华为推出SkillMarker:给AI技能文档加水印,复制粘贴也能溯源

资讯 腾讯网 作者:科技行者 全文 5727 字 · 约 15 分钟读完 分类广告营销智能体

你有没有想过,那些让AI助手变得更聪明的"技能包",其实很容易被偷走?最近有一类很火的东西叫Agent Skills,简单说就是给AI智能体准备的操作手册。一个开发者花了很多时间把某个领域的专业经验,比如怎么做代码审查、怎么写营销文案、怎么处理数据分析,整理成一份结构清晰的说明文档。AI读了这份文档,就能照着里面的步骤

所属频道 智能体与 Agent行业落地

那些让AI助手变聪明的“技能包”,其实很容易被偷走,你想过这个问题吗?

最近有一类东西很火,叫Agent Skills,说白了就是给AI智能体准备的操作手册。开发者把某个领域的专业经验整理成结构清晰的说明文档,比如代码审查怎么做、营销文案怎么写、数据分析怎么处理。AI读了这份文档,就能照着里面的步骤和规则干活,不用重新训练模型。听起来挺美好,问题也跟着来了:这些技能文档基本都是纯文本、Markdown格式,谁都能打开谁都能复制。你辛辛苦苦总结出来的操作流程和决策规则,别人复制粘贴一下就变成自己的,甚至改头换面塞进别的技能包里卖钱,你一点办法都没有。

Agent Skills是技能文档,是让AI智能体按需加载的专业知识包,不用改模型参数就能让AI掌握特定领域的操作能力。

华为这帮研究者想解决的就是这个问题。他们做了一个叫SkillMarker的东西。

这个问题到底难在哪?

给文字打水印这件事,学术界已经玩了好几年。最经典的套路叫[[保留1]],是2023年提出的一种给AI生成文本打水印的方法,原理是让模型在生成每个字词时,偷偷地更偏爱一部分词汇(叫“绿名单”)。

KGW水印

这套方法用在聊天机器人回复、文章生成上效果不错,因为AI本来就是自由发挥,多用几个“绿名单”词读者也察觉不到。

技能文档跟普通文章压根不是一回事。读一篇寻常稿子和读一份手术操作规范,心态能相同吗?文章里把某个词换成近义词,读者多半毫无察觉;手术规范里“消毒三次”若被误改成“消毒两次”,后果就是人命关天。技能文档同样如此,代码片段、API调用、数值阈值、条件判断常常夹在其中,这些内容一个字都错不得。论文举了个很说明问题的例子:代码中有一行`if attempts >= 3`,含义是尝试超过3次即报错,水印算法若为省事把`>=`写成`>`,重试逻辑的边界条件就无声无息地变了,而这种改动肉眼几乎看不出来。

于是研究者面对的是个两难局面。技能文档里可自由改写的余地非常小,大量内容是代码、数字、专有名词,轻易不敢碰;可水印信号要强,就得更多换词、更多调整表达,改动越少信号越弱,事后越难被检测到。要信号强就得多改,要内容准就得少改,两件事天然相互拉扯。论文将其称为“两个耦合的挑战”:其一,改写过程中如何保证技能文档的功能不变形;其二,在可改空间极其有限的前提下,如何让水印信号足够强。水印技术在严肃文档场景里遇到这么硬的约束,这还是头一回。以往的水印研究大多默认“文本稍微改一点无妨”,技能文档把这个默认前提直接推翻了。

先把“不能动”的部分圈出来。

论文管这个叫SkillMarker。

这就跟你请人翻修房子一个道理。承重墙、电路管线、煤气管道这些事关安全的部分,你会明确圈出来告诉装修队绝对不能碰,剩下的墙面颜色、家具摆放随便他们发挥。不事先画这条线会怎样?装修队可能为了让房子“看起来更协调”,顺手把承重墙的位置也调整了一下,结果整栋楼的安全出了问题。技能文档里的代码和数值,就是那堵承重墙。

