AI Highlight
围绕 AI、技术领导力和高信号材料的阅读高亮与判断。
-
提示词就是平台
Dominik Tornow 认为，当 Agent 能够按需根据规范生成面向具体基础设施的实现时，软件平台的价值会从通用实现转向可复用的规范。
-
从研究到现实：把前沿 ML 研究带入生产
Higharc 的高级研究工程师 Vaidas Razgaitis 分享了他们如何把前沿 AI/ML 研究推进到生产环境：用研究原型分类文档提升研究可读性，用 Python 单体代码仓库和解耦微服务承接原型。
-
你无法提示整个房间：AI 最后无法取代的技能
这场演讲的核心判断是：当 AI 让写代码变得便宜之后，软件开发真正稀缺的能力，转向判断该做什么，以及把业务方、用户、决策者拉到同一个房间里，提炼出值得构建的需求。
-
你的 Agent 在生产环境失败了。祝你好运复现它
这场来自 AI Engineer 频道的演讲讨论了 AI Agent 在生产环境中失败后为什么很难复现，以及为什么团队应该把目标从追求模型的逐位确定性（bitwise determinism）。
-
你的 Agent 正在浪费 Token，而你还不知道
AWS 开发者布道师 Eric Hanchett 介绍了降低 Agent token 成本的五种做法：缓存系统提示词，按任务难度路由到不同模型，把大型工具结果移出上下文，限制工具循环次数，以及裁剪多轮对话历史。
-
别再写语气指令了。要分层组织它们
演讲者 Isadora Martin Dye 分享了她在经营婚礼场地、并为场地构建 AI Agent 的过程中总结出的四层提示词架构：不可变身份层、情境模式层、示例锚定语气层、生成后否决层。
-
在生产工作流中使用规格驱动开发
AWS 高级开发者布道师 Erik Hanchett 介绍规格驱动开发的概念、动机和实践方式，并以 AWS 的 AI 编程工具 Kiro 为例，演示如何在生产工作流中用规格文档引导 AI 编程助手构建更高质量的代码。
-
当所有上下文都重要：扩展型缓存增强生成
Luis Romero Sevilla 讨论了一个约束很强的知识表示场景：所有文档都与用户问题相关，文档之间关系密集，并且数据会频繁整体替换。
-
手中的 OpenClaw：构建一个实体 AI 终端
这场来自 AI Engineer 频道的演讲介绍了 Lech Kalinowski 如何构建一个实体 AI 终端 OpenClaw：它用 OLED 与电子纸双屏、ESP32 微控制器、本地后端和开源 LLM。
-
我们用本地代码索引减少了 94% 的 AI 编程 token
Rajkumar Sakthivel 分享了他们如何通过本地代码索引层减少 AI 编程过程中的输入上下文，把每次查询发送给模型的 token 大幅压缩，同时用混合搜索、结果压缩、调用关系追踪和评分过滤维持代码检索准确率。