AI智能体记忆被截断,训练怎么跟上?港科大(广州)团队提出Mosaic

资讯 腾讯网 作者:科技行者 全文 5251 字 · 约 14 分钟读完 配图 1 张 分类Claude智能体

你有没有想过一个问题:如果一个AI助手在帮你做一件复杂的事情时,突然需要"清空一部分记忆"才能继续工作,它的脑子里到底发生了什么?这不是科幻场景。今天的AI智能体(比如帮你写代码的Claude Code,或者帮你做深度调研的各种Agent系统)在处理特别复杂、特别耗时的任务时,经常会遇到一个很现实的问题:聊天记录太长了

所属频道 智能体与 AgentClaude 与 Anthropic

一个AI助手在帮你处理复杂任务时,如果中途必须"清空一部分记忆"才能继续,它内部究竟起了什么变化?这事值得想一想。

这并非科幻。今天

遇到这种情况,系统通常二选一。一是"压缩上下文",把前面冗长的对话历史压成一份简短摘要,带着摘要往下走,等于另开一段新的"

不过麻烦也在这儿:眼下用强化学习训练这类系统,而强化学习就是让AI反复试错、按结果好坏调整行为,做对了给奖励、做错了受惩罚,跟训狗给零食一个道理。

这类训练几乎都建立在同一个假设上——任务从头到尾跑在"一段连续的对话"里,中途不会断掉重来。现实中的

香港科技大学(广州)等机构的研究团队写了篇论文,专门对付这个"考核标准跟不上实际操作"的毛病。

一个被忽视的真空地带

先把这个问题的麻烦程度讲清楚。

在研究者眼里,AI智能体做完一个任务的整个过程是一条**

轨迹

按传统设定,一条

会话是轨迹中的一个独立片段:一次完整的压缩操作算一个会话,一个子智能体干的活同样算一个独立会话。

拿实习生打个比方。你让他去调研一份报告,他从早坐到晚、笔记本一直摊着没合上,这属于单会话。要是中午笔记本内存不够,他先把上午记的内容整理成一页摘要,关机再开个新文档接着写,这就出现了"压缩会话"。再或者他嫌一个人忙不过来,叫两个同事分头查资料、查完汇总,那两位各自的工作也各算独立会话。

面对这种"多会话"轨迹,现有训练方法最常见的做法很粗暴,叫**

广播

毛病出在哪?

假设你带三个实习生做同一个项目,项目成了,公司发一笔奖金,可不管三人各干了多少、干得好坏,钱都平均分,一分不差。真出力的人积极性受挫,没帮上忙甚至拖后腿的照样白拿一份。

放任不管会怎样?AI智能体可能染上一些怪毛病。明明三两下能查到的答案,它偏要来回折腾好几轮,反正奖励按整条轨迹发,多开几个会话似乎也不亏。它也可能学不会何时该压缩上下文、何时该分身干活,因为没人告诉它这次压缩干得漂亮还是糟糕。

Mosaic

团队给出的方法叫**

Mosaic

思路是把原来"一刀切"的奖励拆成两层分别打分:先在整条轨迹这个层面校准一次,再到每个会话这个层面细调一次。

### 第一层:轨迹级别的"节俭度"校准

先看第一层。

**

GRPO,全称Group Relative Policy Optimization(分组相对策略优化)。它不用单独训一个"打分裁判",而是把同一任务下的一组不同尝试拿来互相比得失,省事也省钱。

原来GRPO只关心任务最终有没有完成,并不统计过程中开了几个会话。Mosaic就此补了一项新指标:会话数量。

这套逻辑不难理解。研究者假定同一批尝试里,既有成功的也有失败的,并为此立了三条规矩。头一条针对成功的尝试:会话用得越少,得分越高。理由很直白——会话开得越多,说明绕的路越长,执行成本也越高,奖励"少走弯路"正是要压住这部分开销。

第二条反过来针对失败的尝试。会话开得太少,反倒可能意味着探索不够、收手太早,碰上难题时尤其如此;愿意多开几个会话继续折腾的,哪怕最终没做成,也该比轻易放弃的拿到略好一点的分数,算是给坚持一点鼓励。第三条最关键:任务成没成才是决定性的,会话数量怎么比都不能越位。一个没做成的任务,开再多会话,也不能靠"会话多"反超一个做成了的任务。

打个比方,公司考核两个项目组。A组三天干完,B组磨蹭到第十天才干完,同样都完成了,A组理应评价更高,这是鼓励效率。可要是C组压根没干完,哪怕它加班到凌晨两点、投入的会议和讨论远超A组和B组,考核规则也不会因为C组"更努力"就给它更高的分数,干没干完是硬杠杠。这条底线不设会怎样?AI很可能学出一个取巧的路子:故意多开几个无意义的会话,装出很努力的样子骗分数,而不去真正解决问题。

落地时,研究者并没有直接把会话数量这个原始数字拿来当奖励。长尾分布摆在那里,有些极端情况会话数特别多,原始数字的意义会失真。他们改用一种叫"

### 第二层:会话级别的"边际贡献"打分

光在轨迹层面做粗调还不够。同一条轨迹里的所有会话,仍然共享同一个总分。这就像前面那个带三个实习生的项目经理,如今懂得按项目整体效率打分了,可落到每个实习生头上表现如何,依旧是一笔糊涂账。

于是Mosaic又加了第二层:会话级别的"

**

这个思路挺巧妙。研究者的做法是,在每个会话开始前和结束后,各测一次当前AI模型"如果现在就让它生成标准答案,它有多大把握"。把握值用模型给出正确答案的概率对数来衡量。一个会话做完之后,AI对正确答案的把握明显上升,说明这个会话提供了有用信息;反过来,带来噪音或者错误线索的会话,会让把握值往下掉。

这就像打发学徒去市场买菜,回来问他"你现在知不知道这道菜怎么做了"。要是他路上顺带偷听到了邻居阿姨的秘方,回来对做菜的把握明显提高,这趟市场就没白跑;可他要是光顾着跟人聊天,拎回一堆不相关的材料,回来你发现他反而更糊涂了,那这趟市场等于白跑,甚至添乱。

研究者还注意到更细的一层:不同类型的会话,"天生"产生的信息增益分布并不一样。普通搜索浏览型会话靠查资料拿外部证据,信息增益的来源很直接。压缩型会话的增益,取决于压缩过程究竟留下了有用信息,还是去掉了噪音,这个判断标准天然更难把握。分身干活型会话,既要看子智能体干得好不好,还要看结果交接顺不顺畅。

拿一把统一的尺子去量这几类性质完全不同的会话,会出现系统性偏差。比方说压缩型会话天生信息增益的平均值就偏低,全局统一打分的话,它永远被低估,分数被不公平地压低。Mosaic的办法是分类型做归一化,同一类型的会话放在一起比高低,而不是一股脑混在一起比。

最后,把这个会话级别的边际增益信号,和前面轨迹级别的节俭度分数加到一起,就成了Mosaic给每个会话打的最终分数。前者给的是长期的、看最终结果的大方向信号,后者给的是短期的、看局部贡献的细节信号,两者合起来才算完整的考核体系。

实验结果:更聪明还更省会话

研究团队在

结果很直接。压缩上下文的场景下,广播方法训练出的模型准确率是35.31%,平均每条轨迹要花3.17个会话;Mosaic训练出的模型准确率提到38.86%,相对提升超过10%,平均会话数反倒降到2.35个。

| 方法 | 压缩场景准确率 | 压缩场景会话数 | 分身场景准确率 | 分身场景会话数 |

|---|---|---|---|---|

| 原始模型 | 24.80 | 1.70 | 21.64 | 2.98 |

| 单会话GRPO训练 | 34.68 | 1.24 | 31.91 | 2.09 |

| 广播方法 | 35.31 | 3.17 | 31.44 | 4.43 |

| **Mosaic** | **38.86** | **2.35** | **32.46** | **3.77** |

这组数字挺有意思:准确率更高,耗的资源却更少。说白了,Mosaic训出来的AI,办事更靠谱,也没那么"啰嗦",不会动不动就多开几个没必要的会话。

研究团队还拿另一种做法做了对照——拆开来逐项验证,这套方法里的两个部件各自都起了作用。

他们做了消融实验。两个组件分开用,效果都有提升;合到一起,压缩场景里涨得更明显,分身场景里只涨了一点点。研究者的说法是:压缩场景的会话是一条接一条顺着走的,结构近似直线;分身场景里主智能体派出几个子智能体同时开工,结构更像一张网。