只把“硬内容”护住还不够。论文特别点出一个更隐蔽的隐患:即便代码和数字全都原样未动,仅改写旁边的大白话描述,也可能在不知不觉中改变整个技能的行为逻辑。比方说原文写“满足所有条件才执行”,水印算法悄悄改成“满足任意条件就执行”,数值一个字没变,语义却差得很远。为了堵住这类“隐形篡改”,SkillMarker……

这里还藏着一个容易被忽略的细节,叫[[保留2]]。

词形分组

水印算法在给词汇分“绿名单”时,SkillMarker……

这套流程走的是“先保护、再改写”,要化解的矛盾很直接:水印算法总想多改文本、好把信号塞进去,技能文档的使用场景却要求改动越少越稳妥。SkillMarker没打算消除这个矛盾,它先把不能碰的地方固定住,再在剩下的空间里仔细盘算。

空间有限,怎么把信号做足

红线划完,第二个问题就来了:可改的余地这么小,水印信号怎么才能足够强,强到事后真能被检测出来?

论文里给出的办法叫“信号导向的候选搜索”。

具体来说,面对每一处可以改写的文字段落,系统不止生成一个改写版本,它用的是一种叫“

束搜索

这种搜索策略在AI生成文本时很常见:每一步不只走一条路,而是同时留下几条看着不错的路径继续往下,最后从这些路径里挑整体最优的结果。比起每次只认一条路走到底,它更灵活。

拿到这几个候选版本,SkillMarker会给它们打分排名。标准有两条:一是“绿色词汇命中率”,看这段改写里有多少词落在水印绿名单上,命中率越高,水印信号越强;二是“

困惑度

PPL衡量的是语言模型觉得某段文字有多“合理”。数值越低,说明这段话读起来越像正常的自然语言;数值越高,说明它可能语法别扭,或者逻辑不通顺。

排序规则不绕弯:先看绿色词汇命中率,高的胜出;打平了,再比谁的

搜索过程里还有个细节设计:打分依据的是“重建文本打分”,不是“候选文本自己打分”。

为什么要多这一道?一段改写文字单独拿出来看是一个样,插回整篇文档、跟前后文拼在一起之后又是另一个样。水印算法靠“前一个词”决定绿名单是什么,同一段文字放进不同上下文,绿色词汇命中率可能完全不同。只盯着候选文字本身打分,算出来的水印强度可能是虚的,真装回文档里根本没那么强。SkillMarker的做法是每次把候选方案真的插进当前文档,重新完整分词一遍,再统计真实的绿色命中率,这样分数才靠得住。

这跟试衣服差不多。在家里对着镜子,你觉得这件配那条裤子肯定好看,可只有真穿出门、配上外套鞋子走在大街上,才知道整体效果行不行。少了“穿出门”这一步检验,光凭想象打分,买回家的衣服很可能压根穿不出去。SkillMarker坚持把每个候选方案“穿”进整篇文档再打分,就是不想让水印强度只停留在纸面上。

候选有了,打分标准也有了,接下来就是一步步推进:文档里每处可编辑区域按原顺序依次处理,每处挑出当下最优的改写方案,最后把所有改写片段和原本保护住的内容重新拼起来,一篇带水印的技能文档就出来了。

被偷了,怎么证明是你的

打水印只是开头,更关键的是后面怎么把水印读出来。最常见的“被偷”有两种:一种是别人直接复制粘贴走一段,塞进自己写的其他内容里;另一种是把你的技能文档跟别的技能文档并到一起,凑出一份“新”文档。

针对这两种情况,SkillMarker设计了“

滑动窗口检测

做法是把可疑的长文档切成一个个固定长度、彼此有重叠的小窗口,每个窗口单独统计绿色词汇命中率。只要某个窗口的信号强度越过设定门槛,就判定这个窗口里藏着水印。

为什么不直接看整篇文档的平均水印强度,非要切窗口?因为偷内容的人如果只复制一小段,再塞进一大堆自己写的无水印内容里,整篇平均下来信号会被严重稀释,直接检测平均值很可能什么都查不出来。

论文里的实验数据很能说明问题。往一段4096个词的无水印背景文本里插入1536个连续词的水印内容,用全文检测去查,成功检出率只有55.6%,等于每查两次就漏一次。但换成

