人工智能作为引领新一轮科技革命和产业变革的战略性新兴技术,在推动科学技术进步、传统产业优化升级、经济高质量发展等方面发挥了重要作用,正在成为世界各国密切关注并竞相发展的热点领域。近年来,美英德日等国均陆续发布国家层面的人工智能战略,积极推动人工智能研究开发和产业应用。
法国作为欧盟的核心成员国,在人工智能方面拥有深厚的学术研究底蕴,形成了较为活跃的创新创业生态,正在大力推动人工智能在经济中应用,致力于成为人工智能领域领导者。本研究系统梳理了法国人工智能战略部署的总体情况,总结了其推动人工智能发展的重要举措,概括了对中国人工智能发展的有益启示。
一、法国人工智能发展概况
早在二十世纪七八十年代,法国就已成立若干人工智能相关的算法、决策辅助等基础研究队伍,在数学和信息科学方面优势突出,集聚了大量人工智能人才和研究机构与团队,极大地推动了人工智能技术进步和创新创业。
1.1数学领域和人工智能领域科研成果丰硕
法国一直在数学领域人才辈出,并积累了较为丰富的经验,为多项有影响力的人工智能创新成果的发布奠定了良好基础。
1.1.1拥有十分深厚的数学文化底蕴
具有数学界诺贝尔奖称号的菲尔兹奖,是数学界的最高奖项,其颁发频次为每4年一次,每次仅有2~4个获奖名额。从菲尔兹奖颁发以来,法国至今已有12人获得此奖项,平均年龄为36岁。其获奖人数仅次于美国(18人),占总获奖人数(61人)的20%左右,如果以人口比例来衡量,法国对数学领域的贡献堪称世界第一(见表1)。法国历史上涌现了笛卡尔、费马、拉格朗日、傅里叶、柯西等多位著名数学家,提出了广义函数论、奇点理论、非线性偏微分方程、玻尔兹曼方程等多项数学领域的基本理论,为同时期的人工智能技术发展奠定了重要的数学基础。其中,2010年菲尔兹奖获得者塞德里克·维拉尼(Cedric Villani)证明的玻尔兹曼方程的非线性阻尼并收敛于平衡态为深度学习算法优化提供了重要理论基础。

1.1.2提出多项有影响力的人工智能创新成果
得益于在数学、信息科学等基础领域深厚的研究基础,法国积极在人工智能创新链和价值链上游开展人工智能基础理论和关键核心技术研究,提出了颇具影响力的卷积神经网络(CNN),推动了神经形态技术等人工智能成果涌现。深度学习先驱杨立坤(Yann LeCun)在20世纪80年代后期就利用手写数字图像训练了第一个卷积神经网络系统,与约书亚·本吉奥(Yoshua Bengio)、杰弗里·辛顿(Geoffrey Hinton)两位数学家共同提出了卷积神经网络,改进了反向传播算法,拓宽了神经网络的视角,于2018年获得图灵奖。卷积神经网络已经广泛应用在计算机视觉、语音识别和自然语言处理等领域并取得显著成效。法国的超低功耗神经形态计算先驱GrAI Matter Labs基于其20多年对人脑的研究在2018年提出了独特的神经形态计算范例,突破了冯·诺依曼计算机的局限性,提供大规模并行处理且完全可编程的传感器分析和机器学习,功耗降低效果显著。奥地利学者于2021年11月在《自然》上发表的一项研究再次证明,神经形态技术的能耗是传统人工智能系统的1/16~1/4。之后法国国家科学研究院主导研究出世界上第一个具有高稳定性的人造纳米神经元,可以识别不同音色,快速处理实时大数据,为制造更节能的微型芯片创造了条件。
1.2人工智能科研力量较为雄厚
法国培养了大量人工智能专业人才,组建的人工智能联合实验室和人工智能联合研究团体数量位居欧洲前列,拥有较为雄厚的人工智能科研力量。
1.2.1培养集聚大量人工智能人才
法国良好的教育和科研生态环境为人工智能人才集聚创造了良好条件。从2017年开始,法国一直加快培育人工智能领域人才。根据领英(LinkedIn)发布的《全球AI领域人才报告》显示,截至2017年第一季度,全球人工智能领域专业技术人才数量超过190万人,其中法国人工智能领域专业技术人才总数超过5万人,与中国并列全球第7位。截至2018年,法国人工智能科研团队数量超过250个,设立的人工智能硕士授予点共计35个。2019年,法国新增40所开设人工智能专业的院校,双倍扩招人工智能专业博士研究生,招生人数从250名上升至500名。人工智能跨学科研究中心(Instituts Interdisciplinaires d’Intelligence Artificielle,3IA)积极推动各地区之间开展人工智能人才教育培训。截至2021年,人工智能跨学科研究中心共计培养了454名人工智能相关专业博士和博士后、13000余名人工智能领域专业人才。同时,法国在深度学习、模式识别方面积累了众多高端人才,包括深度学习三巨头之一杨立坤(Yann LeCun)、菲尔兹奖获得者塞德里克·维拉尼(Cedric Villani)和GR22研究团队创始人克罗德-富朗索瓦·皮卡尔(Claude-François Picard)等。
1.2.2人工智能联合实验室数量世界领先
根据法国经济、财政及工业、数字主权部统计,截至2021年,法国拥有81个高水平、多学科的机构间人工智能联合实验,位居欧洲第一。其中,法国国家科学研究中心(CNRS)是法国乃至整个欧洲最具影响力的科研机构之一,也是人工智能领域的核心研究力量。法国国家科学研究中心与高等院校、科研单位建立了共计51个人工智能联合实验室,形成跨学科、跨院系、跨机构的混合研究单位,研究方向涵盖基础研究、交叉学科研究、技术应用等多个领域,具有代表性的包括法国国家科学研究中心与巴黎第六大学共建的计算机和人工智能实验室LIP6,与蒙彼利尔大学共建的计算机科学、机器人和微电子实验室LIRMM以及数学实验室IMT等。其中,LIP6实验室是法国规模最大的计算机科学实验室之一。法国国家科学研究中心还设立了4个人工智能联合研究团体(GDR),集聚全国顶尖研究团队和研究力量,针对人工智能重点学科研究领域开展合作研究,分别关注模型和算法(GDR IA团体)、图像信息和视觉信号处理(GDR ISIS团体)、数据分析和知识决策(GDR MADICS团体)、自然语言处理(GDR TAL团体)4个领域。
