-
github · 2026-08-20 · GitHub / AI 最新 趋势 stars:>50 / TypeScript
语言:TypeScript；stars:178；更新:2026-08-20T09:50:32Z
-
github · 2026-08-21 · GitHub / Claude Code stars:>50 / Swift
语言:Swift；stars:20439；更新:2026-08-21T23:45:55Z
-
github · 2026-08-21 · GitHub / MCP server stars:>100 / Python
语言:Python；stars:3192；更新:2026-08-21T23:22:28Z
-
github · 2026-08-21 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:2791；更新:2026-08-21T23:43:41Z
-
github · 2026-08-21 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:28837；更新:2026-08-21T23:33:04Z
-
tavily · 2026-08-20 · AI与Agent 最新 热点 趋势 / Tavily
在内容运营方面，AI同样改变了传统工作方式。过去需要人工持续搜集新闻、跟踪热点，现在则可以通过AI实时聚合全球信息，并对热点事件、地缘政治等进行持续监测和分析，帮助运营团队提前完成内容准备，在重大事件发生后快速完成内容生产和发布。 除了提升效率，AI也正在推动产品升级。越来越多传统互联网产品开始加入AI搜索、AI翻译、AI问答、AI助手等能力，产品逐渐从传统工具演变为AI入口，用户获取信息和完成任务的方式也随之发生变化。 同时，随着Agent能力不断成熟，AI正在从单一功能演变为底层能力。通过统一的Agent平台，结合不同知识库、记忆系统和工作流，可以快速适配数据分析、情报分析、智能创作等不同场景，实现一套底层能力支撑多个行业应用，这也意味着未来AI应用将更多从“模型能力”竞争，转向“场景能力”竞争。 除了应用层，海外也正在出现新的市场机会——主权AI。当前，真正具备先进AI研发能力的国家仍然较少，许多国家希望建设符合本地需求的AI基础设施、数据中心和本地化模型，以推动数字化转型。这表明，日后AI出海不仅是应用出海，也将逐渐延伸至算力、平台和基础设施能力输出。 [...] Image 5 如今，AI出海正在进入新的阶段，行业重心已从早期的应用出海，逐步扩展至模型服务、AI内容、广告营销、主权AI、具身智能等多个方向，AI产业链各环节都开始出现全球化机会。 从整体趋势来看，中国AI产业正在形成新的竞争优势。一方面，大模型推理成本持续下降，Token调用量快速增长，尤其是在Agent等执行类场景中，大量任务并不需要最强模型即可完成，推动低成本模型获得更广泛应用。另一方面，国内在内容生成、具身智能等领域积累了更丰富的应用场景和产业基础，也为AI产品出海提供了更多可能。 AI内容出海正在发生明显变化。过去，内容出海更多是对已有短剧、视频进行字幕、配音、人物替换等本地化处理，再面向海外发行。随着视频生成模型能力提升，AI已经能够直接生成漫剧、短剧等内容，内容生产方式正由“后期本地化”转向“原生AI生成”。与此同时，制作成本持续下降，也推动行业从粗放生产逐渐走向精品化，更加重视内容质量和一致性。 [...] Image 2 随着人工智能浪潮兴起，无论是数字世界的大模型、AIGC、Agent，还是物理世界的智能硬件、具身智能，都在加速渗透消费级和企业级场景，推动各行业从传统数字化向数智化升级。出海同样如此，中国人工智能产业正让全球感受到其带来的创新力量，也在推动全球商业模式和产业结构的重构。 从宏观趋势来看，未来五年，中国数字经济规模预计将保持接近10%的年化增速，而AI已经成为推动数字经济发展的核心力量，其影响力甚至超过5G、云计算等技术。同时，AI在各行业的渗透率持续提升，其中互联网行业AI渗透率已达到90%以上，通信、政务、金融等领域也从2020年约30%至40%的水平，提升至提升至60%-70%不等，AI正在成为产业升级的重要基础能力。 从产业端来看，中国AI企业已经形成完整的产业生态，覆盖底层数据、算力、算法等基础设施，中间层的大模型和训练工具，以及上层的软件应用和智能硬件。在应用层，智能穿戴、智能家居、电商智能营销、智能客服、数字人、智能问诊、智能制造、智慧物流、智能供应链等场景均已实现广泛落地。
-
ithome · 2026-08-21 · 科技产品 / rss
