217+
AI Agent
2300+
MCP Server
55
主流模型
94
落地场景
1286
实战教程
423
行业资讯
7 大功能模块，覆盖 AI Agent 使用的全部场景
精选全球 AI Skill 资源站，覆盖 ClaWHub、OpenClaw 等官方平台及社区聚合站，一键直达。
汇聚 Manus、Devin、OpenClaw、Dify 等全球顶级 AI Agent 工具，支持类型筛选和对比。
Model Context Protocol Server 精选导航，让 AI 连接文件、数据库、GitHub、Notion 等工具，20+ 实用 Server。
GPT-4o、Claude 3.5、DeepSeek-V3、Gemini 2.0 等主流模型横向对比，含能力评分、价格和 Benchmark 排行。
从"什么是 AI Agent"到实战操作，8 篇系统教程覆盖新手入门、MCP 使用、Dify 搭建、n8n 自动化。
15 个真实落地场景：营销自动化、自动修复 Bug、行业调研报告、邮件分类……附推荐工具组合和实现步骤。
追踪 AI Agent 赛道重大事件：Manus 被 Meta 收购、DeepSeek-R1 开源、MCP 诞生……完整时间线。
2024 年至今，行业里程碑时间线
MCP 协议诞生
AI Agent 接口标准化
DeepSeek-R1
开源推理，成本仅 3%
Manus 爆火
通用 Agent 元年到来
Meta 收购 Manus
巨头押注 Agent 赛道
大家都在搜的实战对比与上手指南，精选高热度内容
Dify vs 扣子(Coze) vs FastGPT 终极对比（2026）：企业私有化选 Dify、国内渠道分发选扣子、中文知识库问答选 FastGPT。含 Docker 部署实操、API 调用示例、四大场景选型与常见坑。
完整的 LlamaIndex 2026 教程。涵盖 VectorStoreIndex、持久化 Qdrant 存储、聊天引擎、子问题分解、语义分块、元数据过滤和流式传输。
pgvector 教程（2026 年）：在现有 PostgreSQL 上执行向量搜索——HNSW 与 IVFFlat 选择、操作符对齐、完整 Python 流水线、SQL 过滤与混合搜索（专用向量数据库的付费功能在此仅是一个查询）、内存估算及迁移阈值。
Claude Artifacts 与 ChatGPT Code Interpreter（2026）：前者是浏览器端交互式渲染画布（UI 原型/可视化/可发布分享），后者是服务端 Python 沙箱（文件分析/数据处理）。如果任务是“构建交互式内容”，选前者；如果是“处理这个文件”，选后者。包含组合使用方案。
Zod vs Pydantic 用于 AI 输出验证（2026）：TypeScript 栈使用 Zod（Vercel AI SDK），Python 栈使用 Pydantic（OpenAI SDK/Instructor）。LLM 输出是不可信输入——包含两个栈的实际代码、自修复重试、反幻觉语义验证以及跨栈 JSON Schema 同步。
Cloudflare AI Workers AI：2026年完全指南 概述 Cloudflare AI Workers AI为企业级AI应用提供边缘AI推理能力，实现零延迟。作为领先的云AI平台之一，它具备生产应用所需的可靠性、可扩展性和安全性。
OpenAI 函数/工具调用完全指南（2026）：使用 JSON Schema 定义工具 → 模型返回结构化调用 → 你执行并反馈结果。包含完整循环的真实代码、生产模式（验证/tool_choice/并行调用/strict）、与结构化输出的区别，以及如何驱动智能体。
LangGraph 完全指南（2026）：将智能体构建为状态机——State+reducer、条件边、检查点持久化（多轮记忆/崩溃恢复/时间旅行）、用于人工审批门控的中断、多智能体监督者模式。包含何时使用与何时不使用的诚实对比。
AI Agent 从入门到实战，手把手教你用好每个工具
