🔬 AI科技周刊

Buy Me a Coffee

AI科技资讯周报_2026W25最先出现在AI Weekly。

微调让模型更懂你的业务，部署让模型真正服务于用户。两者结合，是AI应用落地的最后一公里。

一、为什么需要微调？

预训练大模型（如GPT-4、LLaMA）已经具备通用能力，但在特定场景下可能表现不佳：

● 风格不符：回答不够专业、语气不匹配。

● 知识缺失：不了解你的产品、公司内部术语。

● 结构要求：需要输出特定格式（JSON、表格）。

● 成本考量：频繁调用API成本高，微调小模型更划算。

1.1 微调 vs 提示工程 vs RAG

三者常结合使用：微调让模型“学会”你的领域知识，RAG提供实时信息，提示工程优化交互。

二、微调的核心流程

微调是在预训练模型的基础上，用少量任务相关数据继续训练，调整模型参数。

2.1 微调步骤

1. 数据准备：收集、清洗、格式化训练数据。

2. 选择基座模型：根据需求选择合适模型（如LLaMA、ChatGLM、Qwen）。

3. 微调方法：全量微调或参数高效微调（PEFT）。

4. 训练：设置超参数，启动训练。

5. 评估与迭代：用验证集评估效果，调整数据或参数。

6. 导出与部署：保存模型，量化优化，部署服务。

2.2 数据准备

● 数据格式：通常采用“指令-回答”对（instruction-input-output）或对话格式。

● 数量要求：几百条可看到初步效果，数千条以上效果更稳定。

● 质量优先：清洗数据，保证答案准确、风格一致。

示例数据（JSONL格式）：

{"instruction": "解释什么是RESTful API", "output": "RESTful API是一种基于HTTP的架构风格，使用资源概念和标准HTTP方法（GET、POST、PUT、DELETE）进行通信。"}
{"instruction": "将以下英文翻译成中文：Hello world", "output": "你好世界"}

2.3 微调方法

目前LoRA/QLoRA是主流，尤其适合资源有限的环境。

三、微调实战：用LLaMA-Factory微调Qwen

LLaMA-Factory是一个易用的微调框架，支持多种模型和方法。以下示例使用Qwen-7B进行LoRA微调。

3.1 环境准备

git clone 
            https://github.com/hiyouga/LLaMA-Factory.git

cd LLaMA-Factory
pip install -r 
            requirements.txt

3.2 数据准备

将训练数据放在 data 目录，格式为JSON，并在 data/ dataset_info.json  中注册。

3.3 启动微调

python src/
            train_bash.py
           \
    --stage sft \
    --model_name_or_path Qwen/Qwen-7B \
    --dataset my_dataset \
    --template qwen \
    --finetuning_type lora \
    --lora_target q_proj,v_proj \
    --output_dir ./output \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --learning_rate 5e-5 \
    --num_train_epochs 3 \
    --fp16

3.4 合并权重并导出

训练完成后，将LoRA权重合并到基座模型，便于部署：

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model = 
            AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B")
          
tokenizer = 
            AutoTokenizer.from_pretrained("Qwen/Qwen-7B")
          
model = 
            PeftModel.from_pretrained(base_model,
           "./output")
merged_model = 
            model.merge_and_unload()
          

            merged_model.save_pretrained("./merged_model")
          

            tokenizer.save_pretrained("./merged_model")
          

四、模型部署：从训练到服务

部署的目标是将模型以API或服务的形式提供给其他系统调用。

4.1 部署方式对比

4.2 常用部署工具

4.3 部署实战：使用vLLM部署微调后的模型

安装vLLM：

pip install vllm

启动服务：

python -m 
            vllm.entrypoints.openai.api_server
           \
    --model ./merged_model \
    --port 8000

调用API：

import openai

            openai.api_base
           = "http://localhost:8000/v1"

            openai.api_key
           = "EMPTY"

response = 
            openai.ChatCompletion.create(
          
    model="./merged_model",
    messages=[{"role": "user", "content": "解释什么是微调"}]
)
print(
            response.choices[0].message.content)
          