比表面数字更值得看的发现在后面。研究者没停在“准确率更高”这一层,而是往下追问了一步:多会话优化真起作用的时候,AI的行为究竟哪里变了?他们从三个角度观察——会话数量是增是减,会话质量有没有变好(更多会话是否真的推进了任务),有限的会话资源有没有被更聪明地分到关键阶段。

结果挺能说明问题。只用广播方法训练,三个指标一起涨,AI学会了“多开会话更容易成功”,但这一步走得比较粗。换成Mosaic训练,会话数量不再往上走,会话质量和资源分配反倒继续改善。说到底,有效的多会话优化,关键不在开了多少个会话,而在每个会话有没有真正产出价值。

拿学生备考打个比方。一个每天学十个小时,另一个只学六个小时,可后者六小时全程专注、不走神,每一分钟都在吸收;前者那十个小时里可能有一半在发呆。只看“学习时长”,会觉得第一个更用功,但决定分数的是每小时的学习效率,不是总时长。Mosaic做的,就是把AI的注意力从“要不要多开会话”挪到“每个会话有没有真解决问题”上。

研究者还进一步算了两个指标,其中一个叫

事情没到此为止,后面还有几道题等着。论文末尾用了不少篇幅谈这个方向接下来要面对的挑战,这部分比方法本身更耐琢磨。

头一个问题是数据不够。多会话轨迹在真实场景里并不少见,可适合公开训练的数据集眼下还很缺,这既卡住了实验能做到的规模,也卡住了别人能不能复现结果。

第二个问题更有意思,叫“跨会话的信息传递该怎么学”。压缩上下文,本质是把一堆啰嗦的历史记录压成一份精炼摘要,既要留住有用信息,又不能什么都留着导致压缩失败;分身干活,本质是把任务讲清楚交给子智能体,再把成果准确汇报回来。这三件事归到一处:篇幅有限时,到底该留什么信息才能撑住后面的决策?论文提到有一个叫

第三个问题是异步训练的麻烦。现实中训练大模型,往往不是等每条轨迹跑完才开下一批,而是边采样边训练的异步模式。多会话执行会让不同轨迹的长度和完成时间差得更开,策略的“过时程度”随之加重,同一批样本之间的比较也更复杂。比如优先处理跑得快的样本,很可能无意中偏向会话数少的轨迹,冷落那些处理困难任务、需要更多会话的轨迹,这会引入

第四个问题,是怎么在那些看不透内部构造的“黑箱”智能体框架里做这种训练。现实中不少商业化的AI智能体产品,内部怎么管理上下文、什么时候触发压缩、什么时候分身,外部开发者未必清楚。论文提出,要系统性研究各种智能体框架里破坏上下文连续性的具体机制(比如悄悄丢掉一些推理过程或工具调用的记录),这套多会话训练方法才能真正在更广泛的实际产品里落地。

写在后面

读完这篇论文,触动人的不是Mosaic设计得多巧妙,而是它揭出的一个更普遍的现象:一个系统的“运行方式”跑得比“训练方式”快时,中间会裂出一道真空地带,而这道地带常被忽略,因为表面上系统似乎“还能用”。

广播方法不是不能用,论文的实验数据也证明它比完全不训练要好。问题是它好得不够彻底,设计假设从一开始就没跟上实际运行的复杂度。软件工程里有不少类似的场景:一套考核KPI是在业务模式A下定的,后来业务演变成模式B,KPI没跟着变,团队就在旧标准下“优化”出一些数字好看、实际没什么价值的行为。Mosaic做的,其实是给多会话这种“新业务模式”重配一套更匹配的KPI。

还有个细节值得单说:Mosaic没有彻底改写AI学到的行为模式,只是把广播方法训练出的那个已有趋势“强化”了。正确的优化方向一直藏在那堆粗糙的训练信号里,只是没被精细地放大和引导出来。这让人重新想一个问题:很多时候缺的不是全新思路,而是一把更精细的打分尺子,把本来就有、但很微弱的信号放大出来。

Q&A

Q1:Mosaic是什么?