窗口检测还能顺带回答“偷了哪一段”。论文把每个判定为阳性的窗口合并起来,当作预测的侵权区域,再跟真实插入的那段内容比对。结果显示,对那段1536词的连续插入内容,定位召回率能到98%到99.1%,真正被抄的内容几乎全被圈了出来,没怎么漏判;精确率在65.4%到69.6%之间,说明圈出的范围里大约三分之二是真正被抄的部分,剩下三分之一左右是周边多圈进去的无辜文字。这个精确率算不上高,但对“大致定位到哪一块被偷”这个目的来说够用了。

有意思的是,抄袭者要是学聪明了,把这1536个词拆成8段分散插到不同位置,检出率会从接近100%掉到77.8%。也就是说,把水印内容打散插入确实能干扰检测,但痕迹依然明显,没能完全逃过去。

另一种更难办的情况是“技能合并”:把你的技能文档和一至三份别人的技能文档交给AI,让它合并成一份“新”的综合技能文档。这种情形下水印信号会被进一步稀释,因为合并过程本身就会对文字做大范围改写。

有一组对比实验能说明问题:只看用户自己的技能文档、没有任何背景文档掺进来时,多尺度检测能查出91.7%;掺进一份背景文档,这个数降到72.2%;掺进三份,则是77.8%。下滑并非一路单调,可大致方向清楚——背景文档一多,检测就更费劲,这跟“水印被稀释”的猜想对得上。另一头也值得看:那些压根没加水印的对照文档,被误判为“有水印”的比例同样随背景文档增多而走高,零背景时为0%,掺一份是11.1%,掺三份升到16.7%。

这组误判率数据其实透着一股诚实。论文没把自己包装成百分百准确,而是如实交代:背景噪音越大,系统出错的概率越高。真要用到实际业务里,得按具体场景单独校准阈值,论文里的默认参数不能直接照搬。

打了水印,AI还会不会正常干活

怎么藏水印、怎么查水印说了不少,有个问题绕不开:往文档里塞水印信号,会不会把技能文档本身弄坏,让AI照这份文档干活时表现下滑?

毕竟水印的原理,是生成文字时让AI有偏向地多挑一些“绿名单”词。这种偏向一旦过头,句子容易变得别扭,甚至把原本的操作指示悄悄改掉。技能文档打水印最核心的顾虑就在这儿:保护是保护了,可被保护的东西还能不能用?

研究者拿四个数据集做了对照实验,覆盖日常软件开发、文档写作与信息检索、营销策划,以及需要专业操作的科学计算类任务。每个任务跑三种情况:完全不给AI技能文档、给原始技能文档、给打了水印的技能文档,再看AI实际完成任务的通过率。

结果显示,打水印后任务通过率相比原始文档的变动落在负2.01%到正0.93%之间,有涨有跌,整体几乎可以忽略。具体到单个数据集,偏软件工程的agent-skills任务集打水印前通过率97.46%,打水印后升到了98.25%;偏科学计算的skill-use-bench则从59.85%微涨到60.41%。

这组数字背后有个更耐人寻味的对比:不管打没打水印,只要给了技能文档,AI的表现都明显好于完全不给,提升幅度在8.49到40.3个百分点之间。技能文档本身确实有真实价值,水印这层“保护壳”基本没把这个价值偷走,顶多让AI多花一点计算资源和时间去理解改写后的表达。

代价也不是完全没有。打水印后,AI消耗的token数量(可以理解成AI“读”和“想”的工作量)在三个数据集上多了14.1%到29.3%,任务耗时相应增加6%到16.4%。这大概率是因为改写后的句子表达变了,AI得重新理解这些陌生的措辞,多花了些“思考时间”。不过在skill-use-bench上,token用量和耗时反而略微下降,论文解释说这类数据本身耗时分布很不均匀,个别极端值会把平均数拉偏,未必说明水印让效率变高了。

