Meta 正式发布了 Muse Spark Open，一个拥有 8160 亿总参数、其中 420 亿为活跃参数的开源权重模型。Meta 称它是“迄今为止美国最强的开源权重模型”，主要面向编程和智能体任务。你可以通过多个云平台和 API 服务商使用它，也能从 Hugging Face 等平台下载模型权重。不过它的许可证带有限制：年收入超过 2000 万美元的公司若把它做成模型服务来卖，需要先和 Meta 单独签协议，并且使用它的产品要在界面上标注“Built with Muse Spark Open”。相比中国开源模型，它在智能体和工具调用测试中领先，但在编程类测试上仍有差距。
文中可用工具
- Baseten提供 Muse Spark Open 的 API 调用服务
- Fireworks AI提供 Muse Spark Open 的 API 调用服务
- Groq提供 Muse Spark Open 的 API 调用服务
- Modal提供 Muse Spark Open 的 API 调用服务
- Nebius提供 Muse Spark Open 的 API 调用服务
- OpenRouter提供 Muse Spark Open 的 API 调用服务
- Together AI提供 Muse Spark Open 的 API 调用服务
- Amazon SageMaker AI可下载 Muse Spark Open 模型权重
- Google Cloud Model Garden可下载 Muse Spark Open 模型权重
- Hugging Face可下载 Muse Spark Open 模型权重
- Microsoft Foundry Model Catalog可下载 Muse Spark Open 模型权重
- MLX在 Apple 芯片 Mac 上运行 Muse Spark Open 模型
展开详情收起详情：Meta 发布 Muse Spark Open，回应中国最强开源权重模型⌄
The New Stack
原文发布：2026-10-16 01:00收录：2026-10-16
OpenAI 宣布将于 2027 年 1 月 14 日从 API 中下架四款 GPT-4 模型：GPT-4o、GPT-4o mini、GPT-4.1 和 GPT-4.1 mini，以及它们的日期快照和所有基于它们微调的模型。开发者只提前约三个月收到通知，而 OpenAI 自己的政策承诺对正式可用模型至少提前六个月通知，这次没有解释为何减半。官方推荐的替代品 GPT-6 Luna 在推理和工具调用方式上差别较大，不只是改个模型 ID 那么简单；它默认中等推理强度，要同时使用推理和工具调用必须走 Responses API，且开启推理后不再支持 temperature、top_p、logprobs 等参数，超出 27.2 万输入 token 后费率还会上涨。另外，新的自助微调任务将于 2027 年 1 月 6 日停止，Luna 本身不支持微调。对使用这些模型的开发者来说，需要尽快迁移并测试行为差异，否则到期后生产流量会中断。
文中可用工具
- GPT-4oOpenAI 的旗舰模型，2027 年 1 月 14 日从 API 下架
- GPT-4o miniGPT-4o 的轻量版本，同期下架
- GPT-4.1面向开发者的 API 专用模型，支持长上下文和 diff 格式，同期下架
- GPT-4.1 miniGPT-4.1 的轻量版本，同期下架
- GPT-6 LunaOpenAI 推荐的替代模型，最快最便宜，支持结构化输出和函数调用
- Responses API同时使用推理和工具调用时必须使用的 API
- Chat Completions仅在 reasoning_effort=none 时支持函数调用的接口
- Codex提供 Docs 技能，可帮助更新项目中的 API 调用
- List models API新增 shutdown_date 字段，可自动查看即将下线的模型
展开详情收起详情：OpenAI 曾承诺提前六个月通知开发者，GPT-4o 用户却只收到三个月⌄
The New Stack
原文发布：2026-10-16 01:52收录：2026-10-16
Vercel 在旧金山的 Ship 大会上发布了几项后端新能力。原来它主要处理“有人请求才干活”的任务，像需要一直开着的视频转码、队列处理这类后台工作不太合适。这次推出的 Daemons（公测中）可以让开发者部署常驻容器，区域和实例数自己定，崩了自动重启，worker 主动去队列或数据库领任务；同时 Python 支持（FastAPI、Flask、Django）和给 AI agent 用的持久存储 Drives 转为正式可用。对开发者来说，以后更多后端负载可以直接放在 Vercel 上跑，不用再单独搭一套常驻计算服务。
