
Introducing the Agora AI Developer Toolkit.
Paste one prompt into your coding agent:
“Use Agora Skills to help me build a web-based conversational AI demo in Python.”
10 minutes later, you’re talking to a voice agent you built.
What your coding agent gets:
• Skills that teach it the current Agora APIs, so it stops guessing from outdated docs
• A CLI that handles login, project setup and env
• 100+ recipes, from language quickstarts to full voice agents for real use cases
• The Agora SDKs, built on 12 years of running real-time voice and video in production
Skills, CLI, Recipes and SDKs ship together, so your agent always builds on the APIs that are live today.
最近记忆框架的热度又起来了。上半年印象里还只有少数几个,现在 GitHub 上随便翻翻,能找到好些个不错的。
记忆这事儿吧,要做不难,要做好却又不容易。
现在不少云平台都在搞自己的记忆,本来是想搞成一个核心功能,但如果跟业务收入联系不够直接,资源就不好分配,搞着搞着就容易变成锦上添花,不再更新。
反而是我们在对接 B 端的时候发现了一些共通性,也不复杂,就 3 点:
1. 合规和隐私。
2. 成本和定制。
3. 私有部署和规模。
合规和隐私,问得很直接,数据放哪,谁能看,怎么加密,能不能删干净。不同地区还有不同要求,也不是轻易拿个认证就都解决。
成本和定制就更具体了。知道记忆重要,但每个用户要花多少钱,数据积累半年以后要花多少钱,调用量上来以后又怎么算?在为了保证成本的前提下,取舍怎么分配等。
所以哪些内容值得记,多久整理一次,用什么模型,每次取多少,都得能按业务调整。速度和召回效果要保证,预算也得控制,不能每一步都上最贵的配置。
私有部署还得看能不能接客户自己的模型,数据和模型调用能不能都留在客户环境里。部署完也没结束,数据多了,并发上来了,速度和成本还能不能维持,后面怎么扩,都是要提前算的。
小规模跑通以后,客户还是得知道,真用起来会花多少钱,规模上来以后能不能撑得住。
Memory as a service,存在就有点道理。
9
1,704
安利了好几个在 @evermind 的同事用 @typelessdotcom
未尝败绩,每个人着实非常喜欢。
今天惊奇发现竟然有 OverKill 版本,一个月 200 刀,好想试试效果如何。
另外,@huang_song_ 我们专门做长期记忆,可以合作一波呀。
试想一下,一建查找所有对话上下文/知识/记忆,毫秒级别的召回速度,绝配。
我的 DM 为 Typeless 而开。🫰
3
10
4,720
和一个大厂的朋友聊天,说最近烦贼烦,老板每天拿着 AI 生成的报告,质疑他的工作成果。
用的都是同样的 AI 工具。他跟 AI 来回讨论了很多轮,老板自己从头开个新对话,只问一轮,就拿着结果来挑战他的结论。
老板宁愿相信自己问一轮的结果,也不愿相信下属跟 AI 讨论很多轮做出来的东西。
这可能是现在职场的一个常态。
今天听了一下算法的周会,下个版本的 EverOS 2.0 值得您期待。
如果说之前的 EverOS 1.0 是给 LLM/Agents 加一层记忆,浅浅一层,有点单薄,写入、检索、召回的速度也会取决于不同的大模型,省 token 这件事也不太好控制,效果不太好衡量。
那 2.0 就不一样了。这次有了自己的记忆基础模型,专门为大规模场景设计,写入、检索、召回的速度都有非常大的提升,token 的节省也更好控制和衡量。
我个人挺喜欢 EverOS 1.0 的。这篇论文被引用了不少次,小米和混元也都引用了。但我们自己做下来,总觉得还有不少地方可以改,一直没有特别满意,也一直在找新的突破。
2.0 这次,等了这么久,带着自己训练的记忆基模,终于要蓝上了。
记忆库 + 知识库 + bots(本地 + 云端)
兼容 Agents/Harness/Knowledge base
打通微信 + 飞书/etc,限时免费
everme.evermind.ai
精致的小片子。
又是手搓视频的一天,今天给 @evermind 介绍 EverMe!
为「记忆」而生的产品,省去在多个 Agents 间留转的成本,省去在多个终端设备间切换的成本。你可以搭建自己的知识库,链接多个应用,打通多个信息渠道,随时随地随心所欲使用 EverMe。
欢迎大家来体验提建议,我们会送额度!
7
1,030
这篇 agent memory 值得细读,几个平时容易混在一起的东西,都分开讲了。
原始对话记录留着,方便以后回查。过程中写下的笔记,记的是当时觉得有用的东西。积累多了,可以整理成互相链接的 wiki。每次新开 session,再从里面挑一小部分提前放进上下文,其他的需要时再找。
这么分开看,就比较容易理解 dreaming 在做什么了。利用任务之间的空闲时间,回头看记录,检查笔记,纠正错误,再整理一下以后怎么找。
文章也讲了为什么不能什么都记。比如玩宝可梦,当前位置和手里多少钱,屏幕上就能看到,反复存下来很快就过时了。试过哪些方法,接下来准备怎么走,这些才需要另外记着。
还有个挺好的地方,它没有把 wiki 讲成万能的。有些问题直接搜原文就能回答,整理 wiki 没有明显收益,甚至出现过 wiki 比原始文件还大的情况。需要把几份文档放在一起理解的问题,才更能体现它的用处。
看完能明白,给 agent 留一个文件夹只是开始。里面写什么,什么时候读,哪些要重新核对,都会影响它下一次做事。文中把这些做法和实验结果放在一起讲,比单看概念清楚很多。
Memory is what allows Claude to learn from experience. In a new Engineering Blog post, we share how “dreaming” helps Claude organize what it’s learned, correct its mistakes, and find what it needs more easily the next time. anthropic.com/research/compo…
朋友 lab 的生物医药领域垂类 AI 模型,全原子结构预测,大白话就是蛋白质,核酸,小分子这些东西长什么样,以及放在一起时怎么结合使用。
看跑分在类似的 bench 上都不错,合理推荐。
Introducing NovaAtom-Lite, an all-atom structure prediction model for drug discovery.
It predicts the structures of proteins, nucleic acids, and the molecules they bind, including how they fit together.
NovaAtom-Lite outperforms both IsoDDE and AlphaFold 3 on FoldBench antibody–antigen structure prediction (DockQ ≥ 0.23):
NovaAtom-Lite: 79.07% (n=172)
IsoDDE: 75.58%
AlphaFold 3: 47.90% (n=167)
Our evaluation uses 5 seeds × 5 samples, with the top-1 prediction selected by the model's own ranking score.
Better structure prediction. A stronger starting point for your next experiment.
Live today via Geodesic API and NovaDDE.
🔗 API: platform.geodesiclab.com/
🔗 NovaDDE: agent.geodesiclab.com
🔗 Model Card: geodesiclab.com/news/introdu…
1
10
1,745
连看了好几个 MacBook Pro PROLED XDR 的测评,
做工,屏幕,重量,键盘,跑分,散热都顶,信仰灯也给了,
算是 2012 款,2016 款和 2021 款的各款优点都融合了,
可还是不明白,苹果为什么要突出宣传触摸屏?
20
40
16,724