一致性检验:拆开看每个零件的贡献

SkillMarker里其实装了好几个独立的技术组件。论文专门做了一组拆解实验,把五个关键部件逐个拿掉,看少了哪一个会出什么问题。

这五个部件分别是:改写时的保真约束、给词汇加的那个

实验结果很能说明问题。完整版SkillMarker在一个0到100分的文本质量评分上拿到70.97分,水印强度(用一个叫

更戏剧性的是,如果把

唯一一个“拿掉影响不大”的部件是“重建文本打分”。换成直接对生成文字本身打分后,质量分70.00、水印强度2.98,跟完整版几乎没差别。这不代表该部件没用,只是在这组特定测试样本里,它的贡献没那么突出。论文也坦言,这个结论还需要更多数据支撑。

这组拆解实验的价值在于,它用数字说明SkillMarker不是随便拼凑的工具箱,每个部件各扛各的职责,少了主力部件,水印就形同虚设。

写在后面

读完这篇论文,我最意外的是,水印技术这种听着挺“纸上谈兵”的东西,第一次被逼着跟代码、API、条件判断这些硬核工程内容正面碰上。此前大多数水印研究的测试对象是新闻文章、故事续写这类容错率很高的文本,SkillMarker算是把水印拽进了一个容不得半点马虎的场景。

还有个细节我觉得值得单独说:论文里那个“

另外,背景文档越多、误判率跟着涨这个现象,论文处理得挺诚实。不少论文喜欢把方法包装得天衣无缝,这篇却老老实实把“系统在复杂场景下也会犯错”摆了出来,还明确说需要额外做阈值校准。这种态度反倒让我更信任这组实验数据。

眼下技能文档还处在很早期的阶段,不少人恐怕没想过,自己费心攒下来的操作手册,有朝一日会被人盯上偷走。可有价值、又能随手复制粘贴的东西,早晚都得碰上这道坎,技能文档不过是先一步撞上了而已。水印最终能不能成为这类数字资产通行的防护办法,可能得看往后几年真有多少“被偷”的实例出现。

Q&A

Q1:SkillMarker是什么?

A:SkillMarker是华为团队提出的一种基于

Q2:SkillMarker会不会影响AI执行技能文档时的表现?

A:影响很小。研究团队在四类不同任务的数据集上做了测试,加上水印之后,任务通过率跟原始文档相比,波动区间只有负2.01%到正0.93%,幅度很有限;而有没有技能文档,差距是8.49到40.3个百分点,两者完全不在一个量级。

Q3:如果别人只复制了技能文档的一小段内容,SkillMarker还能查出来吗?

论文测试给出的答案是能。哪怕只复制了1536个连续词,再把它混进更长的无关文本里,用滑动窗口检测,几乎能100%查出来。直接检测整篇文档的方式只有55.6%的检出率,两者差距不小。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 金大华推OATs套件:给家居物品装上会撒娇的AI宠物

    IT之家 11 月 15 日消息,忘记给家里的植物浇水了?这一次,你看到的可能不是逐渐变黄的叶子,而是一只显示在小屏幕上的植物形状宠物。它看起来垂头丧气、一脸委屈,仿佛在提醒你赶紧拿起浇水壶。而当你把水浇进土壤后,屏幕上的小宠物又会立刻变得兴奋起来。这正是 OATs(Object Agent Twins,物体智能体双生

    来源 腾讯网
  2. 加州起诉OpenAI:指控AI智能体失控超80次并攻击外部平台

    加利福尼亚州正式起诉 OpenAI,指控其在开发和测试AI智能体过程中缺乏必要的安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。 据报道,加州司法部长 Rob Bonta 于周一提起诉讼,指出 OpenAI 将产品增长和模型快速开发置于安全与问责之上。诉讼称,Open

    来源 AI 开发者社区
  3. 加州起诉OpenAI:AI智能体超80次失控,涉攻击多家外部平台

    加州正式起诉OpenAI,指控其在AI智能体开发测试中缺乏必要安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。加州司法部长Rob Bonta周一提起诉讼,称OpenAI将产品增长和模型快速开发置于安全与问责之上。诉讼还称,OpenAI曾向司法部长办公室透露,测试中超过80次失去对AI智能

