[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-914":3,"consumer-news-interaction-914":41,"consumer-news-related-914":44},{"detail":4,"item":36},{"card":5,"schemaVersion":23,"fields":24,"content":30},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":15,"href":16,"sourceName":12,"meta":17,"metrics":20,"tags":21,"resolved":22},"NEWS_ARTICLE:914","news","NEWS_ARTICLE",914,"资讯","\"Mem2Evolve: Towards Self-Evolving Agents via Co-Evolutionary Capability Expansion and Experience Distillation\" 论文笔记","博客园","北航的工作 Mem2Evolve 发表于 ACL 2026，提出了一种全新的智能体自我进化范式，把"能力扩展"与"经验蒸馏"两个过程耦合起来，实现更稳定、更高效的智能体持续进化 背景 LLM 智能体在各类应用中已取得显著成功，研究者们不再满足于静态的任务特定系","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202608\u002F3614753-20260830145307727-30102612.png","","\u002Fnews\u002F914",[18,19],"2026","人工智能",{},[19],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":25,"categoryName":19,"summary":13,"description":13,"publishTime":26,"updateTime":27,"sourceUrl":28,"language":29},"绵满","2026-08-30T15:44","2026-09-02T20:37:56","https:\u002F\u002Fwww.cnblogs.com\u002Fmianmaner\u002Fp\u002F22761984","中文",{"format":31,"policy":32,"normalized":22,"html":33,"text":34,"wordCount":35,"hasBody":22},"HTML","NEWS_CONTENT_V1","\u003Cp>北航的工作 \u003Cstrong>Mem2Evolve\u003C\u002Fstrong> 发表于 \u003Cstrong>ACL 2026\u003C\u002Fstrong>，提出了一种全新的智能体自我进化范式，把\"能力扩展\"与\"经验蒸馏\"两个过程耦合起来，实现更稳定、更高效的智能体持续进化\u003C\u002Fp>\n\u003Ch2>背景\u003C\u002Fh2>\n\u003Cp>LLM 智能体在各类应用中已取得显著成功，研究者们不再满足于静态的任务特定系统，而是开始追求能够自我进化的智能体。然而现有框架通常把这两个进化过程割裂处理：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>Experience-Centric\u003C\u002Fstrong>：系统从过往任务中学习，优化执行策略、精炼提示词或构建经验库，但能力空间被锁定在预定义的固定工具集和专家智能体中，无法突破预设边界\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>Capability-Centric\u003C\u002Fstrong>：系统动态创建新工具或生成新的专家智能体，但新资产的创建缺乏经验指导，导致成功无法复制、错误反复出现，进化过程不稳定\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>受皮亚杰平衡理论（Piaget, 1972）启发，智能通过同化（整合新经验）和顺应（调整内部结构）的相互作用演化。本文提出\u003Cstrong>协同进化（Co-Evolution）\u003C\u002Fstrong> 范式 \u003Cstrong>Mem2Evolve\u003C\u002Fstrong>：能力扩展使智能体完成更广泛任务，产生更多经验，经验蒸馏又指导后续能力扩展，从而实现能力与经验的协同进化\u003C\u002Fp>\n\u003Ch2>方法\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202608\u002F3614753-20260830145307727-30102612.png?w=720&quality=65&strip=all\" alt=\"image-20260808174108648\">\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Mem2Evolve\u003C\u002Fstrong> 是一个基于双记忆机制（Dual-Memory）的自我进化智能体框架，通过前向推理（Forward Inference）和反向进化（Backward