GitHub Copilot 进阶 8 技（2026）：内联 Chat 斜杠命令、仓库级 copilot-instructions.md（影响最大的杠杆）、#file/@workspace 上下文变量、Edits 多文件编辑、Agent 模式验收标准前置、补全隐藏操作、代码评审、CLI。
Dify vs 扣子(Coze) vs FastGPT 终极对比（2026）：企业私有化选 Dify、国内渠道分发选扣子、中文知识库问答选 FastGPT。含 Docker 部署实操、API 调用示例、四大场景选型与常见坑。
Replit Agent 完整教程（2026）：真实 Linux 环境里的对话式全栈助手——从一句话需求到公网 URL。含验收标准前置提示词、Agent vs Assistant 成本分工、Secrets/Checkpoint 工程习惯、与 Bolt/Cursor 的赛道划分。
OpenClaw 私人 AI 助手搭建（2026）：自托管开源 Agent——Docker 启动、接云 API 或本地 Ollama（数据不出机器）。四类真正有用的任务（文件管家/本地知识问答/简报/轻自动化）+ 三条安全纪律（最小授权/危险动作确认/目录隔离）。
追踪 AI Agent 赛道最新动态与深度分析
AI 绘画公司 Midjourney 于 2025 年 5 月宣布成立 Midjourney Medical 部门，并发布一款名为 Midjourney Scanner 的全身超声波扫描仪。该设备将 50 万个微型声学换能器集成在浴池中，用户浸泡在温水中 60 秒即可完成全身扫描，生成精度达 0.5 毫米的 3D 人体全息模型，包含血管、骨骼、肌肉及实时血流信息。扫描速度比传统 MRI 快近 100 倍，且无辐射。 ## 技术原理 - **硬件**：扫描仪由约 50 万个微型换能器组成环形阵列，每个单元兼具扬声器和麦克风功能，每秒发出数百万次超声波并记录回波。 - **数据量**：每秒产生数 TB 数据，相当于 500 小时高清视频。 - **算力**：配备 21 台服务器，算力达 4 Petaflops，利用 Midjourney 的扩散模型算法将声波形变数据重建为高清人体结构。 - **AI 处理**：对原始图像进行语义分割，标注腹直肌、血管、骨骼等解剖结构，最终拼合成全身 3D 地图。 ## 落地路径 - **2027 年**：首家 Midjourney Spa 旗舰店在旧金山开业，用户可在泡澡、桑拿等放松过程中完成扫描，扫描结果作为身体成分图谱提供。 - **2028 年**：推出第三代扫描仪，采用定制芯片，提升成像质量和速度。 - **2031 年目标**：全球部署超过 5 万台扫描仪，实现每月 10 亿次扫描。 - **监管策略**：初期仅提供身体成分信息，逐步申请更高级别的诊断能力批准。 ## 影响与争议 - **医疗潜力**：Midjourney 声称，若早期影像干预大规模普及，可避免全球 30% 的死亡，削减 50% 的医疗成本。 - **行业反应**：消息引发硅谷震动，马斯克点赞。部分放射科医生认为，若能高保真捕捉实时生理变化，将颠覆血管及血流成像技术。 - **争议点**：设备尚未获得 FDA 等监管机构批准，诊断能力有限；大规模部署涉及隐私、数据安全及伦理问题。
2026年6月，谷歌DeepMind在48小时内连续失去两位重量级AI科学家。6月17日，Gemini联合负责人、Transformer论文作者Noam Shazeer宣布离职并加入OpenAI；6月19日，诺贝尔化学奖得主、AlphaFold之父John Jumper宣布转投Anthropic。 ## 事件背景 - **Noam Shazeer**：Transformer论文《Attention Is All You Need》作者之一。2021年离开谷歌创办Character.AI，2024年谷歌以约27亿美元将其与团队重新带回。不到两年后再次离职，加入OpenAI。OpenAI CEO Sam Altman称Shazeer是“从创立之初最想合作的人之一”。 - **John Jumper**：谷歌DeepMind资深研究员，2024年与Demis Hassabis共同获得诺贝尔化学奖。他领导的AlphaFold已预测超2亿种蛋白质结构，对生物学和药物研发影响深远。