自 24 年 11 月起，我开始动手打造一个专注于 AI视频作品展示 的网站。在 AI 的助力下，我独立完成了 前后端与插件开发，成功落地了人生第一款真正意义上的个人作品。这篇文章将围绕 项目介绍、开发历程、工具使用心得、小白成长思考 等方面，分享我在这几个月中的所有收获与感悟。
昨天看到一个非常有意思的事情。
权力游戏：阿布扎比250亿美元的美国AI革命赌局
氛围编程彻底火了。刚刚，没有任何Swift编程经验的Karpathy亲自代言，通过与ChatGPT多轮对话，仅用400行代码构建出自己的首个iOS应用。
RAG应用的一大复杂性体现在其多样的原始知识结构与表示。特别在企业场景下，混合多种媒体形式且具有复杂布局的文档随处可见，比如一份PPT：
随着AI智能体的爆发，Browser Use异军突起，刚刚融资1700万美元。它能让AI智能体轻松地「读懂」网站并自动完成复杂任务，引领了一波AI应用热潮。
视觉+语音=更强的语音识别！BPO-AVASR通过优化音视频输入和输出偏好，提升语音识别在真实场景中的准确性，解决了传统方法在噪声、口语化和视觉信息利用不足的问题。
3D 视觉定位（3D Visual Grounding, 3DVG）是智能体理解和交互三维世界的重要任务，旨在让 AI 根据自然语言描述在 3D 场景中找到指定物体。
训练狗时不仅要让它知对错，还要给予差异较大的、不同的奖励诱导，设计 RLHF 的奖励模型时也是一样。
我最近一段时间，除了处理项目上的一些问题，我将我的大部分时间都在体验目前的MCP成果上，我也在和不同的朋友进行交流，其实交流下来，只要是自己亲身使用过目前的MCP工具的基本上都有一些共同的认知：
