2026年3月18日 AI 每日动态

2026年3月18日 AI 每日动态

1. 【AI Coding 工具】Claude Code 终于有了"长期记忆"——claude-mem 爆红

Claude Code 用起来顺手,但每次开新会话就像把同事的记忆清零——项目背景要重新交代,之前做过的决策一问三不知。现在有个叫 claude-mem 的开源插件彻底改变了这件事。

它的工作方式很直接:自动抓取每次会话里的工具调用记录(读了哪些文件、改了哪些代码、跑了什么命令),会话结束后用 AI 把这些信息压缩成结构化摘要,下次开工时自动注入进来。一万 Token 的操作记录,最终压缩到 500 Token 左右,同时还支持自然语言检索历史("上次那个 React 重复渲染是怎么解的?")。

目前已有超 3 万人收藏,宣称能节省 90% 的 Token 消耗。对重度使用 Claude Code 的开发者来说,这东西值得装一装看看。

📌 为什么值得关注:记忆问题是目前所有 AI 编程助手的共同痛点,claude-mem 用了一种轻量但很务实的方式切入,比等 Anthropic 官方"原生解决"要实际得多。


2. 【AI Coding 框架】LangChain 发布 DeepAgents:Agent 从"聊天"走向"干活"

LangChain 这周在 GitHub 悄悄推送了一个新框架 DeepAgents,基于 LangGraph 构建,主打三件套:任务规划工具 + 文件系统持久化 + 子智能体动态派生

说白了就是:主智能体接到任务后先写计划、可以把子任务分包给专门的子智能体去跑、过程中产生的数据实时存文件系统而不是靠上下文窗口撑着。这套架构解决了 Agent 处理长流程任务时最头疼的几个问题:上下文撑不住、多步骤走着走着就偏了、任务结果没地方落地。

LangChain 创始人 Harrison Chase 最近也公开说了一句让人印象深刻的话:"模型能力正在商品化,真正决定 Agent 上限的,是运行框架。" DeepAgents 可以理解为他对这句话的实践版答案。

📌 为什么值得关注:Agent 领域不缺想法,缺的是能跑起来的工程框架。DeepAgents 完全开源,架构设计偏实战,值得有 Agent 落地需求的团队认真看一下。


3. 【具身智能产业】7 家百亿独角兽,"四肢"生意让位给"大脑"

36氪今天发了一篇很有意思的产业梳理:2026 年开年两个月,具身智能赛道融资总额已经逼近 150 亿元,百亿估值独角兽冒出了整整 7 家,包括宇树科技、智元机器人、银河通用机器人、星海图等。

更值得关注的是资本押注方向在悄悄转移——从机器人"四肢"(关节、驱动器等机械性能)转向"大脑"(多模态大模型与决策系统)。千寻智能开源了 Spirit v1.5 物理交互模型,智平方推出 GOVLA 全身 VLA 大模型,星海图则在尝试绕过语言中介、让机器人直接从动作里学物理逻辑。

当然,真实情况也没那么完美:全球实际部署机器人还不足千台,数据规模不到自动驾驶的十分之一,部分企业估值靠的是对未来的想象而非今天的订单。

📌 为什么值得关注:产业正从"做出来"走向"怎么用起来",VLA 路线基本收敛,谁能在真实产线跑通闭环,谁就拿到了下一轮的底牌。


4. 【前沿技术】NVIDIA 把 AI 数据中心送上了太空轨道

在 GTC 2026 上,黄仁勋亮出了这届发布会最科幻的一张牌:Vera Rubin 太空模块——专门为轨道数据中心设计的 AI 计算单元,目标是在太空里直接跑大型语言模型和基础模型。

技术上,它采用紧耦合 CPU-GPU 架构配合高带宽互连,AI 算力是 H100 的 25 倍,能实时处理太空仪器产生的海量数据流,整体走 100% 液冷 + 无线缆路线,方便轨道部署。

配合地面的 Vera Rubin 平台(单 POD 含 2 万枚芯片,Token 生成速率 7 亿/秒,比两年前快了 350 倍),NVIDIA 的算力版图正在从地面向太空延伸。

📌 为什么值得关注:太空轨道 AI 计算不是概念,是 NVIDIA 针对地球观测、通信卫星、深空探测等实际需求的系统性押注,这条线会和具身智能、自动驾驶的数据采集需求紧密咬合。


5. 【行业活动】AI Show 2026 今日北京开幕,人形机器人量产元年的第一次集体亮相

今天,2026 北京国际人工智能应用与机器人创新博览会(AI Show 2026) 在中国国际展览中心(朝阳馆)正式开幕,为期三天,超过 200 个品牌集中参展。

