-
每月 1 亿次通话背后：Retell 如何用 OpenAI 模型把语音智能体做成“可运营”的生产系统
导语 语音 AI 正在从演示走向生产。OpenAI 最新发布的一篇客户案例显示，语音 AI 平台 Retell AI 目前每月处理超过 1 亿次通话，较 2026 年初的 3,000 万次大幅增长；OpenAI 模型为其平台上 80% 的通话生成回复，客户问题解决率超过 80%，Retell 在 OpenAI 模型上消耗的 tokens 已突破 1 万亿。更值得技术团队关注的是，Retell 报告其每位员工的年化收入运行率达到 160 万美元，并将 Codex 视为工程效率的关键变量。 这不是一个“模型跑分”故事，而是一个关于实时语音系统如何在延迟、可靠性、工具调用和工程组织之间做取舍的样本。依据现有素材，本文梳理 Retell 的模型选型方法、通话架构、容量策略与研发流程，并给出对语音智能体落地的一些判断。
-
GitHub Copilot Fusion 解析：把模型选择交给系统，用一半 API 成本对标 Claude Code
导语：GitHub 在旧金山 GitHub Universe 上发布 GitHub Copilot Fusion，将模型选择与编排合并为一个可委托的系统。GitHub 称，Fusion Max 在基准测试中与 Claude Code 搭配 Opus 5.5 Max 表现相当，但平均 API 成本约为后者一半，每个任务耗时约减少 40%。这背后反映出一个更值得关注的趋势：模型路由正在从“可选优化”变成编码智能体的默认能力。 一、Copilot Fusion 是什么：把“选模型”这件事收进系统 依据现有素材，GitHub Copilot Fusion 的定位是一个面向编码任务的模型选择与编排系统。它把 Project HydraFusion 的高级运行时模型编排能力，与 Copilot Auto Model Sel
-
让模型懂“本地规则”，而不只是本地语言：拆解 NVIDIA Nemotron 的区域化后训练工作流
导语 通用大模型能说法语，却未必知道法属圭亚那的护照印花税是 43 欧元、法国本土是 86 欧元；它能给出“邮寄申请”的建议，却不知道在法国护照办理中，行动不便者应当由工作人员上门办理，邮寄并非可选路径。NVIDIA 在最新技术博客中给出的判断是：这类问题不是语言能力问题，而是 本地知识与流程精确性 问题，解法是后训练（post-training），而非换一个更大的基座模型。 围绕法国与比利时两个 Nemotron-Personas 数据集，NVIDIA 展示了一条从行为契约定义、合成对话生成、LoRA 微调到对比评估的完整链路。本文基于该素材，梳理这条工作流的关键设计取舍，以及它对区域化 AI 落地的参考意义。 配图建议：NVIDIA Nemotron 区域化模型与数据集主题配图（素材中已有官方博客头图，请由
-
OpenAI 与 Oracle 把企业应用搬进 ChatGPT：一场关于“智能体工作台”的入口争夺
导语 ：OpenAI 与 Oracle 宣布扩大合作，方向不只是“在 ChatGPT 里多接几个企业应用”，而是双向的：一方面把 Oracle 应用和数据引入 ChatGPT，另一方面用 OpenAI 模型与产品支撑新的 Oracle 产品。对企业技术决策者而言，这更像是一次关于“AI 智能体从哪里进入核心业务系统”的路线表态。 合作的核心：双向嵌入，而非单向集成 依据 OpenAI 官方博客披露的信息，双方的合作可以拆成两条主线： Oracle → ChatGPT ：Oracle 正在开发 Oracle AI Workspace，通过集成 Oracle 应用和数据，把业务工作流带进 ChatGPT。 OpenAI → Oracle 产品 ：Oracle 发布或更新了多款使用 OpenAI 模型和工具构建的产品
-
从“工作负载停在哪”到“故障从哪开始”：解读 NVIDIA Attribution 的分布式 AI 故障归因思路