4.4 部署优化要点

● 量化：使用GPTQ、AWQ等量化技术，减少显存占用，提升推理速度。

● 批处理：动态批处理提高吞吐量。

● 缓存：对常见问题缓存结果，降低负载。

● 流式输出：提升用户体验，尤其对于长文本生成。

五、后端开发视角：集成微调模型

作为后端工程师，将微调模型集成到系统时需考虑：

● API设计：统一封装模型调用接口，便于前端和服务调用。

● 异步处理：耗时任务放入消息队列，避免阻塞。

● 监控与日志：记录请求、响应、耗时，用于质量分析和成本核算。

● 灰度发布：新模型先小流量验证，再全量切换。

● 版本管理：保存多个模型版本，支持回滚和A/B测试。

三、微调实战：用LLaMA-Factory微调Qwen

LLaMA-Factory是一个易用的微调框架，支持多种模型和方法。以下示例使用Qwen-7B进行LoRA微调。

3.1 环境准备

git clone 
            https://github.com/hiyouga/LLaMA-Factory.git
          
cd LLaMA-Factory
pip install -r 
            requirements.txt
          

3.2 数据准备

将训练数据放在 data 目录，格式为JSON，并在 data/ dataset_info.json  中注册。

3.3 启动微调

python src/
            train_bash.py
           \
    --stage sft \
    --model_name_or_path Qwen/Qwen-7B \
    --dataset my_dataset \
    --template qwen \
    --finetuning_type lora \
    --lora_target q_proj,v_proj \
    --output_dir ./output \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --learning_rate 5e-5 \
    --num_train_epochs 3 \
    --fp16

3.4 合并权重并导出

训练完成后，将LoRA权重合并到基座模型，便于部署：

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model = 
            AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B")
          
tokenizer = 
            AutoTokenizer.from_pretrained("Qwen/Qwen-7B")
          
model = 
            PeftModel.from_pretrained(base_model,
           "./output")
merged_model = 
            model.merge_and_unload()
          

            merged_model.save_pretrained("./merged_model")
          

            tokenizer.save_pretrained("./merged_model")
          

四、模型部署：从训练到服务

部署的目标是将模型以API或服务的形式提供给其他系统调用。

4.1 部署方式对比

4.2 常用部署工具

4.3 部署实战：使用vLLM部署微调后的模型

安装vLLM：

pip install vllm

启动服务：

python -m 
            vllm.entrypoints.openai.api_server
           \
    --model ./merged_model \
    --port 8000

调用API：

import openai

            openai.api_base
           = "http://localhost:8000/v1"

            openai.api_key
           = "EMPTY"

response = 
            openai.ChatCompletion.create(
          
    model="./merged_model",
    messages=[{"role": "user", "content": "解释什么是微调"}]
)
print(
            response.choices[0].message.content)
          

