搜索
Prime Intellect 是一家为企业提供算力及专业软件工具、助力构建 AI Agent 的初创公司，近日完成 1.3 亿美元 A 轮融资，估值达 10 亿美元。Prime Intellect 成立于 2024 年，其目标是赋予企业自主训练 AI Agent 系统的能力，无需依赖前沿 AI 实验室。
来自浙江大学 APRIL 实验室、快手主站技术部和清华大学的研究团队提出了 MobileForge，试图把手机 GUI Agent 的适配过程变成一个 “无标注、自探索、自反馈、自优化” 的闭环系统。
多模态 Agent 的记忆系统，过去很容易被理解成一个升级版 RAG：图片、图表、PDF 进来之后，先抽取内容、做 embedding、写进向量库；用户提问时，再用 query 做检索，把命中的top-k图片、文档页或图表一并塞进上下文，再交给多模态模型回答。整个过程中，所有原始模态信息都会不加选择的塞给大模型。
我最近又玩了一个新的视频制作平台，名叫 Flova，它的思路就是我上边说的这个方向。它不仅仅是一个调用单个模型的生成工具，而是一个面向 AI 视频 / AI 影视创作的全能六边形 Agent。
近期知名高性能开源项目 Bun 将核心代码大规模重写为 Rust ，则给出了一个更具体的产业信号：当 AI 降低迁移成本之后，软件基础设施正在重新向更强约束、更高性能、更易被机器检查的语言迁移。但 Rust 毕竟诞生于生成式 AI 爆发之前；其核心设计目标是安全的底层编程，而非 Agent 之间的高效协作。
开发 AI Agent 最崩溃的不是写代码，而是调 Bug——你根本不知道它中间经历了什么。 你精心设计了一个 Agent 工作流：接收需求 → 拆解任务 → 调用工具 → 返回结果。测试通过，信心满满地上线。
这个问题，在 AI 行业有一个专业的说法：无状态（Stateless）。而解决这个问题，正是 EverMind 过去一直在做的事情。今天，这个探索走到了一个新的节点：基于自研记忆系统 EverOS 的自进化Harness——Raven Agent 正式发布。
7月2日，字节 Seed 发布了一个 Agent评测项目 EdgeBench。看起来又是一个 benchmark，但它问了一个其他榜单不问的问题。EdgeBench 的切口就是把盲区里的东西放进评测，解答一个问题：把Agent扔进一个陌生环境，12小时后，你能变强多少？
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
我现在核心做的项目叫QLab，一个AI出海加速器。用多智能体，搭了一张高效的协作网络，专门帮国内的中小创业者、一人公司和AI团队，把产品推到海外去。 1. AI Agent相关技术产品支持：帮助非技术背景OPC迅速搭建AI产品体系