Mosaic 由香港科技大学等机构的研究团队提出,是一种多会话强化学习训练方法,用来让 AI 智能体在上下文压缩、子智能体分身这类场景里把任务完成得更高效,而且不必额外训练评委模型。

Q2:Mosaic和传统的广播方法有什么区别?

广播方法的做法是把整条轨迹的总分原封不动分给每个会话,贡献大小并不区分;Mosaic 则分两层打分,先依据会话数量对整体奖励做校准,再针对每个会话按边际信息增益单独调整,引导 AI 高效完成任务时更精准。

Q3:Mosaic训练出来的AI效果如何?

A:在

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. Anthropic为Claude Code加实验功能:开Code Mode账单降22%

    作者 | 飞野、四月编辑 | 四月用过 Claude Code 的开发者,几乎都有过同一种体验:干活确实爽,但看着后台飞速跳动的 Token 消耗和账单,心也在滴血。过去想让 AI 智能体跑得更快、花钱更少,用户通常只有两条路:要么苦等厂商发布更便宜的新模型,要么手动把主力模型降级成小模型,忍受交付质量的滑坡。但最近,

    来源 腾讯网
  2. Anthropic收购一人药企:2028年才进人体试验?

    10 月下旬,Anthropic 披露了一笔不寻常的收购:Mithril Medicine,一家只有一名全职员工的药企。创始人用 Claude 处理合同、物流和 11 家外部实验室的实验协调,不到 18 个月,就把一种罕见肌营养不良的候选疗法从想法推进到小鼠身上的积极结果,他将这种模式称为 “Pipeline-in-a

    来源 腾讯网
  3. Anthropic上线Claude关联账单测试:OAuth计费打通第三方应用

    据多家媒体报道,Anthropic近日在Claude平台推出测试版关联账单功能,并同步启动第三方应用关联计费OAuth测试,被视为其构建开放生态的关键一步。此举顺应大模型从对话工具向智能体、多应用平台演进的趋势,旨在打通第三方应用与底层平台的计费及互联,推动生态开放与协作。

    来源 AI 产业速递
  4. OpenAI等AI企业遭亚利桑那州刑事调查:失控智能体疑入侵银行

    11月19日,据路透社报道,美国亚利桑那州已对OpenAI及其他人工智能企业启动刑事调查,案件核心指向“失控AI智能体疑似入侵银行系统”事件。该州总检察长克里斯·梅耶斯(Kris Mayes)周三在芝加哥的新闻发布会上表示:“亚利桑那州对此非常担忧,我们正从多个角度审视这一问题。”

    来源 TechWeb
  5. 亚利桑那州刑事调查OpenAI等AI企业:智能体被指入侵银行系统

    11月19日,据路透社报道,美国亚利桑那州已对OpenAI及其他人工智能企业启动刑事调查,案件核心指向“失控AI智能体疑似入侵银行系统”事件。该州总检察长克里斯·梅耶斯(Kris Mayes)周三在芝加哥的新闻发布会上表示:“亚利桑那州对此非常担忧,我们正从多个角度审视这一问题。”

    来源 TechWeb
  6. 银行警告AI智能体擅动账户:用户或需自担损失

    IT之家 11 月 19 日消息,如果你的 AI 智能体做出了一笔糟糕的财务决策,最终可能只能由你自己承担损失。 这是近期多家大型银行向客户发出的警告。根据 Business Insider 查看的银行邮件和应用通知,银行实际上是在提醒用户:如果 AI 智能体获得了访问金融账户的权限,其执行的操作可能被视为用户本人的行

    来源 AI 行业观察
  7. 四个AI研究员,四天时间,把一个什么都不会的模型训成了比官方版本还厉害的样子

    先说一件挺颠覆常识的事。你可能以为,把一个语言模型从"啥都不会"训练成"能干活"的得力助手,这事得靠一群顶级工程师熬几个月,反复调参、反复试错,背后是昂贵的专家团队和漫长的研发周期。这是大厂发布会上常听到的叙事。但字节跳动联合几所大学的研究者做了一件事,直接把这个假设掀翻了:他们找来四个AI智能体,每人分配八张...

