肖恩技术周刊（第 40 期）：智能体是通往AGI的必经之路吗？

周刊内容: 对一周内阅读的资讯或技术内容精品（个人向）进行总结，分类大致包含“业界资讯”、“技术博客”、“开源项目”和“学习资源”等。
更新时间: 周一
历史收录: 技术周刊合集
订阅方式: 微信公众号“肖恩聊技术”，除周刊外还有更多原创技术博文，欢迎关注👏🏻~

开篇图

看了Manus的视频（邀请码就离谱，炒到了10万），感觉并没有给我当时GPT-3.5的那种震撼。必须承认，它把Agent做到了极致，产品力看起来非常的强。但智能体真的是通往AGI的必经之路吗？

QwQ-32B 拥有 320 亿参数，性能可与 6710 亿参数（370 亿被激活）的 DeepSeek - R1 媲美，凸显强化学习应用于大规模预训练基础模型的有效性，且集成 Agent 相关能力。该模型已在 Hugging Face 和 ModelScope 开源，采用 Apache 2.0 协议，可通过 Qwen Chat 体验。在冷启动基础上开展大规模强化学习，先针对数学和编程任务训练，通过校验答案和评估代码给予反馈；之后增加针对通用能力的 RL，提升通用能力且不影响前两者性能。同时展示了使用 OpenAI 库调用 QwQ-32B 的 API 示例代码。未来，团队计划结合更强大基础模型与规模化计算的 RL，探索智能体与 RL 集成实现长时推理，迈向通用人工智能。

Manus，真正干活的智能体？

3月6日凌晨，来自中国的初创公司BUTTERFLY EFFECT（蝴蝶效应）通过一部全英文的宣传片正式对外发布通用型AI Agent产品Manus，官方称它为“全球首个通用 Agent”。据其团队介绍，与传统AI助手不同，Manus不仅能提供建议或答案，还能直接交付完整的任务成果。据团队发布的案例，Manus可以进行简历筛选、房产研究、股票分析。

刚刚，2024图灵奖颁给了强化学习之父Richard Sutton与导师Andrew Barto

2024 年图灵奖授予强化学习先驱 Andrew Barto 和 Richard Sutton。他们自 1980 年代起提出强化学习主要思想，构建数学基础，开发重要算法，合著经典教材。强化学习是当今 AI 突破的原点，如 DeepSeek R1 的 GRPO 算法、AlphaGo 的自我博弈训练等都离不开它。强化学习结合深度学习后，应用领域广泛，包括机器人运动技能学习、网络拥堵控制等，还助力神经科学发展。获奖者 Barto 和 Sutton 在学术界和业界都有重要地位，他们的工作推动了 AI 领域进步，为未来计算及其他学科发展提供潜力。

技术博客

基于ANTLR4的大数据SQL编辑器解析引擎实践

随着得物离线业务增长，公司开展大数据 Galaxy 开源演进项目，离线开发治理套件中的 SQL 编辑器至关重要。为此，项目选用 ANTLR4 作为 SQL 解析引擎底座，以满足适配自研 Spark 引擎的多种功能需求。

ANTLR4 是强大的解析器生成器，具有强大的文法定义、抽象语法树遍历、自动语法错误处理、可扩展性等特性，在 Apache Spark、Twitter、IBM 等多领域广泛应用。SparkSQL 作为 Apache Spark 处理结构化数据的模块，具备高效查询执行、与 Hive 兼容、支持多种数据源的特点。

在技术实现方面，基于 ANTLR4 进行语法设计，通过 ANTLR4 生成的代码和相关工具实现语法补全、校验等功能。以字段补全为例，利用 ANTLR - C3 引擎和 ANTLR 生成的 AST 解决推荐语法类型和精准推荐问题。ANTLR4 生成的语法分析器内置错误报告和恢复策略，但在复杂场景下性能和错误恢复存在挑战，可从缓存、语法、预测模型选择等方面优化。同时，编辑器集成 MonacoEditor，提供辅助编程功能。

大模型发展促使 SQL 编辑器应用变革，如阿里云 DataWorks 推出 Copilot 产品。然而，SQL 代码补全因上下文依赖、语义多样等因素颇具挑战，成熟场景集中在有规律的代码推荐。

目前，Galaxy 数据研发 IDE 借助 SQL 引擎建设实现个性化词法规则定制和辅助编程功能。未来计划接入大模型能力并重构基础语法定义，以应对解析器开发难题，更好地满足复杂业务需求。

通过微调嵌入模型获得更好的检索增强生成（RAG）

本文聚焦于领域特定嵌入模型微调，探讨其在金融问答系统等自然语言处理（NLP）任务中的关键作用。通用嵌入模型缺乏领域知识，难以准确检索信息，而微调嵌入模型可解决此问题。嵌入是将文本、图像等映射到多维空间的数值表示，能捕捉语义关系，在语义相似性计算、文本分类、问答和检索增强生成等NLP任务中至关重要。

以BAAI/bge-base-en-v1.5模型为例，针对特定领域微调嵌入模型，可使模型的相似性度量与领域上下文和语言对齐，提升相关文档的检索效果，进而得到更准确合适的回复。文中介绍了多种数据集格式，如正样本对、三元组、带相似性分数的句子对和带类别的文本等，不同格式对应不同的损失函数，像三元组损失、对比损失等，这些损失函数用于在训练中引导模型调整权重。

