Agent 文件系统:从“喂给模型记忆”到“让模型自己翻文件”
这篇文章梳理了 AI agent 外置记忆方案的三代演化:从把所有东西塞进上下文窗口,到用向量数据库做外挂记忆,再到 2025 年下半年兴起的“把文件系统当上下文用”。核心转变是让 agent 自己按需去文件系统里找信息,而不是开发者预先推送。
推荐理由:文章梳理了 AI agent 外置记忆从塞满上下文窗口、向量数据库外挂到把文件系统当上下文的三代演化,重点在让 agent 按需自行检索而非开发者预先推送。
Anthropic 的全部动态:Claude 系列模型、Claude Code、安全研究路线与公司进展的持续追踪。
这篇文章梳理了 AI agent 外置记忆方案的三代演化:从把所有东西塞进上下文窗口,到用向量数据库做外挂记忆,再到 2025 年下半年兴起的“把文件系统当上下文用”。核心转变是让 agent 自己按需去文件系统里找信息,而不是开发者预先推送。
推荐理由:文章梳理了 AI agent 外置记忆从塞满上下文窗口、向量数据库外挂到把文件系统当上下文的三代演化,重点在让 agent 按需自行检索而非开发者预先推送。
FT 报道 SpaceX 会向 Anthropic 出租数据中心容量,等于确认了双方有一笔算力租赁合作。Anthropic 加码算力是为了跟上用户增长,但正文被付费墙挡住,没披露具体租了多少、租多久、什么价格。
推荐理由:SpaceX 将向 Anthropic 出租数据中心容量,算力租赁成为两家公司之间的新合作方向,Anthropic 加码算力以跟上用户增长。
一位 Reddit 用户分析了 922 条 agent 任务的实际调用记录,对比了 DeepSeek v4 Flash 和 Opus 4.7 的花费。两个模型每个任务都要吃掉大约 96 万 token,但 DeepSeek 单任务成本只要 0.01 美元,Opus 4.7 却要 1.52 美元。
推荐理由:Reddit 用户分析 922 条 agent 任务记录,对比 DeepSeek v4 Flash 与 Opus 4.7 的单任务成本,两者 token 消耗相近,差距来自缓存命中率与缓存读写价格比。
DeepSeek 正在谈第一笔外部投资,几周内估值就从 200 亿涨到了 450 亿美元。这家中国 AI 实验室 2025 年初靠一个训练成本远低于 OpenAI、Anthropic 等美国模型的大语言模型出圈,之后在推理和编程能力上一直咬住第一梯队,模型权重也开放下载。创始人梁文锋原本没打算融资,但对手开始挖人,他才决定引入资金好给员工发股份。
推荐理由:DeepSeek 正洽谈第一笔外部投资,估值几周内从 200 亿美元升至 450 亿美元,创始人梁文锋此前并无融资计划,因对手挖人而引入资金用于员工股份。
Anthropic 和马斯克的 SpaceX 签了一份算力合同,目的是撑住 Claude 越来越大的用量。报道没披露具体算力规模、合同金额、上线时间,也没说这批算力是拿来训练新模型还是跑线上推理。SpaceX 能不能挤进 Anthropic 的长期供应链,目前还看不出来。
推荐理由:Anthropic 与 SpaceX 签署算力合同以支撑 Claude 用量增长,但规模、金额、上线时间和用途均未公开,这笔合作目前披露的信息相当有限。
Anthropic 宣布了三项即时生效的调整:Claude Code 的 5 小时速率限制翻倍,Pro 和 Max 用户不再受高峰时段降速限制,Opus 模型的 API 调用频率也明显上调。
推荐理由:Anthropic 把 Claude Code 的 5 小时速率限制翻倍,并取消 Pro 和 Max 用户的高峰时段降速,同时上调 Opus 模型的 API 调用频率。