1.3人工智能领域创新创业十分活跃
近年来,法国人工智能领域的初创企业数量加快增长,吸引了多个全球性的跨国企业来法国建厂,聚集了大量全球优质资源,为人工智能的技术研发和产业应用创造了良好的发展环境。
1.3.1人工智能领域初创企业数量持续增长
近几年法国人工智能领域初创企业一直保持增长态势,驱动人工智能技术应用落地。法国政府为鼓励科技创新创业,出台了“法国科创”(La French Tech)等长期性扶持计划,为人工智能等新兴技术创新创业营造了良好的政策环境,推动法国人工智能初创企业快速孵化。2019年2月,法国财政部发布的《法国人工智能技术发展水平和前景》报告指出,目前人工智能技术在法国的医疗、制造、交通、金融、农业等行业的应用最为广泛。其中与医疗行业融合最为紧密,特别是在预防医学、医学诊断和医学研究方面的应用尤为突出。截至2021年,法国人工智能初创企业达到502家,比2020年增长11%,其主攻市场涵盖自动驾驶、金融、机器人等多个应用领域,其中在机器人、无人机和3D打印领域拥有较强的竞争力。
1.3.2吸引多家跨国企业来法国投资建厂
法国已经成为跨国互联网企业开设研究中心的首选之地。法国拥有大量高质量的研究人才、较低的薪酬制度以及鼓励企业研发的研究抵免税等优惠政策,这为众多跨国企业入驻法国创造了先决条件。多家国际顶尖科技公司在法国设立技术研发中心,推动全球创新资源在法国集聚。2018年,脸书(Facebook)在巴黎设立了继美国门洛帕克和纽约的第三家人工智能技术研发中心,也是海外设立的首家从事自动语音识别、图像识别、机器学习等关键技术研发的创新中心,并与法国国家信息与自动化研究所建立长期合作关系,共同开展研发项目;2019年2月,美国微软公司在法国成立人工智能全球发展中心,英特尔公司也宣布在法国开办首家欧洲大数据研究中心。法国本土企业凭借强大的技术创新能力吸引了大量国际IT巨头投资建厂,基于法语的多项自然语言训练项目对谷歌、脸书等跨国企业具有极大的吸引力,其纷纷前来投资发展自身业务,同时,法国的机器学习公司Moodstocks、机器人公司Aldebaran Robotics等优势企业相继被谷歌、日本软银并购,为本国引进了越来越多的全球优质资源。
二、法国推动人工智能发展的主要举措
进入21世纪以来,法国一直在欧盟框架下积极发展人工智能。一方面,通过参与欧盟“人类大脑计划”(HBP),法国获得10亿欧元支持,加强自身在神经网络理论、认知神经科学和伦理学等方面的研究;另一方面,与欧洲其他24个国家联合签署《人工智能合作宣言》,明确提出与欧洲其他各国共同解决人工智能在社会、经济和伦理等方面的挑战,提升欧洲人工智能的整体研发水平。在该目标指引下,法国出台国家人工智能发展战略和相关领域智能技术应用计划,将以人为本的人工智能作为发展的基本要求,设立跨学科研究中心、人工智能联合实验室等专门机构推动人工智能研究,通过发布专门的人工智能人才专项计划和增设人工智能相关专业等方式,大力推动人工智能赋能医疗健康、交通运输等重点领域,联合民间力量发布多项有效防范人工智能算法风险和应对伦理安全问题的规范文件,致力于成为欧洲人工智能领域的领导者。
2.1发布国家层面的人工智能战略部署
近年来,法国高度重视人工智能发展,发布国家层面的人工智能战略,并出台重点领域的人工智能发展规划文件,致力于成为人工智能领域的领导者。
法国政府系统谋划人工智能发展。2017年3月,法国高等教育、研究与创新部发布《法国人工智能战略》,指出法国政府要从战略高度发展人工智能技术,整合人工智能领域的科技力量,确保法国成为欧洲人工智能领域的领导者。该战略将人工智能纳入原有创新战略与举措中,围绕技术研发、人才培养、应用转化、伦理安全等多个领域提出50余项政策举措,全面推动人工智能发展。2021年11月,法国财政部,高等教育、研究与创新部发布《国家人工智能第二阶段发展战略(2021—2025年)》,明确了未来5年人工智能发展的核心任务和主要措施。与第一阶段发展战略相比,该战略加大了资金投入,提出在2021—2025年内投入22.2亿欧元(其中15亿欧元为公共资金,5.06亿欧元为私人资金,2.14亿欧元未公开资金来源),并将战略重点从基础研发建设转向人才技能培育和智能技术与经济社会的融合应用。
围绕技术研发、场景应用和国防发展等重点领域大力推进人工智能发展。2018年3月,法国总统马克龙在法兰西学院召开的“全国人工智能研讨会”上发表题为“AI造福人类”的演说,随后由高等教育、研究与创新部于同年11月整理发布《国家人工智能研发战略》,计划在2018—2022年投入15亿欧元公共资金和5亿欧元非政府资金,围绕构建跨学科人工智能网络、建设世界一流的人工智能研发中心、加强教育和人才培养、投资公共研究的计算能力等方面进行系统部署,力争将法国打造成在人工智能研发方面足以和中国、美国抗衡的世界一流强国。2019年11月,法国国防部出台《人工智能的国防应用路线图》,面向数据硬件需求、创新研发战略、道德法律框架、组织机制和重点任务、国际合作5个方面做出系统部署。法国人工智能国家战略概览如表2所示。

2.2大力推动人工智能跨学科研究
法国有力整合各方研究资源,通过设立跨学科研究中心、人工智能联合实验室等持续推动人工智能研究机构开展跨学科研究和合作。
设立专门机构统筹推进人工智能跨学科研究。法国围绕“教育培训、基础研究、应用研究”三大核心任务,积极推进跨学科研究。2019年4月,法国高等教育、研究与创新部选取巴黎、格勒诺布尔、图卢兹和尼斯4个基础较好、科研实力较强的地区,分别设立巴黎人工智能跨学科研究中心(PRAIRIE)、格勒诺布尔人工智能跨学科研究中心(MIAI)、图卢兹人工智能跨学科研究中心(ANITI)和尼斯人工智能跨学科研究中心(3IA Côted’Azur)4个人工智能跨学科研究中心,以便更好地集聚地区间的产学研资源,形成具有引领性和凝聚力的联合研究网络。人工智能跨学科研究中心由法国国家信息与自动化研究所负责统筹推进,由政府部门、科研机构与企业共同资助,协调组织区域内顶尖的高校、科研机构和创新企业共同参与构建(见图1)。

