人工智能初创公司 Anthropic 在最新一轮融资中从投资者那里筹集了 35 亿欧元，超出预期，公司估值达到 615 亿欧元。
这家 OpenAI 的竞争对手于 2025 年 3 月 3 日星期一宣布了这一消息。据悉，此次融资之所以吸引如此大的兴趣，是因为公司出色的业务数据给投资者留下了深刻印象。
1 年前
根据Anthropic公司2025年2月10日发布的《Anthropic经济指数》报告，AI对工作场所的影响主要集中在任务增强和部分自动化上，而非全面取代工作岗位。报告基于数百万次实际AI交互数据，揭示了AI在不同行业和职业中的应用情况。以下是AI可能影响的工种分类和具体分析： 1. 软件开发与技术相关领域 AI在这些领域的应用最为广泛，主要集中在任务增强和自动化上： 软件工程师：AI用于代码调试、软件修改和网络故障排除。 数据科学家：AI协助数据分析和模型优化。 网络安全专家：AI帮助检测和应对网络威胁。 系统管理员：AI用于网络监控和故障排查。 技术文档撰写员：AI辅助生成和编辑技术文档。 2. 创意与媒体领域 AI在创意任务中的应用显著增长，但仍以辅助为主： 内容创作者：AI用于生成营销文案、社交媒体内容和广告创意。 编辑与校对员：AI协助文本校对和格式调整。 平面设计师：AI工具辅助设计生成和图像编辑。 视频编辑师：AI用于视频剪辑和特效生成。 音乐制作人：AI辅助音乐创作和音效设计。 3. 商业与金融领域 AI在数据处理和决策支持方面表现突出： 财务分析师：AI用于数据分析和预测建模。 会计师：AI自动化账务处理和税务计算。 市场营销经理：AI辅助市场趋势分析和广告投放优化。 风险管理师：AI用于风险评估和预测。 投资顾问：AI辅助投资组合管理和市场分析。 4. 教育与培训领域 AI在教育和知识传递中发挥重要作用： 在线教育讲师：AI辅助课程设计和学习评估。 语言教师：AI用于语言学习和翻译辅助。 职业培训师：AI提供个性化培训方案。 教育技术专家：AI开发教育工具和平台。 学术研究员：AI辅助文献检索和数据分析。 5. 医疗与健康领域 AI在医疗中的应用主要集中在辅助诊断和数据分析： 放射科医生：AI用于医学影像分析。 病理学家：AI辅助病理样本分析。 健康数据分析师：AI用于患者数据管理和健康预测。 药剂师：AI辅助药物配方和剂量计算。 心理咨询师：AI提供初步心理评估和支持。 6. 行政与支持服务领域 AI在行政任务中实现部分自动化： 行政助理：AI用于日程管理和邮件处理。 客户服务代表：AI聊天机器人处理常见问题。 人力资源专员：AI辅助简历筛选和员工培训。 数据录入员：AI自动化数据输入和整理。 办公室经理：AI优化资源分配和任务调度。 7. 制造与物流领域 AI在制造和物流中的应用主要集中在流程优化： 生产线操作员：AI监控和优化生产流程。 物流规划师：AI优化运输路线和库存管理。 质量控制员：AI用于产品检测和质量分析。 仓库管理员：AI辅助库存管理和订单处理。 供应链分析师：AI用于供应链优化和风险预测。 8. 农业与自然资源领域 AI在这些领域的应用相对有限，但潜力巨大： 农业技术员：AI用于作物监测和精准农业。 林业管理员：AI辅助森林资源管理。 渔业技术员：AI用于鱼类种群监测。 环境科学家：AI辅助环境数据分析和预测。 地质勘探员：AI用于资源勘探和数据分析。 9. 艺术与娱乐领域 AI在创意任务中提供支持： 编剧：AI辅助剧本创作和情节设计。 游戏设计师：AI用于游戏关卡设计和角色生成。 摄影师：AI辅助图像编辑和风格化处理。 动画师：AI用于动画生成和特效制作。 艺术策展人：AI辅助艺术品推荐和展览设计。 10. 法律与合规领域 AI在法律任务中的应用逐渐增加： 律师助理：AI辅助法律文件检索和合同分析。 合规专员：AI用于法规监测和风险评估。 知识产权顾问：AI辅助专利检索和分析。 法律研究员：AI用于案例分析和法律文献整理。 仲裁员：AI提供初步争议分析。 总结 AI对各行业的影响主要体现在任务增强和部分自动化上，而非全面取代工作岗位。中高薪职业（如软件开发、技术写作）的AI使用率最高，而低薪和高薪职业（如体力劳动和高度专业化工作）的AI应用相对有限。未来，企业需要投资于员工培训，确保他们能够有效利用AI工具，同时保持人类工作者的独特价值。
1 年前
Anthropic 于2024年12月发布的文章《Building effective agents》详细探讨了如何构建高效的大语言模型（LLM）代理系统。Anthropic 与数十个团队合作构建了跨行业的大语言模型(LLM) agent。最成功的实现往往不是使用复杂框架或专门库，而是采用简单、可组合的模式。本文分享Anthropic 的经验和实用建议： 1. 代理（Agents）的定义与分类 代理的定义： 代理可以被定义为完全自主的系统，能够在较长时间内独立运行，使用各种工具完成复杂任务。 也可以指遵循预定义工作流程的系统，这些系统通过预定义的代码路径协调LLM和工具。 工作流（Workflows）与代理（Agents）的区别： 工作流：通过预定义的代码路径编排LLM和工具，适合任务明确、步骤固定的场景。 代理：LLM动态指导自身的流程和工具使用，保持对任务完成方式的控制，适合需要灵活性和模型驱动决策的场景。 2. 何时使用代理 适用场景： 当任务复杂且需要灵活性和模型驱动的决策时，代理是更好的选择。 代理适合处理开放性问题，尤其是难以预测步骤或无法硬编码固定路径的任务。 不适用场景： 对于任务明确、步骤固定的场景，工作流提供更高的可预测性和一致性。 对于许多应用，优化单个LLM调用（配合检索和上下文示例）通常已足够。 3. 框架的使用建议 常用框架： LangGraph（LangChain）、Amazon Bedrock的AI Agent框架、Rivet（拖放式GUI工具）、Vellum（复杂工作流构建工具）。 使用建议： 开发者应优先直接使用LLM API，许多模式只需几行代码即可实现。 如果使用框架，需理解底层代码，避免因框架的抽象层增加调试难度和复杂性。 4. 构建模块与工作流模式 基础构建模块：增强型LLM 增强型LLM通过检索、工具使用和记忆等功能扩展能力，能够生成搜索查询、选择工具并保留重要信息。 核心工作流模式： 提示链（Prompt chaining）：将任务分解为一系列步骤，每个LLM调用处理前一步的输出。适用于可分解为固定子任务的场景，如生成营销文案并翻译。 路由（Routing）：对输入分类并引导至专门的后续任务。适用于复杂任务，如客户服务查询的分类处理。 并行化（Parallelization）：将任务拆分为并行子任务或多次运行以获得多样化输出。适用于需要多视角或高置信度结果的场景。 编排者-执行者（Orchestrator-workers）：中央LLM动态分解任务并分配给执行者LLM。适用于无法预测子任务的复杂场景，如编程任务。 评估者-优化者（Evaluator-optimizer）：一个LLM生成响应，另一个提供评估和反馈。适用于需要迭代优化的任务，如文学翻译或复杂搜索。 5. 代理的实现与应用 代理的工作流程： 代理通过用户指令或交互明确任务，独立规划并执行，必要时向用户寻求反馈。 代理在每个步骤中从环境中获取“基准事实”（如工具调用结果）以评估进展。 适用场景： 编码代理：解决SWE-bench任务，根据任务描述编辑多个文件。 计算机使用代理：Claude通过计算机完成任务，如数据处理或信息检索。 6. 核心原则与总结 核心原则： 简单性：从简单设计开始，逐步增加复杂性。 透明性：明确展示代理的规划步骤。 工具设计：通过完善的文档和测试设计代理-计算机接口（ACI）。 总结： 成功的关键在于构建适合需求的系统，而非最复杂的系统。 框架可帮助快速启动，但在生产环境中应减少抽象层，使用基础组件构建。 7. 附录：代理的实际应用 客户支持：结合聊天机器人界面与工具集成，适用于开放式代理场景。 编码代理：在软件开发中，代理通过自动化测试验证代码解决方案，并迭代优化。 这篇文章为开发者提供了构建高效代理系统的实用指南，强调了简单性、透明性和工具设计的重要性，并通过丰富的案例展示了代理系统的实际应用价值。
1 年前
2024年12月18日，AI数据分析平台Databricks宣布启动J轮融资，目标为100亿美元，目前已完成86亿美元.。 此轮融资由Thrive Capital领投，Andreessen Horowitz、DST Global、GIC、Insight Partners和WCM Investment Management等联合领投，安大略省教师退休基金、ICONIQ Growth、MGX、Sands Capital以及Wellington Management等也参与其中.。融资后Databricks估值达620亿美元，成为全球最具价值的私营公司之一。 Databricks表示，这笔融资的用途主要有以下几个方面：一是为现任和前任员工提供流动性；二是进行战略收购，加速公司成长，如该公司在2023年6月收购MosaicML等，以加强在Data+AI布局；三是拓展海外市场，强化全球竞争力；四是开发更多AI产品，吸引顶尖人才。 另外，Databricks预计在截至2025年1月31日的季度内将首次实现正自由现金流，并达到30亿美元的年化收入。 其首席执行官Ali Ghodsi曾表示，公司IPO最早可能在2025年年中进行。
2 年前
AI图像创建领域的新星LiblibAI成功斩获数亿元人民币融资，此次融资由明势资本、源码资本、高榕创投和金沙江创投联合领投。 成立仅一年的LiblibAI凭借其在AI图像生成技术上的创新突破和强大的市场潜力，吸引了业界的高度关注。LiblibAI致力于为专业的AI图像创作者和广大用户提供强大的创作工具和资源，目前已汇聚了近1000万专业创作者，拥有超过10万个原创模型，创造了超过2.3亿张AI图片，成为国内领先的AI图像生成平台。 融资所得将主要用于技术研发、平台构建和生态扩展，LiblibAI旨在推动创意产业的技术进步和业务创新，引领行业进入一个全新的发展阶段。 来源：AGI光年
9 天前
西门子Xcelerator开放式数字商业平台作为正式发布生态合作伙伴"繁星计划"，旨在发挥平台网络效应，与生态伙伴共享知识与技术资源，共创面向客户的解决方案，共赢数字化与低碳化新机遇。
15 天前
AI 研发已从单点 Prompt 优化迭代至Harness 工程底座 + Loop 自治闭环 + SDD 标准化规范的三位一体体系，通过重构人机协作模式，解决大模型落地不稳定、难规模化的痛点，实现企业级 AI 从原型试用走向工程化、自动化、体系化落地。
19 天前
WorkBuddy有望拿下国内独立桌面自动化办公智能体细分第一。但受企业协同生态、移动端能力等短板限制，无法成为全域企业及全球办公AI赛道第一名，将与钉钉悟空、WPS AI形成差异化竞争格局。
26 天前
OpenClaw工具与生态完整生命周期判断 本文尝试分短期、中期、长期三段，结合项目现状、风险、护城河客观测算OpenClaw这款智能体工具或者相似工具的发展趋势。 一、短期生命力（1～3年，2026–2029）：完全安全、高速增长，是黄金运营窗口期 支撑理由 赛道刚需独一无二，差异化壁垒极强 OpenClaw是极少数本地系统级执行、模型无关、纯自托管的终端Agent运行框架，定位“能操作电脑文件、软件、桌面的AI助手”，区别于LangGraph/CrewAI这类后端开发框架、AutoGPT纯实验型智能体。普通办公、个人自动化、小微企业没有替代同类成熟开源工具，C端+中小企业需求持续释放。 社区与生态飞轮已经跑通 GitHub 30万+星标、近千名全球持续贡献者，日均数百条PR/Issue迭代，更新频率行业第一；创始人Peter全职维护，大厂（英伟达、Kimi、MiniMax）主动适配接入； ClawHub官方技能仓库沉淀数千标准化Skill，国内衍生生态（xia345、各类中文技能站、私有化二次改版）持续扩容，形成标准锁定； MIT宽松开源协议，允许企业二次改造、搭建托管服务，大量服务商入局完善配套生态（部署、安全加固、私有化定制）。 