导语：分布式 AI 训练中，一个 GPU 或网络结构事件往往会在其他 rank 上引发 NCCL 报错、调度器状态变化和大量下游消息。运维人员看到的通常是“工作负载停在哪里”，而不是“故障从哪里开始”。NVIDIA 在技术博客中介绍了开源工具 NVIDIA Attribution，试图用工作负载范围内的证据关联和确定性规则，把这一差距补上。本文基于该博客素材，梳理它的归因模型、架构设计与工程取舍。 一、问题定义：症状链不等于根因 NVIDIA 博客给出的场景非常典型：一个多 rank 训练工作负载中，某个 GPU 发生硬故障（例如 XID 149），随后其他 rank 出现 NCCL 错误。如果只看报错，很容易得到“多个节点通信异常”的结论；但真正需要修复的，可能只是某一台节点上的 NVLink 信号完整性问题
-
2026 年数据科学平台选型指南：十大平台的能力边界与决策逻辑
导语：数据科学平台的竞争已经从“功能清单”转向“工作流整合”。Analytics Insight 近期盘点了 2026 年用于分析与机器学习的十大数据科学平台，涵盖 Databricks、Amazon SageMaker AI、Google Cloud Vertex AI、Microsoft Fabric、Snowflake、Dataiku、DataRobot、IBM watsonx、SAS Viya 与 KNIME。本文基于该素材，梳理各平台定位、适用场景与选型时需要核对的现实因素。 一、平台格局：三条路线并行 从素材列出的十个平台来看，2026 年的数据科学平台大致可分为三类： 云厂商一体化平台 ：Amazon SageMaker AI、Google Cloud Vertex AI、Microsoft Fa
-
InfoComm China 视听链接会再次走进上海，直击CIO视角下的AV+AI“规模化落地”
聚焦华东·链接企业决策者！InfoComm China 视听链接会再次走进上海，直击CIO视角下的AV+AI“规模化落地” 11月12日，由InfoCommAsia主办的InfoComm China 2026 视听链接会·上海站将在上海东锦江希尔顿逸林酒店拉开帷幕。 作为2026年度收官之作，本次活动以“企业空间智能决策日——与CIO共探AV+AI从试点到规模化”为主题，聚焦企
-
向量数据治理：Embedding 资产编目、版本与质量
导语：当 RAG、语义搜索和推荐系统把 Embedding 变成基础设施的一部分，团队真正缺的往往不是“再训一个模型”，而是“说清楚手里到底有哪些向量资产、它们从哪来、还能不能用”。本文围绕编目、版本与质量三条主线，梳理向量数据治理的落地思路。本文为方法论层面的框架性讨论，不涉及具体产品版本、性能数据或厂商评测。 一、为什么 Embedding 需要“治理”而不是“管理” 传统数据治理的对象是表、字段和指标，而 Embedding 的治理对象是一组 由模型生成、随模型变化而失效的派生数据 。它有三个天然难点： 不可读 ：向量本身没有语义，人无法直接判断对错，必须依赖检索结果、下游任务指标或抽样回查。 强耦合 ：一条向量的含义由“原始内容 + 切分方式 + 模型 + 预处理”共同决定，任一环节变化都可能让旧向量与
-
Agent 长上下文管理：摘要、检索与上下文窗口调度
导语：当 Agent 从“单轮问答”走向“多步任务执行”，上下文不再只是一次请求的输入，而是一份需要持续维护的工作记忆。窗口有限、成本敏感、信息又不断累积，长上下文管理因此成为 Agent 工程化的核心问题之一。本文围绕摘要、检索与上下文窗口调度三条主线，梳理常见做法与工程权衡。本文为方法论层面的整理，不涉及具体产品版本与实测数据。 一、问题的起点：上下文为什么会“不够用” Agent 的上下文压力来自几个方向的叠加： 任务链条变长 ：多步推理、工具调用、观察结果回填，使对话轮次和 token 数量持续增长。 工具输出体积大 ：检索结果、日志、文件内容、API 返回往往是长文本，且难以预先裁剪。 窗口存在硬上限 ：无论模型窗口多大，都存在边界；同时长上下文通常伴随更高的延迟与成本。 信息价值不均匀 ：早期对话可
-
Agent 对抗测试：诱导越权、提示注入与鲁棒性评估
