「工程化人才」共找到 1676 篇相关文章
LLM驱动的威胁情报提取框架，从非结构化到STIX的自动化:IntelEX
为应对网络攻击，需将非结构化网络威胁情报转化为结构化情报。IntelEX是自动化攻击级威胁情报提取工具，通过LLM上下文学习等增强，能识别攻击序列并提取结构化情报为STIX格式，还可转化成Sigma，在测试中表现优异。
谷歌开源非结构化数据抽取工具
谷歌开源 Python 库 LangExtract，用 LLM 从非结构化文本文档提取结构化信息。它定位精确、输出可靠，针对长文档优化，有交互式可视化，支持多模型，适应多领域，还给出快速开始示例。
Manus首次揭秘：Agent的关键在上下文工程
Agent成大模型主战场，构建方法待探索。Manus发blog揭秘，认为成功的AI Agent依赖上下文工程。团队选此实现快速迭代，虽实践不易，但总结出围绕KV缓存设计等关键点，其经验影响Agent表现。
曝苹果拟收购Perplexity AI，人才一并拿走
据彭博社消息，苹果并购负责人等最高决策层讨论过收购Perplexity AI，目的是招揽人才及为AI搜索引擎做准备。目前处于早期阶段，双方未回应。苹果也考虑合作，还在与Meta竞争招揽人才。
Prompt、Skills、MCP：大模型上下文工程核心链路
文章聚焦大模型上下文工程，介绍了Prompt、Skills、MCP核心链路。Prompt是与模型沟通基础，但其有脆弱、难管等痛点，促使向上下文工程演进；Skills是能力单元，可显式化能力、动态组合；MCP解决能力集成问题，虽有争议但理念重要。
Harness 工程实践复盘：100% Cache 命中的 Agent 怎么设计？
本文是 ClackyAI 团队在 Harness 工程实践上的复盘。他们经两代失败后用 Ruby 重写第三代 OpenClacky，总结影响成本和效果的 7 个关键决策，如双 Cache 标记、System Prompt 字节冻结等，凸显 Harness 工程对 Agent 产品的重要性。
《动手写AI Agent》上下文工程：比 Prompt Engineering 更重要的事
文章围绕AI Agent的上下文工程展开，指出其比Prompt Engineering更重要。介绍了上下文工程的分层组织，包括角色定义、通用规则、项目状态和用户指令，还提及项目感知、.ling.md文件及完整System Prompt的组装。
百万年薪遍地走，Meta薪资接连曝光！AI人才身价水涨船高ing
Meta各岗位薪资被曝光，软件工程师年薪最高48万美元。AI相关岗位起薪百万打底，数据分析岗也热门。科技公司为抢AI人才高薪竞争，Meta激进，国内大厂也加入抢人大战。
WSJ：AI 人才的史诗级争夺战——“爆炸性”合约、秘密交易与眼泪
当前，科技巨头为争夺AI人才展开残酷大战，OpenAI与Windsurf收购案生变，Meta的扎克伯格不惜砸钱挖人，OpenAI奥特曼感慨‘传教士’与‘雇佣兵’之争，这场人才战也波及诸多初创公司。
Routa 桌面版发布：内建 Harness 工程的 AI Coding 研发协作工作台
Routa桌面版发布，它是内建Harness工程的AI Coding研发协作工作台。围绕Routa构建Harness工程框架，Kanban成为任务协议，多Agent沿泳道接力协作，重新定义了‘done’，让AI Coding进入协作与交付问题域。