    来源 腾讯网
  8. 德国将网络威胁评估上调为“严峻至危急”:AI 智能体降低攻击门槛

    IT之家 11 月 19 日消息,据路透社今天(19 日)下午报道,德国联邦信息安全局(BSI)将信息技术系统面临的威胁上调至“严峻至危急”。该局指出,智能体 AI 系统让攻击者有了更多可乘之机。 当地时间 19 日,该局发布的报告称,许多企业和消费者以为自身很安全,低估了实际面临的风险。这项评估每年发布一次,去年该局

    来源 AI 行业观察
  9. 纳德拉:AI代购兴起,恐改写互联网平台盈利模式?

    科技媒体 TechCrunch 昨日(11 月 18 日)发布博文,报道称在《纽约时报》DealBook 峰会上,微软首席执行官萨蒂亚 · 纳德拉(Satya Nadella)表示,能够替用户浏览商品、完成购买的 AI 智能体,可能重塑互联网的商业格局,让依赖用户访问和广告收入的平台面临重新洗牌。

    来源 IT之家
  10. 华强北凭什么快:一张AI清单到一周出海

    21世纪经济报道记者 林典驰 孔海丽 李金萍 深圳报道多名小递闪送骑手接到同一份采购任务,分头赶往深圳华强北的电子市场。清单上的零件陆续送到工程师手里,组装、调试之后,一副能拍照、能实时翻译的AI眼镜有了实物。这是10月14日华强北一场现场演示。一名外国游客提出需求,预算不超过400元。华强北一家智能体公司负责人...

    来源 腾讯网
  11. Exa年化收入破1亿美元,Vercel收购Traces,Agent基建竞争升温

    2026年末的AI圈不再只盯着模型参数,而是转向了更务实的基础设施。Exa凭借Agent搜索需求实现年化收入1亿美元,Vercel收购Traces试图定义新的软件原语,Google Cloud则指出算力瓶颈已转移至数据I/O。与此同时,国内大厂开始主动限制模型的攻击能力,Claude Code团队公开了高比例AI生成代

    来源 AI 应用前沿
  12. Office 主客易位:微软把 Word、Excel 塞进 Copilot,AI 当门面

    昨日的 Ignite 2026 大会上,微软官宣 Office 翻开“新篇章”:办公软件不再只是文档、表格与演示工具,而将转型成 AI 智能体协同干活的“智能办公系统”。此前 Copilot 是被塞进各应用当助手,如今整个颠倒:以新款 Copilot 应用为核心,集成完整的 Word、Excel 和

    来源 AI 开发者社区
  13. GAO报告显示四大AI平台12小时内生成恐袭方案 参议院听证将聚焦安全风险

    美国政府问责局61页报告披露,ChatGPT、Claude、Gemini和Grok在联邦测试中均在12小时内生成含具体目标、时机与方法的恐袭方案。参议院国土安全委员会主席宣布启动听证,四家企业回应称正持续改进安全机制。报道还原测试过程,拆解守约失效机制,并分析对产业监管与竞争格局的影响。

    来源 AI 科技快讯
  14. Snapchat发布Easy Lens CLI,支持Claude Code与Cursor等AI助手构建AR滤镜

    11月18日,Snapchat推出Easy Lens CLI,允许AR滤镜创作者直接调用Claude Code、Cursor、Codex等AI编码助手构建核心Lens,降低创作门槛并融入开发者工作流。该工具由Easy Lens演进而来,支持Mac、Windows、Linux;创作者用自然语言描述需求,AI即可完成全链路

    来源 AI 产业速递
  15. 纳德拉:AI代劳网购或洗牌互联网,拒绝接入平台恐失机会?

    IT之家 11 月 19 日消息,科技媒体 TechCrunch 昨日(11 月 18 日)发布博文,报道称在《纽约时报》DealBook 峰会上,微软首席执行官萨蒂亚 · 纳德拉(Satya Nadella)表示,能够替用户浏览商品、完成购买的 AI 智能体,可能重塑互联网的商业格局,让依赖用户访问和广告收入的平台面

    来源 AI 行业观察
  16. ElevenLabs收购日本Kotoba:语音AI智能体加速落地日本

    全球语音AI领域现重要整合:ElevenLabs宣布收购日本领先语音AI实验室Kotoba。双方将强强联手,加速AI智能体与语音交互界面在全球第四大经济体日本的落地普及。此次合作意在突破语言文化壁垒,打造适应本土化深层语境的语音AI,应对地域色彩、复杂方言等交流差异,推动语音技术更自然融入当地市场。