4.4 部署优化要点

● 量化：使用GPTQ、AWQ等量化技术，减少显存占用，提升推理速度。

● 批处理：动态批处理提高吞吐量。

● 缓存：对常见问题缓存结果，降低负载。

● 流式输出：提升用户体验，尤其对于长文本生成。

五、后端开发视角：集成微调模型

作为后端工程师，将微调模型集成到系统时需考虑：

● API设计：统一封装模型调用接口，便于前端和服务调用。

● 异步处理：耗时任务放入消息队列，避免阻塞。

● 监控与日志：记录请求、响应、耗时，用于质量分析和成本核算。

● 灰度发布：新模型先小流量验证，再全量切换。

● 版本管理：保存多个模型版本，支持回滚和A/B测试。

六、总结与展望

核心要点

LLM模型部署与微调最先出现在AI Weekly。

🌟 工具名称：LobsterAI

🔗 工具地址：https://lobsterai.youdao.com/

OpenClaw 最近是在太火了，春节期间，Chris 花了两天时间折腾 OpenClaw。

不是夸它，是字面意义上的“折腾”。下载、安装、配置环境变量、填 API Key、对着终端敲命令……大半天时间耗在一个 401 报错上。

就在我快要放弃的时候，刷推特刷到网易有道发了新东西：LobsterAI（有道龙虾）The

宣传语很简单：中国版 OpenClaw，不需要命令行The

这句话太吸引我了。于是去官网下了个安装包，直接安装打开。没有终端、没有 curl、没有环境变量。整个过程和装一个普通聊天软件没有区别The

一、什么是有道龙虾？

官方定义：一个 7×24 小时帮你干活的全场景个人助理 Agent，简单来说，就是一只有脑有手的 AI 员工，不只是有脑子的 AI 聊天助手。

传统的 AI Chatbot 只能回答问题、给建议。你让它做个 PPT，它给你一串步骤。你让它分析数据，它给你一堆思路。

但具体的活儿，还得你自己干，LobsterAI 不一样的地方在于：它能自己动手，比如：

• 打开 Excel 分析数据
• 调用 PPT 模板生成演示文稿
• 启动浏览器搜索信息
• 操作网页自动化流程
• 整理文件夹、重命名文件

你只需要说「要做什么」，剩下的让它自己搞定。

二、和 OpenClaw 有什么区别？

很多人会把 LobsterAI 和 OpenClaw 拿来比较，这很正常——它们的核心思想确实很像：

LobsterAI 不是 OpenClaw 的竞品，而是它的“快速入门版”。

原版 OpenClaw 对极客来说很爽，但对普通用户来说，门槛确实高。LobsterAI 把这套能力打包成一个普通人也能用的产品，这才是它的价值。

三、它有什么能力？

LobsterAI 的核心是“技能系统”。目前内置了 18+ 个专业技能：

文档处理

• docx — Word 文档生成与分析
• xlsx — Excel 数据分析与公式计算
• pptx — PPT 自动生成
• pdf — PDF 内容提取与结构化

网络能力

• web-search — 实时网络搜索
• playwright — 浏览器自动化

创意开发

• frontend-design — 前端界面设计
• develop-web-game — 网页游戏开发
• create-plan — 项目计划拆解
• skill-creator — 自定义技能生成器

其他能力

• 定时任务 — 每日新闻收集、邮件整理
• 持久记忆 — 跨会话记住用户偏好
• 远程操控 — 通过钉钉、飞书手机远程控制电脑

这些技能不是简单的「提示词」，而是真正的可执行模块The

比如启用 xlsx + docx 技能后，你上传一份销售数据表，说“分析 Top 10 产品销售趋势，生成包含图表的月度分析报告”。它会完成完整的数据读取 → 指标计算 → 图表生成 → 文档输出流程The

这才是真正的 Agent 执行链路。

四、怎么上手？

1.下载安装

访问官网 lobsterai.youdao.com，下载对应系统的安装包（macOS 和 Windows 都支持，Intel 和 Apple Silicon 版本分开）。

双击安装，和装普通软件一样简单。

2.配置模型

打开设置，左边一列模型供应商：DeepSeek、Moonshot、Qwen、智谱、MiniMax、Ollama……

选一个你常用的，填 API Key，点「测试连接」。看到绿色的「连接成功」就行了。

没有 curl，没有环境变量，点几下按钮就完事。

3.启用技能

在技能管理页面，勾选你需要的功能模块。日常办公的话，docx/xlsx/pptx 基本够了。

4.开始干活

直接在对话框里输入需求，它会自动规划并执行。

5.连接飞书/钉钉（可选）

如果你想手机远程操控电脑，可以在设置里配一下飞书或钉钉机器人。流程也不复杂：创建应用 → 配权限 → 选长连接 → 填 App ID 和 App Secret → 测试连通性The

搞定之后，你在手机上发条消息，家里的电脑就开始干活了。比如 Chirs 配置了飞书机器人，这时候就可以在手机或电脑版飞书，给机器人安排任务：

五、真实场景举例

让我说几个真正能派上用场的场景：

场景一：老板临时要报告

当我们需要使用 Excel 表格数据制作报告通常都需要经过下面的流程：

• 打开 Excel，手动筛选数据
• 画图表
• 写 Word 报告
• 老板说改一下，再来一遍

耗时通常在 1–2 小时，而使用 LobsterAI 的话：

1. 上传数据表格
2. 输入：“分析这篇文章的阅读量数据，生成包含图表的分析报告”
3. 等待 5–10 分钟

老板说“改成饼图，增加分类维度”，继续对话迭代就行。

场景二：远程操控办公

你在咖啡厅，突然想起来家里电脑上有个文件要处理。打开手机飞书，给 LobsterAI 配置的飞书机器人，发个消息，它就帮你搞定。不用远程桌面，不用 VPN，一句话的事。

