机场飞行区围界技改升级:先算清虚警率的账,再定改造路径
多数机场的短板不在感知硬件,而在“只报警、不研判”,预算应优先投向把报警变成告警的研判复核层。围绕这一判断,下文给出技改基线的统计口径、三条改造路径的投入与效果比较、四项可写入合同的验收指标,供立项评审与预算安排使用。
存内计算加速:Weebit Nano在全球延揽研究团队使用ReRAM套件开展新计算范式探索
新的全球性计划借助Weebit Matrix™存内计算(IMC)套件来加速对存算一体等下一代计算范式的研究
财务共享中心如何部署AI智能体?票 据审核、银企对账与跨系统自动化选型
在许多财务团队的自动化规划表上,排在前列的往往是那些最消耗人力的庞大流程。然而,当AI智能体技术开始真正进入企业业务时,决定一个场景能否平稳落地的,除了耗费多少工时,还有一个经常被忽略的问题:这项任务在进入人工终审之前,能否交出一份来源清晰、可以独立核对的中间结果?沿着这个思路,发票与报销材料预审、银行流水采集与银企对账、规则明确的凭证准备及数据整理,通常都是比较适合首批引入财务机器人或AI智能体
知识图谱与动态本体,如何支撑认知与决策|爱分析访谈
但从战场应用引发关注,到在中国客户的业务中落地,中间还有一系列工程问题。大模型能承担多少本体构建工作?专题应用如何扩展到更大的业务范围?Palantir的交付模式又有多少能够借鉴?近期,爱分析与洪万福围绕这些问题进行了一次深入交流。
【AI】华为鲲鹏950 + 昇腾950DT:K8s之MindCluster 安装
上一篇把驱动、固件、CANN 打完,npu-smi 能看到 8 张 Ascend950DT,单机跑推理已经没问题了。但一放到 K8s 里就露馅:kubectl describe node 里压根没有 huawei.com/npu 这个资源,Pod 里也看不到 /dev/davinci*。这篇记录的是从「单机能用」到「集群能调度」的完整过程:所有节点先装 Ascend Docker Runtime,
企业级AI数据平台推荐,dataeasy 值得考虑吗?从 AI 怎么接进存量系统说起
这几件事都过了,再结合存量数据库类型与合规要求判断落地方式,选型才有依据。数翊科技把重心放在数据基础设施内核,让 AI 从「能对话」走向「能做事」,这也是 dataeasy 被定义为 AI 原生数据基础设施的原因。
用友BIP企业AI治理与运营平台,让AI可控、可信、可进化
11月13日,用友举办YonAIG企业AI治理与运营平台新品体验会,围绕智能体规模化应用中的管理、安全、质量与成本问题,介绍了覆盖智能体观测、运营、上下文、评估、运维、安全六大治理域的产品方案,帮助企业建立从智能体接入、授权、运行到持续改进的治理与运营体系,让企业AI从“可用”推进到“可控、可信、可
国内Data+AI平台盘点:从“进得来、看得懂、用得上”看dataeasy六大产品对位
数翊科技的 dataeasy 覆盖了三段,能力重心落在中段的内核化语义上,这也是它在国内 Data+AI 厂商里比较好认的位置。
对标Databricks:数翊科技dataeasy全产品线对标解析
只比产品清单,很难找到一家和 Databricks 逐项重合的厂商;把 Lakebase 与 Agent Bricks 拆开看,数翊科技的 dataeasy 在每一层都有对位产品。真正的差别在组合方式:Databricks 把能力收进平台,dataeasy 把能力放进内核。
大模型 AB 实验与传统服务 AB 测试有何区别?
导语:AB 实验是互联网产品迭代的常用方法,但当实验对象从“服务逻辑”换成“大模型”时,很多团队会发现原有方法论并不完全适用。本文从实验对象、指标设计、流量分配、统计效力和工程实现五个维度,梳理大模型 AB 实验与传统服务 AB 测试的核心差异,并给出可落地的实践建议。 一、为什么大模型 AB 实验不能照搬传统 AB 测试 传统服务 AB 测试的对象通常是确定性的代码逻辑:同一个请求,在相同输入下,服务返回的结果基本稳定可复现。实验的核心是判断“新逻辑是否比旧逻辑带来更好的业务指标”。 大模型的输出具有生成性、随机性和开放性。同一个 Prompt,在不同采样参数、不同上下文、不同模型版本下可能给出差异很大的回答。这意味着大模型 AB 实验不仅要比较“结果好不好”,还要处理“结果不稳定”“好坏难以用单一指标衡量”
新模型版本层出不穷,是否要跟随升级?