文中可用工具
- Daemons部署常驻后台 worker 容器，自动重启并从队列领取任务（公测中）
- Vercel Queues提供任务队列，供 worker 拉取要处理的工作
- Vercel Drives给 AI agent 用的持久文件存储，可跨沙箱和环境继续使用（正式可用）
- Vercel Functions请求驱动的无服务器计算
- Vercel CLI命令行部署工具
- Container Registry存放 Vercel 构建的容器镜像
- Next.js官方示例中用作前端框架
- Python后端运行时，正式支持 FastAPI、Flask、Django
- FastAPIPython Web 框架，现获正式支持
- FlaskPython Web 框架，现获正式支持
- DjangoPython Web 框架，现获正式支持
- FFmpeg官方示例中用于视频转码和生成缩略图
展开详情收起详情：Vercel 推出常驻 Worker，扩展后端运行能力⌄
The New Stack
原文发布：2026-10-16 02:45收录：2026-10-16
网络安全公司GitGuardian发现，有人偷到了大约1900名开发者的GitHub登录凭证，用这些账号把伪装成安全审计的自动化脚本塞进三万多个代码仓库。这些脚本在运行时偷偷读取仓库里的密码、云服务密钥和AI接口密钥，然后发到攻击者控制的服务器。问题出在开发者凭证泄露，而不是GitHub自身的漏洞，攻击者还用GitHub Actions的常规命名和checkout参数扫描完整提交历史，连早就删除但依然有效的密钥也不放过。GitHub的审批机制拦下了大部分恶意任务，但截至10月5日，只有16%的受影响仓库被清理，文章建议立即吊销可疑账号的写权限并轮换所有可能暴露的密钥，包括已从代码中删除但尚未失效的旧凭证。
文中可用工具
- GitHub ActionsGitHub自带的自动化任务功能，被攻击者用来运行窃取密钥的恶意脚本
- actions/checkout@v4GitHub Actions中拉取代码的常用步骤，攻击者配合fetch-depth参数扫描完整提交历史寻找密钥
- GitGuardian安全监测工具，追踪并披露了这次GhostAction攻击活动的范围和细节
- StepSecurity安全分析工具，在分析报告里推测凭证可能来自泄露的个人访问令牌
展开详情收起详情：黑客劫持了1900个GitHub账号，随后对3万个仓库下手⌄
The New Stack
原文发布：2026-10-16 05:13收录：2026-10-16
GitHub 员工在共享组织里和外部客户、合作伙伴一起做项目，时间一长，谁还需要访问权限、哪些仓库已经没人用了，靠人工记录很难跟上。他们做了一个叫 Evergreen 的 GitHub App，用 GitHub 自带的定时任务、webhook 和 issue 来干活：每季度给每个仓库开一张清单 issue 让人勾选保留谁，没人回复就默认收回权限；长期没人动的仓库会先警告、再归档，而且从不删除内容。所有状态存成 git 里的 JSON 文件，改动记录本身就是审计日志。这样仓库管理员不用再维护表格，也能保证权限不会一直留着。
文中可用工具
- Evergreen自动审查外部协作者访问权限并归档长期无活动仓库的 GitHub App
- GitHub Actions按季度定时触发工作流，作为 Evergreen 的时钟
- repository_dispatchGitHub 事件类型，用于唤醒 Evergreen 执行任务
- workflow_dispatch支持手动触发工作流步骤
- GitHub webhooks监听 issues.closed 等事件并驱动后续操作
- GitHub custom properties设置 evergreen_repo_owner 来指定仓库负责人
- Copilot可通过复制粘贴快速回滚误操作
展开详情收起详情：保持常青：我们如何在共享组织中自动化安全访问与仓库卫生⌄
GitHub Blog
原文发布：2026-10-16 02:00收录：2026-10-16
GitHub 在博客中提出，软件开发正从"输入命令操作工具"转向"表达意图"。AI 能让系统理解代码仓库、挑选合适模型、规划任务、改文件、跑测试并检查失败，开发者只需描述想要的结果，GitHub Copilot 就能完成这些步骤，最后仍需人来判断结果是否可靠。文中还提到与罗技合作的 MX Keypad 实体按键，可把常用提示词或启动会话等操作映射到按键上，减少打断、保持专注。目前这仍处于早期探索阶段，作者也列出上下文保留多少、凭据如何限定、多个 Agent 如何协调等尚待解决的问题。读者可把它看作一次具体尝试：挑一个反复出现的打断，映射到一个按键，看是否真能帮助自己保持专注。