场景三：自动信息收集

设置一个定时任务：每天早上 9 点自动收集 Reddit 内容、行业新闻，整理成摘要发给你。

之后你就不用刷各种信息流了，早上打开手机直接看结果。

场景四：学习辅助

丢一堆学习资料进去，让它自动提炼知识点、整理笔记、根据你的进度生成练习题。这已经不是普通的“AI 助手”了，这是任劳任怨的“数字员工”。

六、安不安全？

很多人看到「AI 控制电脑」这六个字，第一反应是：这玩意儿安全吗？

LobsterAI 在这块做了三层防护：

1. 本地优先策略

• 所有聊天记录存储在本地数据库
• API Key 只存在本机
• 可用 Ollama 本地模型完全离线运行

2. 沙箱隔离执行

提供三种执行模式：

• 自动（优先沙箱） — 平衡效率与安全
• 本地运行 — 最高效率
• 仅沙箱 — 最高安全级别

沙箱环境下：

• 独立 VM 运行
• 限制本地文件访问
• 网络请求受监控
• 自动检测危险操作

3. 敏感权限控制

所有敏感工具调用需要用户明确批准后才能执行。也就是，它干活，你盯着；危险动作，你说了算。

七、开源免费

2 月 19 日，有道龙虾在 GitHub 正式开源，MIT 协议。短短几天，Stars 突破 2000+，Fork 200+。

网易把这东西开源出来，挺有意思。这说明他们不打算靠这个收费，而是想和社区一起打磨，把它做成一个真正好用的生产力工具。

对于用户来说，这是个好消息：免费、开源、安全可控。

写在最后

去年，大家还在讨论 AI 能不能聊天。

今年，话题已经变成“AI 能不能干活”。

从「对话」到「做事」，一词之差，对大众来说绝对是两个时代。

LobsterAI 给我的感觉是：大大降低大家使用类似 OpenClaw 这类 AI 助手的成本，让每个人都可以有一个自己专属的 AI 员工，也是非常好的普及 AI 的方式。

让它能够根据你的要求，AI 自己打开浏览器、输入关键词、翻找结果、整理成文档，不是简单的回答问题，而使真正帮你干活。

最后，Chris 觉得，现在的大模型 Chatbot 和 LobsterAI 的区别，就是顾问和员工的区别。一个只长脑子，一个有脑有手。

2026 年，可能是 Agent 元年。大家赶紧一起来抓虾吧。

Official website:https://lobsterai.youdao.com/

GitHub：https://github.com/netease-youdao/LobsterAI

有道 LobsterAI：中国版OpenClaw，能聊天能干活，你的7×24小时AI数字员工最先出现在AI Weekly。

OpenClaw（曾用名 Clawdbot）是一款 2026 年爆火的开源个人 AI 助手，GitHub 星标已超过 10 万颗。与传统 AI 聊天机器人的根本区别在于：

• 真正的执行能力：不仅能回答问题，还能实际操作你的电脑
• 24/7 全天候待命：在你睡觉时也能主动完成任务
• 完全开源免费：数据完全掌控在自己手中
• 支持多种通讯平台：在国外，WhatsApp、Telegram、Discord、Slack、iMessage 等，在国内，飞书，钉钉等各大厂商的即时聊天软件已经支持接入

它能做什么？

它不只是回答问题的聊天机器人，而是真的能在你电脑上动手操作。比如你告诉它“帮我整理一下上个月的邮件”，它就默默去处理了；你睡觉时，它还能继续干活，退订广告、预约行程、甚至找找 Bug。

它完全免费，你的数据都在自己手里。而且可以用钉钉，飞书，WhatsApp、Telegram等各类即时通讯软件来指挥他干活！

简单来说，一句话交给它，从整理桌面文件到控制家里灯光，它都默默帮你搞定。是你电脑里真正的贾维斯！超级智能的AI助理！

二、安装nodejs

后面执行一键安装命令，可以自动安装nodejs，但是如果为了加快速度，防止安装意外，可以先安装nodejs：

官方下载地址：https://nodejs.org/zh-cn/download

三、开始安装

一）设置 PowerShell 执行权限

以管理员身份运行 PowerShell：

1. 按 Win 键，搜索 PowerShell
2. 右键点击 Windows PowerShell
3. 选择 以管理员身份运行
4. 点击 是 确认

在管理员 PowerShell 窗口中，依次执行以下两条命令：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

这是什么意思？

• 第一条命令：允许当前用户运行本地和下载的脚本
• 第二条命令：允许当前用户运行本地和下载的脚本

安全提示：这些命令只会影响您自己的账户，不会影响系统安全或其他用户。

二）执行一键安装命令

复制以下命令，粘贴到 PowerShell 窗口中，按 Enter 执行：

iwr -useb https://openclaw.ai/install.ps1 | iex

安装过程会自动完成：

• 检测系统环境
• 安装必要依赖（Node.js 等）
• 下载 OpenClaw 核心文件
• 配置环境变量
• 启动配置向导

注意：如果命令执行后，还是报错，可以自己到官网下载node安装包，自己安装node环境，注意版本最好在 node v22.x 以上，node官网下载地址：https://nodejs.org/zh-cn/download

四、初始配置向导

安装完成后，会自动进入配置向导（openclaw onboard）。

一）风险告知

这一步主要是告诉你，使用OpenClaw可能会有一些风险。请问你是否继续？

按 向左方向键 ←，选择 Yes，按 Enter 回车确认

二）选择 QiuickStart 模式

三）配置 AI 模型 API Key

OpenClaw 需要连接到大语言模型才能工作。Openclaw 比较费token，国外模型成本高，门槛也高，这里我选择国内的智谱的 GLM 4.7

如果没有智谱的API Key，点击官方地址自己注册账号获取API key：https://www.bigmodel.cn/glm-coding?ic=RBSKXMPNJP