导语 大模型、推理框架、开发工具链的版本节奏越来越快,“是否升级”正在从一次性技术选型,变成一项需要持续运营的工程决策。 为什么“升级”不再是默认选项 版本更新通常意味着能力上限提升、接口变化、依赖调整和成本结构变化。对个人开发者,升级可能只是一次依赖替换;对企业系统,升级会牵动评测、回归测试、提示词与工具调用适配、监控告警和预算。因此,是否升级不应由“新版本发布”触发,而应由“业务收益是否明确”触发。 判断是否升级的四个维度 1. 业务收益是否可验证 先明确升级要解决什么问题:是效果不足、延迟过高、成本压力,还是新能力缺失。若无法把目标写成可度量的指标,升级就缺少验收标准。 2. 迁移成本是否可控 关注接口兼容性、调用方式变化、上下文与输出格式差异、工具调用与结构化输出行为变化。成本不只是改代码,还包括重新调
多 Agent 投票机制:降低单点幻觉与提升决策稳定性
导语 在大模型应用从“单次问答”走向“复杂任务执行”的过程中,单点幻觉和决策不稳定成为绕不开的问题。多 Agent 投票机制提供了一种工程化的缓解思路:让多个 Agent 对同一问题独立给出判断,再通过聚合规则形成最终结论。本文围绕这一机制的基本逻辑、常见形态、适用边界与落地要点展开讨论。 一、问题背景:为什么单 Agent 不够稳 单个 Agent 的输出质量受多重因素影响:模型自身的知识盲区、提示词的表述方式、上下文长度带来的注意力衰减,以及工具调用结果的偶然波动。这些因素叠加后,容易出现两类典型问题: 单点幻觉 :Agent 在缺乏依据时生成看似合理但错误的内容,且自身无法察觉。 决策不稳定 :同一问题在不同时间、不同措辞下得到不一致的结论,难以用于需要可复现性的业务流程。 多 Agent 投票机制的核心
Agent 提示缓存与上下文复用:降低重复推理成本
导语 在 Agent 类应用中,模型往往需要在多轮交互、工具调用和任务分解中反复处理大量高度相似的上下文。如果每一次调用都从零开始重新推理,Token 消耗与延迟会随交互轮次快速累积。提示缓存(Prompt Caching)与上下文复用(Context Reuse)正是针对这一问题的两类工程手段。本文围绕其基本思路、适用场景与落地要点展开讨论。 一、问题背景:Agent 为什么容易产生重复推理成本 与单轮问答相比,Agent 的调用模式有几个显著特征: 上下文长且重复 :系统提示、工具定义、角色约束、历史对话在每一轮中几乎原样重复出现。 调用次数多 :一个任务可能触发多次模型调用,包括规划、执行、反思、结果汇总等环节。 前缀高度稳定 :多数请求共享相同的开头部分,差异集中在末尾的用户输入或工具返回结果。 这意味
企业级大模型落地实践:从工具采购走向业务流程闭环
个人大模型应用赛道格局逐步固化,企业大模型进入落地深水区。不少企业完成大模型席位采购,但难以将模型能力融入真实业务链路。通用大模型不等同于生产可用的企业AI助手,企业AI转型主要矛盾并非模型性能,而是业务适配、知识治理、流程集成与风险管控。本文基于阿里云千问办公生态推介会一线实践,拆解企业大模型落地关键要点、潜在风险与可执行实施路径,为国内中小微企业大模型应用建设提供实践参考。
WorkBuddy 连接 SAP 实测:查库存追单不用背 Tcode
当我们把 WorkBuddy 连上 SAP,看到的不是又一个聊天机器人,而是一层"听得懂人话"的接口——业务人员开口说一句话,AI 负责把这句话翻译成对系统的调用,查库存、追采购单、核序列号,不再需要背几十个事务代码。作为腾讯云授权合作伙伴,深圳市金众诚科技有限公司(下称"金众诚科技")长期陪伴企业做 WorkBuddy 的落地实施,对"