IT之家 8 月 22 日消息，据第一财经新皮层消息，字节豆包团队最快将于下周发布一款对标腾讯 WorkBuddy 的办公类产品。 据介绍， 这款产品相当于将目前豆包 App 内的「工作任务」模式单独拆分出来，成为一个独立应用 。目前，豆包网页端界面已出现独立的「新工作任务」入口，与「新对话」并列。 最近一周，豆包密集更新了“工作任务”模式内的多项功能，包含支持手机远程操作电脑、虚拟桌面操作 Windows、新增侧边工作栏等。 8 月 6 日的年中全员会上，字节 CEO 梁汝波表示，后续资源将「集中培育粗主干业务」，这些主干业务包括「AI、信息平台、交易服务」，其中抖音为现有核心主干， 并计划「将豆包培育为全新 AI 主干业务」 。意味着将有更多 AI 相关产品以豆包为中心进行整合。 据IT之家此前报道，7 月 30 日， 字节跳动启动面向 AI 业务的组织调整 ，飞书产品团队与豆包产品团队将整合，成立新的豆包产品团队。重组完成后，除原有的飞书产品和服务保持不变， 飞书还将和豆包在生产力场景进行更深度的产品协作 。 相关阅读： 《 内部“一路绿灯”：消息称 WorkBuddy 已成腾讯 AI 应用战略优先级最高产品之一 》 《 豆包工作任务上新“技能 · 连接器 · 工作伙伴”：可接入办公软件、信息检索平台 》 《 豆包工作任务模式上新：可在虚拟桌面操作 Windows 》 《 豆包“工作任务”模式功能上新，支持手机远程操作电脑 》
-
tavily · 2026-08-15 · 认知差与信息权重 最新 热点 趋势 / Tavily
# My Awesome Newsletter # AI行业日报 2026-08-15 # 「AI 应用 / AI Agent」行业日报 · 2026-08-15 ## 📊 市场信号 ## 🔧 技术信号 ## 💰 赚钱信号 ### 机会 1：私域社群本地 SLM Agent 托管服务 ### 机会 2：AI 账号托管式生活助理代运营 ### 机会 3：GEO（生成引擎优化）代运营服务 ## 📱 自媒体视角 ### 选题 1：OpenAI 关掉 Atlas，AI 浏览器输给了谁？ ### 选题 2：华强北 AI 眼镜销量暴涨 100%，我去线下实测 ### 选题 3：AI 替你订房改签，你敢交出账号吗？ ### 选题 4：豆包收 12%「过路费」，GEO 凭什么狂欢？ ## 🛒 电商视角 ### 机会 1：AI 眼镜周边与选品电商 ### 机会 2：电商内容与投放的「GEO 化」 ## 🔍 信息差机会 ### 信息差 1：本地 SLM Agent 的「数据主权」红利 ### 信息差 2：微信 AI 加速对私域生态的影响 ## ⚠️ 风险与失败信号 [...] 谁受益？一是字节/腾讯这种握有流量分配权的平台，豆包12%抽成只是开始，AI时代的“搜索引擎广告”正在重新定义；二是华强北AI眼镜这样贴着需求走的产业链，放量就是硬道理；三是开源生态里的中小团队，能白嫖最强基座，去挖垂直场景的脏活累活——比如日报里那个QQ群SLM机器人，小而锋利。 我的判断很直接：下一轮洗牌的筹码不是谁模型更强，而是谁离交易最近。具身智能935亿热钱短期内就是击鼓传花，Aibee那种“结硬寨”的打法值得尊重，但当下最确定的机会藏在GEO代运营这类新且脏的生意里。至于Manus重启、联想浮盈加仓——前者是存量情绪，后者是硬件渠道的自我安慰，都不改变趋势。记住了：在AI应用这行，赚钱不是故事的结尾，而是及格线。 ## 📮 订阅「顾剪·AI情报周报」 每天免费看 AI 行业日报，每周还能收到精选 + 深度解读的付费周报（每期 5-8 个情报点，卡片溯源 + 趋势判断）。 👉 免费订阅（首月试用） 只需邮箱即可订阅，随时退订。 [...] ## ⚠️ 风险与失败信号 ## 🎯 综合判断 ⚠️ 数据可信度说明：本报告共标注 [推理] 6 处（超过 3 处），主要涉及基于公开信息对商业模式和用户需求的推断。核心事实（产品发布、融资、动态）均来自原始数据源标注，论据充分；但市场时机判断存在不确定性，建议读者在具体决策前对推理部分做二次验证。 日报里各种信号看似热闹，实际上指向同一个拐点：AI应用已从“模型军备赛”进入“流量变现与商业化验证”阶段。豆包开始收12%过路费，迈富时中报现金流5亿，月之暗面赶着IPO——都说明资本不再为参数买单，只认能落袋的生意。 真正的分水岭是Qwen3.8开源与Gemini Flash低价化。基座模型能力像水电煤一样被摊平，闭源API的溢价空间被极限压缩。谁受损？是那些估值建立在“我有独家大模型”叙事上的公司。腾讯把徐灿调去做WeLM，本质是认清了模型不落地场景就是废铁，微信生态才是真正的护城河。
-
techcrunch-ai · 2026-08-21 · AI行业 / rss
Anthropic forbids its Claude models from generating sexually explicit content. But a series of tests conducted by TechCrunch found that it didn't take much to get past the restriction.