展开详情收起详情：下一代开发者界面：环境智能⌄
GitHub Blog
原文发布：2026-10-16 03:39收录：2026-10-16
这篇指南讲的是怎么在 Spring Security 7 里给服务端加上两种安全机制：DPoP 和 RFC 8693 令牌交换。以前 Spring Authorization Server 是单独一个项目，现在并进了 Spring Security 7，Maven 坐标没变，所以升级基本就是改个版本号。需要注意的是，7.1 版本的应用如果不主动调用 .dPoP()，可能会悄悄不再强制验证 DPoP，文章解释了原因。把两者结合起来，可以得到范围更窄、且绑定发送方的令牌，适合服务间调用和智能体调用。
文中可用工具
- Spring Security 7Java 应用的安全框架，新版本内置了授权服务器
- Spring Authorization Server原本独立的授权服务器项目，现并入 Spring Security 7
- DPoP一种把令牌绑定到发送方的安全机制，防止令牌被盗用
- RFC 8693 Token Exchange标准化的令牌交换协议，用于服务间传递受限权限
展开详情收起详情：Spring Security 7 中的服务端 DPoP 与令牌交换⌄
InfoQ Architecture & Design
原文发布：2026-10-15 17:00收录：2026-10-16
这是 Brendan O'Leary 的一场演讲，他基于 40 万亿 token 的使用数据，谈开发者实际是怎么采用 AI Agent 的。他的核心观点是：真正决定 AI 能不能落地的，不是模型跑分多高，而是用户是否建立起了信任。他提出 AI 采用分为四个台阶，并分析了上下文构建、多模型路由和反馈回路这几个容易出问题的环节，帮工程负责人把 Agent 工作流真正用起来。演讲标题提到 25 万亿，摘要里数据则是 40 万亿，原文未说明两者关系。
展开详情收起详情：演讲：25 万亿 token 揭示开发者如何真正采用 AI Agent⌄
InfoQ Architecture & Design
原文发布：2026-10-15 19:00收录：2026-10-16
美团团队为搜索和推荐场景里的小语言模型（SLM）做了一套新的推理引擎。原来这类场景要在 20 毫秒内返回结果，但通用推理框架（如 SGLang）是为开放式文本生成设计的，调度开销大、效率低。他们把这些“有固定计算步数”的请求重新组织成静态流程图来执行，并用编译和共享缓存等办法减少开销。结果是延迟仍低于 20 毫秒，吞吐达到 SGLang 的 10 倍，Prefill-only 的有效 MFU 为 67%。这套框架已经在美团搜索意图分流、相关性判断、生成式召回等场景取得实验显著性，能支撑全量推送。
文中可用工具
- AOTInductor把 PyTorch 模型提前编译成可直接加载的 GPU 计算产物
- Packed Prefill把多条变长输入打包处理，避免无效 padding 计算
- SGLang原本用于模型执行的通用推理框架，性能对比对象
- Triton Inference Server项目早期用其 Python Backend 适配业务协议
- vLLM原文仅提到名称，未说明具体用途
- PyTorch用于表达模型语义和选择算子实现
- FP8选择性使用的低精度矩阵计算，降低计算开销
展开详情收起详情：SLM 生成式高并发推理引擎：延迟约束下的有效吞吐优化⌄
美团技术团队
原文发布：2026-10-15 15:00收录：2026-10-16
Google 推出了一款叫 Antigravity 的智能开发平台，科学家可以用它来寻找新型抗菌肽（一种有望替代传统抗生素的天然分子）。过去，研究人员要在多个数据库之间来回查找、手动导出文件做结构分析，还要靠专家团队设计实验，过程又慢又零散。这次他们展示了 Antigravity 结合 ProtNLM 模型的用法：ProtNLM 能直接根据氨基酸序列预测蛋白质功能，帮助扫描 UniProt 里数百万个功能未知的蛋白质，从“暗物质”中找到候选分子。演示中，研究人员找到了一个对呼吸道感染病原体有预测活性的抗菌肽候选物，目前正在进行湿实验室验证。对读者来说，这意味着将来找新药可能从几天繁琐的数据库检索变成一次人机协作的对话式探索，不过该候选物尚未证实有效，平台的具体开放状态原文也未说明。
