🔬 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）。

宣传语很简单：中国版 OpenClaw，不需要命令行。

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。

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。

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。

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。

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。

官网：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。

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！

📌 关键词：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。

🌟 推理能力炸裂

V3.2 普通版平衡推理与效率，在公开测试中达到 GPT-5 水平，仅略低于 Gemini-3.0-Pro；Speciale 版更牛🐂，是长思考增强版 + 数学定理证明能力，直接斩获 IMO/CMO/ICPC/IOI 四大金牌，ICPC 成绩比人类第二名还强！

🤖 Agent 能力升级

这是 DeepSeek 首个 “思考 + 工具调用” 的模型！提出大规模 Agent 训练数据合成法，支持思考模式下调用工具，泛化能力拉满，在智能体评测中拿下开源模型第一，大幅缩小与闭源模型差距～

🔧 两个版本任你选

• V3.2 正式版：适合日常问答 / 通用 Agent 任务，官网 / APP/API 已同步更新；
• V3.2-Speciale：极限推理版，仅供研究使用，API 限时免费到 2025.12.15（base_url 设置特定地址即可访问）。

💻 开源 + 生态友好

模型已开源在 HuggingFace 和 ModelScope，思考模式支持 Claude Code，API 还优化了工具调用流程（回传思维链就能继续思考）～

有没有用过 DeepSeek 的宝子？快来评论区分享你的体验呀👇

关键词标签

#DeepSeekV3.2 #开源 AI #推理能力天花板 #Agent 工具调用 #AI 模型更新 #科技前沿

#GPT5 平替 #ICPC 金牌 AI #数学推理神器 #智能体训练 #编程助手升级

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。

根据 OpenCompass 的评估规则，对领先的大型模型进行评估并发布排名。

11月份 大语言模型排行榜最先出现在AI Weekly。

不过这次百度的新模型完美解决了这些问题👏。它不仅具备强大的语言处理能力，还引入了“图像思考”的创新功能。仅有3B的激活参数，计算效率和灵活性超高，处理任务迅速又高效。而且这个“图像思考”功能超厉害，能进行图片放大、执行图片搜索等工具调用，大大丰富了图像和文本之间的交互体验。

我自己觉得，它会给智能搜索、在线教育、电子商务等多个领域带来新的可能性💯。就像给这些领域装上了智能小翅膀，能飞得更高更远。现在这个模型开源了，开发者和研究者可以更便捷地探索多模态AI的潜力。宝子们，别错过这个好机会，赶紧一起研究起来呀👏！

#百度AI模型 #ERNIE-4.5-VL #多模态AI #图像思考 #AI技术创新

百度新AI模型ERNIE-4.5-VL绝了！最先出现在AI Weekly。

先说说技术架构🧐，它采用创新的双核心架构设计，用 Xiaomi Dasheng 作为音频编码器，结合 Qwen2.5-Omni-7B Thinker 作为自回归解码器。这种设计把专业音频处理能力和强大语言理解能力巧妙融合，为模型厉害的表现打下了技术基础。而且它最大的亮点是通用音频描述训练策略，打破了传统音频 AI 模型只专注单一声音处理的局限，能统一理解语音、环境声音和音乐，这种全域音频理解能力在业界可太少见啦👍

性能方面更是亮眼✨，在 22 个公开评测集上刷新了多模态大模型的最好成绩，这足以证明它在音频理解领域的技术领先地位。推理效率提升得也超夸张，单样本推理的首 Token 延迟只有业界先进模型的四分之一，相同显存条件下，数据吞吐效率比业界先进模型高出 20 倍以上。这得益于小米在模型架构优化和训练策略改进上的技术积累，在保持高精度的同时降低了计算开销👏

MiDashengLM-7B 是小米 Dasheng 系列模型的重要升级版本哦。Xiaomi Dasheng 音频编码器经过多代技术迭代优化，已经有了成熟技术体系。新模型在前作基础上全面升级，音频理解准确性和计算效率都大幅提升啦🥳

未来规划也超值得期待😆，小米已经在对该模型进行计算效率的进一步升级，目标是在终端设备上实现离线部署。这意味着用户能在不依赖云端服务的情况下享受高质量音频 AI 服务，隐私保护更好，使用成本更低，还能为小米在 IoT 生态里的音频 AI 应用提供技术支持。另外，小米还在完善基于用户自然语言提示的声音编辑功能，以后通过简单文字描述就能完成复杂音频处理任务，音频编辑技术门槛大大降低啦🤩

小米选择全量开源 MiDashengLM-7B，真的超有意义👏。这能推动整个音频 AI 领域的技术进步，给研究者和开发者提供学习改进的好机会。开源能加速音频 AI 技术的普及应用，让更多创新应用出现，推动行业生态繁荣发展🎉

宝子们，感觉音频 AI 的新时代要来了，你们对这个 MiDashengLM-7B 怎么看呀🧐，快来评论区聊聊😜

#小米 #MiDashengLM7B #音频 AI #开源模型 #多模态大模型 #音频理解 #技术突破 #推理效率

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。