输入自己的 API Key：

四）选择 AI 模型

这里我选择默认的GLM 4.7，也是智普当前的旗舰模型

五）连接即时通讯平台

配置完 AI 模型后，OpenClaw 会询问你要连接哪个通讯平台？

OpenClaw 原生支持的即时通信平台主要是海外的 WhatsApp、Telegram、Discord、Slack、iMessage 等，国内用户不习惯，这里国产即时通信软件大厂也跟进了，现在钉钉，飞书等都已支持接入OpenClaw

后面会带领大家把飞书机器人接入 OpenClaw，使大家可以通过飞书即可指挥OpenClaw为我们干活，但是飞书配置比较复杂，这里我们先选择跳过，后面我们可以通过继续进行配置：

六）选择Skills

这里也选择：No，暂不配置，后面通过UI界面进行配置：

七）是否开启Hooks

操作步骤：先敲空格，表示选中当前项，再敲回车键

八）启动服务并打开UI界面

此时它会自动再打开一个命令窗口来启动服务:

这个过程是在启动服务，可能会需要等一点时间

同时，大约过30秒左右，我们回到刚才的设置窗口，选择 Open the Web UI ，打开 OpenClaw 的UI界面：

浏览器自动打开Web UI界面：

九）测试一下

五、接入飞书机器人

我们需要先到飞书平台创建自己的机器人来接入OpenClaw：

一）来到飞书开发者后台

飞书开放平台地址：https://open.feishu.cn

没有飞书账号的，需要自己注册账号

点击右上角进入 开发者后台：

二）创建应用

三）填写应用信息

四）获取自己的应用凭证

五）给应用添加机器人

六）给应用配置权限

把即时通讯相关的权限全部开通：

七）创建版本并发布

来到飞书客户端进行审批：

八）安装飞书插件

打开powershell，输入以下命令，安装飞书插件：

openclaw plugins install @m1heng-clawd/feishu

安装成功后，再打开一个新的命令窗口，开始配置飞书插件：

输入命令：

openclaw config

选择渠道:

选择配置链接:

输入飞书的AppID，AppSecrect：

域名选择中国的：

接受群组聊天：

选择完成：

选择yes：

选择open：

选择继续，完成配置：

重启服务，使配置生效：

控制可以看到飞书插件已经配置成功

七）回到飞书后台设置事件回调

选择 使用长连接接收事件 ：

可以看到添加事件按钮由原来的灰色不可点击变为可点击：

添加接收消息事件：

给应用开通获取通讯录基本信息的权限：

重新发布版本：

跟前面的步骤一样，发布为在线应用即可。

现在可以在 飞书中与 AI 助手对话了！

八）在飞书中与OpenClaw对话

来到飞书客户端或者手机飞书app上：

以下是openclaw文件夹下面的文档内的内容：

现在我跟飞书机器人对话，让他告诉我指定文档内是什么内容：

六、访问 Web 控制面板

配置完成后，PowerShell 窗口底部会显示控制面板链接，格式类似：

Control UI: http://127.0.0.1:18789

1. 复制完整链接
2. 在浏览器中打开
3. 即可看到可视化UI管理界面

七、常用命令速查

八、常见问题解答

Q1: 安装飞书插件提示：spawn npm ENOENT

问题原因：这可能是openclaw的一个bug，可以等官方更新，也可以自己去官方仓库提issue

解决步骤：

定位问题代码

文件路径：

C:\Users\Administrator\AppData\Roaming\fnm\node-versions\v22.14.0\installation\node_modules\openclaw\dist\process\exec.js

修改代码

找到 runCommandWithTimeout 函数中的 spawn 调用，修改如下：

修改前：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
const child = spawn(argv[0], argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    windowsVerbatimArguments,
});

修改后：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
// On Windows, npm must be spawned with shell: true or use .cmd extension
let command = argv[0];
let useShell = false;
if (process.platform === "win32" && path.basename(command) === "npm") {
    useShell = true;
}
const child = spawn(command, argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    shell: useShell,
});

Q2: 提示 “openclaw 命令找不到”

解决方法：

1. 关闭所有 PowerShell 窗口
2. 重新打开 PowerShell
3. 如果还不行，执行 exec bash 或重启电脑

Q3: 安装卡住不动

解决方法：

1. 按 Ctrl + C 中断当前操作
2. 执行：openclaw doctor 检查问题
3. 如提示网络问题，检查防火墙设置Q4: API Key 配置错误

