LG新能源产能转向AI储能：ESS订单达160GWh，Q3净亏2969亿韩元
韩国 LG 新能源正把筹码从车轮上挪到机房里。11 月 3 日，首席财务官李昌植在财报电话会上给出时间表：今年底软包储能系统（ESS）产能将超 50 吉瓦时，明年进一步拉到 70 GWh 以上。在他看来，电动车增速放缓之际，AI 数据中心的大规模新建为电池厂撕开了新口子——第三季度 ESS 在手订单已达 160 GWh
韩国电池厂LG新能源正把重心从电动车挪向数据中心。11月3日的财报电话会上，首席财务官李昌植给出了时间表：今年底软包储能系统（ESS）产能将超过50吉瓦时，明年再提高到70 GWh以上。他的判断是，电动车增长放慢的同时，AI数据中心大批新建，给电池厂开了新口子。第三季度ESS在手订单已有160 GWh；公司眼下正与电力企业、超大型数据中心运营商洽谈新项目，今年9月还以储能供应商身份进入英伟达的DSX Ready计划。
一边绑定英伟达，一边押注钠电，供应链上还要“去风险”。
为了接住这波需求，LG新能源计划2027上半年量产磷酸铁锂2170圆柱电池，同时加快钠离子电池研发：梧仓工厂年内产出ESS样品，2027年向北美客户交付测试品。另一边，为贴合美国对受限境外主体的管控，公司正在分散正极、负极、电解液的供应商布局，并同加拿大、美国的供应商签下长期协议，锁定锂资源的本土供应。
转型的阵痛仍留在账面上：第三季度营收9.6万亿韩元（约479亿元人民币），营业利润7560亿韩元（约37.75亿元）；计入少数股东损益后，净亏2969亿韩元（约14.83亿元）。股价连跌两日，单日跌幅接近5%。
1
B站上的DeepSeek闹起鱼灾，我发起了《大肥鱼清除计划》！
450
2
Vibe Coding实战：从零搭一个现代专业级AI搜索引擎
390
3
我的第一个出海产品！7天2万
360
4
又一款国产版Codex神器，开始卷办公了！
360
5
day3-如何写出一个高质量的 Skill（组内分享）。所谓高质量 Skill，不是把 Prompt 调到多顺滑，本质是个能力包——能验证、能回归、还能维护。做法是先把“好”的标准划定，再琢磨怎么达标，评估体系得赶在 Skill 成型前就立住。底下以故障诊断 Markdown 转 YAML 为例，这套方法放到别处同样适用。一、先想明白：Skill 到底指什么。一个 Skill 起码包含四块：接口，规定输入输出各是什么、边界画在哪；流程，规定分几步走、每步交出什么；规则，管硬性约束、经验性规则和失败模式；降级策略，管拿不准时怎么处理，别硬凑一个看着像样的结果。高质量 Skill 的共同特征是职责单一、接口清楚、规则找得到位置、输出能验证。反面做法是把几十条经验统统塞进一个主 Prompt，动一条规则就得重调整个 Prompt，评估时也说不清退化的是哪条规则。二、核心方法：评估先行，Skill 后写。别急着写转换器再补测试，正确次序是：1. 把输出契约定下来，哪些算合法、哪些算合格；2. 建金标准集，一小批人工认可、可以放行的样本；3. 先把评估 Skill 写出来，拿它在金标准集上跑出基线；4. 再迭代生成 Skill，每改一次都跑同一套评估，目标维度提升且没有退化才算正向。这就是评估驱动开发：评估相当于 Skill 的单元测试，金标准集则是回归的锚点。三、评估 Skill：三道门禁层层递进，前一道不放行后一道就不跑，每层都留下可追溯的证据。第 1 层是确定性硬门禁，交给解析器、Schema、校验器来做，不花模型成本：输出能被解析；必填字段一个不少，类型枚举合法；引用目标确实存在，没有悬空引用、没有不可达节点；关键路径至少有一条能走到预期出口。过不了就直接打回。第 2 层是语义断言，靠脚本加结构遍历核对逻辑对不对，依旧是确定性的。通用检查项包括：覆盖率，源材料里的关键步骤、分支、条件，输出里是否都有对应；完整性，每个判断节点是否都有明确出口、有没有死胡同；可达性，每条路径是否都能走到预期终点、有没有出不去的循环；顺序与依赖，有先后依赖的操作顺序是否保住、有没有被拍平成无序列表。举例来说，故障诊断转换里要查每个判断项有没有是/否/异常出口、每条路径能不能到根因。第 3 层是 LLM-as-Judge，只接手解析器表达不了的维度：忠实度、完整性、可执行性。但 Judge 会漂移，不能单独放行，必须架在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本统统要版本化，换模型就得拿金标准集重新校准。通用 Judge 维度有这些：忠实度，看输出是否忠于源材料意图、有没有自行发明内容；完整性，看关键步骤、条件、证据是否保留、隐式知识有没有被压成空话；收敛性，看输出是否仍指向原目标而没发散；可执行性，看下游脱离源材料能否直接使用。四、金标准集：回归测试的锚点。不必一上来就标注几百份，拿已认可的样本当种子，扩到 15～30 份，覆盖的是失败模式而不是随机抽样：完整正例，典型流程；边界/异常分支，异常路径、循环、前置失败回退；已知易错模式，实际踩过的坑；留出集，不参与调优、只用于最终验收，防过拟合。金标准不求完美，只要在当前标准下认可可放行就行。回归指标上，关键路径看 pass^k（k 次全过），稳定性看 pass@k。五、工程约束：让批量产出可重放。幂等，同输入加同 Skill 版本加同规则，输出必须一致，否则分不清变好是 Skill 改了还是随机波动；隔离不阻断，单份失败进隔离队列，记下失败层和原因，不挡其余任务；版本绑定，规则、rubric、金标准集进 Git，每份报告绑定源版本、生成 Skill 版本、评估 Skill 版本、Judge 模型版本；抽样人工复核，盯 Judge 临界样本和易错模式，人工抽检结果反过来校准 rubric。六、Skill 本身怎么写。SKILL.md 控制篇幅，把输入约定、输出契约、分步流程、硬规则、降级策略写清楚；经验规则放 references/ 或 rules/，按失败模式分类，别全塞进主 Prompt；拿不准时标 needs_review: true，别硬编看似合理的结果；迭代由评估报告驱动，报告指出哪层挂了、哪类失败模式，你就去改对应的规则文件，而不是漫无目的调 Prompt。七、落地顺序，别倒过来：1. 固化输出契约，Schema 加结构约束；2. 建金标准集，从已认可的加最易出错的样本起步；3. 先写评估 Skill，跑出基线报告；4. 再迭代生成 Skill，每次修改对比逐项通过率，无退化且目标提升才算正向；5. 批量运行加隔离回放，失败进队列，结束后人工抽检；6. 评估 Skill 自身版本化，换 Judge 模型必须重新校准。八、给组员的三条硬要求：1. 不许凭感觉说变好了，每次修改必须附评估报告对比，拿逐项通过率说话。2. 不许跳过确定性门禁直接看 Judge 分数，前两层挂了，Judge 分数没有意义。3. 不许把规则堆进主 Prompt，规则按失败模式分文件，评估报告要能定位到具体文件。一句话收尾：生成 Skill 决定能不能做，评估 Skill 决定敢不敢用。先让评估体系站稳，再让生成器迭代。这样交付的不是一堆看起来还行的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
340
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。