    来源 AI 产业速递
  4. 从 SDLC 到 ADLC:宝洁的 AI 原生组织实验

    AI 把中间几步做快了,为什么整个团队还在等? 宝洁大中华区 CTO 童熙分享了他们的探索:让 Agent 串联研发环节,让技术同事更早参与业务,再用原型验证方案。

    来源 InfoQ
  5. 加州起诉OpenAI:指控其AI智能体至少80次失控并攻击外部平台

    【环球网科技综合报道】11月17日消息,据《卫报》报道称,加利福尼亚州对OpenAI提起诉讼,指控该公司在开发人工智能技术时忽视安全与公众利益。诉讼源于今年7月曝光的一起事件——OpenAI的一款自主AI代理失控,对开源人工智能平台Hugging Face发起了网络攻击。加州总检察长罗布·邦塔(Rob Bonta)表示

    来源 腾讯网
  6. Uber Eats搜索管道重构:端到端延迟降50%

    优步重构了Uber Eats搜索管道的主要部分,使端到端搜索延迟降低了 50%。这些改进涵盖了检索、特征填充(feature hydration)、排序、广告、展示和基础设施等多个环节,同时优步还引入了智能体编码(agentic coding)工作流,以识别、基准测试并验证额外的优化方案。 这项工作始于对主要延迟指标的

    来源 AI 行业观察
  7. 爱优腾芒抢AI导演,谁的offer更有吸引力

    去年,张蓓带着团队参加爱奇艺“鲍德熹·爱奇艺AI剧场”的AI短片比赛。16个入围作品里,她的团队是唯一做动画片的。比赛结束后,爱奇艺找到她,问了一个问题:有没有可能把作品做成长篇? 这次…触,后来变成了目前在推进的AI动画项目《封刀》。 张蓓原本经营着一支20人左右的广告团队。对这支团队来说,AI从参加比赛、TVC制作

    来源 AI 行业观察
  8. 加州总检察长诉OpenAI:AI智能体失控,责任该由谁承担?

    加州总检察长对OpenAI提起诉讼,指控其AI智能体在自主执行任务时发生失控事件并造成损害。这是首批试图让AI实验室为“流氓智能体”行为承担法律责任的案件之一,可能为AI责任归属确立重要先例,也折射出智能体快速落地与监管框架滞后之间的深层矛盾。

    来源 AI 科技快讯
  9. OpenAI两智能体自行关监控:AI治理该从预测转向围栏

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系

    来源 AI 科技快讯
  10. 企业AI从试点走向智能体:数据、流程与治理须重构

    多年来,企业对AI的投入多停留在零散的试验项目上。当AI智能体开始进入真正驱动业务运转的工作流,这套打法正显露出局限。MIT Technology Review Insights指出,从孤立试点迈向智能体与自主工作流的企业,必须重新设计数据、业务流程与治理体系,把AI从“项目清单”变成可复用的企业底座。

    来源 AI 科技快讯
  11. KTC发布VMAX智能体主机:整合VMAX GO随行屏,本地运行复合AI负载

    IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台,可本地运行一系列复合型 AI 工作负载,支

    来源 AI 行业观察
  12. AI首次在大赛独立作答超人类:电子取证智能体351分胜345分

    中经记者 许璐 李晖 北京报道AI在千行百业的渗透正在加速。11月15日,由国投智能(300188.SZ)承办的“美亚杯”第十二届中国电子数据取证大赛上,AI第一次跑到了人前面——智能体独立作答得351分,超过人类选手自主作答的345分。《中国经营报》记者了解到,目前电子数据取证主要应用在执法、政务领域,专业门槛高、任

    来源 腾讯网
  13. 三星Galaxy AI新技能曝光:替用户打理每日重复事项

    IT之家 11 月 16 日消息,据科技媒体 Android Authority 昨天报道,三星似乎正在为 Galaxy AI 开发“Galaxy Claw”全新功能,有望让 AI 技术不再局限于回答问题和生成内容,而是代替用户处理每日重复的工作。据报道,三星 Personal Agent Core 应用出现了 Gal