解决方法：

1. 执行：openclaw onboard
2. 选择重新配置 API Key
3. 确保密钥格式正确

Q5: 端口 18789 被占用

解决方法：

openclaw gateway --port 18790

使用其他端口启动服务。

九、成本说明

OpenClaw 软件本身完全免费，主要成本来自 AI 模型 API 调用，可选择国产大模型，降低成本。

结语

OpenClaw 代表了个人 AI 助理的未来趋势——从”聊天工具”进化为”执行工具”。虽然目前的配置过程对小白用户有一定门槛，但一旦完成设置，您将拥有一个 24/7 待命的超级助手。

手把手教你安装OpenClaw让AI帮你干活最先出现在AI Weekly。

随着人工智能（AI）逐渐改变我们的工作、生活方式以及学习方法，高等教育机构不仅应作为参与者，更需成为这一变革潮流的引领者。面对由AI重塑的世界，高等教育肩负着培养下一代的重要使命——既要传授必要的AI技能，也要坚守其核心价值：培育批判性思维、沟通技巧和人文精神。

而这一切，需要比以往任何时候都更快地实现。

这些观点出自《变革的程度：人工智能对教育及下一代的意义》一书，作者为微软人工智能经济研究所负责人胡安·M·拉维斯塔·费雷斯，他也是公司“为良好实验室”AI项目的主任。书中强调：“首先，我们必须确保人们掌握有效使用AI所需的技能，这是确保这项技术得到广泛应用的关键一步。”此外，“更重要的是，我们需要理解AI如何从根本上重新定义教育本身。”

以下是根据拉维斯塔·费雷斯及其合著者的研究提出的，在AI时代高等教育能够且应该发挥领导作用的四种方式：

1. AI素养不再是选修课，而是核心要求

随着AI在日常生活中扮演越来越重要的角色，从支付账单到公共交通，高校有责任教授学生必要的AI技能。早期数据表明，具备AI能力的人才已享受到了23%的薪资溢价。因此，将AI素养融入课程设计中，并与伦理推理、问题分析等关键能力相结合，变得至关重要。

2. 高等教育需快速适应并保持其使命

AI加速了日常任务处理速度，并改变了问题解决的方式。在此背景下，高等教育必须在不偏离其核心目标的前提下，迅速整合生成式AI进入教学内容，同时加强学生的伦理素养教育。

3. 文盲概念双向扩展

开发者需了解AI的社会影响和伦理挑战，而教育者、政策制定者及公众则需要掌握AI的基础知识。这种双向的识字率是成功的关键所在，缺乏它将导致监管滞后，阻碍进步。

4. 教育改革需多方协作

成功的AI教育依赖于大学、产业界和政策制定者的紧密合作。通过这种方式，可以为学生提供既符合市场需求又兼顾社会责任感的教育，从而支持他们应对未来的挑战。

高等教育机构应当设立明确的AI技能标准，获得雇主的认可，同时提供必要的资金和结构支持，以确保所有学生都能接受全面且包容的AI教育。

探索人工智能对教育及下一代的重要性最先出现在AI Weekly。

Claude Cowork 到底有多强？

永久记忆：AI 记住你的一切

过去与 AI 对话，聊完即忘；如今，Claude Cowork 能长期保存你的工作习惯、项目背景，甚至未完成的文档草稿——真正实现“上下文感知”。

Cowork 模式：不是聊天机器人，是数字同事

它不再需要你反复追问。只需一句话下达任务：

• “分析这份财报”
• “给这个 PDF 加上电子签名”
• “帮我排查这段代码的 bug”

AI 自动拆解任务、执行流程，并将结果直接交付给你。开发团队更是“凡尔赛”地表示：从规划到落地，全程仅用10天，所有代码均由 Claude Code 自动生成。人类的作用？指点方向 + 验收成果。

然而遗憾的是，Claude Cowork 仅对付费用户开放。正当大家为此惋惜时，开源社区再次展现了惊人能量。

Eigent 出山：免费、本地、可魔改的“平替王者”

就在 Claude Cowork 发布当天，一个名为 Eigent 的开源项目悄然上线，并宣布 100% 开源。不到一周时间，GitHub Star 数突破 5,513+，周增长速度仅次于 anomalyco/opencode 和 obra/superpowers，堪称“火箭式蹿升”。