集聚全球人工智能发展的优势企业和研究力量,有利于人工智能发展的创新生态的形成。以尼斯人工智能跨学科研究中心为例,该中心集聚了法国南部的主要科研力量和产业资源,包括尼斯大学计算机科学、信号与系统实验室(Laboratoire d’Informatique,Signaux et Systèmes de Sophia Antipolis,I3S)、让·亚历山大·欧仁·迪厄多内实验室(Laboratoire Jean-Alexandre Dieudonnè,LJAD)等在数学、计算机科学、机器人领域具有扎实研究基础的科研单位,以及尼斯大学附属医院等专业医学研究机构,形成了跨学科的研究团体。依托南部医疗产业优势资源,与SKEMA商学院以及60多家公司和初创企业聚焦医学领域和生物学领域,开展人工智能基础理论和技术应用研究,构建形成了良好的科研创新生态(见图2)。

2.3十分重视人才培养和学科建设
法国十分重视人工智能人才的培养和学科建设,通过发布专门的人工智能人才专项计划、增设人工智能相关专业等方式,不断强化专业化人才的能力和普通公民的智能化素养。
发布人工智能人才专项计划,强化人工智能人才培养。2021年,法国政府投入7.81亿欧元,启动两项为期5年的人工智能人才培育计划,包括“人工智能学科卓越培训计划”和“人工智能大规模培训计划”。其中,“人工智能学科卓越培训计划”旨在支撑高等教育机构强化人工智能教育资源建设,提升法国高校在人工智能学科教育领域的国际影响力,以吸引更多优秀的国际学生和海外人才。“人工智能大规模培训计划”致力于普及人工智能大众化教育,一方面拓展学科种类,在数学和计算机科学等基础学科以外,开发人工智能、机器人和数据技能等多学科培训课程,并强化人工智能与网络安全、人工智能与生命科学、人工智能与云计算等跨学科教育;另一方面完善非专业领域教育体系建设,在工程师、硕士、博士等专业学制体系外,开发面向非专业人员的课程培训,促进人工智能领域的再就业,为人工智能发展提供多元化的人才储备。
增设人工智能相关专业,加强人工智能学科建设。法国推出“210所工程师院校”,在这些院校中开设人工智能相关专业,积极培育人工智能专业人才。例如,巴黎综合理工学院于2018年9月开设人工智能与高级视觉计算硕士专业,每年招收30名学生;巴黎高等矿业学院于2018年10月开设人工智能硕士专业等。
2.4围绕重点领域强化人工智能应用
法国十分重视人工智能对经济社会带来的赋能作用,聚焦医疗健康等领域,不断加大投资力度,建立技术支撑平台和数据中心等基础设施,加快推动人工智能在民生领域的应用。
在“未来投资计划”框架下,持续加大对人工智能相关项目的资助力度。自2018年以来,法国“未来投资计划”(PIA)组织实施的年度性项目评选资助机制——“构建竞争力的研发项目”(PSPC),相继资助了10个人工智能产业应用项目,包括医疗领域的混合人工智能应用项目、自动驾驶项目等。2020年,法国公共投资银行面向人工智能初创企业发起了“人工智能挑战”(Challenges IA)资助计划,围绕健康、交通运输、环境和国防安全四大应用领域,征集支撑传统企业数字化转型的人工智能技术解决方案,共计资助了13个项目,帮助21家企业和5个公共机构实现智能化转型。同时,法国相继开展了农业(AgDataHub)、物流(IACargo)、自动语音处理(VoiceLab)领域行业数据池项目,并建立了人工智能通用平台(Aleia)。
优先推动人工智能赋能医疗健康领域快速发展。2018年,法国创新委员会(Conseil del’Innovation)发布“人工智能挑战——利用人工智能改善医疗诊断”计划,在3年内投入3000万欧元,推动人工智能在医疗领域的算法开发和技术应用。法国将医疗健康领域作为人工智能应用发展的优先领域,2019年法国政府启动建立健康数据中心(Health Data Hub),与国家健康数据系统(SNDS)相连,对法国全体公民的健康数据进行整合和存储,并向相关科研机构开放,为智慧医疗研发提供了丰富的数据支撑。
2.5高度关注人工智能算法风险和伦理安全问题
法国对人工智能的伦理治理问题高度关注,发布多项指导人工智能安全应用的指南和条例,联合工业龙头企业发布《工业人工智能宣言》,积极推动人工智能健康发展。
十分重视人工智能应用带来的伦理安全问题。法国国家信息与自由委员会(CNIL)作为法国的数据监管机构,围绕算法和系统安全等方面出台多项条例和安全指南。在算法安全方面,发布了《人工智能与算法伦理风险》,深入分析了人工智能算法可能引发的系列伦理问题,并提出治理举措建议。在系统安全方面,发布了《人工智能系统自评估》《人工智能系统安全指南》,致力于为公众、专业机构和相关领域专家提供有关人工智能系统安全性的知识、理论工具和实施指导,围绕规划设计、数据资源安全性、保护和强化学习过程、使用可靠应用程序、考虑组织战略5个方面,提出强化人工智能系统安全性的操作建议。法国国家信息与自由委员会还发布了《人工智能如何遵守通用数据保护条例》,指导专业机构基于欧洲数据法规进行人工智能系统成熟度的自评估。
政府与民间合作组织共同推动人工智能健康发展。除了法国国家信息与自由委员会从监管的角度开展风险管控之外,政府也积极联合民间力量探索出台一系列保障人工智能健康发展的文件。2019年7月,法国经济和财政部与法国液化空气公司、达索航空公司等8家全球行业巨头签署了《工业人工智能宣言》,旨在通过人工智能技术推动行业发展,增加就业机会,促进可信、可解释、可证明的智能技术在工业领域的广泛应用等。2019年9月,法国数字生态系统专业联盟联合相关研究机构和政府部门发布了《人工智能伦理实用指南》,围绕人工智能的设计、开发和部署过程提出符合伦理道德的行为准则框架,以指导企业开发值得信赖的人工智能系统。法国人工智能伦理治理相关文件清单如表3所示。此外,法国还在2019年12月成立了政府伦理委员会,旨在监督军事人工智能的发展。