导语：当 AI Agent 从“对话工具”走向“能调用 API、读写文件、执行任务”的执行体，安全评估的重心也在转移。传统 LLM 评测关注回答是否正确、是否合规，而 Agent 评测还必须回答一个更棘手的问题：当它被诱导、被注入、被反复施压时，会不会做出超出授权范围的事。本文围绕诱导越权、提示注入与鲁棒性评估三条主线，梳理 Agent 对抗测试的基本框架。 一、为什么 Agent 需要“对抗测试”而不只是“功能测试” 普通 LLM 的输入输出边界相对清晰：用户给一段文本，模型回一段文本。Agent 则不同，它通常具备三类额外能力： 工具调用 ：通过 API、函数调用、插件访问外部系统； 状态持久化 ：读写文件、维护记忆、跨轮次保留上下文； 自主规划 ：把一个大目标拆成多步，自行决定调用顺序。 这三类能力叠加后
-
合成数据合规治理：生成、标注与使用边界
导语：合成数据正在成为大模型训练、隐私保护和长尾场景补全的重要数据来源，但它并不是“天然合规”的替代品。围绕生成、标注与使用三个环节建立治理框架，才是合成数据真正进入生产系统的前提。 一、为什么合成数据需要“治理”而不是“使用” 合成数据通常指由模型、仿真器或规则引擎生成，而非直接从真实世界采集的数据。它在实践中被用于缓解三类问题：真实数据获取成本高、敏感数据不可直接流通、长尾与极端场景样本稀缺。 但合成数据的合规风险并不会因为“不是真实数据”而消失，反而呈现出新的形态： 来源风险 ：生成模型本身可能基于受版权、授权或使用条款约束的数据训练，生成结果可能与原始数据存在记忆性关联。 失真风险 ：合成数据可能放大模型偏见、引入系统性偏差，导致下游模型在真实场景中表现退化。 溯源风险 ：合成数据缺乏天然来源标识，一旦
-
从「中台玄学」到 AI Coding 我们又在重复同一个剧本
从「中台玄学」到 AI Coding我们又在重复同一个剧本————前几年技术圈有个玄学，叫中台。这个故事很多老架构师都听过：2015 年，马云带着一众高管跑到芬兰赫尔辛基，拜访手游公司 Supercell，就是做出《部落冲突》《海岛奇兵》那家。这家公司非常魔幻，全公司不到 200 人，一个开发小组也就 2-7 个人，他们叫 Cell，细胞小组。靠着一套沉淀好的素材、引擎、算法中台，小团队几周就能搓
-
“Databricks+Palantir”结合体?拓数派以DOMA全链路推动企业AI落地
拓数派定位为Data+AI基座链主企业，在智能体落地推进中优先携手各行业链主客户开展标杆验证，待场景跑通后沉淀标准化行业经验与落地方法论，再向同行业其他主体复制推广。
-
能管事的AI助理来了!蚂蚁灵光2.0开启Personal Agent中国式探索
整体来看，目前Personal Agent整个赛道尚处于早期摸索期。Personal Agent与原有平台的博弈本质上是数据、流量与用户控制权的重新划分。短期来看，很难出现一统生态的通用个人智能助手，更多会是基于自身优势积累进行碎片化、场景化的试点落地。
-
动态场景语义 SLAM：移动机器人的地图更新策略
导语 在静态假设下，SLAM（Simultaneous Localization and Mapping）系统已经能在许多室内外场景中稳定工作。但真实环境中的移动机器人面对的往往是行人、车辆、移动设备等动态物体，这些物体会在传感器视野中反复出现与消失，破坏传统 SLAM 所依赖的“环境静止”前提。语义 SLAM 通过引入物体类别信息，为区分静态结构与动态目标提供了新的可能，而如何在动态场景中设计合理的地图更新策略，则成为系统能否长期稳定运行的关键。本文围绕这一主题，梳理问题背景、策略思路与工程权衡。 一、为什么动态场景会破坏传统地图更新 传统 SLAM 的地图更新通常建立在两个隐含假设之上： 静态假设 ：环境中大部分结构在观测期间保持不变，地图可以持续累积观测。 数据关联一致性 ：同一地图点在不同时刻的观测可以
-
AI 时代，知识图谱的构建变容易了吗？
