「帮我提前打个车，到汉口火车站，别让我等。」 这句话发出去，三十秒，行程卡片回来了，登录确认一下，车就叫到了。发这句话的地方，不是打车软件，是豆包的聊天框。 大家好，我是小虎。 9月28日，豆包上线「

HyperFrames把HTML、动画和音视频素材组织成一个可编辑的工程，再逐帧渲染为视频。它值得关注的地方，在于画面里的文字、位置和时间都有明确对应的源文件，做完之后还能继续改。 一条20秒的活动预

最近我又在 WorkBuddy 里面测试了一个新模型：Step-5-Preview。 Step 5 Preview，一款面向真实世界 Agentic 任务的旗舰基座模型。Step 5 Preview

测评了 9 款热门 AI 生成 PPT 工具（豆包、阿可 AI、Kimi、DeepSeek、MiMo、ChatGPT、WorkBuddy、Gamma、Canva）

模型只点菜、系统真执行——这是 Function Calling 的钥匙。Schema 三件套、30+ 工具统一入口、安全四道闸、协同收敛机制，把复杂能力封装成工具链，给智能体装稳双手。

本地图库的麻烦不在存，在找，文件名大多是 IMG_2043 这种，目录按月份分，真要找"那张傍晚拍的、有山有海的"就得一张张翻过去。我为一个封面图翻过十几分钟，挑出来的还是张凑合的。

给工单分类、给 Agent 选工具、检查模型回答，这些小判断也要调用大模型吗？从一个客服例子聊聊 Jev 的用途、原理和接入方式。

现在各种大模型都在拼命展现自己有多能聊、多能写，还会对用户各种吹捧，把用户哄成胚胎。但真的到了想要它干点活，它就会最直白，最不绕弯，最一针见血，最一本正经地胡说八道。

开篇 过去三周，我们已经讨论了不少 AI 编程方法： 如何拆解模糊需求。 如何让 AI 先写方案，再写代码。 如何阅读陌生项目和定位故障。 如何生成单测、审查代码和编写技术文档。

最近一周，一个叫 Jev 的模型突然火了。玩游戏、订机票、分邮件，连 GitHub 上一个自己逛网页的开源项目，都说自己是 Jev 驱动的。 怎么火成这样，问题跟着就来了。它到底是个什么东西？

爬上来说个事，Jev 刷屏快一周了，全网都在吹「新技术路线」。 后台也有不少人问我怎么看？我说句扫兴的：别吹了。 先说下它是啥。前 OpenAI 研究员创业做的模型，最大的特点是不说话，不生成文字，它

写 AI 代码需求时，最容易忽略的是"数据长什么样"：字段名、类型、单位、归属、边界。我把需求从"一句话"拆到"字段级 Spec"三层，把 AI 最容易猜错的 4 类信息写清楚，翻车概率明显下降。

前言 为什么写这本书 2024 年以来，AI Agent 从一个"听起来很酷"的概念，变成了真实跑在企业生产环境里的系统：查订单、写报告、做分析、管流程。但我在与大量开发者的交流中发现一个普遍的困境：

2024 年 10 月 25 日，Simon Willison 让 16 个大模型画一只骑自行车的鹈鹕。两年过去，这道题成了看模型进步最直观的一把尺子。

附录 C：参数速查表 C.1 模型调用常用参数 参数 作用 范围 默认 调大 → 调小 → 注意 temperature 输出随机性 0~2 1.0 更发散/易幻觉 更确定/可复现 与 top_p 二

第 29 章 完整开发流程与学习路线 本章要解决的问题 章节大纲 29.1 18 步框架总复习（输入理解 → 规划决策 → 执行编排 → 整合输出） 29.2 从需求到上线的标准 SOP 29.3 推

在知识库问答（RAG）系统迭代过程中，最大的痛点往往不是检索功能不可用，而是无法量化检索效果好坏。 调切片大小、改向量/关键词权重、换 Embedding 模型后，我们基本只能“肉眼看结果”

附录 A：主流框架速查 A.1 框架总览 框架/协议 类型 核心概念 适合 正文章节 LangGraph 编排框架 图（StateGraph）+ 节点 + 条件边 复杂编排、生产级 6、10-16 章

第 28 章 案例四：多智能体协作系统 本章要解决的问题 章节大纲 28.1 多 Agent 拓扑设计（主从 + 流水线） 28.2 通信协议与任务编排 28.3 可观测性与调试 28.4 上线与迭代