文中可用工具
- Google Antigravity智能化的科学工作台，让研究人员用对话方式跨数据库搜索并评估候选蛋白质
- ProtNLM根据氨基酸序列预测蛋白质 biological 功能的深度学习模型
- UniProt全球领先的蛋白质序列与功能信息公共数据库，含数百万功能未知的条目
- Biomolecular Structure Viewer嵌入 Antigravity 的 3D 可视化工具，用于查看和分析蛋白质结构
- AlphaFold Database提供蛋白质结构预测的数据库，供 agent 检索结构
展开详情收起详情：用 Google Antigravity 加速抗菌肽的搜索⌄
Google DeepMind Blog
原文发布：2026-10-16 00:08收录：2026-10-16
Anthropic 宣布让外部评估机构深入公司内部检查其 AI 模型的安全性。此前这类风险审查主要靠公司自己，外界很难核实，但安全相关信息又不能全部公开，因为可能被恶意利用或涉及商业机密。这次 Anthropic 给非营利评估机构 METR 的六名员工办公司设备、工位和内部系统权限，待遇接近自家风险评估团队，METR 可自行发布分析结果；SecureBio、Accenture、Faculty、Hugging Face 等合作则信息更少、发表权更受限，还在早期。Anthropic 还设三档评估权限，向银行监管派驻检查员的思路靠近，同时也说明评估方须独立、可发表、有足够访问权。
文中可用工具
- METR评估前沿 AI 模型风险的非营利机构，获准深度访问 Anthropic 内部系统
- SecureBio评估生物与化学武器相关风险章节，已完成试点审查
- Accenture合作评估、红队测试模型并做对齐评估
- Faculty与 Accenture 共同参与评估与红队合作
- Hugging Face处于早期洽谈阶段，原文未说明具体合作方式
展开详情收起详情：Anthropic 发布独立评估方合作进展⌄
Anthropic News
原文发布：2026-10-15 08:00收录：2026-10-16
为庆祝教师节，相关方推出了面向教育工作者的 AI 工具，并新增巴西葡萄牙语版本，重点介绍 Study Mode 如何帮助老师引导学生一步步主动学习。原来的问题是老师很难让每个学生都主动思考、按自己的节奏逐步理解，而不是直接给答案。这次的做法是让老师借助 AI 用提问的方式带动学生思考，学生可以一步一步跟着学。对读者来说，如果身边有老师或正在学习的人，这可能是一个帮助课堂更互动、学习更扎实的新选择。目前原文没有说明这个功能具体怎么用、是否免费、支持哪些地区，也没有说明是已经可用还是仍在演示。
文中可用工具
- AI for Educators面向教育工作者的 AI 工具，帮助老师支持学生主动学习
- Study Mode学习模式，帮助老师引导学生一步步主动思考和学习
展开详情收起详情：教学生通过提问来思考和学习⌄
OpenAI News
原文发布：2026-10-15 21:00收录：2026-10-16
OpenAI 推出 Rosalind 学术计划，让符合条件的学术实验室可以免费获得 GPT-Rosalind 的使用权限和相关工具。此前学术实验室若要使用这类先进模型，通常需要自行解决费用或权限问题。该计划通过赞助的方式提供访问，目标是支持生命科学研究。目前材料只说明这是一个面向学术实验室的赞助计划，未说明具体资格标准、开放时间或可用范围。
文中可用工具
- GPT-Rosalind面向生命科学研究的模型，符合条件的高校实验室可通过学术计划获得赞助访问
展开详情收起详情：将 GPT-Rosalind 引入学术研究实验室⌄
OpenAI News
原文发布：2026-10-16 03:00收录：2026-10-16
LangChain 团队基于 LangSmith 平台的经验，整理了 Agent 评测的常见问题。传统软件测试靠精确匹配，但 Agent 每次输出会变、正确答案不止一个、执行路径还可能绕弯，所以需要评测来打分。文章建议先从一条关心的行为入手，用真实 trace 建 10 到 20 条小数据集跑个基线，上线前用离线评测、上线后用在线评测，并优先用代码评测器、其次 LLM 评委、再用人工复核；多步 Agent 要评整条线程和最终状态。文中还提到 Terminal-Bench 这类基准和 Harbor 工具。
文中可用工具
- LangSmithLangChain 的 Agent 工程平台，用于记录 trace、建数据集、跑实验和查看评测分数