三、对中国人工智能发展的启示
中国自2017年发布《新一代人工智能发展规划》以来,实施人工智能重大项目,布局创新基地和平台,加强人工智能专业人才培养和全民智能化素质提升,稳步推进人工智能伦理治理,同时也配套出台了一系列政策举措,大力推动人工智能技术研发和赋能经济社会发展。当前,中国人工智能正处于加速发展阶段,在关键核心技术方面实现了突破,与实体经济的融合发展也取得积极进展。但中国人工智能整体发展水平与发达国家相比,在重大原创成果、产业生态、伦理安全等方面,仍有一定差距。通过对法国人工智能战略部署和发展经验的总结分析,结合中国人工智能发展现状,提出以下几点启示:
一是结合发展实际,适时出台具有阶段性特征的人工智能发展行动计划。借鉴法国适时出台第二阶段战略的经验,以《新一代人工智能发展规划》为根本目标,及时总结上一阶段发展所取得的成效,分析当下所处阶段的形势和需求,进一步明确最新阶段的目标和任务,结合本阶段的人工智能发展特点,制订出台新一轮3年行动计划等具体实施方案。
二是加强跨学科研究和跨学科人才培养。鉴于人工智能本身具有学科交叉的性质,以及其在助力科学研究领域的特点,人工智能发展与跨学科研究相辅相成。积极搭建跨学科交流和合作的平台,建资料来源:根据机构网站公开政策信息整理。文件名称发布单位发布时间要点概况《人工智能系统自评估》法国国家信息与自由委员会2022年4月构建了人工智能系统安全评估指南,围绕系统使用目的、数据收集训练、算法开发训练、系统使用过程、风险防范、用户权利、责任主体等7个方面,指导相关机构和组织进行系统自评估《人工智能系统安全指南》法国国家信息与自由委员会2022年4月研究分析了人工智能存在的重要性、人工智能出现错误的原因以及法国国家信息与自由委员会需要介入监管的关键环节,为未来的监管框架设计提供基础思路《人工智能如何遵守通用数据保护条例》法国国家信息与自由委员会2022年4月基于欧洲数据法规,为相关机构和组织开展人工智能系统成熟度的自评估提供了12条指导建议续表立跨学科的研究中心和校企合作基地等,推动不同学科、不同领域的专家、学者、企业家等交流合作,加快推动基础理论研究和关键技术攻关;加强跨学科人才的培养,推动“人工智能+X”多学科协同教学模式,探索校企合作等人才培养模式,培育具备跨学科背景的复合型人才。
三是围绕与人民生产生活密切相关的重要场景,加快推动人工智能融合应用。聚焦与人民生产生活和经济社会发展密切相关的重要领域,明确人工智能可以发挥作用的应用场景,加大资金支持力度,设立专门推动融合发展的项目,鼓励企业带头加强智能化应用,推动人工智能应用场景创新,带动智能产业规模加速发展。
四是加强风险防范和伦理监管。人工智能的伦理治理问题与人工智能的技术发展同等重要,要强化不同主体对人工智能伦理问题的关注和治理意识,在《新一代人工智能治理原则——发展负责任的人工智能》和《新一代人工智能伦理规范》的基础上,围绕自动驾驶等关键领域,制定行业和领域内的治理准则、开发手册等,积极推动人工智能健康发展。
作者:侯慧敏,徐峰,王艺颖,李芳
(中国科学技术信息研究所,北京100038)
来源:《全球科技经济瞭望》2023年2月第38卷 第2期
文章观点不代表主办机构立场。

2 天前
OpenClaw 本质是“开发者基础设施”,而非面向大众的 SaaS 产品。

21 天前
用 OpenClaw 搭建一个本地 Agent 中枢(完整方案) 不是再做一个 ChatGPT,而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到: 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚: 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁,不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」? 先明确一个概念,避免误解。 ❌ 不是: 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是: 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢,至少要解决 5 件事: 多 Agent 协作(不是单轮对话) 任务调度与状态管理 模型可替换(本地 / API) 工具调用(搜索、代码、文件等) 可长期运行、可追溯 OpenClaw 的定位,正是这个“中枢层”。 为什么选择 OpenClaw? 在进入部署前,必须先回答一个现实问题: 为什么不是 LangGraph / CrewAI / AutoGen? 简要结论(非常重要) 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰,不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是: “做一个长期使用的 AI 中枢,而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构:OpenClaw 本地 Agent 中枢怎么搭? 