查看泰勒·考恩 (Tyler Cowen) 提供的服务业新工作。“距布莱恩·奥诺兰 (Brian O’Nolan)（更广为人知的名字是弗兰·奥布莱恩 (Flann O’Brien) 和迈尔斯·纳·克帕林 (Myles na gCopaleen)）在《爱尔兰时报》提出建立图书处理机构已有 85 年了。周日晚上，弗兰的想法变成了现实。文学季刊《内阁杂志》(Cabinet Magazine) 在柏林一家酒吧的后屋里，组建了一支由身穿白大褂的文学专家组成的精锐团队，让你的未读书籍看起来已经读过——而且价格适中。只需 5 欧元，可以获得一个“必要”的处理包，包括为您的书提供“专业”的书脊折断，“两个常见
CLaRa: Bridging Retrieval and Generation with Continuous Latent Reasoning
检索增强生成（RAG）利用外部知识增强了大型语言模型（LLM），但仍然受到长上下文和不相交的检索生成优化的影响。在这项工作中，我们提出了 CLaRa（连续潜在推理），这是一个在共享连续空间中执行基于嵌入的压缩和联合优化的统一框架。为了获得语义丰富且可检索的压缩向量，从而减少输入生成器的文档长度，我们引入了 SCP，一种基于问答和释义的密钥保留数据合成框架......
Building a restaurant telephony AI host with Amazon Bedrock AgentCore and Amazon Nova 2 Sonic
在这篇文章中，我们将向您展示如何构建一个语音订购系统，该系统可以接听电话号码并接受从问候到确认的订单。该系统使用 Amazon Bedrock AgentCore 托管和运行代理，并使用 Amazon Nova 2 Sonic 进行实时语音，并通过模型上下文协议 (MCP) 连接到餐厅后端。本演练涵盖使用 AWS 云开发套件 (AWS CDK) 部署完整堆栈，以及通过 Amazon Elastic Container Service (Amazon ECS) 和 AWS Fargate 上的会话启动协议 (SIP) 网关将电话呼叫桥接至代理。当电话仍在响铃时，它还能温暖座席会话，因此呼叫者永远
Legatics’ New MCP Server Connects Your AI Tools
著名的交易管理平台Legatics推出了模型上下文协议（MCP）服务器。这将允许您的“人工智能助手或代理直接连接...
Why Employee Onboarding Fails After The Training Room—And What Actually Fixes It
训练结束；工作开始；知识蒸发了。本文详细分析了传统入职培训在应用时失败的原因、研究对培训与绩效差距的看法，以及上下文应用内指导如何作为 L&D 团队可以拥有的绩效支持层。这篇文章首次发表在 eLearning Industry 上。
A Gentle Introduction to Autoencoders & Latent Space
简介 繁重计算是当今各种机器学习算法中的一个众所周知的问题，特别是当生成式人工智能应用于文本、图像和其他非结构化数据时。缓解此问题的主要方法之一是将输入数据压缩为低维表示，同时保留主要上下文。有多种方法可以实现这一目标[...]自动编码器和潜在空间的温和介绍一文首先出现在走向数据科学上。
AutoMem teaches AI to actually remember
人工智能能像人类一样学会记忆吗？新框架 AutoMem 教人工智能代理如何管理自己的内存，而不是简单地依赖更大的上下文窗口。通过学习要记住、检索和忘记什么，AutoMem 在复杂的长期任务上将 AI 性能提高了 4 倍。
How KTern.AI built agentic AI for SAP on Amazon Bedrock AgentCore
从传统的软件即服务 (SaaS) 平台演变为下一代代理 AI 平台意味着需要在长期运行的企业程序中协调多个专业代理。每个代理都以持久的上下文、安全的工具访问和生产级的可靠性进行操作。我们使用 Strands Agents SDK 在 Amazon Bedrock AgentCore 上构建了该系统。这篇文章将介绍我们如何构建它、我们构建了哪些代理以及为客户带来的结果。
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
MCP tool design: Practical approaches and tradeoffs
在这篇文章中，我们展示了 MCP 工具设计的错误所在以及如何使用实际的上下文工程方法来修复它。
Segmental Attention Decoding with Long Form Acoustic Encodings
我们解决了基于注意力的编码器-解码器（AED）模型与长形式声学编码的根本不兼容问题。在分段话语上训练的 AED 模型通过利用片段边界之外的有限声学上下文来学习对绝对帧位置进行编码，但在解码这些线索消失的长片段时无法泛化。由于交叉注意力中键和值的排列不变性，该模型失去了对声学编码进行排序的能力。我们提出了四种修改：（1）将显式绝对位置编码注入每个解码的交叉注意力中......
