随着 AI 视频进入生产阶段，生产成本开始成为越来越多团队绕不开的问题。 旗舰模型不断提升画质上限，更轻量的模型不断推出。很多人曾以为，“视频生成成本”这道题，会随着算力效率提升和模型能力演进被自然解开。但真正把 AI 视频推进到规模化生产的团队很快发现：生成门槛在降低，账单却并没有随之变薄。 因此围绕着 AI 视频生产降本这一话题，行业里已经出现了多种探索。
AI 时代下，平台如何做内容治理与分发？SkillHub 作为国内最大的 Skill 社区之一，与小红书、知乎、App Store 这些传统内容社区做推广搜有什么不同？SkillHub 是如何帮助用户快速找到那 20% 值得被看见的 Skill 的？本文将通过深度解读 SkillHub 针对这些命题的思考与实践，来逐一为大家解答。
每天，成千上万句的“小度小度”涌向 AI 助手。小度 AI 智能助手产研团队以信息类 Bot（Aries）为试点，打通了从 bad case 发现、问题定位到上线解决的完整闭环，并将这套方法推广至音乐、短视频和长视频业务，推动研发从被动接需求转向主动发现问题、端到端解决问题。实践效果明显：在不增加人力的情况下，Aries 每周解决需求数从 2 个提升至 12.5 个，增长约 6 倍；端到端满足度从 76.1% 提升至 81.5%。截至今年7月，团队已累计发现 160 个需求并上线解决 121 个，短视频 UP 主召回专项满足度也从 47% 提升至 67%。
本文旨在解决传统AI评测仅关注相关性而忽略因果性的局限，引入数据科学中的因果推断与博弈论方法进行归因分析，以精准量化LLM及Agent系统中各组件对结果的真实贡献度。文章首先厘清了相关性与因果性的区别，介绍了Rubin潜在结果模型与Pearl因果图两大理论框架，以及DoWhy、EconML、SHAP等主流工具库；随后针对AI评测场景，构建了基于完整Trace日志的高精度组件级归因、无中间数据时的扰动式黑盒归因、以及控制混杂变量的因果推断A/B测试三种实战策略，并通过具体案例演示了如何定位工具选择、参数构造、Prompt设计及Query复杂度等因素的影响；最后总结了当前面临的挑战、算法优化方向及常见陷阱，强调通过剥离混杂变量和量化纯净贡献度，实现从“发生了什么”到“为什么发生”及“如何优化”的深度洞察，从而精准定位系统瓶颈并指导迭代优化。
本文介绍了淘宝主播Agent的Harness工程实战，旨在通过构建模型外层的工程化“骨架”解决大模型在高风险、高并发直播场景中不可控、易漂移的问题。文章首先定义了由执行循环、工具注册、上下文管理、状态存储、生命周期钩子和评估接口组成的Harness六元组，并确立了框架层兜底安全与状态、业务层专注技能开发的分层架构，采用MySQL、Hologres和GitLab分别存储会话、记忆和技能以实现逻辑统一与物理分治。在具体实践中，通过分层压缩与Reducer模式优化上下文，利用Schema强约束、幂等设计及五层纵深防御体系保障工具调用安全，引入沙箱隔离执行风险，并以DAG全局规划替代ReAct单步决策以提升长程任务的恢复性与效率。此外，文章详细阐述了基于会话、事实、行为三层结构的记忆体系，通过记忆对账机制与信任度演化算法，实现了Agent对主播偏好的精准理解与自适应输出，最终将不确定的模型能力转化为可用、可控、可演化的工业级产品。
在 AI 很强的现在，依然很多人会认为，AI 更适用于新项目快速迭代，但很难在一个背负着沉重的历史包袱的项目中起到很大的用处。最近大半年都在重构项目，从前期使用 AI 依然困难重重，到如今 AI 能高效定位问题、给到十分贴合项目需要的解决方案，中间特别明显的一个转折点，在于开始给项目搭建 AI 上下文工程。当然，这一年来 AI 的能力本身也在不断加强，我们项目的质量和架构的合理性在我的努力重构下也在稳步提升，但 AI 上下文的搭建依然起到了十分关键的作用。今天给大家分享的，主要是如何在重构过程中，将 AI 总是胡言乱语，变成了 AI 也可高效助力的一个项目。
（和 LLM 相关的）Memory 是一个被广泛关注和讨论的话题，其中，参数化 Memory 是 Memory 的一个重要分支。但是在众多的谈论中，我发现很多文章对于“参数化 Memory”这个概念的理解并不一致，比如认为“只要训练了一个记忆特化的模型，就归类为参数化 Memory 研究”。甚至在写下这篇文章之前，我也很难系统性地理解参数化记忆的本质是什么、难点如何，以及它和 LLM 的关系如何。因此，本文主要是梳理一些脉络，尝试从头理解参数化，以及理解记忆。故称为：“漫谈”（偏教学向、学习向）。