Anthropic 提出在预训练和对齐微调之间加一个叫 MSM 的训练阶段。他们在 Qwen2.5-32B 和 Qwen3-32B 上做了测试,模型乱说话的比例分别从 68% 和 54% 降到了 5% 和 7%。核心点是 MSM 是补强对齐微调,而不是替代它。
推荐理由:Anthropic 在 Qwen2.5-32B 和 Qwen3-32B 上测试了预训练与对齐微调之间的 MSM 阶段,失准率从 68% 和 54% 降至 5% 和 7%,并明确 MSM 是对齐微调的补强而非替代。
Anthropic 和 OpenAI 这周都宣布了新的企业服务公司。Anthropic 跟黑石等几家华尔街机构搞了个合资公司,总共融了 15 亿美元,每家出 3 亿。他们的做法是先派个小团队去客户那,搞清楚 Claude 能在哪发挥最大作用,然后工程师再上手定制系统。
推荐理由:Anthropic 与黑石等机构合资成立企业服务公司,融资 15 亿美元,先派小团队进场定位 Claude 的适用场景,再由工程师定制系统,展示了模型公司落地企业业务的一种组织方式。
Alon Chen 12岁开始写代码,28岁在谷歌管着年收20亿美元的业务。但他现在劝年轻人别再把编程当唯一护城河。他给了两个数字:微软新代码里30%是AI写的,谷歌这个比例也超过25%。他的判断是,以后更稀缺的能力是执行、把问题定义清楚、以及沟通协作,纯写代码的壁垒在变薄。
推荐理由:Alon Chen 28岁在谷歌管年收20亿美元业务,他给出微软新代码30%、谷歌超25%由AI生成这两个数字,并据此判断纯写代码的壁垒在变薄。
一位 Reddit 用户用 15 个模型、7 种攻击方式跑了 6100 多次提示注入测试。核心做法是把不可信文档用一长串随机分隔符包起来,再配上严格指令。Gemma 4 E4B 的防御率直接从 21.6% 拉到 100%。这个基准的指标很实在,只看“拦截成功数除以(拦截成功数+拦截失败数)”,可复现。
推荐理由:一位 Reddit 用户用 15 个模型、7 种攻击方式跑了 6100 多次提示注入测试,其中长随机分隔符加严格指令的做法把 Gemma 4 E4B 的防御率从 21.6% 拉到 100%。
Anthropic 搞了个叫内省适配器(IA)的审计工具,拿近 700 个被标记过的问题模型来训练,想让它学会从模型内部揪出隐藏的“坏心思”。在 AuditBench 测试里,IA 平均成功率 59%,对 56 个被训练成会抵赖的模型,它至少从 50 个身上套出过一次实话,比纯黑盒审计的 53% 和用激活值直接判断的 44% 都高。
推荐理由:Anthropic 用近 700 个问题模型训练内省适配器,在 AuditBench 上以 59% 成功率高于黑盒审计的 53% 和激活值判断的 44%,提供了一条从模型内部审计隐藏行为的思路。
Anthropic 联合创始人 Jack Clark 给了个时间点:到 2028 年底,AI 脱离人类独立做研发的概率超过 60%。他拿几个基准测试当证据——Claude Mythos Preview 在软件工程测试 SWE-Bench 上跑到 93.9%,Opus 4.5 在评估 AI 复现研究能力的 CORE-Bench 上拿到 95.5%。
推荐理由:Anthropic 联合创始人 Jack Clark 给出时间点,判断 2028 年底前 AI 无人类参与做研发的概率超过六成,并列出 Claude Mythos Preview 与 Opus 4.5 在两项基准上的成绩。
两家公司都找了资产管理方合伙,成立合资公司来推企业级 AI 产品。具体是哪家资管、股权怎么分、定价多少、什么时候上线,正文都没披露。这种操作说明两家都在想办法把企业客户圈得更紧,但没看到实际条款之前,我会先打个折——合资公司到底是为了深度定制服务,还是换个渠道铺销售,现在还不好说。