-
techcrunch-ai · 2026-08-21 · AI行业 / rss
Nvidia research shows that AI agents can perform well, and not go off the deep end, through fine-tuning, even if the AI model isn't that great at the task.
-
techcrunch-ai · 2026-08-20 · AI行业 / rss
Businesses are willing to flop back and forth as each lab releases new models, volatility that should give both companies' investors pause about how "sticky" enterprise AI spending really is.
-
tavily · 2026-06-12 · AI与Agent 最新 热点 趋势 / Tavily
新浪首页 新闻 体育 财经 娱乐 科技 博客 图片 专栏 更多 汽车 教育 时尚 女性 星座 健康 房产历史视频收藏育儿读书 佛学游戏旅游邮箱导航 新浪微博 新浪新闻 新浪财经 新浪体育 新浪众测 新浪博客 新浪视频 新浪游戏 天气通 . AI Agent Market Growth Report McKinsey. (2024). The Future of AI Agents MIT Technology Review. (2023). AI Agent Evolution OpenAI. (2023). System Design of Agent Framework 本文首发于微信公众号，版权属于作者。如需转载请联系作者。 海量资讯、精准解读，尽在新浪财经APP AI 智能体 []( ## VIP课程推荐 加载中... ## APP专享直播 上一页下一页 1/10 ## 热门推荐 收起 新浪财经公众号 新浪财经公众号 [...] - 01/“挂上去几秒钟就没了”！二手大额存单爆火，有人日夜蹲守，黄牛代抢一次上百元 - 02/纳入个人养老金投资范围后 首批储蓄国债开售冷热不均 - 03/黄金“光环”褪色！机构下调短期目标价，积存金投资者分化加剧 - 04/大额存单也有黄牛！加价转让，收费代抢 - 05/18岁就办信用卡故意欠款逾期，只为“弄脏”征信防网贷？全网刷屏的“护娃神操作”，涉嫌违法且隐患重重 - 06/有家长为防子女沾染网贷，故意让信用卡逾期“毁征信” - 07/拆解理财社区小V营销套路，三招识破“伪分享” - 08/川渝银行业之震：两日两位退休行长被倒查 - 09/总额8560亿元！大行忙发“二永债”，中小行另辟蹊径 - 10/葛海蛟出席中国人民银行与印度尼西亚银行联合工作机制第二届行长会金融合作成果发布活动 徐小明 凯恩斯 占豪 花荣 金鼎 wu2198 丁大卫 易宪容 叶荣添 沙黾农 冯矿伟 趋势之友 空空道人 股市风云 股海光头 [...] 叶檀 凯恩斯 曹中铭 股民大张 宇辉战舰 股市风云 余岳桐 股海战神 郭一鸣 赵力行 叶檀 凯恩斯 曹中铭 股民大张 宇辉战舰 股市风云 余岳桐 股海战神 郭一鸣 赵力行 冷友斌回应网友质疑：说价格高 对飞鹤不公平！ 冷友斌回应网友质疑：说价格高 对飞鹤不公平！ - 7x24快讯：9月19日沪深两市涨停分析 - 非凡哥哥samm：不想做任何操作 - 飞我eight：今天才这点成交量 - 和你天天向上：全部清除了 一分不剩 - 用户7048726012：想红但是又有点怕羞 - 江东子弟93949：还对中芯抱有幻想的人 - 和你天天向上：拉升一下吧 给我清仓的机会 - 用户7763476192：再玩下去6000亿都守不住了，没人玩了 - 06-22 华润新能源 001248 -- - 06-15 科莱瑞迪 920072 15.62 - 06-12 臻宝科技 688797 44.56 - 06-12 惠科股份 001399 10.12 - 06-03 永大股份 920126 7.79
-
hf-papers · 2026-08-19 · AI论文 / hf-daily-papers / [object Object]
Large language model agents can adapt to complex tasks by constructing workflows at inference time, but procedures discovered in one episode are usually discarded after execution. Existing skill libraries provide reusable executable routines, but are typically assembled offline and do not grow from the agent's own workflows. We introduce FlowEvo, a training-free framework in which workflows and skills co-evolve at inference time. FlowEvo compiles successful workflows into callable skills, stores them in a persistent bank, and uses retrieved skills either through direct execution or as context for constructing new workflows. It also tracks each skill's downstream utility and suppresses skills that cause negative transfer. Using a shared GPT-4o-mini backbone, FlowEvo achieves the highest accuracy among 8 baselines on the full standard splits of ALFWorld, HumanEval, MBPP, GSM8K, and MATH-500. On ALFWorld, it reaches 85.6%, 26.4 points above the strongest baseline, while using roughly one third as many tokens. Across 10 base models spanning 7B to 671B parameters, FlowEvo outperforms ExpeL in 49 of 50 model-dataset comparisons. Code is available at https://github.com/DEFENSE-SEU/FlowEvo.
-
techcrunch-ai · 2026-08-20 · AI行业 / rss
ChatGPT and other AI models are now authoring and editing much of the new web.
-
hf-papers · 2026-08-12 · AI论文 / hf-daily-papers