机器人跌倒检测与自主恢复:从异常识别到安全起身
导语:跌倒不是机器人“失败”的终点,而是检验其感知、决策与执行闭环能力的关键场景。本文围绕跌倒检测与自主恢复的技术链路展开,梳理从异常识别到安全起身的关键环节与工程权衡。 一、为什么“跌倒”值得单独设计一套能力 对移动机器人、人形机器人和四足机器人而言,跌倒是低概率但高代价的事件。它同时触发三类风险: 硬件风险 :关节、外壳、传感器在冲击中受损,维修成本高。 安全风险 :若在有人环境中跌倒,可能造成碰撞或二次伤害。 任务风险 :一次跌倒可能导致长时间停机,影响连续作业能力。 因此,跌倒检测与自主恢复不应被视为“异常处理补丁”,而应作为机器人整体鲁棒性设计中的独立模块:既要在跌倒发生时快速识别,也要在跌倒后判断能否安全起身、如何起身。 二、跌倒检测:从“姿态异常”到“事件确认” 跌倒检测的核心难点不在于发现“姿态
Agent 供应链调度:从需求预测到异常响应的三层能力
导语 :当供应链系统开始引入 Agent,讨论的焦点往往集中在“能不能自动下单”这类单点动作上。但真正决定调度效果的,是需求预测、库存分配与异常响应这三层能力能否形成闭环。本文围绕这一框架展开,梳理各层的核心问题与 Agent 的介入方式。 一、为什么供应链调度适合引入 Agent 供应链调度本质上是一个持续决策问题:在需求不确定、库存有限、履约链路多环节的条件下,不断做出“备多少、分给谁、出问题怎么办”的判断。传统做法依赖规则引擎与人工经验,规则擅长处理稳定场景,但在需求波动、突发中断时容易失效;人工则受限于响应速度和信息处理带宽。 Agent 的价值在于把“感知—判断—行动”串成可执行的循环:读取多源信号、形成判断、调用工具执行、观察结果并调整。这与供应链调度的连续性天然契合。但需要强调,Agent 不是替
从“用AI”到“AI原生”:企业真正要重构的是什么?
对话双方IDC中国副总裁兼首席分析师 武连峰思迈特创始人、董事长 吴华夫 越来越多企业开始使用AI:研发人员用它写代码,营销人员用它生产内容,管理者用它查询数据。但当这些工具进入日常工作,一个更深的问题随之浮现:企业究竟是在原有流程中提高效率,还是正在形成一种新的经营方式?2026年10月底,武连峰与吴华夫围绕“如何打造AI原生企业”展开视频对话。从业务价值、企业
思迈特十五周年:以BI+AI打造企业可信数据平台,释放业务价值 | SmartBI
“这个数,能信吗?”月度经营会上、监管报送前的数据核对中、拿到一份AI生成的分析结论时,企业都要回答这个问题。一个数字、一条结论,背后是企业的数据系统、指标体系和业务逻辑。思迈特十五年做的,就是让这些环节可信。 Part1.深耕业务十五年沉淀企业级BI能力— 01|不止于报表,而是深入理解企业真实业务2011年,SmartBI成立。Smart,我们一开始要做的就是智能与高级分析
马化腾急了,张一鸣在画饼,千问4做了个前所未有的自行车|爱分析AI周评
这周,国产模型厂商集体焦虑。腾讯花在AI上的钱越来越多,收入却没跟上,马化腾坐不住了,要拿组织和人开刀。字节追赶前沿还得等个三四年,千问4终于发布了,表现却忽好忽坏。更麻烦的是,英伟达的卡越来越难拿,领先模型蒸馏的门槛越来越高,接下来的日子恐怕更不好过了。一、马化腾讲狠话腾讯28周年内部交流中,马化腾讲了狠话。腾讯第一次做这么重资产的业务,人和组织都要调整,还提到有些人“先谈给不给管理岗位才肯上船