1329 search results
围绕人工智能的宏观经济影响，一种直观图景是“K型复苏”：人工智能相关资本、头部企业和少数高技能群体向上，普通劳动者以及部分面向居民的传统部门向下。但如果这种分化源于普通劳动逐步退出核心生产要素，同时机器部门形成相对独立的投资和扩大再生产循环，那么它就不只是一次周期性复苏中的分化，而可能是经济史的拐点。判断二者的差别，需要首先回答一个基础问题：人工智能经济究竟是什么。本文不对当前是否已经形成这种结构性“K型”分化作经验判断，而是提出一套区分周期性分化与经济形态转变的理论框架和识别标准。
当 Agent 自己会出题、自己会答题、还能把答错的经验沉淀成下一次的"技能包"——一个永远在长大的 Agent，到底能走多远？十几篇论文反复啃读，从"存技能"到"训技能"，再到"零数据自训"，我们终于摸清了自进化 Agent 这条赛道的脉络。本文将带你深入 Agent 的"经验大脑"——从把经验写进文件，到把经验训进权重，再到完全无人工数据的自我循环，一步步拆解研究路径。
我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造了架构拆分、稳定前缀、渐进式披露、代码图谱、CLI 替代 MCP、长期记忆按需索引、工具调用并行化等 10 个方向。整体全流程预估降本 50%~65%。
