lunbobi

service mesh

[AYi @AYi_AInotes]

我操！@kimi_moonshot 月之暗面这波是真的疯了！
2.8T 参数的 K3 直接全权重开源就算了，
连推理内核、MoE 通信库、Agent 训练环境整套底层技术栈全给你端出来，硬生生把开源模型的天花板，直接抬到了闭源旗舰的家门口。

不是放个权重就炒开源概念的挤牙膏操作，是从模型到底层能跑起来生态的所有东西全白给，1M 长上下文、MoE 架构性能够打闭源，

之前天天喊开源追不上闭源的直接被打半残，
开发者再也不用对着闭源 API 的限流、涨价受窝囊气。

搞大模型的不用从零搭底层通信框架，
做 Agent 的不用卡闭源接口的脖子，
小团队也能基于全栈直接做二次开发，
从今天起，全球开源 AI 的游戏规则，真的改了。

今天之后，开源和闭源的代差，从两年砍到了半年。
Kimi K3 今天正式全开源，不是挤牙膏的版本更新。

2.8T 总参数 MoE, 激活 104B, 原生 100 万上下文。

靠 KDA 新注意力和 AttnRes 架构创新，单位算力智能密度直接提 2.5 倍，长上下文解码速度翻 6 倍。
最狠的是，这��本不是只放个权重的假开源。

FlashKDA 高性能内核，MoE 通信库，连用来做 Agent 强化学习的快照式训练环境 AgentENV, 全给你开源了。

从推理到训练的整个底层栈，直接搬空。
之前所有开源模型，本质都是在追闭源一年多前的尾巴。

这是第一个真正摸到闭源顶尖门槛的开放模型。

长编码、Agent、终端操作这些硬核任务，
已经能和第一梯队闭源掰手腕。

你永远可以相信开放的力量！！
用K3搓了一个他自己开源的介绍视频，特此致敬🫡

[AYi @AYi_AInotes]

这是@Kimi_Moonshot K3开源后我见过最狠的帖子。
一个Baseten的工程师，@waterloo_intern 老哥花48小时喝了40罐气泡水，把K3的建模代码扒了个底朝天。
128万浏览，6000多收藏，
最后得出一个结论，
一个K3里能塞下22580个2019年的GPT-2，
七年时间参数涨了两万两千多倍，
但这根本不是堆参数堆出来的。

从GPT-2到线性注意力，到DeltaNet，到门控DeltaNet，再到Kimi自己的KDA注意力。

每一步迭代，都在精准解决上一代的具体bug。

内存不够，信息干扰，
无法选择���遗忘，残差稀释，
没有一步是多余的。

这才是开源最可怕的地方啊兄弟们，
代码放出来第一天，
全世界最聪明的工程师，
已经在帮你把七年的技术脉络理得明明白白，
而你的闭源模型，永远享受不到这个待遇。

[Christian Tzolov🇧🇬🇪🇺🇺🇦 🦋@tzolov.bsky.social @christzolov]

Prepping slides & demos for my Voxxed Days Amsterdam 2026 deep dive tomorrow

Packing in Memory, Advisors, RAG, Tool Calling & MCP, Agentic Patterns, A2A & ACP, LLM-as-a-Judge, Guardrails… and somehow fitting it all into 2 hours!

See you there 👉 https://t.co/6tzbxGNClP

[Christian Tzolov🇧🇬🇪🇺🇺🇦 🦋@tzolov.bsky.social @christzolov]

File-based long-term memory for @SpringAI agents - no vector store, no database, just files.

Plain Markdown files, MEMORY.md index, the agent manages it all via tool calls. Claude auto-memory compatible but portable to any LLM provider.
📖 https://t.co/j3ZQKL7uQE

#Java #AI

[Richard Seroter @rseroter]

A PaaS that runs data streaming pipelines? Sure. The 4th part of my blog series looks at @springcloud Data Flow on @cloudfoundry, and performing real-time processing ... https://t.co/sPSVylOYmA

[Christian Tzolov🇧🇬🇪🇺🇺🇦 🦋@tzolov.bsky.social @christzolov]

You could call tools. You couldn't build on top of tool calling! #SpringAI 2.0 lifts the tool loop out of the chat models and into the advisor chain - composable, observable, replaceable: https://t.co/gCiRQFVuST

@SpringAICentral #MCP

[宝玉 @dotey]

前些天 X 上还一堆人讨论要不要看 AI 生成的代码，现在《Clean Code》作者鲍勃大叔都说：“我不看 AI 写的代码”

他的原话是，这是他能利用 AI 生产力的唯一方式。人类读代码太慢了，如果还逐行审查，就丧失了用 AI 的意义。

但不看不等于不管。他的做法是给 AI Agent 设置层层关卡：单元测试、Gherkin 测试（一种用接近自然语言描述软件行为的测试格式）、QA 流程、代码质量指标、变异测试（故意往代码里塞小错误，看测试能不能抓住）、测试覆盖率，等等。