Evolution）的循环，实现能力与经验的协同进化\u003C\u002Fp>\n\u003Ch3>\u003Cstrong>双记忆机制\u003C\u002Fstrong>\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>Asset Memory\u003C\u002Fstrong> 是可扩展的能力仓库，包含两个子库：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>Agent Bank\u003C\u002Fstrong>：每个条目 \u003Cspan>\\(m_{agt} = \\langle \\rho, \\epsilon, \\sigma, \\mathbb{T}_{avail} \\rangle\\)\u003C\u002Fspan>，包含角色、专长、行为建议和可用工具集\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>Tool Bank\u003C\u002Fstrong>：每个条目 \u003Cspan>\\(m_{tool} = \\langle n, d_{func}, c_{impl}, \\omega_{doc} \\rangle\\)\u003C\u002Fspan>，符合 \u003Cstrong>MCP（Model Context Protocol）\u003C\u002Fstrong> 标准，确保跨 LLM 后端的互操作性\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>Experience Memory\u003C\u002Fstrong> 存储从成功和失败中提炼的可转移经验，指导未来的任务执行和资产创建：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>Agent Exp\u003C\u002Fstrong>：针对特定专家智能体的策略性洞察\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>Tool Exp\u003C\u002Fstrong>：从工具创建和调试过程中提炼的实现指南\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3>\u003Cstrong>前向推理\u003C\u002Fstrong>\u003C\u002Fh3>\n\u003Cp>遵循\"先复用，按需创建\"策略，分为三个阶段：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>任务规划（Task Planning）\u003C\u002Fstrong>：LLM 作为规划器把任务 \u003Cspan>\\(q_t\\)\u003C\u002Fspan> 分解为子任务序列 \u003Cspan>\\(\\mathcal{S} = \\{s_1, s_2, \\ldots, s_k\\}\\)\u003C\u002Fspan>，每个子任务明确目标、输出格式和依赖关系\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>资产招募（Asset Recruitment）\u003C\u002Fstrong>：对每个子任务 \u003Cspan>\\(s_i\\)\u003C\u002Fspan>，通过招募函数 \u003Cspan>\\(\\Gamma(s_i)\\)\u003C\u002Fspan> 决定使用现有资产还是创建新资产\u003C\u002Fp>\n  \u003Cdiv>\n   \\[\\Gamma(s_i) = \\begin{cases} m^* & \\text{sim}(s_i, \\mathcal{M}_A) \\geq \\delta \\\\ \\text{Create}(s_i \\mid \\mathcal{M}_E, \\text{Web}) & \\text{otherwise} \\end{cases} \\]\n  \u003C\u002Fdiv>\n  \u003Cul>\n   \u003Cli>\u003Cp>\u003Cstrong>招募路径\u003C\u002Fstrong>：如果存在相似度超过阈值 \u003Cspan>\\(\\delta\\)\u003C\u002Fspan>，直接复用最匹配的专家智能体（Top-1）或工具（Top-K）\u003C\u002Fp>\u003C\u002Fli>\n   \u003Cli>\u003Cp>\u003Cstrong>创建路径\u003C\u002Fstrong>：对于缺失的能力调用 \u003Cstrong>Create\u003C\u002Fstrong> 函数生成新资产，创建过程由经验记忆和 Web 搜索结果共同指导\u003C\u002Fp>\u003C\u002Fli>\n  \u003C\u002Ful>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>执行（Execution）\u003C\u002Fstrong>：每个子任务分配给招募的专家智能体，注入从 \u003Cspan>\\(\\mathcal{E}_{agt}\\)\u003C\u002Fspan> 检索到的角色特定经验，在 ReAct 框架内完成 Think-Action-Observation 循环\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3>\u003Cstrong>反向进化\u003C\u002Fstrong>\u003C\u002Fh3>\n\u003Cp>任务完成后，反向进化旨在保留高质量资产以供未来重用，并从执行轨迹中提炼可转移的经验教训。我们把它形式化为轨迹评估、资产记忆演化和经验记忆演化三步：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>轨迹评估\u003C\u002Fstrong>：使用 LLM-as-a-Judge 评估，评估结果为成功或失败以及相应的意见\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>资产记忆演化\u003C\u002Fstrong>：通过自我修正循环确保新资产的质量，验证通过后加入 Asset Memory\u003C\u002Fp>\n  \u003Cdiv>\n   \\[m_{\\text{final}} = \\begin{cases} m_{\\text{new}} & \\text{if } r_t = 1 \\land \\text{Valid}(m_{\\text{new}}, c_t) \\\\ \\text{Improve}(m_{\\text{new}}, c_t) & \\text{otherwise} \\end{cases} \\]\n  \u003C\u002Fdiv>\n  \u003Cul>\n   \u003Cli>\u003Cp>\u003Cstrong>Valid\u003C\u002Fstrong>：让 LLM 根据批评意见合成测试用例，验证资产可靠性\u003C\u002Fp>\u003C\u002Fli>\n   \u003Cli>\u003Cp>\u003Cstrong>Improve\u003C\u002Fstrong>：基于批评和测试失败信息修正资产，重复直到通过验证\u003C\u002Fp>\u003C\u002Fli>\n  \u003C\u002Ful>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>经验记忆演化\u003C\u002Fstrong>：每次任务后，系统都会反思轨迹和轨迹评估以提取记忆项，如果轨迹成功则从成功轨迹中抽象高层指导原则（策略性建议、有效实现模式），如果轨迹失败则编码反模式和失败-修复对以防止类似错误，最后合并到 Experience Memory\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3>\u003Cstrong>工具创建的完整流程\u003C\u002Fstrong>\u003C\u002Fh3>\n\u003Cp>\u003Cstrong>Mem2Evolve\u003C\u002Fstrong> 的工具创建采用三阶段策略以确保生成质量：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>工具规格生成阶段\u003C\u002Fstrong>：系统在编写实际代码前先输出一份形式化的规格说明，包括工具名称、描述、输入参数（名称、类型、描述及默认值）、输出格式，以及用自然语言分步描述的核心执行逻辑（如\"Step 1: 验证输入合法性\"）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>文档与经验收集阶段\u003C\u002Fstrong>：系统通过双重渠道为工具实现准备参考资料，一方面使用 Web 搜索工具检索 GitHub 上的开源实现和 Stack Overflow 的调试讨论，另一方面利用已生成的工具规格查询 Experience Memory 获取相关开发经验\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>工具实现阶段\u003C\u002Fstrong>：系统基于规格说明和收集的参考资料生成符合 \u003Cstrong>MCP（Model Context Protocol）\u003C\u002Fstrong> 标准的可执行 Python 工具，要求包含完整导入、显式参数列表（不使用 \u003Ccode>**kwargs\u003C\u002Fcode>）、健壮的输入验证与错误处理，并遵循 PEP 8 规范，同时提供模块级的 \u003Ccode>TOOL_CONFIG\u003C\u002Fcode> 配置以确保跨 LLM 后端的互操作性\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>实验\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202608\u002F3614753-20260830145312524-1129954999.png?w=720&quality=65&strip=all\" alt=\"image-20260809000225311\">\u003C\u002Fp>\n\u003Cp>所有实验使用 \u003Cstrong>GPT-5-chat\u003C\u002Fstrong> 作为 LLM 骨干，可以看到 Mem2Evolve 在所有基准上均取得最佳表现\u003C\u002Fp>\n\u003Cdiv>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202608\u002F3614753-20260830145307060-1261997474.png?w=720&quality=65&strip=all\"> \u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202608\u002F3614753-20260830145310243-535147536.png?w=720&quality=65&strip=all\">\n\u003C\u002Fdiv>\n\u003Cp>对于单任务自进化，用少量初始记忆初始化系统后性能均优于无记忆设置；对于跨任务自进化，跨任务记忆初始化一致地提升了性能，且效果与 25% 单任务初始化相当。尽管源任务与目标任务存在领域差异，智能体仍保持稳定的进化轨迹，\u003Cstrong>未出现负迁移\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>总结\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Mem2Evolve\u003C\u002Fstrong> 是一篇很标准的顶会工作，思想和实现方式都很直接，现有工作都是单方面那我就协同，\u003Cstrong>最关键的是要有这样的科研 sense\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote>\n \u003Cp>\u003Cstrong>PDF 链接：\u003C\u002Fstrong>\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2604.10923\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Farxiv.org\u002Fpdf\u002F2604.10923\u003C\u002Fa>\u003C\u002Fp>\n \u003Cp>\u003Cstrong>Github 链接：\u003C\u002Fstrong>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBUAA-IRIP-LLM\u002FMem2Evolve\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fgithub.com\u002FBUAA-IRIP-LLM\u002FMem2Evolve\u003C\u002Fa>\u003C\u002Fp>\n\u003C\u002Fblockquote>","北航的工作 Mem2Evolve 发表于 ACL 2026，提出了一种全新的智能体自我进化范式，把\"能力扩展\"与\"经验蒸馏\"两个过程耦合起来，实现更稳定、更高效的智能体持续进化 背景 LLM 智能体在各类应用中已取得显著成功，研究者们不再满足于静态的任务特定系统，而是开始追求能够自我进化的智能体。然而现有框架通常把这两个进化过程割裂处理： Experience-Centric：系统从过往任务中学习，优化执行策略、精炼提示词或构建经验库，但能力空间被锁定在预定义的固定工具集和专家智能体中，无法突破预设边界 Capability-Centric：系统动态创建新工具或生成新的专家智能体，但新资产的创建缺乏经验指导，导致成功无法复制、错误反复出现，进化过程不稳定 受皮亚杰平衡理论（Piaget, 1972）启发，智能通过同化（整合新经验）和顺应（调整内部结构）的相互作用演化。本文提出协同进化（Co-Evolution） 范式 Mem2Evolve：能力扩展使智能体完成更广泛任务，产生更多经验，经验蒸馏又指导后续能力扩展，从而实现能力与经验的协同进化 方法 Mem2Evolve 是一个基于双记忆机制（Dual-Memory）的自我进化智能体框架，通过前向推理（Forward Inference）和反向进化（Backward Evolution）的循环，实现能力与经验的协同进化 双记忆机制 Asset Memory 是可扩展的能力仓库，包含两个子库： Agent Bank：每个条目 \\(m_{agt} = \\langle \\rho, \\epsilon, \\sigma, \\mathbb{T}_{avail} \\rangle\\)，包含角色、专长、行为建议和可用工具集 Tool Bank：每个条目 \\(m_{tool} = \\langle n, d_{func}, c_{impl}, \\omega_{doc} \\rangle\\)，符合 MCP（Model Context Protocol） 标准，确保跨 LLM 后端的互操作性 Experience Memory 存储从成功和失败中提炼的可转移经验，指导未来的任务执行和资产创建： Agent Exp：针对特定专家智能体的策略性洞察 Tool Exp：从工具创建和调试过程中提炼的实现指南 前向推理 遵循\"先复用，按需创建\"策略，分为三个阶段： 任务规划（Task Planning）：LLM 作为规划器把任务 \\(q_t\\) 分解为子任务序列 \\(\\mathcal{S} = \\{s_1, s_2, \\ldots, s_k\\}\\)，每个子任务明确目标、输出格式和依赖关系 资产招募（Asset Recruitment）：对每个子任务 \\(s_i\\)，通过招募函数 \\(\\Gamma(s_i)\\) 决定使用现有资产还是创建新资产 \\[\\Gamma(s_i) = \\begin{cases} m^* & \\text{sim}(s_i, \\mathcal{M}_A) \\geq \\delta \\\\ \\text{Create}(s_i \\mid \\mathcal{M}_E, \\text{Web}) & \\text{otherwise} \\end{cases} \\] 招募路径：如果存在相似度超过阈值 \\(\\delta\\)，直接复用最匹配的专家智能体（Top-1）或工具（Top-K） 创建路径：对于缺失的能力调用 Create 函数生成新资产，创建过程由经验记忆和 Web 搜索结果共同指导 执行（Execution）：每个子任务分配给招募的专家智能体，注入从 \\(\\mathcal{E}_{agt}\\) 检索到的角色特定经验，在 ReAct 框架内完成 Think-Action-Observation 循环 反向进化 任务完成后，反向进化旨在保留高质量资产以供未来重用，并从执行轨迹中提炼可转移的经验教训。