Jumper还是谷歌AI编程开发团队核心成员。 ## 离职原因分析 - **大公司病**：多位评论指出，谷歌内部官僚主义严重，计算资源内耗（如原Google Brain与DeepMind融合中的资源争夺），跨部门协同繁琐。Transformer作者之一Llion Jones曾表示“官僚体系让我感觉什么事都推进不了”。 - **战略分歧**：谷歌领导层对Scaling Law缺乏绝对信仰，曾将TPU算力卖给竞争对手Anthropic。谷歌试图面面俱到，缺乏初创公司“All in LLM”的专注度。 - **激励机制**：前员工指出，谷歌内部鼓励造新项目以获取晋升，导致产品重复（如多个AI编程工具），维护现有产品缺乏价值。 - **薪酬与期权**：OpenAI和Anthropi临近IPO，Pre-IPO股票期权对顶级人才吸引力巨大，成熟上市公司难以抗衡。 ## 影响与行业反应 - **对谷歌的打击**：Shazeer的离开使Gemini未来蒙上不确定性，有员工称“他救了Gemini”。Jumper的离职则加剧了谷歌在AI编程工具和AI for Science领域的竞争压力。分析师Gil Luria表示，前沿AI实验室愿意不惜代价招揽人才，OpenAI和Anthropic因更少官僚作风而占优。 - **Anthropic的布局**：Jumper加入Anthropic，标志着其从大语言模型向AI for Science领域扩展。此前Anthropic已收购生物AI公司Coefficient Bio，并推出Claude for Life Sciences。此举可能直接与谷歌旗下Isomorphic Labs竞争。 - **行业趋势**：硅谷风投SignalFire数据显示，Anthropic两年员工留存率高达80%。网友评论“过去的12个月完全属于Anthropic”，其团队已吸纳多位顶级人才。 ## 数据与现状 - 谷歌Gemini 3.5 Pro多次跳票，公开榜单显示Gemini 3.1 Pro得分约46分，落后于Anthropic的Claude Fable 5（64.9分）和中国开源模型GLM-5.2（51分）。 - 内部员工透露，团队对模型能力掉至“第三甚至第四”感到沮丧，并称“不能怪Noam离开，他不会是最后一个”。
AI 绘画公司 Midjourney 正式进军医疗领域，成立 Midjourney Medical 部门，并发布一款名为 Midjourney Scanner 的全身超声波扫描仪。该设备集成约 50 万个微型声学换能器，用户只需在金色温水中浸泡 60 秒，即可生成精度达亚毫米级的全身 3D 解剖模型，速度比传统 MRI 快近 100 倍。 ## 工作原理 扫描仪采用超声波回声定位技术，用户站上升降平台，以每秒 5 厘米的速度缓慢浸入水中。环形排列的 50 万个换能器（每个约沙粒大小）同时发出并接收超声波，每秒产生数 TB 数据（相当于 500 小时高清视频）。系统通过分析声波穿过不同组织（皮肤、脂肪、肌肉、骨骼）时的波形变化，反推出内部结构，再经 AI 语义分割标注具体解剖部位（如腹直肌、肠系膜血管等），最终合成完整 3D 地图。 ## 算力与硬件 为处理海量数据，扫描仪配备 21 台服务器，总算力达 4 Petaflops。Midjourney 利用其在图像生成领域的扩散模型算法，将声波数据“渲染”为高精度人体图像。水作为最佳声波导体，实现了无死角扫描。 ## 落地计划 Midjourney 不直接销售设备，而是通过开设“Midjourney Spa”提供体验服务。首家旗舰店计划于 2027 年在旧金山开业，用户可在泡澡、桑拿等放松过程中完成扫描。未来 12 个月将迭代硬件并建设内部研究型 Spa；2028 年推出第三代定制芯片扫描仪；长期目标是在 2031 年前全球部署 5 万台设备，实现每月 10 亿次扫描。 ## 监管与愿景 当前阶段，扫描仪仅提供身体成分图谱，后续将逐步申请更高级别的诊断能力批准。Midjourney 认为，大规模早期低成本扫描可帮助避免全球 30% 的死亡，并削减 50% 的医疗支出。马斯克已对此项目表示关注。
