不让AI Agent失控:Temporal谈规模化背后的可靠性真相
当AI Agent从Demo走向真实生产环境,最大的挑战并不是模型能力,而是系统是否“跑得住”。Temporal工程师Preeti Somal用真实架构、数据和现场Demo,讲清了一个被忽视的问题:没有可靠性,Agent规模化只会更快失败。
当AI Agent从Demo走向真实生产环境,最大的挑战并不是模型能力,而是系统是否“跑得住”。Temporal工程师Preeti Somal用真实架构、数据和现场Demo,讲清了一个被忽视的问题:没有可靠性,Agent规模化只会更快失败。
这场演讲展示了一个不同于传统科研自动化的方向:AI不再只是事后分析工具,而是能在实验进行中、与科学家同步思考和反馈的“共科学家”。通过一次略显紧张却真实的现场演示,演讲者解释了为什么“实时”是下一代科学工具的关键。
这场由NVIDIA团队成员亲自讲解的演讲,首次系统拆解了人形机器人基础模型GR00T N1的设计思路。它不仅解释了什么是“人形基础模型”,更给出了一条从数据、架构到训练范式的完整路线图,揭示NVIDIA为何押注通用型机器人智能。
Linear 工程负责人 Tom Moor 复盘了团队从早期 AI 试验到系统化构建“代理协作平台”的全过程。这不是一次炫技式的分享,而是关于如何在真实产品中,让 AI 真正为工程团队节省时间、减少摩擦的实践经验。
这是一场关于AI时代产品工作的反思与动员。Raiza Martin分享了一个核心判断:当工程、产品、设计的边界被AI抹平,真正稀缺的能力不再是职位标签,而是你能否把混乱的技术能力,转化为清晰、有价值、让人愿意信任甚至感到愉悦的产品。
在这场演讲中,英国政府AI孵化器负责人James Lowe提出了一个尖锐判断:当“写代码”越来越便宜,真正稀缺的能力变成了“决定该做什么”。他用公共部门真实项目的经验,讲述了为什么AI产品经理必须具备AI一线理解,以及在高度不确定的技术环境中,如何更快验证、放弃和转向。
前 Stripe、VS Code 团队成员 Kenneth Auchenberg 用短短一场演讲,反复强调一个看似朴素却极难做到的原则:产品的本质不是构想,而是尽快把东西交到真实的人手中。在 AI 时代,这个原则不仅没有过时,反而变得更加重要。
这是一场关于“在你并不知道产品最终能做什么时,如何仍然把它交付出去”的演讲。Ben Stein分享了AI时代产品开发正在发生的根本变化:从功能导向转向行为涌现,从先定义再构建转向边用边学。
这篇文章还原了Christopher Lovejoy关于“领域原生”LLM应用的完整思路:为什么通用模型难以落地、如何通过度量与反馈让系统逐步具备专家级判断,以及一位医生转型AI工程师的真实经验。
这是一堂从最基础的关键词搜索讲起,逐步走向向量搜索与混合检索的实战课程。Elastic 的 Philipp Krenn 用大量现场演示告诉你:RAG 的成败不在模型,而在你是否真正理解“检索”这件事。