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。
1 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
21 天前
AiPPT: 一句话、一分钟、一键搞定
28 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
28 天前
Ralph Loop 是一种让 AI 自主迭代的机制，主要用于解决 AI 编程助手"半途而废"的问题。
1 个月前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI