今天是2026年9月4日星期五。早上整理这期AI资讯早报的时候我特意翻了一下这一周社区、开源圈和几个技术社群里讨论最密集的话题发现大家的关注点正在悄悄发生变化。去年这时候几乎所有人都在追模型参数、刷榜单争论哪个大模型又“屠榜”了而这一周我看到的明显信号是——AI Agent的工程化、模型部署的性价比、AI编程工具的深度使用以及产品经理和测试工程师这些角色怎么适应AI协作成了真正被反复拿出来讨论的事情。这其实是个好事。说明这个领域正在从“看热闹”过渡到“做实事”的阶段。今天这期早报我不打算给你堆一堆耸人听闻的标题而是把这一周值得关注的方向、我自己的实测感受以及踩过的坑、总结出的方法尽量说人话地整理给你。无论你是做开发、做产品、做设计还是单纯想用AI工具提效应该都能从里面找到点有用的东西。1. 今日简报五条值得花三分钟看的AI要闻先说结论。这一周如果只让你记五件事我觉得是下面这五件。第一AI Agent的热度还在涨但讨论重心已经从“Agent能做什么”彻底转向了“Agent怎么稳定落地”。社区里大量帖子都在聊工具调用失败、上下文越搞越乱、多步任务跑到一半就“失忆”这类问题。说白了Agent的demo人人都能写但真到了生产环境工程化难度比想象中大不少。第二AI编程工具进入“深水区”。单说补全代码、写单元测试已经没人觉得新鲜了这周值得关注的是AI编程开始向代码审查、重构建议、跨文件修改、自动修复CI报错这些环节渗透。很多团队已经在把AI编程助手当成“结对程序员”而不只是“高级自动补全”。第三模型部署和AI基础设施Infra成了新的瓶颈。社区里越来越多人在问模型选型容易但GPU成本怎么控制推理延迟怎么降量化之后效果损失多少甚至有人开玩笑说“炼丹”已经不难了难的是把炉子烧得便宜又稳定。第四AI视频和AI短剧的制作流程已经跑通了一条相对完整的链路但商业化依然在早期。分镜脚本、文生视频、数字人配音、自动剪辑这套流程已经能出“能看”的东西可一旦要稳定产出“好看”的内容还是绕不开人工反复调优。想做这个方向的朋友要有心理准备。第五提示词工程正在从“写咒语”变成“写规范”。这周我看到的几个高赞分享基本都不再是玄学式的“魔法提示词”而是结构化模板、Few-shot示例、输出格式约束、评估指标这套工程化方法。提示词本身还是很值钱的但值钱的方式变了。这五条是我从几十个信息源里筛出来觉得对大多数人最有参考价值的。下面几节我挑其中几条展开说说。2. Agent不是概念是工程问题这一周我看过的关于AI Agent最扎心的一句话是一位做AI Infra的朋友说的“Agent的demo是AI写的Agent的生产代码是人写的。”话虽然极端但确实点出了现在的真实状态。2.1 大家都在聊的Agent到底卡在哪如果你自己写过Agent一定会遇到这几个让人头大的问题。第一个是工具调用的可靠性。模型知道要调用工具也知道该传什么参数但十次里总有一两次传错、漏传、或者在一个无关紧要的参数上反复纠结。尤其是多工具场景模型像极了第一次进厨房的新手明明菜谱写得很清楚还是会把盐和糖搞混。第二个是记忆管理。上下文窗口再大也架不住多轮任务里塞进一堆中间结果。我见过最典型的场景是Agent执行一个五步任务到第三步的时候已经忘了第一步的约束条件于是后面的动作全跑偏了。有人靠把关键信息“回写”到固定的摘要里来解决有人干脆每步都把关键状态重新塞进上下文但成本又上去了。第三个是成本失控。一个看起来简单的任务模型内部可能要多轮“思考”每轮都要传一次历史上下文Token消耗翻好几倍。这一周我看到好几个帖子在晒账单一个Agent任务跑完花了普通对话几十倍的钱效果还不一定更好。所以我的判断是Agent真正的难点不在“让模型理解任务”而在“让模型稳定地完成一连串任务”。前者是模型能力问题后者是工程问题。2.2 我看到几个值得借鉴的工程实践针对上面这些卡点这周社区里讨论最多的几个解法我觉得很靠谱。第一个做法是把任务拆小。不要指望一个Agent干完所有事而是拆成一连串小的、单一职责的子任务每个子任务由独立的Agent或独立的Prompt负责。就像工厂流水线每个工位只做一个动作出错概率自然低。第二个做法是把决策写死而不是交给模型自由发挥。很多场景根本不需要模型“聪明地”决定下一步做什么而是用代码把流程定死如果这一步的返回结果长这样就走分支A如果调用失败就重试最多三次如果三次都失败就直接上报人类处理。模型只负责流程中“理解和生成”的部分决策交给确定的代码逻辑。这个思路这周被反复提起我实测下来确实能大幅提升稳定性。第三个做法是把观测做全。生产环境里的Agent如果不记录每一步的输入输出、工具调用结果、Token消耗、耗时那出了问题就只能抓瞎。这周有位朋友分享的排查经历让我印象很深他们的Agent在半夜跑批任务时偶发报错查了好久最后发现是工具接口在某个时间点返回了一个超长字段把上下文挤爆了。如果没有完善的日志和追踪这种问题几乎没法定位。2.3 实操建议自己搭一个最小Agent说再多理论不如自己动手做个最小的Agent。我建议你从“单任务单工具”开始先把链路跑通。比如做一个“查天气并生成穿衣建议”的Agent。流程很简单用户输入城市Agent调用天气API拿到数据再把数据拼进一个固定的模板里生成建议。看起来很简单但你可以在这个小项目里练习几个关键工程点给Agent设定严格的输出格式JSON方便代码解析。在调用工具前后都记录日志。给工具调用加上超时和重试机制。把“用户说错城市名”这类边缘情况处理掉。等你把这个小项目跑稳了再往上叠加多工具、多步骤会顺手很多。这周好几个刚入门Agent开发的朋友来问我建议我都是让他们先做这样一个最小闭环。3. 大模型部署与AI基础设施真正拉开差距的地方这周另一个明显趋势是讨论模型部署和AI Infra的帖子密度明显上升。原因也很直白模型开源得越来越多能力差距在缩小谁都能在Hugging Face上拉下来一个不错的模型但怎么把它低成本、低延迟地跑起来服务好真实业务就成了拉开差距的地方。3.1 为什么说“炼丹不如部署”可能有人会觉得模型部署不就是拉个镜像、起个服务吗真不是。举几个实际会遇到的问题。模型参数量一大推理时的显存占用就不是闹着玩的。一个70B级别的模型即使用FP16推理一次也要上百GB显存单张卡根本放不下。于是你得考虑模型并行、张量并行或者做量化把精度降到INT8甚至INT4。量化听着简单但模型量化之后生成质量会受损。有些场景能接受有些场景一测就露馅。这就像把一张高清照片压缩成JPG肉眼看着还行但你要拿去做印刷细节就崩了。推理延迟也是个坎。跑一个Agent任务模型可能要连续推理五六次单次如果就要两三秒整个任务就是几十秒起步用户根本等不起。所以很多人开始研究KV Cache、前缀缓存、投机采样这些优化手段。说白了你需要的不是一台更快的车而是让车少跑几趟、跑得更顺的调度方案。3.2 中小团队怎么选部署方案这一周不少中小团队的朋友在纠结到底用云API还是自己部署开源模型我把自己看到的、聊到的经验整理成了下面这张表供参考。维度云API私有化部署上手成本低注册就能用高需要懂推理框架和运维单次调用成本按量付费高频时成本高前期投入大跑满后边际成本低数据安全依赖服务商承诺数据不出内网合规可控可控性受限于服务商限流、版本更新模型版本、参数、推理策略完全可控适合场景快速验证、低频调用高频调用、数据敏感、深度定制我的建议是如果你的业务刚起步用量还不稳定老老实实用云API把时间花在业务上别一上来就折腾部署。等调用量真的上来了成本账算不过来了再考虑私有化或者混合方案。这周我看到不止一个团队因为“觉得部署很酷”就自建推理服务结果运维成本比API费用还高。3.3 我踩过的部署坑既然说到了部署我把自己踩过的几个坑也分享一下免得你再走一遍。第一个坑是并发没测就上线。我用一个开源模型搭了个内部工具单测的时候响应很快结果上线后三个人同时用就开始超时。后来才发现推理框架默认的并发配置很低而我又没提前压测。现在我的习惯是任何模型服务上线前至少做一轮简单的并发脚本测试。