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备(实战级) 1️⃣ 基础环境 推荐环境(已验证): Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议(非常现实) 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多,而是“可切换” 核心步骤:搭建 OpenClaw 本地 Agent 中枢 Step 1:部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后,你将拥有: Agent 管理入口 任务调度服务 统一配置中心 Step 2:定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例: agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent: Research Agent(信息收集) Planner Agent(任务拆解) Executor Agent(执行) Step 3:建立 Agent 协作流程 例如一个典型任务: “调研某行业 → 输出分析 → 给出建议” 流程是: Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步,才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景:AI 工具评估中枢 你可以搭一个 Agent 中枢来做: 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统: 人工成本极高 用 Agent 非常合适 总结:什么时候该用 OpenClaw? 当你意识到:AI 不再是“一次性回答”,而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”,而是让你“真正拥有 AI 能力”。

25 天前
Asking User Question Tool(AI智能体版) 这是AI智能体必备的交互式工具,让Agent在执行任务时主动向用户提问、澄清需求、收集信息,避免瞎猜、减少返工、提升准确率。 一、核心定位 本质:Agent的“人在回路”交互接口,让AI在模糊/信息不足时暂停执行,向用户要明确输入。 作用:把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称: AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流(极简) 1. Agent判断信息不足:发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题:单选/多选+自定义输入+说明 3. 用户作答:在聊天/弹窗/终端选择或输入 4. Agent接收答案:解析结构化结果,补全上下文 5. 继续执行任务:基于完整信息推进,不再猜 三、关键能力(标配) 结构化提问:标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清:自动追问,直到需求完全明确 结构化返回:输出JSON,方便前端渲染(按钮/表单/弹窗) 人在回路:强制用户确认,避免AI自主决策风险 多轮交互:可连续提问,形成“需求访谈”流程 四、主流实现(你会遇到的版本) Claude Code(Anthropic) 原生内置,最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent(通义千问) 开源工具: qwen_agent/tools/ask_user_question.py 支持参数: question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ,Java生态 模型无关,可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体,用于任务执行前确认 本地运行,隐私优先 五、典型使用场景(高频) 需求澄清:“做一个登录页”→AI问:技术栈?风格?是否第三方登录? 偏好收集:“写报告”→AI问:正式/ casual?长度?受众? 决策点确认:“部署服务”→AI问:云厂商?实例规格?环境? 复杂任务拆解:多轮提问,把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天:用户主动说,AI被动答;信息靠用户自己补全 AskUserQuestion:AI主动问、结构化问、按任务节点问;用户只需点选/填空,效率高、歧义少 七、为什么要用(价值) 减少返工:一次做对,节省时间与Token 提升准确率:AI不瞎猜,结果更贴合需求 降低门槛:用户不用写长Prompt,点选即可 安全可控:关键决策必须用户确认,避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”,让Agent从“猜着做”变成“问清楚再做”,是构建可靠、实用AI助手的核心工具。

27 天前
部署本地 OpenClaw 主要有两种主流且资料详尽的方式,你可以根据自己的技术背景和需求来选择。 我把这两种方式的流程整理成了一个概览表格,方便你快速对比和决策: 特性 方案一:Docker 部署(推荐新手) 方案二:Node.js 源码部署(适合开发者) 核心依赖 Docker, Docker Compose, Git Node.js (≥22), npm, Git 优点 环境隔离,部署和卸载干净,失败率低,适合快速体验 配置灵活,方便二次开发和调试,可直接运行最新源码 缺点 需要了解基本的 Docker 命令 对系统环境要求较高,可能遇到依赖冲突 适用人群 希望快速、稳定运行OpenClaw的用户 开发者、希望修改源码或深度定制OpenClaw的用户 方案一:使用 Docker 部署(推荐) 这种方法将 OpenClaw 运行在容器中,与你的系统环境隔离,最为稳妥。 第1步:准备工作与环境检查 在开始之前,请确保你的电脑满足最低要求:CPU ≥ 2核,内存 ≥ 4GB,磁盘空间 ≥ 20GB 。 第2步:安装通用依赖 你需要安装 Docker、Git 等工具。以下是 Linux (Ubuntu/Debian) 的示例命令,Windows 用户请手动下载安装 Docker Desktop 和 Git 。 # 1. 安装 Docker (使用阿里云镜像加速) curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun # 2. 启动 Docker 并设置开机自启 sudo systemctl start docker sudo systemctl enable docker # 3. 验证 Docker 安装 docker --version && docker compose version # 4. 安装 Git sudo apt update && sudo apt install git -y git --version 第3步:获取 OpenClaw 源码与镜像 创建工作目录,并拉取汉化版的源码和预构建的 Docker 镜像 。 # 1. 创建并进入部署目录 mkdir -p /opt/openclaw && cd /opt/openclaw # 2. 拉取2026版OpenClaw源码(汉化版) git clone https://github.com/openclaw-community/openclaw-zh.git . # 3. 拉取OpenClaw核心镜像(国内加速源) docker pull registry.cn-hangzhou.aliyuncs.com/openclaw/openclaw-core:2026-zh docker pull registry.cn-hangzhou.aliyuncs.com/openclaw/openclaw-web:2026-zh # 4. 验证镜像拉取结果 docker images | grep openclaw 第4步:初始化配置文件 复制配置文件模板并进行修改,填入你的 API Key 等重要信息 。 # 1. 复制默认配置文件 cp config/example.yaml config/config.yaml # 2. 编辑配置文件 (这里使用nano,你也可以用vim) nano config/config.yaml 找到文件中的对应部分,修改为以下内容。请务必将 你的阿里云百炼API-Key 替换为你自己的密钥 。 # ① 模型配置(替换为你的API-Key) models: providers: bailian: apiKey: "你的阿里云百炼API-Key" # <-- 在这里填入你的Key model: "bailian/qwen3-max-2026-01-23" # ② 服务端口配置 server: port: 18789 host: "0.0.0.0" # 监听所有网络接口,方便局域网内访问 # ③ 数据存储配置(本地路径) storage: local: path: "/opt/openclaw/data" 保存文件 (nano 中按 Ctrl+X,然后按 Y 确认,再按 Enter)。 第5步:启动 OpenClaw 服务 使用 Docker Compose 启动服务,并检查运行状态 。 # 1. 启动服务(后台运行) docker compose up -d # 2. 查看服务启动状态(所有容器应为 "Up" 状态) docker compose ps # 3. (可选)查看启动日志,确保无错误 docker compose logs -f 第6步:访问并完成初始化 打开浏览器,访问 http://127.0.0.1:18789 (如果在本机) 或 http://你的局域网IP:18789。首次访问时,页面会引导你设置管理员密码,之后就可以开始使用你的 OpenClaw 了 。 方案二:使用 Node.js 从源码部署 这种方式更贴近开发环境,适合需要定制功能的用户。 第1步:安装 Node.js 环境 OpenClaw 需要 Node.js 22 或更高版本 。推荐使用 NodeSource 仓库进行安装。 # 1. 添加 NodeSource 仓库 (以 Node.js 22 为例) curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash - # 2. 安装 Node.js sudo apt install -y nodejs # 3. 验证安装 node -v # 应显示 v22.x.x 或更高 npm -v # 4. (可选) 配置 npm 国内镜像加速 npm config set registry https://registry.npmmirror.com 第2步:安装 OpenClaw 官方提供了一个一键安装脚本,会自动完成全局安装 。 # macOS / Linux 系统执行 curl -fsSL https://openclaw.ai/install.sh | bash 安装脚本执行完成后,会自动进入一个名为 onboard 的交互式设置向导。如果向导中断,你可以随时通过 openclaw onboard --install-daemon 命令重新启动 。 第3步:处理可能遇到的问题 command not found 错误: 安装后如果找不到 openclaw 命令,通常是因为 npm 的全局安装目录不在系统的 PATH 环境变量中。你可以通过 npm prefix -g 找到该目录(例如 /usr/local),然后将 export PATH="$(npm prefix -g)/bin:$PATH" 添加到你的 ~/.bashrc 或 ~/.zshrc 文件中,并执行 source ~/.bashrc 使其生效 。 sharp 模块安装失败: 在某些系统上,可能会遇到图像处理库 sharp 的安装错误。可以尝试设置环境变量绕过本地编译:SHARP_IGNORE_GLOBAL_LIBVIPS=1 npm install -g openclaw@latest 。 第4步:运行 OpenClaw 完成配置后,你可以通过以下命令启动 OpenClaw 的 Gateway 核心服务 : openclaw gateway 然后,打开浏览器访问 http://127.0.0.1:18789 即可看到 Web 控制台界面 。 总的来说,对于大多数想要本地尝鲜的朋友,我强烈建议使用 Docker 方案,它足够简单且不容易把系统环境弄乱。如果你是个喜欢折腾的开发者,希望深入定制 OpenClaw 的能力,那么 Node.js 源码部署会更适合你。

