本文总结了AI时代数据研发从传统SQL开发向Semantic（语义层）+ DataAgent范式转型的实践与思考，指出传统模式存在效率低、语义鸿沟及口径不一致等瓶颈，而通过构建包含指标、维度、逻辑表及CTE适配层的语义层，结合Meta-ontology本体论和Wiki-RAG检索增强，实现了业务语义的结构化定义与AI自动翻译NL2SQL；该方案采用Agentic架构双轨制，将数据知识从代码迁移至语义模型，使研发角色转变为语义架构师与AI教练，并通过工程化校验与自动化治理保障资产质量，最终达成需求响应实时化、取数自动化及数据价值高效释放的目标。
不赶进度、专注打磨！今天想和大家聊聊我们最新发布的 IndexTTS 2.5，支持中/英/日/西/阿五国语言零样本配音，推理速度翻倍升级，跨语言情绪还原更自然，同时也支持原声的语速控制能力，补齐上代模型短板。在AI语音合成领域，B站自研的 IndexTTS 系列一直以高情绪还原度、可落地性强著称。这次新版 IndexTTS 2.5 并没有快速迭代更新，而是团队进行了长时间、全方位的深度打磨。宁愿推迟发布，也要把速度、音质、多语种适配、情绪自然度全部优化到位，最终给大家带来更成熟、更好用的全新版本。
当 Agent 成为团队一线生产力，知识供给的问题随之暴露：检索不准、注入低效、过时内容越堆越多。本文记录安全中心团队从定目标、搭体系到跑通知识飞轮的完整过程，包括关键决策背后的思考、踩过的坑，以及可直接复用的方法。当团队开始用 Agent 做研发和运营，一个问题很快浮出来：Agent 的输出质量，直接取决于你能给它什么质量的知识。怎么让知识「产得出、找得准、喂得进、淘汰得掉」，是每个上了 Agent 的团队都要解决的工程问题。本文章是基于团队搭建AI知识体系的实践，写建知识库整个过程的思考、踩过的坑，以及可直接复用的方法。
多产品线、多 Agent、多设备，商业客户端的 Rules、Skills 等 Harness 资产散落部署，配置漂移、规则冲突渐成隐性技术债。本文复盘了 ACX 资产部署从单文件同步到仓库整体插件化的四阶段演进，提出「ACX 唯一事实源 + 三层资产治理 + 每日自动同步」的工程实践，为规模化落地 Agent 研发模式提供了可复制的资产管理范式。
Agent Skills 是一种轻量、开放的能力扩展规范，用于为 AI Agent 扩展专业知识和工作流。本文从概念原理出发，结合真实的工程化项目 trade-ab-skill，系统性地讲解 Skill 的结构规范、触发机制、作用域优先级，以及最佳实践。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
这是一篇关于企业 Agent 落地的笔记：结合行业案例和自己的实践。我知道在 AI 时代写长文是逆潮流的——注意力越来越短。写完后我反复权衡过要不要让 AI 删减，最终没舍得删任何一段。希望对你有启发。 企业 Agent 从演示走向生产，最难的问题通常不再是模型能不能调用工具，而是三个更基础的问题：一次任务可以访问什么，分散在各团队的业务经验如何进入 Agent，以及跨越几十甚至几百步的工作状态应该保存在哪里。 如果这三个问题没有统一答案，接入再多模型和 MCP 工具，也只会得到一个能力强但不可治理的聊天机器人。本文讨论一种更接近生产系统的架构：以统一 harness 承载执行和安全，以 skill 分发领域能力，以虚拟文件系统管理长任务的上下文、证据和最终产物。
本文指出当前AI提效陷入“单点优化、全局低效”困境的根源在于协同缺失，主张通过重构生产侧将流程串联者从人转变为Agent，构建以“知识底座+Agent+人”为核心的AI Native团队闭环形态，其中人负责目标与判断，Agent基于统一的知识底座承担执行与串联；文章强调软件是被固化的知识，而实现该形态的关键瓶颈并非协同工具，而是如何为存量业务构建具备自治能力、能清晰定义业务规则与流程且可持续更新的知识底座，这已成为企业提升全局效率必须跨越的核心门槛。