LLM coding agents issue Bash commands through interfaces that may serialize, wrap, and reparse model output. Matched execution scores alone cannot distinguish command-generation errors from failures introduced after generation. QuoteBench measures this boundary with exact final-state validation on 56 one-shot tasks from 14 incident-derived families, crossing the generation contract with the execution transport around one deliberately unescaped added parser. Escaping at the interpolation point reproduces each replayed reply's raw-path outcome, so any recovery under a disclosed boundary must come from the model changing its generation. Across eight same-window configurations, replaying the same reply through the added parser lowers success by 55.4 to 73.2 percentage points; disclosure recovers 30.4 to 60.7 points for six configurations, and zero or slightly negative for the other two. Raw generation is nearly saturated at the frontier; boundary adaptation is what still separates models. GPT-5.6-sol's matched gap of -3.6 points hides -64.3 points of damage and +60.7 points of compensation. The deployment configuration reorders models: one reversal among 26 comparable pairs is unambiguous and four more sit on single-task margins. Evaluations of command-issuing agents should report the model configuration, generation contract, execution path, operating point, and final-state validator rather than treat a matched score as an intrinsic model property.
-
hf-papers · 2026-08-19 · AI论文 / hf-daily-papers / [object Object]
Software increasingly functions as part of the scientific instrument itself, making failures in scientific code capable of compromising not only program behavior but also the evidence underlying scientific conclusions. Yet existing evaluations of coding agents largely emphasize aggregate task success, providing limited insight into why agents fail when repairing scientific software. We introduce SWE-bench Science, a repository-level benchmark for scientific software engineering comprising 119 tasks from 98 GitHub repositories across 20 scientific domains. Each task is organized into one of three paradigms: Issue-driven, Expert-exploratory, and Engineering-integration. Even the best-performing agent, Claude Code with Opus-5 (max), achieves a pass@1 below 50\%, highlighting the substantial challenges posed by scientific software engineering. We identify four recurring failure mechanisms: deficits in scientific knowledge or abstraction, misguided exploration or surface-level repair, incomplete repair coverage or system integration, and failures to generalize scientific knowledge beyond observed cases in our analysis. We further conduct a paired ablation that removes explicit scientific guidance while preserving the repository and executable engineering context. The results show that scientific knowledge is not uniformly beneficial: well-grounded information can constrain repair and improve average performance and token efficiency, whereas poorly aligned guidance can induce anchoring and does not necessarily improve exact repair success. Together, SWE-bench Science provides a broad testbed for studying both the capabilities and failure mechanisms of coding agents in scientific software engineering.
-
ifanr · 2026-08-21 · 明日产品 / rss
苹果得把门看好了 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
-
techcrunch-ai · 2026-08-20 · AI行业 / rss
Binance's Agent OS works with tools such as ChatGPT, Claude Code, and Cursor.