他在今年早些时候还公开了自己的具体实践：一套四个 Agent 组成的流水线，分别负责需求规格化、编码、重构和架构审查，每个阶段都比上一个阶段更形式化，需要的人工干预也更少。他同时还会看测试覆盖率、依赖结构、圈复杂度、模块大小这些指标，从指标推断代码质量，而不是从代码本身。

【注：圈复杂度（Cyclomatic Complexity）衡量代码中独立执行路径的数量，数字越大说明逻辑越复杂，越难维护和测试。】

当 AI 生成代码的速度远超人类阅读代码的速度，代码审查的形态也在跟着改变。以前的核心能力是读代码、写代码，现在可能正在变成写测试、定约束、设指标。鲍勃大叔过去几十年一直在推测试驱动开发（TDD），现在 AI 时代高质量的测试覆盖反而比代码更有价值。

他今年在 O'Reilly 上开了一门课，叫《AI Agents for Clean Code》，也在自己的 Clean Coders 平台推出了新系列《Clean AI: Agentic Discipline》。主旨一样：AI Agent 不是不需要纪律，是需要不同的纪律。

[Hux @huxlab]

Andrew Ng 最新1小时重磅课程：从零构建 Agentic Knowledge Graph！

Andrew Ng 亲自出马，系统拆解 Agentic Knowledge Graph 的完整构建方法。

这不是又一个泛泛的 AI 理论视频，而是真正的实战干货课，含金量直接拉满：

核心内容速览：

• Agentic Knowledge Graph 的核心概念与价值
• 如何从零构建知识图谱（Construction）
• 多智能体系统的架构设计
• 使用 Google ADK 实战搭建 agentic graphs
• 为什么 Graph 将成为 Agentic AI 的未来方向

课程全程结合 neo4j + Cypher 真实代码演示，涵盖 Agent 定义、工具调用、记忆管理、会话状态等关键环节。比散落的 loop engineering 文章实用太多。

看完这1小时，你会真正理解如何把知识图谱和多智能体结合，打造更强大、更可解释的智能体系统。

[流氓兔🐰 @LiumangtuCrypto]

建议兄弟们都去看这部Netflix高分纪录片

《聪明生活经济学》

看完彻底刷新金钱认知。

[AI Will @FinanceYF5]

Anthropic 工程师 Andrej Karpathy：

“现在 AI 领域最大的错误，是人们还没真正掌握底层模型，就开始强迫 Agent 工作。

2016年，我们在 OpenAI 也犯过这个错误，代价是浪费了5年时间。”

Karpathy 真正想表达的是：👇

[Niko爱学习 @ai_super_niko]

https://t.co/5RJMLJH4NC

[Cyandev @cyandev]

其实一直不理解为什么模型提供商为什么都把 API 设计成完全无状态的，只有 OpenAI 做了 Responses API 这种可以引用历史消息的 API。每次传大量重复上下文，做比 kv map 更复杂的前缀匹配，对基建的��销不是更大吗？

[向阳乔木 @vista8]

今天跟朋友参加锦秋小饭桌，见到小红书AI KOL袁晓辉博士。

她分享了每天口播录制工作流：

1. 下班路上边走边录，像朋友陪走路说话，比正襟危坐自然， 画面有变化，更容易吸引用户注意力。

2. 剪辑工具就是手机剪映，调高音量，加降噪，适当美颜，最耗时的是校对字幕。

另外最重要是，每天发！

[少个分号 @shaogefenhao]

最近在走访一些团队，团队能否实现 Harness 和 Loop 从而达成 L3 的关键因素是 Tech Lead。

软件行业真的是一个分化严重的行业，千军易得，一将难求。

现在现在随便发出去一个招聘就是几百个简历，然后很多公司 Tech Lead 很难找。

而且很难定义出 Tech Lead ��能力模型：

- 能通过思维工具快速理解业务？
- 能搭建 Harness 和基础设施框架？
- 能和业务人员有效沟通？
- 能分析和解决复杂问题？
- 能培养和管理团队人员和迭代安排？

[Kimi.ai @Kimi_Moonshot]

Introducing Kimi K3: Open Frontier Intelligence

🔹 2.8 Trillion Parameters, 1 Million Context, Native Multimodal
🔹 Kimi Delta Attention enables up to 6.3x faster decoding in million-token contexts
🔹 Attention Residuals deliver ~25% higher training efficiency at <2% additional cost
🔹 Built for long-horizon agentic coding and self-evolving workflows

Kimi K3 is now live on on https://t.co/zrk6zZxZUo, Kimi Work, Kimi Code, and the Kimi API.
Open Weights by July 27, 2026.