展会覆盖大模型、具身智能、人形机器人、AI+制造等核心方向。业界普遍把 2026 年称为"人形机器人量产元年",这届展会算是这个判断的第一次产业级检验——能不能量产、能不能用,在展馆里一看便知。

📌 为什么值得关注:技术发布会看的是 PPT,展会看的是真机。这几天会有大量一手产品信息和落地案例流出,值得持续关注。

Read more

Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构

Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构 前言 在鸿蒙(OpenHarmony)生态迈向全场景 AI 赋能、涉及高效的语义理解、自动化内容生成及严苛的端云协同智能隐私保护背景下,如何实现一套既能深度对接 Google 生成式语言模型(如 Gemini、PaLM)、又能保障异步请求高响应性且具备多模态输入处理能力的“AI 调度中枢”,已成为决定应用智能化水平与用户体验代差的关键。在鸿蒙设备这类强调分布式协同与端侧算力按需分配的环境下,如果应用依然采用低效的 REST 手写拼接,由于由于 payload 结构复杂性,极易由于由于“协议解析异常”导致鸿蒙应用在大模型推理环节发生由于由于由于由于通讯阻塞。 我们需要一种能够统一模型调用语义、支持流式(Streaming)响应且符合鸿蒙异步异步并发范式的

By Ne0inhk
用OpenClaw组建AI团队:一人顶一个部门的实战玩法

用OpenClaw组建AI团队:一人顶一个部门的实战玩法

文章目录 * 前言 * 一、OpenClaw到底是啥?别被名字唬住了 * 二、你的"赛博团队"编制表 * 2.1 内容运营专员:笔耕不辍007 * 2.2 数据分析师:专治Excel恐惧症 * 2.3 代码质检员:熬夜debug的背锅侠 * 三、实战:搭建你的第一个AI部门 * 3.1 环境准备:工位布置 * 3.2 内容运营自动化流水线 * 3.3 代码质检的自动化值守 * 四、让团队高效协作的秘诀 * 五、避坑指南:别让赛博员工造反 * 六、从玩具到生产力:心态转变 目前国内还是很缺AI人才的,希望更多人能真正加入到AI行业,共同促进行业进步,增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http:

By Ne0inhk
OpenClaw接入企业微信全攻略:从0到1打通企业AI协作通道

OpenClaw接入企业微信全攻略:从0到1打通企业AI协作通道

摘要:本文详细介绍了将OpenClaw AI框架接入企业微信的完整方案。通过两种主流接入方式(API模式机器人和自建应用),企业可以快速实现智能问答、流程自动化等AI能力落地。文章重点讲解了从前期准备、核心接入流程到生产环境部署的全套实操步骤,包括权限配置、网络设置、参数对接等关键环节。同时提供了进阶优化建议,如后台守护、HTTPS加固、权限管控等企业级功能配置,以及常见问题排查方法。该方案能有效解决企业信息孤岛问题,将AI能力无缝嵌入员工日常办公场景,在保障数据安全的同时显著提升工作效率。 目录 一、前言:为什么要将OpenClaw接入企业微信? 二、接入前置准备 OpenClaw介绍 接入准备工作 三、核心接入流程(两种方案任选) 方案一:API模式机器人接入(新手首选,快速上手) 步骤1:企业微信后台创建API模式机器人 步骤2:OpenClaw安装企微插件并配置参数 步骤3:完成机器人创建并测试联调 方案二:企业微信自建应用接入(企业级进阶方案) 步骤1:企业微信创建自建应用并获取核心凭证 步骤2:OpenClaw配置自建应用核心参数 步骤3:启用应

By Ne0inhk
医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(八)

医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(八)

第15章 模型融合与集成策略 在机器学习竞赛和实际应用中,模型融合(Model Ensemble)是提升预测性能的利器。通过组合多个不同的基模型,集成策略能够综合各个模型的优势,抵消单个模型的偏差和方差,从而获得比任何单一模型更稳定、更准确的预测结果。在医疗AI领域,模型融合同样具有重要价值——面对复杂多模态的医疗数据,单一模型往往难以全面捕捉所有信息,而融合多个异质模型可以提升诊断的鲁棒性和准确性。本章将从集成学习的基本思想出发,系统介绍常见的模型融合方法,包括投票法、平均法、Stacking、Blending等,并通过实战案例展示如何构建融合模型来提升疾病预测性能。 15.1 集成学习的基本思想 集成学习(Ensemble Learning)的核心思想是“三个臭皮匠,顶个诸葛亮”——通过结合多个学习器来完成学习任务,通常可以获得比单一学习器更优越的泛化性能。根据个体学习器的生成方式,集成学习主要分为两大类: * Bagging:并行训练多个独立的基学习器,然后通过平均或投票进行结合。典型代表是随机森林。Bagging主要降低方差。 * Boosting:串行训练基学习

By Ne0inhk