2026年4月，九章云极在2026全球智算科技峰会暨战略发布会上正式推出“AI工厂”战略，旨在通过标准化、工业化的方式解决大模型从研发到产业落地的工程鸿沟。该项目包含两大核心设施：训练工厂和Token工厂。训练工厂目标算力规模达10万P，通过强化学习等技术将通用大模型“冶炼”为金融、制造、政务等行业的专业模型；Token工厂目标日均产能10万亿Token，将专业模型封装为企业可调用、可计量的智能服务。九章云极还首创“一度算力”（DCU）计量单位（312 TFlops×小时），使算力采购像用电一样按度付费。AI工厂计划实现1000倍综合降本，孵化1000个高价值模型与应用。 ## 背景：从算力竞赛到工业化生产 截至2026年3月，中国日均Token调用量已突破140万亿，两年增长超千倍，但企业普遍面临“模型会回答但不会执行”的困境。通用大模型在聊天场景表现优异，但在复杂业务流程（如审批、质检）中频繁出错。九章云极创始人方磊指出，智能竞争的核心已从技术卓越转向生产力工业化，AI工厂正是为解决这一矛盾而生。 ## 关键细节：AI工厂的运转机制 AI工厂由四个关键环节构成闭环： - **投入侧**：首创“一度算力”（DCU），将异构GPU、NPU、网络、存储等资源统一折算为312 TFlops×小时，客户按度付费，实现算力采购标准化。 - **生产侧**：训练工厂通过五项工程能力（弹性算力、混合调度、网络优化、存储优化、多租户排队）和强化学习训练栈（支持PPO、DPO、GRPO等算法），将通用模型“冶炼”为专业模型。训练工厂已通过中国信通院标准评测，训练效率提升100%，GPU利用率提升50%。 - **封装侧**：Token工厂将专业模型封装为可调用、可计量、可运营的专业Token，分为消费级、专业级、前沿级三层，其中专业级Token面向金融风控、质量检测等场景，提供确定的ROI。 - **产出侧**：企业消费Token后回流业务数据，驱动模型持续迭代，形成“越用越强，越强越便宜”的飞轮。 ## 各方反应与数据 - **行业痛点**：传统企业AI建设周期长达6-12个月，需自建集群、运维团队，前期资本开支高昂。AI工厂模式下，企业可从训练或推理任意环节切入：大模型公司从训练工厂开始，行业客户从Token工厂直接调用服务，最快两周完成概念验证。 - **技术验证**：九章云极已率先通过中国信通院“大模型计算资源调度平台”标准评测，81项能力评估全覆盖。 - **市场数据**：截至2026年3月，中国日均Token调用量超140万亿，但亚马逊等企业发现Token用量激增并未带来效率提升，凸显专业Token的必要性。 ## 影响与展望 AI工厂的推出标志着智算云商业逻辑的转变：从单纯提供算力转向交付可量化的智能。九章云极定位在应用层上游，为ISV、集成商和企业提供底层智能生产与交付体系。若目标达成，10万P算力和10万亿Token日产能将大幅降低企业AI应用门槛，推动产业智能化加速。不过，强化学习的大规模工业化仍面临万卡集群稳定性、奖励函数自动化等工程挑战，九章云极的训练工厂能否持续兑现承诺，有待市场检验。
2026年6月19日，2024年诺贝尔化学奖得主、AlphaFold核心领导者John Jumper宣布离开效力近九年的谷歌DeepMind，加入AI公司Anthropic。此前两天，Transformer论文作者之一、Gemini联合负责人Noam Shazeer也离职加入OpenAI。谷歌在48小时内连续失去两位顶级AI科学家，引发行业震动。 ## 事件经过 John Jumper在X平台发文确认离职，称将先休整一段时间后正式加入Anthropic。他感谢DeepMind CEO Demis Hassabis在其博士毕业仅6个月时委以重任，领导AlphaFold团队。Hassabis随即回应，肯定两人九年的合作，称AlphaFold“改变了世界”。Anthropic证实Jumper即将加盟，但未披露具体职位。 ## 人才流失背景 Jumper的离职并非孤立事件。两天前，Noam Shazeer——Transformer论文核心作者、谷歌曾斥资约27亿美元从Character.AI请回的Gemini联合负责人——宣布加入OpenAI。