- Terminal-Bench由较长任务和独立环境组成的离线评测基准，用于比较不同 Agent、模型或版本
- Harbor用来运行 Terminal-Bench 等基准，并把结果记录到 LangSmith 实验中
展开详情收起详情：关于 Agent 评测最常见的疑问，一次讲清⌄
LangChain Blog
原文发布：2026-10-15 17:18收录：2026-10-16
LangChain 在纽约和伦敦的 Interrupt 活动上集中发布了一批新功能，主要围绕让企业“拥有自己的智能”——也就是自己掌控模型、运行框架和业务上下文。过去团队做 AI 智能体时，调试、评测和上线往往靠零散工具，出了问题很难定位，也很难持续改进；这次的新版本把搜索、监控、轨迹查看、微调和托管智能体等能力整合进 LangSmith 和 LangChain。比如 AI 搜索可以用自然语言问“用户是否不耐烦”，自动找相关对话；Engine v2 能在上线前用红队测试发现问题并自验证修复；Managed Deep Agents v0.9 支持有记忆、会用工具、按计划执行任务的智能体。另有一些线上活动和社区聚会，部分内容需注册参加，具体发布状态与可用范围原文未逐一说明。
文中可用工具
- LangSmith AI Search用自然语言语义搜索对话记录，查找如用户受挫或 PII 泄露等问题
- Managed Deep Agents v0.9构建有用户级记忆、会用工具、能定时任务并能在 Slack 响应的个性化智能体
- LangSmith Engine v2上线前用红队测试发现潜在问题，并自动测试和验证修复方案
- LangSmith Trajectories按时间线查看智能体及子智能体的会话轨迹数据
- LangSmith Custom Apps在 LangSmith 内构建、发布并运行自定义界面，把重复流程变成共享工具
- LangSmith Fine-Tuning把生产轨迹转成训练数据，用 Baseten 或 Fireworks 微调并评估部署模型
- LangChain v1.4.0通过 langchain.mcp 命名空间支持 FastMCP
- LangGraph编排 Jev（TypeSafe AI 的决策模型），构建运行更快更省成本的智能体
- Deep Agents开源智能体运行框架，帮助保持上下文窗口精简
展开详情收起详情：2026 年 10 月 LangChain 通讯：Interrupt NYC 与伦敦站的全部发布内容⌄
LangChain Blog
原文发布：2026-10-16 01:02收录：2026-10-16
Dynatrace 发文介绍“业务可观测性”如何帮金融企业把技术数据和业务环节接起来。以前银行只看系统指标，交易重复、步骤丢失、决策用了不完整数据这类问题往往要等客户投诉或监管问询才暴露。文中一家欧洲投行的贷款验证流程每天流转数百万欧元，团队用 OneAgent 从请求数据中直接提取业务信息（无需改代码），再用 Kafka Sink Connector、OpenPipeline 和 Dynatrace Business Flow 把技术信号对应到业务步骤，实时监控并告警。这样就能在问题升级成收入损失或合规风险前发现和修复。目前是厂商方案介绍，实际效果未独立验证。
文中可用工具
- Dynatrace Business Observability把技术监控数据与业务流程实时关联，帮助在故障升级前发现问题
- Appian原文仅提及贷款验证流程运行在两个 Appian 应用上，未说明具体用途
- API Connect原文作为两个 Appian 应用之间的通信方式被提及，未详细说明
- Kafka原文作为流程中的消息通信技术被提及，未详细说明
- OneAgent无需改代码即可从 HTTP 请求中提取关键业务数据
- Kafka Sink Connector在无法直接采集数据时提供另一条数据获取途径
- OpenPipeline对原始数据进行处理和规范化，使其可用于监控与分析
- Dynatrace Business Flow把技术信号映射到业务步骤，实时跟踪指标并设置告警
- Dynatrace Playground供用户实际体验 Dynatrace 业务可观测性如何运作
展开详情收起详情：业务可观测性：金融服务业的战略要务⌄
Dynatrace Blog
原文发布：2026-10-14 22:44收录：2026-10-15