28 天前
2026年2月,维也纳这座古典音乐之都意外成为AI开源社区的焦点。继旧金山ClawCon之后,OpenClaw(中文社区昵称“小龙虾”或“龙虾”)的欧洲首场线下盛会——ClawCon Vienna顺利举办,吸引了约500名开发者、创业者、AI爱好者和非技术背景的“蟹教徒”齐聚一堂。现场能量爆棚,原定场地直接爆满,主办方紧急加开直播点,线上线下同步狂欢。这场聚会不仅是技术分享,更是“养龙虾”亚文化的一次集体高光。 Peter Steinberger:家乡英雄的“衣锦还乡” OpenClaw创始人Peter Steinberger(中文圈常称“虾爸”或“龙虾之父”)是奥地利本地人,曾就读维也纳工业大学,早年创办PSPDFKit(移动PDF解决方案公司),2021年以高价出售大部分股份后一度“退休”。2025年底,他重出江湖推出Clawdbot(后更名为OpenClaw),一个完全本地运行、开源的自主AI Agent框架,支持多模型调用、工具集成和复杂任务执行。 在维也纳大会上,Peter以“回家”姿态登台,分享了项目从车库原型到全球现象的历程。他强调OpenClaw的核心理念:让普通人也能轻松拥有强大AI能力,无需编程门槛,就能让Agent完成从酿啤酒配方生成到模拟小型公司运营的各种任务。现场开发者分享真实案例,有人用它自动化职场周报,有人构建个人知识库,还有人让它24小时监控市场情报。企业家和开发者一致认为,“Agent经济”已在悄然成型,而OpenClaw正成为这场革命的先锋。 从聊天框“逃离”:3D可视化与具身进化 大会最亮眼的Demo之一来自开发者Dominik Scholz。他基于OpenClaw打造了一个3D交互界面(使用Three.js + Electron),将Agent的推理过程从线性文本“解放”到三维空间:思考路径如星云扩散、决策节点如能量流,用户可以从“驾驶舱视角”直观观察AI内部逻辑,避免传统黑盒体验。 这一展示呼应了社区共识:未来的AI Agent不应永远困在对话框里,而应向更沉浸、更具情绪价值的形态进化。有人开玩笑说,早期的“soul.md”文件被删是为了“净化灵魂”,但也反映出大家对AI具身化、元宇宙式交互的热情探索。 史上首款“龙虾手机”亮相:25美元实现廉价具身AI 另一个重磅炸场的是开发者Marshall的ClawPhone项目。他在一台仅售25美元的廉价手机上安装OpenClaw,并授予完整硬件权限。Agent可直接调用麦克风、摄像头、短信、打印机等,实现实时TTS(语音合成)、浏览器自动化、短信预约、设备远程控制等功能。 现场演示中,ClawPhone通过打印机错误音“哔哔”反馈任务状态、WhatsApp审批流程、甚至自主预约日程。Marshall认为,这种极客玩具预示未来:每个房间、实验室或小型机器人可能都配备类似廉价“龙虾终端”——断网也能运行,极端情况下“一锤砸掉”即可关停,形成分布式、去中心化的具身AI节点。 全球“养龙虾”浪潮:从旧金山到维也纳,再到亚洲 ClawCon Vienna是OpenClaw全球化扩张的又一里程碑。上周旧金山首场ClawCon已吸引超1000人,韩国AI女友项目Clawra上线后一夜爆火。全球开发者正围绕OpenClaw构建技能市场、Prompt库、多Agent协作系统,从单一工具演变为活跃开源生态。 维也纳的狂欢证明:OpenClaw已超越技术本身,成为一种社区文化现象。“蟹教徒”“虾粮”“蜕皮进化”“龙虾大逃杀”等梗在中文圈刷屏,英文社区也同步玩梗。项目从本地运行到硬件具身、从聊天框到3D空间,正在以惊人速度进化。 结语:小龙虾的下一个蜕皮 维也纳ClawCon不是终点,而是OpenClaw“征服全世界”叙事的又一章。Peter Steinberger的回归、社区的狂热、硬件的创新,都在告诉我们:开源AI Agent的春天来了,而“小龙虾”正以最意想不到的方式,搅动整个行业。

1 个月前
Xiaomi-Robotics-0 预训练了大量跨身体机器人轨迹和视觉语言数据,使其能够获得广泛且可推广的动作生成知识,同时保持强大的VLM能力。

1 个月前
在2026年开发AI产品时,搭建一个生产级(production-grade)RAG系统已经不再是“简单接个向量数据库就行”,而是需要系统性工程化思维。以下是从0到1再到生产可用的完整路径,按实际优先级和踩坑顺序组织。 一、生产级RAG ≠ Demo级RAG 的本质区别(2025-2026共识) 维度 Demo级(常见教程) 生产级(真正能上线赚钱) 为什么重要 文档量 几MB ~ 几百页 几万 ~ 几百万文档 / 多模态 / 每天增量更新 决定了分块、索引、召回策略完全不同 召回准确率 60-75% 目标88-95%+(视场景) 差10%召回率,用户体验天差地别 延迟 2-8秒随便 <1.5秒(p95),理想<800ms 用户流失率与延迟呈指数关系 幻觉控制 看运气 需要多重机制把幻觉率压到<5% 企业客户最怕胡说八道 可维护性 脚本跑一遍就行 需要数据质量pipeline、版本控制、监控告警 半年后没人敢碰代码 成本 不care embedding + LLM + vectorDB 每月几千到几十万刀 直接影响商业模式能否跑通 二、2026年主流生产级RAG搭建完整路径(推荐路线) Phase 0:先别写代码,先做这两件事(很多人跳过直接失败) 明确业务成功标准(最重要一步) 准确率目标:≥88%(RAGAS faithfulness & answer relevancy) 幻觉率:<5% 响应时间:p95 < 2秒(或按产品定位) 支持的文档类型:PDF/Word/Excel/网页/Markdown/扫描件/表格/图片? 