在代码示例部分，通过unstructured库提取PDF文本和表格，利用LangChain分块处理，借助Hugging Face Llama模型生成问答对，将数据处理为合适格式后加载到HuggingFace数据集，完成模型微调。微调后bge-base-en_dot_ndcg@10指标显著提升，证明了微调的有效性。总之，微调领域特定嵌入模型可提升NLP应用的准确性，构建模型时要利用如MRL等技术和强大模型。NLP发展迅速，持续关注新进展有助于构建更智能高效的领域应用。

一些关于大语言模型 “提示词” 优化的经验谈

本文围绕自然语言处理项目中使用大语言模型的经验展开，着重分享了提示词优化技巧。在项目实践中，团队发现发挥大语言模型潜力需深入了解其运作机制。大语言模型本质是统计模型，通过学习海量文本数据捕捉模式和关联，具备语义相似性识别、熟悉常见语法结构、掌握部分专业术语等特点，但对知识逻辑的理解存在局限。其输出是条件概率计算过程，而COT（思维链）能提升输出准确性。

提示词优化至关重要，它是与大语言模型交互的关键。大语言模型常出现理解偏差、信息不足、逻辑错误、推理不足和关注重点不一致等问题。针对这些问题，文章分享了一系列优化经验：让模型先输出结果再解释原因，以便分析错误、针对性优化提示词；基于模型解释添加提示词，解决理解偏差和信息不足问题；将COT编码到提示词中，通过分析错误用例解释的共性来提高正确率，解决逻辑错误和推理不足问题；把分析性提示词放在后面，可提升约5％的正确率；保持英文和中文一致性，避免隐性差异，解决关注重点不一致问题；使用简洁严谨的语言风格，使模型专注任务、节省token并加快响应速度。

总之，大语言模型应用广泛，但需调教，文中的理解和提示词设计经验有助于更好地发挥其作用。

开源项目

sqlchat：AI聊天SQL客户端

SQL Chat 是一款基于聊天的 SQL 客户端，能通过自然语言与数据库交互，实现数据库的查询、修改、添加和删除等操作。

DiffRhythm：音乐生成模型

DiffRhythm 是首个开源的基于扩散模型的全长歌曲生成模型，为 AI 音乐创作带来新可能。

repomix：将代码库转换为AI易处理文件

Repomix 是一款强大工具，可将整个代码库打包成便于 AI 处理的单个文件，适用于多种 AI 工具，如 Claude、ChatGPT 等

学习资源

Shell 脚本教程（英文）

帮助人们理解 Shell 脚本编程基础。

以生成 AI 为主题的机器学习简介（英文）

课程从基础开始，涵盖什么是机器学习，它与传统方法有何不同，以及它的用途。然后深入研究机制，探索不同的模型、算法和训练过程。接下来，它介绍了生成人工智能，解释了它如何创建新内容，然后总结了人工智能系统的架构以及如何有效地设计和部署它们。

ai-engineering-hub：人工智能工程资源库

AI Engineering Hub 是一个聚焦人工智能工程的资源库，为不同技能水平的人员提供 AI 工程相关资源。

随便看看

一个提示词 claude 生成一个 app 的 ui/ux

本文聚焦利用 Claude 生成 app 的 UI/UX 实践，为相关开发者提供了极具价值的参考。在工具选择上，推荐使用 Claude3.7，可通过官网或 Cursor 操作，Cursor 需切换至 Ask 模式（旧版为 Chat），禁用 Agent 或 Composer 模式。实践过程分阶段推进，1.0 版本按特定结构编写提示词，添加 “优秀 html 案例” 能优化效果，代码过长时多次输入 “继续” 获取完整代码。2.0 版本引入 tailwindcss 简化代码，Ask 模式稳定性更高，生成复杂 UI 后可引导调整。3.0 版本借助特定提示词，实现 Cursor 与设计软件协作生成 SVG 文件，优化提示词能规避文字、图片问题。此外，文中还分享了成功变现案例，有人用生成的 html 设计稿完成软件外包项目，同时展示了多个不同功能 app 的提示词及生成效果，助力开发者高效生成理想的 UI/UX 设计。

Linux 的早期（英文）

本文是Lars Wirzenius对Linux早期发展的回忆，讲述了Linux从诞生到逐步发展壮大的历程。1988年，Lars与Linus在赫尔辛基大学学习计算机科学，偶然发现Usenet。1990年，他们学习C和Unix编程后，对操作系统构建产生兴趣。1991年，Linus购买386 CPU的PC，玩游戏、学习MINIX后，开始学习英特尔汇编语言，编写了实现多任务的程序，这是Linux内核雏形。Lars还为其编写sprintf()函数，后演变为内核中的snprintf()。

同年8月，Linus在新闻组首次提及新内核，最初名为Freax，后被命名为Linux。Linux最初版本采用禁止商业使用的许可证，在多方影响下，1992年初改用GNU GPL许可证。1992年，Linux与Andrew Tanenbaum展开辩论，X11系统移植使其成为桌面系统，首个Linux发行版SLS出现。1993年，Linus和Lars成为大学助教，Linux支持以太网和TCP/IP，但早期网络代码有问题。1994年，他们认为Linux已完善，发布1.0版本。

此后，Linux不断发展，被移植到新架构，“开源”概念兴起，IBM投资，Linux应用范围不断扩大。从最初屏幕上交替显示的“A”和“B”，到如今在全球数十亿设备上运行，Linux的发展堪称传奇。