🔥 目前已收获 10.8k+ Star，成为全球首个开源多智能体工作流桌面应用。

🌐 Eigent 基本信息一览

✨ Eigent 能做什么？

Eigent 定位为 全球首个多智能体协作的工作流桌面应用。所谓“多智能体”，意味着你不再是雇佣一个 AI 助手，而是组建了一支 AI 团队：

• 开发 Agent：写代码、运行命令、调试 Bug
• 搜索 Agent：全网爬取资料、提取关键信息
• 文档 Agent：撰写报告、管理文件结构
• 多模态 Agent：识别图像、处理音频

💡 核心亮点：

✅ 支持自定义模型
无论你是想用 Claude、GPT、还是本地部署的 Llama，都可以无缝接入。

✅ MCP 工具集成
为 AI 团队配备“装备”：浏览器、Notion、Google Workspace、Slack，甚至企业内部 API 都能连接。

✅ 人工介入机制
当 AI 遇到不确定情况时，会自动请求人类干预，避免“误删数据库”等灾难性操作。

✅ 覆盖日常办公刚需场景

• 整理重复文件
• 为 PDF 添加签名
• 从银行流水生成报表
• 行业调研、行程规划……

🚀 上手超简单：三种部署方式任你选

只要甩出需求，AI 团队就会自动拆解任务并执行。

1️⃣ 云版本（推荐新手）

直接访问 eigent.ai 注册账号，所有模型、API、存储均由官方托管。适合个人用户或小型团队快速试用。

👉 点击注册 → 登录 → 开始使用，三步搞定。

2️⃣ 自托管（社区版）——数据完全掌控

适合对隐私要求高的用户或企业。安装极其简单，两条命令即可启动：

git clone https://github.com/eigent-ai/eigent.git
cd eigent
npm install
npm run dev

⚠️ 前提条件：

• Node.js 18～22 版本
• Python 环境（需运行 uv sync 更新依赖）

👉 完整安装指南详见 README，手把手教学，小白也能轻松上手。

3️⃣ 企业版（定制服务）

需要 SSO 单点登录、权限控制、SLA 保障？直接联系商务团队，享受企业级支持和服务。

🔍 与 Claude Cowork 对比：谁更胜一筹？

✅ 总结一句话：核心功能对标，但 Eigent 免费、本地、可魔改，性价比爆棚！

⚠️ Eigent 的不足之处

尽管强大，Eigent 当前仍存在一些局限：

• ❌ 暂无“永久记忆”功能，依赖模型原生上下文能力
• ❌ 迭代速度快，但稳定性略逊于官方产品
• ❌ 语音模式、Pixelate 等高级功能尚未完全同步

不过，这些短板正在被快速补齐。得益于活跃的开源社区，Eigent 的发展速度远超预期。

🏁 结语：开源再次证明“好东西应该人人有份”

Anthropic 以 Claude Cowork 为 AI 办公开了个好头，但开源社区用实际行动告诉我们：真正的创新，不该被锁在付费墙后The

Eigent 不仅功能硬核、增长迅猛，而且门槛极低。无论你是想体验 AI 办公的未来，还是希望在内网部署安全版本，甚至想要二次开发搞点新花样，它都能满足你。

🌟 GitHub 地址：https://github.com/eigent-ai/eigent
🚀 立即尝试，开启你的 AI 协作新时代！

📌 byword：AI办公、多智能体、开源项目、Claude Cowork、Eigent、CAMEL-AI、自动化工作流、AI助手、本地部署、隐私可控

一周狂揽 5,513+ Star！开源版“Claude Cowork”横空出世，AI办公迎来新纪元最先出现在AI Weekly。

🌟 Explosive Reasoning Ability

The ordinary version of V3.2 balances reasoning and efficiency. In public tests, it reaches the level of GPT - 5, only slightly lower than Gemini - 3.0 - Pro. The Speciale version is even more powerful! 🐂It is an enhanced version for long - term thinking plus the ability to prove mathematical theorems. It has directly won four gold medals in IMO/CMO/ICPC/IOI, and its ICPC result is even better than the second - ranked human!

🤖 Upgraded Agent Ability

This is DeepSeek's first model with "thinking + tool - calling"! It proposes a large - scale Agent training data synthesis method, supports tool - calling in the thinking mode, and has full generalization ability. It has won the first place among open - source models in the agent evaluation, greatly narrowing the gap with closed - source models.

🔧 Two Versions for Your Choice

• The official version of V3.2: Suitable for daily Q&A / general Agent tasks. The official website / APP/API have been updated simultaneously.
• V3.2 - Speciale: The extreme reasoning version, only for research use. The API is free of charge until December 15, 2025 (you can access it by setting a specific address for base_url).