更新频率:实时 / 每天 / 每周? 用户问题类型:单轮 / 多轮 / 带表格 / 需要推理? 准备评估集(金标准) 至少200-500条 真实用户问题 + 人工标注的完美答案 后续所有优化都拿这个集子打分 Phase 1:数据摄入与预处理(决定天花板,占60%工作量) 现代顺序(2025-2026主流做法): 文档清洗与质量分级(最被低估的一步) 运行一个轻量文档质量打分模型(或规则+小型LLM) 分三类:Clean / Decent / Garbage Garbage类直接人工干预或低权重处理 结构化解析(别直接喂Unstructured) PDF:用Marker / PyMuPDF + table detection(Marker 2025年后很强) Word/Excel:python-docx / pandas 保留层级:标题 → 段落 → 表格 → 图片说明 → 元数据 高级Chunk策略(2026年最核心差异化点) 策略 Chunk大小 适用场景 召回提升 Fixed-size 512 token 快速验证 baseline Semantic 200-800 主流生产 +15-25% Hierarchical 父子chunk 长文档、合同、手册 +20-35% Proposition-based 小粒度命题 法律/医疗/技术文档 +30%+ 推荐起步组合:Semantic + 父子索引 + 100-200 token重叠 Phase 2:Embedding 与 向量存储(2026主流选型) Embedding模型推荐(2026.2月时点性价比排序): bge-m3 / Snowflake Arctic Embed(开源王者) voyage-3-large / Cohere embed-v4(闭源但效果顶尖) text-embedding-3-large(稳定但已被超越) 向量数据库主流选择: 场景 首选数据库 次选 备注 < 100万向量 Chroma / Qdrant本地 PGVector 开发快 100万-1亿 Qdrant / Milvus Weaviate Qdrant 2025-2026口碑最佳 亿级 + 高并发 Pinecone serverless Zilliz Cloud 省心但贵 极致私有化 pgvector + pgvectorscale Milvus standalone 强烈建议:hybrid search(dense + sparse / BM25)几乎成为2026标配。 Phase 3:检索与后处理(拉开差距的关键层) 现代检索流水线(2026主流): 用户问题 ↓ Query分类与改写(是否需要检索?多意图拆分?) ↓ 多路召回(vector + BM25 + 知识图谱等) ↓ 初筛 top-30~100 ↓ 重排序(Cohere Rerank3 / bge-reranker-v2 / flashrank) ↓ 上下文压缩 / 抽取(LLM summarize top-8) ↓ 最终给LLM的上下文(带清晰source引用) Phase 4:生成与防幻觉 Prompt工程模板(必须有): 强制要求:只用提供的内容回答 / 不知道就说不知道 / 标注来源 结构化输出(JSON)便于下游解析 防幻觉组合拳: Self-Check / Self-RAG Corrective RAG Groundedness check(RAGAS / TruLens) 后置事实核查(小模型或规则) Phase 5:评估、监控、迭代闭环(生产级灵魂) 必须上的指标: Retrieval:Recall@K, MRR, NDCG Generation:Faithfulness, Answer Relevancy, Context Precision/Recall End-to-End:用户打分 / A/B测试 / 业务指标(解决率、CSAT) 推荐工具组合(2026主流): 评估:RAGAS / DeepEval / TruLens / Phoenix 监控:LangSmith / Helicone / Phoenix / PromptLayer Orchestration:LangGraph / LlamaIndex Workflows / Haystack / Flowise(低代码) 三、2026年推荐最小可用生产技术栈(性价比最高) 极简但能上线(适合小团队) 解析 → Marker / LlamaParse 向量化 → bge-m3 或 voyage-3 向量库 → Qdrant (docker) 召回+重排 → Qdrant + bge-reranker-v2 框架 → LlamaIndex 或 LangGraph LLM → DeepSeek-R1 / Qwen2.5-72B-Instruct / Claude-3.5-Sonnet (根据预算) 评估 → RAGAS + 人工golden set 进阶企业级(已验证可支撑十万+文档) 加:混合检索 + 父子索引 + query分解 + 多路召回 + 上下文压缩 + corrective RAG + 在线监控 一句话总结2026年RAG哲学: “70%的效果提升来自于数据质量、切块策略和检索后处理;20%来自embedding和重排序模型;只有10%靠换个更强的LLM。” 先把前70%做好,后面自然水到渠成。 ( Grok )

1 个月前
AI越来越像古希腊的“神谕”(Oracle)——权威、神秘、能给出惊人准确的答案,但如果我们把探索的过程完全交给它,就等于主动放弃了人类心智最宝贵的那部分自由与创造性。
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