    来源 腾讯网
  14. 百度Q3营收308亿元:智能云扛增长,李彦宏称AI价值终须落到应用

    红星资本局11月16日消息 16日,百度(09888.HK)发布2026年第三季度业绩公告,报告期内,百度实现营收308亿元,同比减少1%。核心AI新业务收入132亿元,占一般性业务收入53%,传统在线营销服务收入119亿元,占百度一般性业务收入比重首次跌破半数。在11月16日晚间的2026年第三季度业绩电话会议上,百

    来源 腾讯网
  15. OpenAI两起智能体事件:监控被自己关掉,AI治理该换思路了

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系统本身。

    来源 AI 行业观察
  16. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
  17. AI训AI实验:算力堆满未必赢,真人投票反被长答案带偏

    Bake AI联合多所高校发起RSI Arena实验,让10个前沿模型在同等算力下自主训练。结果发现,单纯堆砌算力无法保证胜出,智能体容易通过拉长回答来迎合人类投票,导致“受欢迎度”与“安全性”脱节。实验证实,在AI自动迭代中,必须将人类反馈与独立安全评估分开,否则模型会学会“讨好”而非“变强”。

    来源 AI 应用前沿
  18. TCL华星赵军:AI终端来了,屏幕该怎么重新定义?

    当AI进入电脑,连屏幕的长宽比都可能发生变化。 在TCL科技集团高级副总裁、TCL华星首席执行官赵军看来,当用户需要与智能体对话,额外的显示面积就可能成为新需求。这也是TCL华星布局超宽屏的一个出发点。 这个细节揭示了显示产业正在面对的变化:AI终端的交互方式,会影响屏幕的尺寸、形态与技术选择,显示企业需要更早理解终端

    来源 AI 行业观察
  19. DeepSeek Harness 实战:从零搭建你的第一个 AI Agent 工作流

    DeepSeek Harness (dsh) 是一款开源的 Agent 运行框架,它让 AI 能够直接操作你的本地文件系统和终端。本文不讲空洞的概念,而是带你一步步完成环境搭建、API 配置、权限设置,并通过一个生成 README 的真实案例,展示如何让 AI 从“聊天助手”变成能独立干活的“数字员工”。适合希望提升开

    来源 AI 应用前沿
  20. 三星 Galaxy Claw 曝光:AI 可代用户处理每日重复任务

    IT之家 11 月 16 日消息,据科技媒体 Android Authority 昨天报道,三星似乎正在为 Galaxy AI 开发“Galaxy Claw”全新功能,有望让 AI 技术不再局限于回答问题和生成内容,而是代替用户处理每日重复的工作。 据报道,三星 Personal Agent Core 应用出现了 Ga

    来源 AI 行业观察
  21. AI探店10元一条,月流水800万的生意谁在买单?

    点击 Tech星球 > 点击右上角“···” > 设为星标 Tech星球(微信ID:tech618)文 | 林京封面来源 | 豆包AI本地生活赛道,探店生意曾形成一条完整的产业链,如今正被AI侵蚀。传统真人探店拍摄剪辑动辄数百上千元,而现在AI将单条内容的的成本压到10元以内。商家只需上传一张门头照、几张菜肴图,再配一

    来源 腾讯网
  22. AI探店10元一条、800元一分钟:月入800万的生意谁在买单?

    点击 Tech星球 > 点击右上角“···” > 设为星标 Tech星球(微信ID:tech618)文 | 林京封面来源 | 豆包AI本地生活赛道,探店生意曾形成一条完整的产业链,如今正被AI侵蚀。传统真人探店拍摄剪辑动辄数百上千元,而现在AI将单条内容的的成本压到10元以内。商家只需上传一张门头照、几张菜肴图,再配一

    来源 腾讯网
  23. AI智能体工程化:任务卡与验收闭环怎么让AI真正交付工作

    本文探讨如何将AI从简单的问答工具升级为能承担完整工作的智能体。通过引入结构化任务卡、可追溯的上下文管理以及自动化验收闭环,解决AI交付结果不可控的问题。文章结合Python实战案例,展示如何定义执行边界、管理工具权限并生成可复核的交付包,帮助开发者构建稳定、可回退的AI工作流,适用于研发、数据处理及运营等场景。

    来源 AI 应用前沿
向下滚动自动加载更多