为什么智能体偏爱 Supabase：与 Paul Copplestone 和 Ant Wilson 的对谈
Latent Space 与 Supabase 创始人 Paul Copplestone、Ant Wilson 首次同台对谈，讨论为什么智能体偏爱 Supabase 作为应用后端。
#部署/工程
Latent SpaceAI 评分5858
Latent SpaceAI 评分5858 Anthropic 如何用 Claude 造 Claude：把大脑和手分开
Latent Space 访谈 Anthropic 工程负责人 Katelyn Lesse 与产品负责人 Angela Jiang，复盘 Opus 5.5 的发布流程与 Claude Managed Agents 的架构设计。
Latent SpaceAI 评分6262 Anthropic 如何安全交付全球第一的 LLM：把大脑与手分开
Latent Space 播客邀请 Anthropic 的 Katelyn Lesse 和 Angela Jiang 讲解 Claude 平台背后的工程实践，包括 Opus 5.5 的发布、把模型的大脑与智能体的手分离、API 扩容以及构建可靠的托管智能体。节目还介绍了 Anthropic 的 S-1、改进与投资循环，以及用 Rust 重建 Messages API、凭证与沙箱隔离等话题。
MIT Technology Review · AIAI 评分2222 工业智能：制造业的下一个增长机会
制造业的工业智能由员工经验、运营数据与业务理解构成，关键在于把分散的知识送到每个决策点并与物理生产连接。Toyota Industries 打通原本割裂的涂装车间数据后，分析周期从五天缩短到四小时以内，试点将相关涂装缺陷减少约 25%。Rockwell Automation 新加坡工厂用维护 copilot 整合制造数据、设备手册与老员工经验，新员工掌握数百台设备故障排查的时间从九个月降至三个月。
MIT Technology Review · AIAI 评分2222 如何设计一套可持续演进的 AI 服务框架
EXL 在《Engineering the Harness》系列中探讨企业 AI 的生产化挑战：决定竞争力的不再是选哪个模型，而是围绕模型构建的服务框架，涵盖架构、内存管理、调度与推理优化。文章主张从工作负载而非模型出发，先测量再优化，并指出 KV cache 随并发与上下文增长会先耗尽 GPU 显存，此时单纯加算力只会让低效系统更贵。
MIT Technology Review · AIAI 评分1818 Celonis 首席科学家 Devavrat Shah 谈企业 AI 为何需要上下文感知
Celonis 企业 AI 首席科学家 Devavrat Shah 提出"决策智能"，主张把 AI 接入企业既有流程与数据，让智能体理解每项任务在决策中的角色和业务约束。他建议企业从某个具体业务决策入手，找出最难的环节测试 AI 能否提速并衡量价值，再决定是否规模化。缺乏运营上下文时，智能体可能忽略约束、犯错或耗费过多算力。
Berkeley AI ResearchAI 评分3636 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本正快速趋近于零，GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不足 $1，部分厂商已低于 $0.10。
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理：让模型自行决定何时分解并并行化独立子任务、开多少并发线程以及如何协调。现有 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 等方法多由外部固定并行结构，未按问题难度自适应调整。