🔗 API: https://t.co/XCrgjXAqMw
🔗 Tech blog: https://t.co/YTfiMSNM1f

[Max For AI @MaxForAI]

这两张照片是2024年 @Kimi_Moonshot 邀请我去北京他们办公室时我随手拍的。

当时他们内部邀请了一些朋友去参观他们当时最新的 K0-Math模型。

非常意外的是，那天是杨植麟亲自来给我们分享。

当时杨植麟站在会议室里，没有讲产品，没有讲商业。

他讲的是下一代 Scaling Law。

PPT 上只有一句话：

Next-Token Prediction → Reinforcement Learning Scaling

放在2024年，这更像一种判断。

放在2026年，它已经变成了整个行业。

OpenAI、DeepSeek、Anthropic、Kimi，几乎所有前沿模型，都走到了这条路上。

很多人觉得Kimi K3突然变强了。

我倒觉得，它只是兑现了一家公司两年前就做出的技术判断。

还有一个细节。

他不像很多创业者，更不像一个独角兽公司的 CEO，反而特别像个还在实验室里的PhD。

聊商业、聊融资、聊市场，他都很平静。

但一聊到架构、训练方法、数据细节，整个人一下子就兴奋起来了，眼睛都是亮的，能一直不停地讲。

后来我们去他们办公室转了一圈，我特意看了一眼他的工位。

没有独立办公室，没有估值百亿美金AI 独角兽CEO的痕迹，就是一个特别普通的位置，和周围的人没什么区别，桌上放着一些日常用品，但也不多。

那个画面我记到现在。

昨天Kimi发布了K3，轰动了整个海外AI界都，我认识的大部分朋友都在讨论K3具体的参数、架构、榜单。

但我第一反应想到的还是那天坐在会议室里,那个技术讲到停不下来的那个“PhD”。

我始终认为，一家公司最后做出来的东西，往往都会带着创始人的性格。

有些公司擅长讲故事，有些公司擅长做增长，有些公司擅长包装产品。

Kimi有时候会慢，有时候会让外界看不懂，但它一直在啃真正难的技术问题。

从长上下文、数学推理，到今天Kimi在长程任务和Agent上的进展，这条线其实一直没有变��。

很多公司是在追下一波浪潮。

杨植麟更像是很早就选了一条路，然后一直往下挖。

真正厉害的创始人，不是天天预测未来。

而是很多年以后，你发现他一直在建设那个未来。

这个时代每天有很多公司发布模型。

只有少数公司，是在兑现两年前写在PPT上的路线图。

真正的领先，从来不是 Benchmark 第一。

而是两年前没人相信的时候，你就在往那个方向烧钱了。

K3今天取得的伟大成就并不是突然发生的。

两年前，答案其实已经写在那张PPT上了。

祝贺@Kimi_Moonshot ，祝贺杨植麟🎉

[GitHubDaily @GitHub_Daily]

两个月前，商汤在 GitHub 上悄然开源了一款信息图神器 SenseNova U1。

该项目支持一键生成各种精美海报、图表、食谱卡片、明信片，甚至是 arXiv 风格的页面。

最近，该开源项目的增强版 V3 正式发布，AI 图像编辑能力更上一层。

本次更新，首次加入了信息图编辑能力。

支持高精度调整局部文字和整体风格，大幅提升图像编辑效率。

经过 AI 修改后的文字内容，会自动适配原图像的设计风格与排版。

用户可以在保留核心信息与结构的同时，更换视觉表达方式，使同一份内容适配不同品牌、主题与传播场景。

- 模型权重下载：https://t.co/D61SGHkqWl
- GitHub 文档：https://t.co/qSuFZatskX
- 魔搭社区：https://t.co/kHNUcZ7QMR

不仅如此，下一步模型还将融入自主迭代能力。

在生成信息图后主动检查内容与版式，发现问题后自主调用编辑能力完成纠错，并通过多轮迭代持续优化结果。

信息图创作将从 “用户反复抽卡” 进一步走向 “模型自主打磨成品”，一步到位解决 AI 信息图痛点。

[AlexZ 🦀 @blackanger]

推友们，书已经上线 《AI Coding Agent 架构解剖：从 Grok Build 源码看终端智能体的设计与实现》

https://t.co/QKSa35RIVc

还有部分章节未完成，可以先关注，欢迎交流学习

[Yangyi @yangyi]

如果你在做企业AI落地，最好搞清楚FDE的方法论
https://t.co/UYEaGjD01J

[Amto @XAMTO_AI]

想搞懂现在大模型 Agent 到底进化到什么程度了，但网上资料不是太水就是太散，东一榔头西一棒槌？

伯克利开的这门 Advanced LLM Agents 进阶课，才算找到一条系统的路。主讲是 Dawn Song 教授，还拉来了 Google、Meta 的研究员当客座讲师，阵容够硬。
A哥看一下课程大纲，从推理时技术到后训练、从搜索规划到代码生成与验证，再到数学定理证明、多模态自主代理，最后还讲了部署时的 AI 安全与风险控制，基本把"能让 Agent 真正思考加行动"的关键路径��拆了一遍。

最良心的是所有课程录像、PPT 和配套资料全开放，不用翻墙注册一堆乱七八糟的东西，打开就能看。

适合已经有机器学习基础、想往 Agent 方向深扎的开发者，我自己看了两讲关于代码生成与验证的部分，之前做编程助手项目时遇到的痛点一下子被点透了。

课程：https://t.co/MYxpKgJPI7