推荐理由:Anthropic 和 OpenAI 同时与资产管理方合资推企业级 AI 产品,两家在争夺企业客户上采取了相近的渠道策略。
Reddit 有人拿 DGX Spark 和 M3 Ultra 在 llama.cpp 里跑分,统一用 pp16384 上下文。Spark 比 M3 Ultra 快 1.4 到 3.4 倍,看模型:Qwen 27B 跑到 778 token/秒,M3 Ultra 是 340;Mistral 128B 跑到 241,M3 Ultra 只有 72。
推荐理由:Reddit 用户用 llama.cpp 在 pp16384 上下文下对比 DGX Spark 与 M3 Ultra 的推理速度,Spark 在 Qwen 27B 和 Mistral 128B 上快 1.4 到 3.4 倍。
FT 这篇报道正文被付费墙挡住了,只能看到标题和摘要。已知信息是:黑石、高盛等机构参与了一个 15 亿美元的合资项目,合作方是 Anthropic。这家合资公司会以咨询形式,帮华尔街机构在投资组合里部署 AI。但正文没披露股权结构、具体产品形态、时间表,也没说 Anthropic 的 Claude 模型会以什么方式嵌入业务流程。
推荐理由:黑石、高盛等机构出资15亿美元与Anthropic成立合资公司,以咨询形式帮华尔街机构在投资组合中部署AI,这条呈现了模型公司与资管机构合作的一种新路径。
Jack Clark 根据公开数据做了一个判断:到 2028 年底,不需要人类插手的 AI 研发有超过 60% 的概率会出现。他主要拿两个指标说事。
推荐理由:Jack Clark 依据 SWE-Bench 和 METR 两项公开指标,判断 2028 年底前出现无需人类插手的 AI 研发概率超过六成,为观察 AI 研发自动化进度提供了一条可追踪的时间线。
新智元这篇推文本身被微信环境拦截,正文没披露原始数据表,只能从标题和摘要反推。标题说迪士尼内部有个AI使用看板,一名员工在9个工作日内向Claude发起了约46万次调用,平均每天超5万次,频率高到像在跑自动化任务。另一组数字是Meta 30天消耗60万亿token,按公开API价格算大概值90亿美元,但实际内部成本肯定低得多。
推荐理由:迪士尼一名员工9个工作日内向Claude发起约46万次调用,Meta同期消耗60万亿token,两组数字对照出企业级AI用量的真实量级。
Anthropic 自己复盘了 Claude Code 性能回退的原因,点出三个具体问题:推理强度被改动、缓存优化出了错、系统提示词有长度限制。视频标题只给了这些结论,正文没披露复现步骤、时间线和修复状态。核心看点是 AI 审 AI 代码时,工程约束下容易踩坑——这点先别太激动,信息缺口还很大。
推荐理由:Anthropic 复盘 Claude Code 性能回退,归因于推理强度改动、缓存优化出错和系统提示词长度限制三个具体问题,涉及 AI 审查 AI 代码在工程约束下的踩坑。
DataNebula 开源了一个叫 rosetta-llm 的代理,它像一个翻译网关,让 Claude Code 可以跟不同厂商的模型对话。
推荐理由:DataNebula 开源的 rosetta-llm 充当翻译网关,让 Claude Code 能调用不同厂商的模型,为多模型混用提供了一种接入思路。
Autoloops 把 Upskill 做成了开源项目,相当于给 AI 代理配了一本可检索的技能黄页,目前索引了超过 1 万个技能。代理在干活前会先来这里查一下有没有现成的工具或流程可用。搜索靠的是 Postgres 全文检索、1024 维向量匹配,再按收藏数、安装量和反馈做重排序,尽量把靠谱的技能往前排。
推荐理由:Autoloops 开源了 Upskill 技能注册表,索引超 1 万个技能,代理执行任务前可先检索现成工具或流程,搜索结合全文检索、向量匹配与收藏安装反馈重排序。