Run MiniMax models on Amazon Bedrock
在这篇文章中，我们将介绍如何开始在 Amazon Bedrock 上使用 MiniMax 模型，包括这些模型支持的功能、可用的服务层、按需推理如何扩展以处理您的工作负载，以及您可以用来访问它们的不同 API。使用这些模型，客户可以构建代理应用程序、长上下文文档分析管道和软件工程工作流程，所有这些都得到 AWS 的安全和运营保证的支持。
Automatically redact PII in images with Amazon Nova
在这篇文章中，我们介绍了一个由 Amazon Nova 指导的多步骤管道，该管道使用其上下文视觉推理来协调互补工具，包括部署在 Amazon SageMaker AI 上用于像素级分割的 Meta 开源 Segment Anything Model (SAM 3) 和用于光学字符识别 (OCR) 的 Amazon Textract。该管道旨在提供全面且合规的 PII 编辑，即使是具有挑战性的边缘情况，例如任意方向的指纹、身份证或车牌。
MemoryLLM: Plug-n-Play Interpretable Feed-Forward Memory for Transformers
了解变压器组件在法学硕士中的工作原理非常重要，因为它是人工智能最新技术进步的核心。在这项工作中，我们重新审视了与前馈模块（FFN）的可解释性相关的挑战，并提出了 MemoryLLM，其旨在将 FFN 与自注意力解耦，并使我们能够将解耦的 FFN 作为上下文无关的 token-wise 神经检索记忆来研究。详细地，我们研究了输入标记如何访问 FFN 参数内的内存位置以及 FFN 内存在不同下游任务中的重要性。 MemoryLLM 实现...
Adaptive parallel reasoning: the next paradigm in efficient inference scaling
自适应并行推理概述。如果推理模型可以自行决定何时分解和并行化独立子任务、生成多少个并发线程以及如何根据当前问题协调它们，会怎样？我们对并行推理领域的最新进展进行了详细分析，特别是自适应并行推理。披露：这篇文章部分是景观调查，部分是自适应并行推理的视角。作者之一 (Tony Lian) 共同领导了 ThreadWeaver (Lian et al., 2025)，这是下面讨论的方法之一。作者旨在以自己的方式呈现每种方法。 动机 除了数据和参数缩放之外，LLM 推理能力的最新进展很大程度上是由推理时间缩放驱动的（OpenAI 等人，2024 年；DeepSeek-AI 等人，2025 年）。显式输
How Far Can Classical NLP Go? From Bag-of-Words to Stacking on Spooky Author Identification
关于 Kaggle 的 Spooky 作者识别任务的端到端经典 NLP 实验：从 Vowpal Wabbit 和 TF-IDF/NB-SVM 基线到调整后的堆叠集成，对 Bag-of-Words、BM25、Word2Vec 和 FastText 进行紧凑表示调查以获取上下文。经典 NLP 能走多远？ 《从词袋到怪异作者识别的堆叠》首先出现在《走向数据科学》上。
How can enterprises govern MCP connections at scale?
企业可以通过将模型上下文协议 (MCP) 连接视为代理 AI 控制平面的一部分来大规模管理它们。每个 MCP 服务器、公开的工具、权限和代理关系都需要所有权、范围、监控和可审核性，然后才能支持自主工作。 MCP 治理是控制 AI 代理如何发现、选择、调用和...企业如何大规模管理 MCP 连接的学科？首先出现在 DataRobot 上。
