How to Orchestrate 100+ Agents With Claude Code
并行运行 100 多个代理如何使用 Claude Code 协调 100 多个代理一文首先出现在 Towards Data Science 上。
RAG Was Always a Temporary Workaround. What is Next?
矢量数据库是一个临时的桥梁。了解为什么下一次人工智能基础设施革命依赖于持久的神经状态和严格的延迟预算，而不是矢量数据库。后 RAG 始终是一个临时解决方法。接下来是什么？首先出现在《走向数据科学》上。
PySpark for Beginners: Building Intermediate-Level Skills
分区、洗牌、连接、缓存和执行计划的实用下一步。面向初学者的 PySpark 帖子：构建中级技能首先出现在 Towards Data Science 上。
AI Enthusiasts Are in a Race Against Time, AI Skeptics Are in a Race Against Entropy
以下文章最初出现在 Charity Majors 的 Substack 上，经作者许可在此重新发布。我最近参加了一次演讲，其中一位演讲者对他们通过纯粹、未经切割的氛围编码所取得的成就做出了一些漂亮的……令人惊讶的声明。工程难题得到解决，积压工作得到清理。重写会有 [...]
This Week in AI: Chips, Checks, and Changing Jobs
本周，数据和人工智能传播者克里斯蒂娜·斯塔索普洛斯 (Christina Stathopoulos) 回来参加个人新闻发布会。克里斯蒂娜没有深入探讨一两个主题，而是将本周的头条新闻整理成几条线索：满足人工智能需求的物理硬件的进步、政府对前沿模型公司的监督范围扩大，以及 [...]
Prompt Injection to Data Exfil in 3 Hops
应该让您担心的事件不会造成破坏性的影响。没有任何内容被删除，没有任何崩溃，没有警报触发。员工要求客服人员汇总客户票据；代理正是这样做的，用户得到了一个有用的答案，在同一秒的某个地方，客户记录通过普通的 HTTPS [...]
Your agents are using your credentials, and that is the problem
您的代理正在使用您的凭据，这就是问题所在 工程师将代理运送到生产环境。它需要调用内部 API，因此它使用工程师环境中已有的密钥。代理运行。它现在还拥有工程师拥有的所有权限。这是大多数人的默认状态...您的代理正在使用您的凭据，这就是 DataRobot 上首先出现的问题。
Fine-Tuning Explained for Noobs (How Pretrained Models Learn New Skills)
您不需要博士学位就能理解微调。本文解释了预训练模型如何通过微调来学习新技能。
AL Is On Hols, Back July 15 + Wrap
《人工律师》正在休短假，将于 7 月 15 日星期三回归。现在是本周的总结，从我们的新闻摘要开始。 ...
Evolving Systems, Volume 17, Issue 2, June 2026
1) 结合金矿勘探策略和麻雀警报机制的改进沙猫群优化算法作者：Lingzhi Wang、Jiarui Zhao、Ling Zhu2) 增强肌电信号：一种优化自适应滤波方法作者：Madhava Rao Alla, Chandan Nayak3) 移动边缘网络和 SDN 中的计算卸载和调度作者：S. Dinesh Kumar, R. M. S. Parvathi4) POETIC-NET：通过图中心性关系增强的上下文特征表示，用于英语诗歌的情感识别作者：Praveen Kumar Kazipeta、Venkatrama Phani Kumar Sistla、Venkata Krishna Kish
Pre-training isn’t bitter enough
理查德·萨顿 (Richard Sutton) 的“惨痛教训”通常被解读为对人工智能系统构建过多人类知识的警告。从长远来看，获胜的方法不是那些最直接编码我们聪明直觉的方法，而是那些可扩展的方法：搜索、学习和其他可以吸收更多计算和数据的通用方法。乍一看，现代基础模型预训练看起来就像是该课程的胜利。我们采用通用架构，将其暴露给海量数据，并以简单的自我监督目标对其进行训练。语言模型预测下一个标记。视觉模型重建遮罩斑块、对齐视图或匹配教师表示。该配方简单且可扩展。但有一个问题。预训练可能会遵循“痛苦的教训”来训练模型，但不会选择模型应该训练的内容。目标仍然是在训练循环之外选择的。我们进行大规模的预训练
A medical algorithm must not confuse cost with health
胡安·安东尼奥·略雷特 | DOI：https://doi.org/10.21428/39829d0b.557cee94 | 2019 年，由医生兼经济学家 Ziad Obermeyer 领导的研究团队对一种已经在美国卫生系统中悄悄运行的商业算法进行了逆向工程。该工具由 Optum 出售，帮助确定每年大约 2 亿人口中的哪些患者会……医疗算法不得将成本与健康混淆 Leer más »
When AI sounds certain but should say “I do not know”
Juan Antonio Lloret DOI：https://doi.org/10.21428/39829d0b.6b61c462 在后来公开的内部审查中，IBM 的 Watson for Oncology 看到了一位与每天接受治疗的数千名患者非常相似的患者：一名患有肺癌的 65 岁男性，还患有严重出血。系统推荐贝伐珠单抗——一种带有明确警告的药物，禁止在……当人工智能听起来确定但应该说“我不知道”时 Leer más »
External validation is not a bureaucratic detail
胡安·安东尼奥·略雷特 | DOI：https://doi.org/10.21428/39829d0b.eb850608 |一个在它诞生的医院表现良好的模型只证明了一件事：它在家里也能发挥作用。考虑一下最近临床人工智能中最具启发性的失败。 Epic 脓毒症模型是一种专有的早期预警工具，已集成到数百个电子健康记录中……外部验证不是官僚细节 阅读更多 »
Advancing regulatory variant effect prediction with AlphaGenome
根据 DNA 序列预测功能基因组测量结果的深度学习模型是破译遗传调控密码的强大工具。现有方法涉及输入序列长度和预测分辨率之间的权衡，从而限制了它们的模态范围和性能1,2,3,4,5。我们推出了 AlphaGenome，这是一个统一的 DNA 序列模型，它以 1 Mb 的 DNA 序列作为输入，并通过不同的模式预测数千个功能基因组轨迹，最高可达单碱基对分辨率。这些模式包括基因表达、转录起始、染色质可及性、组蛋白修饰、转录因子结合、染色质接触图、剪接位点使用以及剪接连接坐标和强度。 AlphaGenome 在人类和小鼠基因组上进行训练，在 26 项变异效应预测评估中的 25 项中匹配或超过了最强的
You're using 3M Command strips all wrong
如果使用得当，3M 命令条将非常有用。这些技巧可以将“它从墙上掉下来”变成“几年后它仍然在那里”。