导语：大模型让“抽取三元组”这件事看起来唾手可得，但知识图谱的构建从来不只是抽取。当 LLM 被塞进知识图谱流水线，变简单的是某一环，变复杂的可能是整体。 一、先厘清：知识图谱构建到底难在哪 讨论“是否变容易”之前，需要把知识图谱构建拆成几个相对独立的环节。通常包括： 本体与 schema 设计 ：确定实体类型、关系类型、约束与粒度。 信息抽取 ：从文本、表格、日志等非结构化或半结构化数据中识别实体、关系、属性。 实体对齐与消歧 ：判断“同一实体”的不同表述，处理重名与跨源冲突。 知识融合与校验 ：合并多源知识，处理矛盾、补全缺失、评估置信度。 存储、推理与更新 ：图数据库建模、规则与推理、增量更新与版本管理。 传统流水线中，信息抽取长期是人力密集的瓶颈：需要标注语料、训练 NER/RE 模型、维护规则模板。L
-
端侧 Agent 部署：模型压缩、隐私与实时性如何取舍
导语：当 Agent 从云端走向手机、PC 与车机，工程团队面对的不再只是“模型能不能跑”，而是“在有限算力、有限内存和严格隐私约束下，如何让 Agent 稳定、实时地完成任务”。本文围绕模型压缩、隐私保护与实时性三者的权衡展开讨论。 一、为什么端侧 Agent 是一个“约束求解”问题 云端 Agent 的典型优势是模型大、上下文长、工具调用不受本地资源限制。一旦部署到端侧，约束条件会同时收紧： 算力与内存受限 ：移动设备、嵌入式设备难以承载大规模参数模型，推理时的显存/内存占用成为硬门槛。 功耗与发热受限 ：持续推理会带来电量消耗与温升，影响用户体验。 隐私要求更高 ：用户数据留在本地，减少上传，是端侧部署的核心动机之一。 实时性要求更严 ：语音交互、界面操作等场景对首字延迟和响应时延敏感。 因此，端侧 Ag
-
Agent 用户意图澄清：主动提问与歧义消解策略
导语：当用户说“帮我订个会议室”，Agent 应该直接执行，还是先问一句“几个人、什么时间”？意图澄清看似只是多问一句话，实则是 Agent 从“能听懂”走向“能可靠完成任务”的关键能力。本文围绕主动提问的触发条件、歧义消解的策略设计与工程落地展开讨论。 一、为什么“听不懂就问”比“猜着做”更重要 传统对话系统的失败往往表现为“答非所问”，而 Agent 的失败代价更高——它会 真的去执行 。一个被误解的指令可能触发下单、发邮件、改配置、删数据等不可逆操作。 因此，意图澄清在 Agent 架构中不是可选的礼貌行为，而是 风险控制机制 ： 降低不可逆操作风险 ：执行前确认关键参数，避免误操作。 提升一次成功率 ：与其猜测后返工，不如用一轮提问换取准确执行。 改善用户体验 ：用户更愿意被问一句，也不愿看到 Agen
-
Agent 工具选择与路由：多工具环境下的决策优化
导语 当 Agent 从“会聊天”走向“能办事”，它面对的第一个工程难题往往不是模型能力，而是工具选择：在几十甚至上百个可用工具中，如何为当前任务挑出正确的那个，并在多步执行中持续做出合理决策。本文围绕工具选择与路由这一主题，梳理问题结构、常见策略与工程权衡。 一、问题定义：Agent 为什么需要“路由” 在单工具场景下，Agent 的决策空间很小，调用即可。但在多工具环境中，决策复杂度会随工具数量与任务步骤快速上升，主要体现在三个层面： 选择问题 ：给定用户意图，从候选工具集中选出最合适的一个或一组工具。 路由问题 ：当工具存在能力重叠、或需要串联多个工具时，决定调用顺序与数据流向。 收敛问题 ：在多步执行中判断何时停止调用、何时回退、何时向用户澄清。 这三层问题共同构成了 Agent 的“决策优化”空间。工
-
个人 AI 助理为什么突然火了？
导语：个人 AI 助理并不是新概念，但它最近一段时间明显从“演示视频里的酷炫玩具”变成了“被反复讨论的产品方向” 一、先厘清：这里的“个人 AI 助理”指什么 在讨论“火”之前，有必要先界定对象。依据现有素材判断，个人 AI 助理通常指以自然语言为主要交互方式、能够跨任务协助用户处理信息与事务的智能体形态产品，典型能力包括： 对话与理解 ：用自然语言接收需求，而不是依赖固定菜单和表单。 任务执行 ：不止回答问题，还能调用工具、操作软件、完成多步骤流程。 上下文记忆 ：在较长周期内保留用户偏好与历史信息，形成“越用越懂你”的体验。 多端触达 ：在手机、桌面、浏览器等场景中持续可用。 它与早期语音助手的关键差别，在于“执行”和“记忆”这两个维度被显著强化。 二、为什么是现在：几个叠加的推动因素 1. 大模型能力跨过
