小红书自研Vibe Coding平台Muse，以Agent OS前置、工程护航增强实现高可用人机共创，编排沿Workflow、Pipeline到Agent Team演进，支撑产品、设计与研发在IM中完成从需求到代码的协作。
技术趋势洞察 免费开放
结合持续积累的技术信号，梳理关键变化，呈现技术演进脉络。
每周相关信号数 / 条
近期重点变化
○ 纳入观察 ● 重点变化 ◆ 结束追踪
智库研究
从技术变化到企业实践，为 AI 落地提供研究依据。
2460 篇研究
最新发布AI使用量增长，不等于生产力提升。企业需要从持续使用、效率、能力、规模化和转型五个层级衡量AI价值，把指标与质量、治理及具体干预动作结合起来，判断投入是否真正改变工作并形成竞争优势。
AI Coding Agent接入企业系统，不能只按开发者偏好选工具。MCP与CLI解决访问问题，Skills指导工作方法，Hooks执行事件检查。企业应按职责组合四者，并统筹权限、成本、审计和供应链治理，避免把功能互补误解为相互替代。
贝壳围绕高价值、长周期的房产决策，以理解人、理解房和支持选择构建房产咨询Agent。通过三层架构、双模型协同和Harness工程组织领域能力，再以真实轨迹与反馈推动训练闭环，探索模型与运行环境共同进化的决策服务。
阿里云Agent沙箱智能治理实践会员专享
针对AI Agent沙箱运行不可信代码带来的凭据窃取与横向移动风险，阿里云设计GlobalTrafficPolicy、TrafficPolicy、SecurityProfile三层策略构建网络边界，以节点侧透明拦截与中心Envoy网关实现L4/L7全栈管控和凭据动态替换，方案在openkruise/agents开源并应用于阿里云ACS产品化，单集群支撑10万以上沙箱。
AI编程提速，并不意味着软件质量同步提升。对于自主执行多步骤任务的智能体，企业应先建设Harness，把上下文、实时纠错和验证关卡纳入统一管控，再扩大应用规模。投资重点应从追逐模型排名转向可持续积累的工程能力。
角色智能体的关键不是能执行多少任务，而是能否代表企业承担明确职责。企业需要同时评估其价值、风险、技术可靠性及组织和市场准备程度，判断何时适合将其引入核心业务。
OPPO小布记忆针对手机上截图、语音、视频、文档等碎片化内容记不住、管不好、用不上的难题，构建"记·管·用"三层算法架构与L0~L3记忆分层，自研端侧多模态大模型AndesVL支撑端云协同，以RL记忆管理智能体与Agentic RAG实现记忆整理和自进化，落地一键闪记等功能，L1记忆生成精度达92%以上。
蚂蚁数科面向多产品、多场景的企业研发体系，以工具覆盖和组织牵引为起点，建立AGI研发指数与SIGN成熟度模型，并通过Agentic Dev、Harness和Loop Engineering把AI引入需求到交付的主链路。随着质量门禁和产物总线成形，团队进一步调整交付组织、打通产品与研发Agent，并以效能释放和产品商业价值衡量AI原生转型。
AI从回答问题走向自主执行，企业安全治理也必须随之升级。围绕全生命周期监督、主动防御、风险分级和供应链验证，企业应把安全能力建设为可证明、可持续的竞争优势，而不只是满足单一框架的合规要求。
AI能力的模块化、快速演进与行为不确定性，使静态架构文档难以指导交付。企业应以供应商中立的参考模型统一基础定义，管理多套参考架构，将复合模式、治理规则和部署模板转化为可执行资产，并用运行反馈持续更新。
华为围绕Coding Agent在企业软件研发中的落地，逐步从代码补全、问答转向自主执行项目任务。华为云码道通过环境自适应配置、结果与过程并重的评测、生产问题回流、大小模型协同及专用工具约束，处理准确性、通用性、执行效率与成本之间的取舍，并在安卓应用迁移鸿蒙等场景中验证工作流程。
AI编码规模化不能只靠升级模型。企业需要把自身的架构标准、领域知识、工作流程与质量关卡，沉淀为可复用的Agent Harness，并由平台工程团队持续维护，使代码生成从单点提速走向可靠、合规且成本可控的软件交付。
华为仓颉团队研发组织进化实践会员专享
华为仓颉团队提出Agent Centric Engineering（ACE），以Human IO Loop界定人的治理和验收责任，借助ACE Harness串联多Agent执行；再用能力标签动态匹配任务、人才与Agent。编译器、标准库和算子迁移案例呈现不同协作方式，GC预研则揭示研发探索与标准化开发的适用边界。
阿里巴巴智能体自动化红队实践会员专享
阿里AI红队针对智能体攻击面跨模型、工具、运行环境和用户终端扩展的问题，提出以根因、影响和发生层级定位风险的REAL矩阵。团队用公开漏洞与攻防案例检验分类方法，将攻击链沉淀为按坐标组织的用例库，并建设覆盖手机、桌面和Web智能体的自动化红队评测流程，为跨产品比较安全水位和持续回归提供统一依据。
上下文图谱：让智能体理解业务规则会员专享
智能体要可靠决策，仅靠模型能力还不够。上下文图谱将业务概念、流程、规则与决策历史连接起来，为智能体提供可查询、可验证的业务依据。企业应从领域建模起步，结合规则挖掘、专家校验与影子模式测试，逐步建立持续验证闭环。
蚂蚁百灵高效智能体模型训练实践会员专享
蚂蚁百灵围绕万亿参数模型的长上下文成本与智能体任务效率，协同调整注意力架构、真实环境数据和强化学习方法。Ling 2.6采用7∶1混合线性注意力，并在不同规模、即时响应与思考模型上验证能力，实践重点从增加输出Token转向提高每个Token承载的信息与任务价值。
企业智能体的价值与治理方式取决于它为谁服务，个人智能体提升员工效能，流程智能体改善业务流程，角色智能体承担组织职责。企业需要分别明确责任人、监督机制与回报指标，才能将技术能力转化为业务价值。
企业如何进行Token成本治理？会员专享
AI成本不能只看Token单价。企业需要看清上下文、推理和智能体多轮调用带来的实际消耗，以成功结果衡量投入，并将费用归属、生产与实验分级管控、本地算力成本纳入统一治理，分阶段推进优化。
在数据要素化、AI原生化与金融监管趋严三重背景下，光大证券将数据治理从面向人工查询和报表使用的基础管理，升级为同时服务业务人员与智能体的数据基础设施。围绕“AI for Data Governance”和“Data Governance for AI”双向赋能，光大证券以数据标准、元数据、主数据和质量管理为底座，通过AI+DATA柔性工作小组推进系统智能体、智能元数据、DataOps、治理评估、主数据治理、智能资讯和智能问数等场景，使数据从“可用”进一步走向“可训、可信、可复用”。