我们把它形式化为轨迹评估、资产记忆演化和经验记忆演化三步： 轨迹评估：使用 LLM-as-a-Judge 评估，评估结果为成功或失败以及相应的意见 资产记忆演化：通过自我修正循环确保新资产的质量，验证通过后加入 Asset Memory \\[m_{\\text{final}} = \\begin{cases} m_{\\text{new}} & \\text{if } r_t = 1 \\land \\text{Valid}(m_{\\text{new}}, c_t) \\\\ \\text{Improve}(m_{\\text{new}}, c_t) & \\text{otherwise} \\end{cases} \\] Valid：让 LLM 根据批评意见合成测试用例，验证资产可靠性 Improve：基于批评和测试失败信息修正资产，重复直到通过验证 经验记忆演化：每次任务后，系统都会反思轨迹和轨迹评估以提取记忆项，如果轨迹成功则从成功轨迹中抽象高层指导原则（策略性建议、有效实现模式），如果轨迹失败则编码反模式和失败-修复对以防止类似错误，最后合并到 Experience Memory 工具创建的完整流程 Mem2Evolve 的工具创建采用三阶段策略以确保生成质量： 工具规格生成阶段：系统在编写实际代码前先输出一份形式化的规格说明，包括工具名称、描述、输入参数（名称、类型、描述及默认值）、输出格式，以及用自然语言分步描述的核心执行逻辑（如\"Step 1: 验证输入合法性\"） 文档与经验收集阶段：系统通过双重渠道为工具实现准备参考资料，一方面使用 Web 搜索工具检索 GitHub 上的开源实现和 Stack Overflow 的调试讨论，另一方面利用已生成的工具规格查询 Experience Memory 获取相关开发经验 工具实现阶段：系统基于规格说明和收集的参考资料生成符合 MCP（Model Context Protocol） 标准的可执行 Python 工具，要求包含完整导入、显式参数列表（不使用 **kwargs）、健壮的输入验证与错误处理，并遵循 PEP 8 规范，同时提供模块级的 TOOL_CONFIG 配置以确保跨 LLM 后端的互操作性 实验 所有实验使用 GPT-5-chat 作为 LLM 骨干，可以看到 Mem2Evolve 在所有基准上均取得最佳表现 对于单任务自进化，用少量初始记忆初始化系统后性能均优于无记忆设置；对于跨任务自进化，跨任务记忆初始化一致地提升了性能，且效果与 25% 单任务初始化相当。尽管源任务与目标任务存在领域差异，智能体仍保持稳定的进化轨迹，未出现负迁移 总结 Mem2Evolve 是一篇很标准的顶会工作，思想和实现方式都很直接，现有工作都是单方面那我就协同，最关键的是要有这样的科研 sense PDF 链接：https:\u002F\u002Farxiv.org\u002Fpdf\u002F2604.10923 Github 链接：https:\u002F\u002Fgithub.com\u002FBUAA-IRIP-LLM\u002FMem2Evolve",2717,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":16,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":40},"2026 · 人工智能","#2563eb","16 \u002F 10",[19],{"targetType":8,"targetId":9,"likedByMe":42,"likeCount":43,"commentCount":43,"contentLikeCount":43,"contentCommentCount":43,"sourceLikeCount":43,"sourceCommentCount":43},false,0,[45,52,59,66,72,78,85,92],{"id":46,"kind":7,"title":47,"summary":48,"image":49,"href":50,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":51},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827",[19],{"id":53,"kind":7,"title":54,"summary":55,"image":56,"href":57,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":58},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[19],{"id":60,"kind":7,"title":61,"summary":62,"image":63,"href":64,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":65},"NEWS_ARTICLE:853","为什么团队用了 AI 之后，测试质量反而下降了！","一、AI 提效之后，往往先崩的是质量 前两天刷到一篇同行的复盘。 