全部 AI 精选，可按分级、类型、是否付费、收录时间筛选，按关键词搜索。
How to Know If Your AI Agent Is Any Good: Evals With Phoenix & Claude — Laurie Voss, Arize AI
这是 Laurie Voss（Arize AI 开发者关系负责人、npm 联合创始人）的一场工作坊录像，以一个由 Claude 驱动的金融分析师智能体为例，搭建完整的评估闭环：用 Arize Phoenix 做追踪、阅读追踪记录、编写代码评估和 LLM-as-a-judge 评估、测试评判模型本身是否可信、用实验验证提示词修复效果、从 Claude Haiku 4.5 升级到 5.5，并在 CI 中用 npm test 做门禁。开场用例是智能体写出“116% 分析师同意”这类自信错误。适合构建生产级智能体、关心评估流程的工程师。
Version-Controlled Search: The Web as It Was — Ryan Ahern, Exa
这是一个演讲视频，Exa 的 Ryan Ahern 介绍 Exa Snapshot 功能，使智能体能够检索任意历史日期下网页当时的样子。内容涵盖智能体成为主要搜索方时搜索质量的重要性、快照结果与实时结果的对比，以及团队如何用时点搜索构建和测试预测信号并避免过拟合；视频附有分段时间轴。
Backtest Your Agent Against Yesterday's Web — Ryan Ahern, Exa
这是 Exa 的 Ryan Ahern 的实操演讲录像，演示如何用带版本控制的搜索按过去某一天的日期查看当时的网页，并据此把智能体的预测与后来实际发生的情况对照回测。动手示例以高管变动等信号预测公司收购，并讨论如何在不泄露未来信息的前提下调参，章节涵盖搜索基准、网页版本化、避免前视偏差、回测与调优、实操演示以及结果与过拟合。
Stop Telling Agents How
OpenProse 团队介绍如何用纯 markdown 把多智能体工作流写成声明式契约，由 Claude Code、Codex 等任意 harness 编译并运行，主张描述想要什么而不是怎么做。演示包括由 webhook 和 pull request 触发的事件驱动任务、一个“脾气差的老资深”PR 评审者，以及端到端的银行模型文档工作流；还讨论了契约组合、把成功运行固定为可复用工作流，以及与 DSPy 的对比。
Why AI Agents Will Need Their Own Bank Accounts — Lincoln Murr, Coinbase
Coinbase AI 产品负责人 Lincoln Murr 讲解“智能体金融”：会花钱的智能体和会赚钱的智能体。内容包括从给 AI 一个钱包的早期实验 AgentKit，到基于长期闲置的 HTTP 402“需要付款”状态码构建的开放标准 x402，据其介绍该标准每月处理数亿笔智能体交易；还谈到微交易作为广告经济替代、智能体按简单指令执行交易，以及 Coinbase 两年建设中的经验——信任是一步步赢得的，AI 是使能者而非产品本身。结尾展望能支付自身运维费用的智能体。
How to Know When an AI Agent Can Work Unsupervised — Evan Kormos, Coinbase
Coinbase 的 Evan Kormos（有 15 年企业金融服务经验）介绍把智能体引入政策驱动、受监管工作流的实用方法：把流程建模为 DAG 和循环，说明一个循环的可信度取决于它的检查，并展示评估与追踪如何成为新的信心机制。智能体随后经历三个阶段：完全监督、抽样监督、仅由人处理异常。材料按章节列出讲解顺序。
Is the Agent Harness Dead? — Jediah Katz, SpaceXAI
Jediah Katz（SpaceXAI，此前是 Cursor 任职最久的智能体外壳工程师）讨论模型变强对编码智能体、Grokbot 和智能体外壳未来的影响。他论述复杂外壳不再为编码智能带来额外智能，因为数据飞轮让模型学会了外壳原先补上的技能；但同时认为外壳比以往更重要，它开拓 Grokbot 等新领域，并承担模型无法吸收的基础设施、信任与安全、效率问题。结尾给出对 AI 智能体的预测，包括六个月内 90% 的智能体工作将离开笔记本电脑运行。
The Model Swap Workshop: GPT-5.5 vs Kimi vs DeepSeek vs Mistral — Pamela Fox, Microsoft
微软首席云布道师 Pamela Fox 在 Microsoft Foundry 上对 GPT-5.5、Kimi K2.6、DeepSeek V4 Flash 和 Mistral Large 3 运行相同场景，从数单词字母的提示词逐步递进到 RAG 依据性、图像输入、多语言陷阱、工具调用、循环中的工具调用，以及一个 LangChain v1 旅行智能体。之后转向评估：字符串检查评估、LLM-as-a-judge、微软用于从规格生成测试集的 ASSERT 工具，以及用 DSPy 优化提示词以让最便宜的模型也能满足要求。材料说明重点在于基准测试无法反映模型在自己应用中的行为，替换并实测才能看出差异。
Is a Faster Model Actually Faster? Test the Whole Job — Morgan Suo, MiniMax
演讲以一项真实的行业研究任务为例——分析电路板供应商是否把 AI 需求转化为现金——测试 M3.1 Flash 模型内部的若干改动：长输入稀疏注意力、4 位 KV 缓存、低精度专家、投机解码、服务器负载与推理预算。讲者说明每项改动都节省算力，也可能悄悄牺牲准确率或等待时间，并给出评估模型切换的方法：核对来源与计算、统计一份可用报告的全部成本、让结果可复现。
Same GPU, 50% More Output: Why the Operator Matters — Oliver Kennon, SemiAnalysis
演讲把算力视为大宗商品市场，指出购买 GPU 只是获得潜力，实际可用产出取决于运营方：在同样的 B200 芯片上，仅服务栈一项就能带来约 50% 的产出差异。内容还包括集群安全如何影响“智能”是否有用、SemiAnalysis 的 ClusterMAX 如何给运营方评级、租用价格与生产成本的区别、成本位置取决于竞争对手，以及构建可比算力评级与算力期货所需的条件。
A Bank Built Its Own Coding Agent. It Took Off — Felippe Felisola Caso & Francesco Galletta, Monzo
演讲介绍 Monzo 自研的编码代理，它最初只是 Slack 里一个可添加表情的机器人，如今撰写 Monzo 各技术团队合并 PR 的 10% 以上，每天运行 1800 多个任务。讲者解释它为何见效快，包括接入内部工具与知识的 MCP 网关、为受监管银行构建的沙箱化代理编排系统，以及把代理本身变成可复用构建块，并说明该构建块现在也处理事故、值班数据质量和非工程人员的请求。
Shipping AI Into 5 Major Banks Without a 12-Month Compliance Wait — Al Chen, Cisco
这是一场技术演讲，讲者来自 Cisco，介绍在五家大型银行内部署 AI 软件的过程，重点是如何避免长达一年的合规瓶颈。内容涵盖构建流水线、用代理编写并测试漏洞利用来修复 CVE、备份与恢复验证、LLM 评审器导致的 PII 泄露，以及为何零泄露和数据主权从来不是免费的。适合关注金融行业 AI 部署与合规安全的工程人员观看。