💻 Open - source and Eco - friendly

The model has been open - sourced on HuggingFace and ModelScope. The thinking mode supports Claude Code, and the API has also optimized the tool - calling process (you can continue thinking by sending back the thought chain).

Are there any friends who have used DeepSeek? Come and share your experience in the comment section below 👇

Keyword Tags

#DeepSeekV3.2 #Open - source AI #The Ceiling of Reasoning Ability #Agent Tool - calling #AI Model Update

#Cutting - edge Technology #A Substitute for GPT5 #ICPC Gold - medal AI #Upgrade of Programming Assistant

开源 AI 天花板！DeepSeek V3.2 正式版来了，推理能力直逼 GPT-5？最先出现在AI Weekly。

Evaluate leading large - scale models according to the evaluation rules of OpenCompass and release the rankings.

11月份 大语言模型排行榜最先出现在AI Weekly。

However, this time Baidu's new model perfectly solves these problems 👏. It not only has powerful language - processing capabilities but also introduces the innovative function of "image thinking". With only 3B activation parameters, it has extremely high computational efficiency and flexibility, and can handle tasks quickly and efficiently. Moreover, this "image thinking" function is extremely powerful. It can perform operations such as image zooming and tool - calling for image search, greatly enriching the interactive experience between images and text.

I think it will bring new possibilities to many fields such as intelligent search, online education, and e - commerce 💯. It's like equipping these fields with smart little wings, enabling them to fly higher and farther. Now this model is open - sourced, and developers and researchers can more conveniently explore the potential of multimodal AI. Dear friends, don't miss this great opportunity. Let's start researching together 👏!

#Baidu AI Model #ERNIE - 4.5 - VL #Multimodal AI #Image Thinking #AI Technological Innovation

百度新AI模型ERNIE-4.5-VL绝了！最先出现在AI Weekly。

Let's talk about the technical architecture first. 🧐 It adopts an innovative dual-core architecture design, using Xiaomi Dasheng as the audio encoder and combining it with Qwen2.5 - Omni - 7B Thinker as the autoregressive decoder. This design skillfully combines professional audio processing capabilities with powerful language understanding capabilities, laying a technical foundation for the model's excellent performance. Moreover, its biggest highlight is the general audio description training strategy, which breaks the limitation of traditional audio AI models that only focus on single sound processing. It can uniformly understand speech, environmental sounds, and music. Such all-domain audio understanding ability is really rare in the industry. 👍

In terms of performance, it's even more impressive. ✨ It has set new best records for multimodal large models on 22 public evaluation datasets, which is enough to prove its leading technical position in the field of audio understanding. The improvement in reasoning efficiency is also extremely dramatic. The first token latency of single-sample reasoning is only a quarter of that of advanced industry models. Under the same video memory conditions, the data throughput efficiency is more than 20 times higher than that of advanced industry models. This benefits from Xiaomi's technical accumulation in model architecture optimization and training strategy improvement, reducing computational overhead while maintaining high accuracy. 👏

MiDashengLM - 7B is an important upgraded version of Xiaomi's Dasheng series of models. The Xiaomi Dasheng audio encoder has gone through several generations of technical iteration and optimization and already has a mature technical system. The new model has been comprehensively upgraded based on the previous one, greatly improving the accuracy of audio understanding and computational efficiency. 🥳

The future plan is also very promising. 😆 Xiaomi is already further upgrading the computational efficiency of this model, with the goal of achieving offline deployment on terminal devices. This means that users can enjoy high-quality audio AI services without relying on cloud services, with better privacy protection and lower usage costs. It can also provide technical support for Xiaomi's audio AI applications in the IoT ecosystem. In addition, Xiaomi is also improving the sound editing function based on users' natural language prompts. In the future, complex audio processing tasks can be completed through simple text descriptions, greatly reducing the technical threshold of audio editing. 🤩

Xiaomi's choice to fully open-source MiDashengLM - 7B is really meaningful. 👏 This can promote the technological progress of the entire audio AI field and provide good opportunities for researchers and developers to learn and improve. Open sourcing can accelerate the popularization and application of audio AI technology, enable more innovative applications to emerge, and promote the prosperous development of the industry ecosystem. 🎉

Guys, it seems that a new era of audio AI is coming. What do you think of this MiDashengLM - 7B? 🧐 Come and let's chat in the comments section. 😜

#Xiaomi #MiDashengLM7B #Audio AI #Open Source Model #Multimodal Large Model #Audio Understanding #Technical Breakthrough #Inference Efficiency

小米太猛啦！MiDashengLM-7B 全量开源，音频 AI 新王炸来袭🎇最先出现在AI Weekly。