行业周期红利：本地终端Agent处于普及早期 2026被行业定义为桌面Agent落地元年，云端大模型成本持续下行、本地Ollama离线模型普及，完美匹配OpenClaw“本地优先”架构；未来3年，个人自动化、企业内网办公自动化需求只会扩张。 短期仅有的可控风险 Token调用成本偏高、频繁更新易出现版本兼容bug、本地高权限带来安全隐患； 以上问题官方正在持续迭代修复，企业级备份、权限沙箱、日志审计功能已逐步补齐，属于可优化痛点，不会动摇存续根基。 结论：未来1–3年是生态最繁荣、流量最大、变现最顺畅的阶段。 二、中期生命力（3～7年，2029–2033）：稳定存续，但竞争加剧、增速放缓 存续核心逻辑 标准化生态具备长期锁定效应 SKILL.md、ClawHub统一技能规范、openclaw CLI命令行已经形成行业事实标准。就算出现竞品，开发者、存量数万套技能、企业定制项目迁移成本极高，生态不会短时间崩塌，会维持稳定使用人群。 分层商业模式支撑项目持续维护 原生项目开源免费，但周边商业化闭环成型：企业私有化部署服务、安全审计、托管云服务、垂直行业技能付费、模型渠道分销，持续产生现金流反哺社区开发，不会出现“没人维护停更”的局面。 使用人群分层留存 C端极客、办公自动化爱好者会长期使用； 中小企业内网自动化、数据处理场景高度依赖本地执行Agent，大厂SaaS Agent无法满足内网隐私需求； 开发者持续基于OpenClaw做二次分支、私有化改版，衍生生态会持续分流、延续整个“龙虾生态”的热度。 中期衰减变量（会降低增速，但不会淘汰项目） 微软、苹果、国产操作系统推出原生系统级AI助手，抢占普通小白用户； 新轻量化终端Agent开源框架分流开发者； 各国监管对本地高权限AI自动化工具出台更严格合规要求，提高企业落地门槛； 结论：3–7年不会消亡，但行业从爆发期进入存量竞争，流量红利收窄，平台需要深耕私有化、企业定制、垂直细分赛道才能持续盈利。 三、长期生命力（7年以上，2033之后）：分两种极端走向 走向1：长期持续存活（概率60%），变成基础设施级工具 如果行业发展符合以下趋势，OpenClaw会像现在的Python、Git一样长期存续： 终端自主Agent成为电脑标配生产力工具，本地执行、离线隐私是永久刚需； OpenClaw持续完成企业级、合规化改造，成为政企内网自动化标准选型； 社区形成基金会/商业公司承接维护，摆脱单一创始人依赖，实现长久开源运营。 走向2：逐步边缘化、被新一代架构替代（概率40%） 触发条件： 操作系统底层内置标准化Agent执行层，统一API，第三方独立运行框架失去生存空间； 多模态、具身智能技术迭代，全新架构完全替代“技能+本地脚本执行”模式； 全球监管全面限制本地高权限自主AI工具，商用落地基本锁死，仅小众极客圈子留存。 即便被边缘化，存量存量技能、配套站点、私有部署项目仍会维持5–10年长尾生命周期，不会瞬间彻底消失。 四、关键风险：会大幅缩短生命周期的致命隐患 安全重大事故 若出现大规模Skill供应链投毒、批量本地数据泄露事件，企业端市场会快速萎缩，仅保留个人玩家生态；官方正在完善自动病毒扫描、技能审核机制，风险持续降低。 创始人断更、无承接主体 当前项目由Peter单人主导，若后续精力转移、无商业公司接手维护，迭代速度断崖式下滑，竞争力快速落后竞品；目前已有多家AI服务商、模型厂商深度合作，存在接手预期。 算力成本长期居高不下 如果大模型API按量价格无法大幅下降，普通用户长期使用成本过高，会劝退大众用户，仅留存企业付费群体。 国内政策监管收紧 国内针对本地自主自动化工具出台限制，国内衍生生态、配套导航平台流量大幅下滑，但海外生态不受影响。 五、综合最终总结 0–3年（黄金期）：放心投入建站、填充内容、运营变现，生态高速扩张，流量红利充足； 3–7年（平稳期）：生态稳定存在，竞争变多，需要走差异化（私有化、离线、海外双语）路线维持竞争力； 7年以上（分化期）：要么成为长期基础设施永续存在，要么逐步小众长尾，即便衰退也有数年缓冲时间； 整体安全底线：至少拥有5年以上稳定商业运营周期，足够覆盖站点开发、回本、盈利完整周期；中长期只要避开通用综合赛道，主打本地离线私有化细分，生命周期会进一步拉长。