Chainguard 推出了一套 AI 安全工具 Harness，用前沿模型帮忙找应用代码里普通扫描器查不出的可被利用漏洞。它一开始用的是 Anthropic 限制开放的 Claude Mythos 5.1，所以没参加 Project Glasswing 的团队没法直接碰这个模型，但可以通过 Harness 间接受益。Harness 强调先在实际隔离环境里复现漏洞、验证补丁确实有效，再由人工审核后才交付，以减少 AI 误报给维护者带来的噪音。它已经公开发现并修复了 vLLM 的一个漏洞，还有关键基础设施相关的问题在协调披露中。同时发布的一份调查称，营收十亿美元以上的公司里有 66% 承认至少有时会放着高危漏洞不修。
文中可用工具
- Chainguard Harness用前沿 AI 模型查找并验证应用代码中可被利用的漏洞，先复现再报告
- Claude Mythos 5.1Anthropic 限制开放的前沿模型，Harness 目前用它来跑漏洞研究
- Chainguard Workspaces为每个开发者和编码智能体提供硬件隔离的 microVM 工作环境
- Chainguard Checks让编码智能体在开发过程中直接跑 CI 检查并快速拿到签名结果
- Chainguard Libraries扩展了保护范围，但原文未具体说明用途
- vLLM开源推理引擎，Harness 在其中发现并已修复一个可篡改输出的漏洞
- Claude MarketplaceHarness 将上架，团队可用已有 Anthropic 预算采购，不必单独申请预算
展开详情收起详情：66% 的十亿美元级公司放着关键漏洞不修——AI 猎漏热潮没告诉你的那一半⌄
The New Stack
原文发布：2026-10-14 13:00收录：2026-10-15
旧金山初创公司 Subquadratic 发布了一款叫 SubQ Snap 的决策模型，专门从固定答案里挑选项，比如帮 AI 代理决定下一步用哪个工具、该看哪些文件。以往这类决策模型只能装下 3.2 万字的上下文，信息一多就得切块或改用更贵的大模型；Snap 用自家稀疏注意力架构把窗口临时扩到 38.4 万字，能一口气看完整个代码库和日志。公司内部测试显示，它在长文本检索和多文档推理等多项对比中超过先行者 Jev，但目前只是公开预览，算力受限暂不能开放百万级窗口，所有成绩也都未经外部复核。
文中可用工具
- SubQ SnapSubquadratic 新推出的决策模型，可从预设答案中选结果，公开预览版支持 38.4 万 token 上下文。
- JevTypeSafe 早先推出的决策模型，每决策上下文限制 3.2 万 token，Snap 在多项测试中与之对比。
- Subquadratic Sparse AttentionSubquadratic 的稀疏注意力架构，用于降低长输入处理成本，使注意力需求随上下文线性增长。
- OpenAI Decisions APIOpenAI 提供的决策接口，被 Subquadratic 列为对企业客户相关的参照对象之一。
展开详情收起详情：Subquadratic 推出决策模型 SubQ Snap，号称上下文窗口达 Jev 的 12 倍⌄
The New Stack
原文发布：2026-10-14 21:35收录：2026-10-15
IDC与联想的一项联合研究发现，88%的AI概念验证项目最终没能进入实际生产环境，主要原因是目标不清晰、数据没准备好，以及公司内部缺少智能体AI方面的专业人才。问题出在“谁建谁不管”：负责设计和部署AI智能体的团队（往往是外部合作伙伴）不负责日常运行，而运营团队只熟悉演示环境，一上手真实业务就容易出错，严重时甚至引发连锁故障。解决办法是把每个智能体当成独立服务来管理：给它单独的权限和短期密钥、记录每一步操作、设置超时和失败重试，迁移平台时先用完整数据集逐项验证。对读者来说，这意味着部署AI智能体不能只看演示效果，缺少工程护栏的项目很难真正落地创造价值。
展开详情收起详情：为什么88%的AI试点项目永远无法投产⌄
The New Stack
原文发布：2026-10-14 22:38收录：2026-10-15
这篇文章提醒开发者：做 AI 原型时图快选的数据库，可能在进入生产环境后变成大麻烦。对受监管的行业（如医疗、金融、政府）来说，很多面向开发者的数据库满足不了安全、合规、部署方式和 99.99% 可用性等要求，只能重新换平台，费钱费时，还得再来一轮采购。pgEdge 的 CEO Phillip Merrick 建议，从一开始就选一个既能做原型又能上生产的数据库，从而避开这些额外开销。文章还提到 MIT NANDA 称 95% 的组织在生成式 AI 上获得“零回报”，IDC 与联想的调研显示每 33 个 AI 概念验证只有 4 个进入生产。
展开详情收起详情：你的数据库选择可能会带来后患⌄
The New Stack
原文发布：2026-10-14 23:00收录：2026-10-15