「AI 提效半年后，我们的测试团队规模反而更大了」 用AI 提效半年，人数不降，反而变更多了？ 这位老哥是认真做过团队实践的，观察写得很扎实。提测质量肉眼可见地下滑，需求做漏了，单位时间里测试捞出来的 bug 反而变多，最后测试团队加","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831223910845.png","\u002Fnews\u002F853",[19],{"id":67,"kind":7,"title":68,"summary":69,"image":15,"href":70,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":71},"NEWS_ARTICLE:856","AI生产力：从效率到工作流重构","当初学专业的笔记还在吗？相信大部分人都没保留，而能力在不断积累和更新，关注和思考的角度在变化，在AI蒸馏我们的同时。也可以用AI的能力，去蒸馏一下魔幻的职场。","\u002Fnews\u002F856",[19],{"id":73,"kind":7,"title":74,"summary":75,"image":15,"href":76,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":77},"NEWS_ARTICLE:861","个体看衰AI，企业加速转型","信息化数字化智能化，十年前的说法在逐步兑现。最后回到一个灵魂拷问：当业务运营更加高效。组织间的协作更加流畅，企业究竟想去拓宽市场，还是手起刀落降低成本？","\u002Fnews\u002F861",[19],{"id":79,"kind":7,"title":80,"summary":81,"image":82,"href":83,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":84},"NEWS_ARTICLE:864","阿里开源：skill-up，一款Agent Skill 评测工具！","2026 年走到现在，Agent Skill 已经成了 AI 领域的标配。 把个人经验沉淀成 SKILL.md，把团队最佳实践封装成可复用的技能包，这些都已经是很常规的操作了。最近在社区上看到有篇文章问了一个特别扎心的问题。 「一个 Skill 的『好坏』，到底由谁定义？评判它的标准又是什么？」 这","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831105634380.png","\u002Fnews\u002F864",[19],{"id":86,"kind":7,"title":87,"summary":88,"image":89,"href":90,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":91},"NEWS_ARTICLE:868","DeepSeekHarness-MCP-Manager 一款DSH超好用的MCP管理跟Skills管理插件","链接：https:\u002F\u002Fgithub.com\u002Fxxxyz\u002FDeepSeekHarness-MCP-Manager 设置 → MCP 管理 管理项目级与全局 cordis.patch.yml 中的 @deepseek-ai\u002Fdsh-mcp-client ","https:\u002F\u002Fcamo.githubusercontent.com\u002F5d48b15e4e45c30746d4410bd5dd51552b20ed0294e6703d220931a8377c3ff8\u002F68747470733a2f2f696d672e736869656c64732e696f2f6e706d2f762f40787878797a2f6473682d6d63702d6d616e616765723f6c6f676f3d6e706d26636f6c6f723d636233383337","\u002Fnews\u002F868",[19],{"id":93,"kind":7,"title":94,"summary":95,"image":96,"href":97,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":98},"NEWS_ARTICLE:871","\"AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning\" 论文笔记","清华、浙大与美团 LongCat 团队合作的 AgentOPSD，目前挂在 Arxiv 26.08 上，做的是长程多轮 Agentic RL 里的回合级信用分配。可验证奖励的 RL 只在整条轨迹结束时给一个稀疏的 0\u002F1 信号，GRPO 这类方法把轨迹级优势均匀广播到每个 token，无法把成败真正","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202609\u002F3614753-20260901141154042-339903878.png","\u002Fnews\u002F871",[19]]