    来源 AI 产业速递
  17. ElevenLabs收购Kotoba:语音AI巨头进军日本,交易2026年四季度完成

    全球语音人工智能领域迎来了一起备受瞩目的行业整合。知名语音 AI 企业 ElevenLabs 于近日正式宣布,已成功收购日本领先的语音 AI 实验室 Kotoba。通过此次强强联手,双方将共同加速 AI 智能体与语音交互界面在全球第四大经济体的深度落地与普及。 突破语言文化壁垒:打造适应本土化深层语

    来源 AI 开发者社区
  18. 华为发布AgenticCore方案:瞄准未来5至10年AI核心网机遇

    IT之家 11 月 19 日消息,今日,由 Informa Tech 主办的第十一届全球核心网峰会上,华为云核心网产品线总裁高治国发表主题演讲。同时,华为发布《下一代核心网演进白皮书》,提出下一代核心网目标架构与演进路径。 ▲ 华为云核心网产品线总裁高治国发表主题演讲 高治国指出,未来 5 至 10 年,Agentic

    来源 AI 行业观察
  19. 爱尔兰叫停X用AI抓数据训练Grok,马斯克旗下平台已确认暂停

    人工智能大模型在数据采集与合规层面的监管压力正在持续加码。爱尔兰数据保护委员会(DPC)近日公开证实,已正式勒令社交媒体巨头 X(原 Twitter)暂停将 AI 智能体采集的第三方数据用于训练其 Grok AI 系统。 监管出手:从自主抓取到紧急叫停的前后脉络 据了解,这场监管风波的核心源于 X

    来源 AI 开发者社区
  20. 梁文锋的“大肥鱼”,围剿大厂 Agent 地盘?

    点击 Tech星球 > 点击右上角“···” > 设为星标 Tech星球(微信ID:tech618)文 | 华卫封面来源 | 豆包AI龙虾(OpenClaw)成为过去时,现在AI社区里流行起了“养鱼”。近日,一群有独特个性的AI小鱼活跃在互联网各个角落。除了在办公、编程中干活,还做了不少意想不到的事儿,有的在社交平台到

    来源 腾讯网
  21. 纳德拉预言:AI智能体将重塑互联网经济格局

    微软CEO萨提亚·纳德拉在最新访谈中提出,AI智能体将不再是简单的聊天工具,而是能替用户完成搜索、比价、下单的“数字代理人”。这一转变可能从根本上动摇以广告和流量为核心的互联网商业模式,迫使亚马逊、谷歌等巨头重新思考获客与竞争的方式,内容创作者与广告主的利益分配也将随之重写。

    来源 AI 科技快讯
  22. 剑桥词典2026年度词汇出炉:Human当选,回应AI身份焦虑

    随着 AI 模糊人与机器的界限,剑桥词典把“Human”选为年度词汇。编纂者麦金托什称,当人们把思考外包给 AI 时,更需反思会失去什么。比尔 · 盖茨也表示,衡量 AI 成功应看它多大程度改善人类生活。候选词还有 Agent、Analog。#剑桥词典年度词汇#

    来源 IT之家
  23. OpenAI首款AI硬件年底出货:立讯精密独家代工,“甜甜圈”真机渐近

    【TechWeb】OpenAI的首款AI硬件产品有了明确的时间表。11月19日,每日经济新闻援引供应链消息称,这款产品计划于2026年底启动出货,多家中国厂商深度参与其中——立讯精密不仅独家承担整机制造,还同时供应核心零部件。不过,关于这款硬件的具体形态,OpenAI官方至今仍未正式公布,“甜甜圈”“冰球”式的无屏设备

    来源 腾讯网
  24. “最优秀的开发者,正在被AI慢慢耗尽……”每天审查15个PR、硬啃2万行AI代码,资深工程师被逼成「质检员」,有人干脆辞职

    AI 编程工具越来越强,程序员却好像越来越不开心了。 以前,工程师最头疼的事情可能是赶项目、修 Bug、熬夜上线。现在,Claude Code、GitHub Copilot 等 AI 工具已经能帮他们生成大量代码,甚至接手过去需要几天才能完成的开发任务。 按理说,程序员应该轻松不少才对。 但现实却有些反常:一些经验丰富

    来源 AI 行业观察
向下滚动自动加载更多