过去一年，谷歌DeepMind还流失了AlphaGo/AlphaZero主导者David Silver（创业）、Gemini推理技术核心负责人等。据不完全统计，过去8年超过20位顶级研究者离开DeepMind/Brain。 ## 深层原因分析 多位业内人士指出，谷歌面临“大公司病”困境： - **组织官僚化**：内部计算资源争夺激烈，跨部门协同低效。Transformer作者之一Llion Jones曾表示“官僚体系让我感觉什么事都推进不了”。 - **战略分歧**：谷歌试图面面俱到，缺乏初创公司“All in LLM”的专注度。有报道称，谷歌曾将珍贵TPU算力租给竞争对手Anthropic。 - **激励机制**：内部鼓励造新产品而非维护现有产品，导致产品线混乱（如多个AI编程工具并行）。 - **薪酬竞争**：OpenAI和Anthropi临近IPO，Pre-IPO股票期权对顶级人才吸引力巨大。 ## 行业影响 Jumper加入Anthropic，标志着AI for Science赛道进入新阶段。Anthropic此前已斥资4亿美元收购生物AI公司Coefficient Bio，并推出Claude for Life Sciences。Jumper的加盟将补齐其AI+生物短板，与DeepMind旗下Isomorphic Labs形成直接竞争。 OpenAI同样在生命科学领域布局，今年4月发布生物医学推理模型GPT-Rosalind，并与多家药企合作。三家前沿AI实验室正将竞争焦点从语言模型扩展至生命科学。 ## 谷歌困境 谷歌模型竞争力下滑明显。在Artificial Analysis智能指数榜单上，其最强模型Gemini 3.1 Pro仅排名第五，落后于Anthropic、OpenAI及中国智谱AI。被寄予厚望的Gemini 3.5 Pro一再跳票，内部员工透露团队弥漫挫败感，有员工直言“不能怪Noam离开，他不会是最后一个”。
新浪微博团队近日开源了VibeThinker-3B，一个仅有30亿参数的密集推理模型，在数学竞赛和编程等可验证推理任务上表现惊人，性能直逼千亿甚至万亿参数的顶级模型。 ## 核心性能数据 - **AIME26**：得分94.3，结合测试时扩展策略CLR后提升至97.1。 - **IMO-AnswerBench**：单跑得分76.4，加CLR后达80.6，与DeepSeek V3.2（78.3，6710亿参数）、GLM-5（82.5，7440亿参数）、Kimi K2.5（81.8，1万亿参数）处于同一区间。 - **LiveCodeBench v6**：Pass@1达80.2。 - **LeetCode最新未公开周赛**：2026年4月25日至5月31日期间128道题首次提交通过123道，通过率96.1%。 - **IFEval**：93.4分。 ## 训练方法 VibeThinker-3B基于Qwen2.5-Coder-3B构建，采用升级版Spectrum-to-Signal后训练流程，包括： - **课程式两阶段SFT**：第一阶段覆盖数学、编程、STEM推理等通用能力；第二阶段聚焦高难度长跨度样本，使用多样性探索蒸馏保留多种有效解题路径。 - **多领域推理强化学习**：复用MGPO策略，依次在数学、编程、STEM任务上训练，使用单一64K长上下文窗口。 - **离线自蒸馏**：从RL检查点筛选高质量轨迹，基于学习潜力评分优先选择正确但模型尚未充分掌握的轨迹，蒸馏为统一学生模型。 - **指令强化学习**：提升模型对用户提示的可控性，对格式敏感和开放式指令分别采用规则验证器和评分奖励模型。 ## 参数压缩-覆盖假说 研究团队提出，不同能力对参数规模的依赖方式不同：可验证推理（如数学、编程）是高度可压缩的参数密集型能力，任务结构清晰、反馈信号可靠，小模型可逼近前沿；而开放域知识、通用对话等依赖大规模参数覆盖事实和概念。该假说认为小模型与大模型是互补关系，而非替代。 ## 开源与限制 模型已在Hugging Face、GitHub和ModelScope开源。官方明确指出，模型在需要通用知识的领域表现不佳，其优势集中在可验证推理任务上。
精选进阶实战与主题合集，覆盖 RAG、Agent 工程化、后训练等高价值方向