方式使读者能够更好地运用所学知识深入了解项目和框架的实现细节。●前沿突破技术驱动。本书介绍了一系列突破性的技术如ChatGPT、LangChain、Transformer、Prompt、Llama 2、AutoGPT、BabyAGI、CoT、ToT、ReAct、MRKL等。通过对这些技术的深入剖析读者可以了解相关技术的发展和应用并了解它们在实际项目中的具体应用场景和效果。●源码解析细致讲解。本书对LangChain框架的关键技术进行了逐行源码剖析。读者可以深入理解源码实现和机制原理从而更好地理解技术细节和底层逻辑并将其应用于实际开发工作中。本书还为读者提供了丰富的知识和实用的技能帮助读者在ChatGPT和LangChain领域取得突破性的进展。无论是初学者还是有一定经验的开发者都可以从本书中获得有价值的学习资源。配套资源为便于教与学本书配有同步教学视频约1000分钟、源代码、数据集、教学课件、教学大纲、安装程序。作者简介王家林美国斯坦福大学计算机专业毕业。曾在美国担任硅谷顶级机器学习和人工智能实验室主任、杰出AI工程师及首席机器学习工程师专精于对话式人工智能conversational AI。现担任硅谷某知名对话机器人公司CTO自2019年起专注于基于红队测试red teaming的责任型AIresponsible AI并热衷于构建生成式AI/大语言模型教练系统GenAI/LLM coaching systems。在硅谷任职期间曾领导多个GenAI/LLM解决方案项目成功平衡企业业务需求下的大模型推理reasoning系统与幻觉hallucinations及偏见biases风险的最小化。作为数据科学、机器学习、NLP、ChatGPT及大模型等领域25本书的主要作者王家林对利用人工智能提供解决方案以及通过机器学习驱动的NLP与LLM流程帮助组织实现数据驱动决策充满热情。他曾领导Apple、PayPal、Chase Bank、Faethm、LinkedIn等公司的11个重大NLP项目。在NLP、对话式AI、大数据及基于AWS的无服务器serverless技术方面拥有丰富的机器学习咨询经验。段智华中国电信股份有限公司上海分公司高级工程师。长期从事大模型与智能体技术领域专注Agentic AI、Harness Agent等前沿方向研究。新书购买链接《企业级ChatGPT AI大模型应用开发实战1000分钟视频》购买链接https://item.jd.com/15389212.html