第二个坑是显存碎片导致的不稳定。有一次服务跑着跑着突然报OOM显存溢出重启就好但过一阵又犯。排查很久发现是请求长度变化太剧烈导致显存碎片化严重。后来用了一些显存池化的手段才稳定下来。第三个坑是监控没做全。推理服务的监控不应该只看CPU和内存更要看请求延迟分布、Token吞吐量、排队长度。有些问题在平均延迟里根本看不出来比如P9999分位延迟已经飙到用户无法忍受的程度但平均延迟看着还挺正常。4. AI创作工具绘画、视频、短剧的现状复盘早报当然不能只聊开发和部署也要聊聊创作者们在关心什么。这周我关注到“AI漫剧制作教程”“AI短剧制作全过程”这类话题的热度一直居高不下正好也把AI绘画、视频、短剧这三块放在一起做个复盘。4.1 AI绘画从出图到工作流大概两年前大家玩AI绘画还在比谁的提示词写得更花哨这周我看到的趋势是单张出图的讨论已经很少了大家都在聊工作流、批量生产、风格一致性。什么意思呢比如你想给一篇连载漫画配图难点不是生成一张好看的图而是让所有角色的脸、服装、场景风格保持统一。这就需要用一些固定的角色参考图加上图生图、局部重绘、ControlNet之类的控制手段把“随机的创造力”摁在“固定的设计框架”里。这周有位做漫剧的朋友分享了他的流程先用大模型产出分镜脚本再为每个主要角色生成固定的参考形象然后逐镜生成素材最后人工筛选和微调。一套下来生产效率比纯人工高了不止一倍但他说了一句很实在的话“AI负责把上限抬高下限还得靠人来兜底。”4.2 AI视频和短剧到底做到什么程度了AI视频这一两年的进步确实快这周看几个演示视频生成画面的连贯性已经比以前好很多了。但如果要说用AI做一部完整的短剧我的判断是流程已经能跑通质量还不稳定。所谓流程能跑通是指从剧本、分镜、文生视频、数字人配音、背景音乐、剪辑这一整条链路上都有对应的AI工具能顶上去。我见过有人用AI工具链几天时间就做出了一条五分钟的短剧样片单看某个镜头效果很不错。但质量不稳定是什么意思呢就是同样的提示词这次生成出来的画面可能是80分下次就可能跌到60分。于是做短剧的团队不得不生成大量素材然后人工挑选。相当于AI画了一百张草图人类设计师从中挑十张精修。效率有提升但没有有些人吹的那么神。如果你打算入局AI短剧我给你的建议是别一开始就想做长篇先试着做一个一分钟以内的小样片把角色一致性、镜头衔接、配音口型这三个最容易露怯的地方跑通再考虑扩大规模。4.3 提示词工程依然是核心竞争力无论是绘画、视频还是短剧这周所有高质量分享背后都绕不开“提示词工程”这四个字。但现在的提示词工程跟很多人理解的“玄学咒语”已经不是一回事了。我看到比较靠谱的玩法都是把一个复杂的创作需求拆成若干可控的小需求然后用结构化模板去描述。比如先定角色性别、年龄、发型、服装、情绪基调。再定场景环境、光线、视角、氛围。接着定美术风格写实、二次元、水墨、赛博朋克。最后定画面控制构图、镜头运动、关键元素位置。除此之外负面提示词也很重要。比如生成人像时常常会遇到手指畸变、多余肢体这类问题你会发现在负面提示词里把这些“不想要的东西”明明白白写清楚比在正面提示词里强调十遍“手要正常”管用得多。这一周的观察让我越来越确信提示词工程本质上是一种“用自然语言做产品设计”的能力。你能不能用清晰、准确、无歧义的语言把你想要的东西传达给一个“极其聪明但缺乏常识”的模型这就是核心技能。5. AI职业变化产品经理和测试工程师正在被迫进化早报的最后一个观察类话题聊聊人。这周我在各个社群里看到“AI产品经理”和“AI测试工程师”这两个词的讨论热度都很高。很多人担心被AI取代但结合我这一周的观察与其说取代不如说这些岗位的活儿正在被重新定义。5.1 产品经理的新工作以前的产品经理可能要花大量时间写PRD、画原型、排优先级。但有了AI之后产品经理一个新任务变得非常重要定义Agent的行为边界。什么意思呢比如你做一个智能客服以前你只需要说清楚“用户问退货怎么办就引导到退货流程”。