在 LLM 智能体（AI Agent）研究迅猛发展的当下，研究者面临三大核心挑战： 工具碎片化：每个新任务都需要重新设计工具、环境与评估流程； 复现困难：多数 SOTA 系统（如 SWE-agent、GPTSwarm）缺乏完整开源实现； 评估不统一：

在 LLM 代理（LLM Agent）风靡软件工程领域的当下，研究者们普遍认为：只有通过多轮交互、工具调用、自主规划的智能体（Agent）。然而，来自伊利诺伊大学厄巴纳-香槟分校（UIUC）的研究团队在最新论文《AGENTLESS: Demystif

在 LLM 驱动的软件工程智能体（Software Engineering Agent）领域，当前主流方法（如 SWE-agent、Agentless、AutoCodeRover）普遍采用静态架构设计——即工具集、工作流、提示模板等在部署前固定，无法

在仓库级软件修复（Repository-level Software Repair）任务中，如何让大语言模型（LLM）？现有方法多直接复用人类交互界面（如 Linux Shell、VSCode），但 LLM 与人类在认知能力、上下文处理、错误恢复等方

在仓库级软件修复（Repository-level Software Repair）任务中，精准定位故障函数是自动修复成功的关键前提。然而，现实中的 GitHub Issue 通常未明确提及修改位置（仅 32.7% 含显式文件/函数名），且代码库规模

近年来，基于大语言模型（LLM）的多智能体代码生成框架（如 MapCoder、AgentCoder）在 HumanEval 等基准上取得了显著进展。然而，现有工作几乎全部围绕 ChatGPT 系列闭源模型（如 GPT-4）进行设计与验证，其在开源 L

近期，浙江大学、重庆大学与蚂蚁集团合作发表了一篇题为《Issue Localization via LLM-Driven Iterative Code Graph Searching》的论文，提出了一种名为 COSIL（Code Graph-base

在追求更大、更强的道路上，AI研究者们不约而同地将目光投向了终极的智能蓝本——人类大脑。近年来，一个来自神经科学的关键概念“稀疏激活”，正悄然改变着大模型的架构设计，引领着一条通往更高效、更强大AI的新路径。 一、人脑的高效秘诀：你不是在用“整个大脑

过去两年，AI领域的叙事被“Scaling Law”（缩放定律）牢牢主导：更大规模的数据、更多的参数、更巨量的计算，带来模型能力的指数级提升。这条由OpenAI等巨头开创的“暴力美学”之路，似乎定义了通往AGI的唯一赛道。然而，就在最近，风向悄然转变

基础的RAG（检索增强生成）技术，如同给大模型配了一本“参考书”，有效缓解了幻觉问题。但当问题变复杂、知识库变庞大时，简单的“检索-生成”模式开始力不从心。本期，我们将探讨如何将智能体（Agent）思维融入RAG，打造一个能自主“翻书”、“思考”、最

从Jupyter Notebook里的惊艳Demo，到扛起线上真实流量的生产服务，这中间隔着一道名为“工程化”的鸿沟。我们的团队在部署一个130亿参数的开源模型时，几乎把能踩的坑都踩了一遍。现将这些血泪教训整理成文，希望能为你点亮前行的路。 坑一：显

2017年，谷歌的一篇题为《Attention Is All You Need》的论文，如同投下了一颗“技术核弹”。七年过去了，从BERT、GPT到今天的GPT-4、Llama、Sora，Transformer架构不仅一统NLP江湖，更成为AI大模型

还在为没有顶级显卡而无法体验大模型发愁？本期教程将手把手带你，在完全免费的Google Colab环境中，15分钟内启动一个功能强大的开源大模型，打造专属AI助手。 一、环境准备：拥抱免费的云端算力 访问 Google Colab： 打开浏览器，访问

你可能听说过，大语言模型本质上是一个“超级强大的单词预测器”。这个说法既正确，又不完全准确。今天，我们就用一个简单的类比，揭开大模型工作原理的神秘面纱。 一、从“完形填空”到“无限接龙” 想象你在玩一个高级版的完形填空游戏： 题目是：“今天天气很好，

2025年9月16日，国内首次大规模AI大模型安全众测结果正式发布，吸引了行业广泛关注。这次测试针对国内主流人工智能大模型产品进行了全面安全检测，揭示了当前AI系统面临的新型安全挑战。 一场规模空前的安全测试 本次实网众测由中央网信办网络安全协调局指

自动驾驶技术近年来进展迅速，背后有一个关键技术功不可没：世界模型。它就像一个车辆的“大脑”，不仅能理解当前的驾驶环境，还能预测未来、规划行动，在复杂交通场景中做出安全、高效的决策。今天，我们将深入解读一篇题为《A Survey of World Mo

最近，检索增强生成（RAG）技术迅速崛起，成为让大模型获取领域知识、减少“幻觉”的主流方案。但在面对法律、医疗、政务等专业领域时，单纯基于向量相似度的检索往往显得“力不从心”——它难以捕捉知识之间的逻辑关联、数值关系与专家规则，导致生成的答案缺乏严谨

当结构知识提示不再是黑箱，图表揭示了其真正的优势与短板。 大语言模型（LLM）的“幻觉”问题，就像一位知识渊博却时常记错细节的学者，限制了其在严肃场景下的应用。为了给这位学者配上可靠的“外部记忆”，研究者们引入了知识图谱，并发展出一种名为 结构知识

近年来，大语言模型（LLMs）如 GPT、LLaMA 等展现了强大的知识存储与推理能力，但它们也常出现“幻觉”——输出错误或过时的信息。传统方法如全量微调虽然能修正知识，但耗时耗力且容易导致模型遗忘已有能力。因此，知识编辑 成为研究热点，目标是精准修

面对堆积如山的病历、合同或报告，你是否也曾为手动查找和整理关键信息而头疼？现在，一个由谷歌开源的工具正在改变这一现状。 “患者每日服用阿莫西林胶囊0.5g，每日三次。”这是一条典型的临床记录，要从中提取药物、剂量和频次，传统的做法可能是编写复杂的正