现在呢你需要跟模型或Agent说清楚哪些问题它可以直接回答哪些问题必须转人工遇到用户情绪激动时该用什么语气如果用户故意诱导它“越狱”该怎么防守。这些东西已经不太像传统的需求文档而更像一份“行为规范说明书”。这周我遇到一个做AI产品的朋友他说自己现在最常干的事不是画原型而是“调教” Agent的提示词和测试集。他还说了一句让我印象很深的话“以前我们定义功能现在我们定义规则。”5.2 测试工程师的新挑战AI项目的测试比传统软件测试麻烦得多。传统测试讲究确定性输入什么预期输出什么一一比对就行。但AI模型的输出天生带随机性同一个问题问两遍答案可能不一样而且没有唯一正确的答案。所以AI测试工程师的重点慢慢变成了搭评估集和回归测试。比如你要上线一个智能问答机器人你得先准备几百个覆盖各种场景的测试问题然后定好评估标准准确率多少算达标语气是否符合预期有没有潜在的偏见或违规内容这周有个帖子分享了一个惨痛教训他们的AI功能上线前没做足够的回归测试结果一次模型升级之后老用户问同样的问题竟然给出了和以前完全相反的答案被用户投诉了一大堆。测试集的重要性怎么强调都不过分。5.3 普通人的应对思路说了这么多岗位的变化落到我们每个人身上我觉得有三件事现在就可以开始做。第一把AI当成你的“初级同事”。别指望它一次就交给你完美结果而是学会给它布置任务、检查结果、反馈修改。这个协作过程本身就是一种新技能。第二保持对底层原理的基本理解。不一定要会手写Transformer但至少得明白Token是什么、上下文窗口是什么、为什么模型会胡说八道。否则你连它出错的原因都猜不到。第三建立一个属于自己的“AI工具箱”。每周花点时间试试新工具记录哪些好用、哪些是噱头。长期积累下来这份清单就是你个人的竞争力。6. 我的资讯追踪方法把碎片信息变成自己的体系谈到“每日AI资讯早报”最后跟你分享一下我自己是怎么整理每天的AI信息的。因为做这期早报的时候也收到不少朋友问“你每天哪来那么多时间看这些”其实我花的时间不算多关键是方法。6.1 少看热榜多看项目我发现很多人在刷AI资讯时有个误区喜欢盯热搜榜、热点新闻今天哪个模型发布了、明天哪个公司融资了看得热血沸腾但一周后什么都记不住。我的习惯是新闻可以快速扫一眼但真正值得花时间的是那些有代码、有文档、有案例的项目。同样是看一个Agent框架的消息看十篇转述的文章不如自己把官方文档翻一遍、把示例代码跑一遍哪怕只是跑通一个小例子收获都比刷帖大得多。6.2 我的每日信息处理流程我每天处理信息流的动作基本是固定的大概三步。第一步是筛选。我订阅的信息源分几类官方文档和博客、开源社区热门项目、几个高质量技术社群、少量行业媒体。每天抽出半小时把这几个来源扫一遍。第二步是沉淀。光看不记录等于白看。我会把看到的有价值的东西用一两句话记到自己的笔记里附上链接。别小看这一两句话积累几个月之后这会成为你判断趋势走向的珍贵素材。第三步是输出。每周我会挑一两个最值得聊的话题写成深度内容或者做个小分享。这个“输出”的动作逼迫我把碎片信息重新组织成有逻辑的知识这是最好的内化方式。6.3 推荐关注的几个观察维度最后给你几个我在追踪资讯时常用的“观察维度”比单纯追热点更有用。工程实践不只看模型本身多看别人怎么把模型用到真实业务里踩过什么坑总结过什么经验。工具链演进关注AI开发工具、部署工具、测试工具的变化。工具链的成熟度往往比单个模型的能力更能说明行业处在什么阶段。角色变化关注产品、测试、运维这些岗位在AI影响下工作方式的变化这背后反映的是AI落地的真实深度。成本曲线多留意推理成本、训练成本的变化趋势。很多应用的爆发不是因为模型变聪明了而是因为变便宜了。如果你也能试着从这几个维度去看资讯你会发现自己的判断力和信息筛选能力会提升不少。最后再分享一个小技巧。做资讯整理的时候我习惯在每个月底回头翻一下月初记的那些内容看看哪些判断应验了哪些事情一个月后已经没人提了。这个“复盘”的动词很轻但做下来收获很大它会不断修正你对这个行业的感觉。今天的早报就到这里希望对你这一天的决策有点帮助。