主播的话 当行业还在迷信千亿参数模型时，CAMEL AI 已经靠一群“打工人”智能体深入企业内网，像真人一样点鼠标、填工单了。 作为全球首个 Multi-agent 框架的奠基团队，本期嘉宾带来了一个极具冲击力的反共识：未来的 Agent 进化，不靠更长的 Context，而靠更严密的组织架构。 在对话中，你会听到一些打破滤镜的实战真相：为什么 Agent 之间沟通多了反而会像人类一样“互相推诿”？为什么“模拟键鼠操作”这种看似笨拙的方案，反而是企业自动化的最优解？ 别再盯着 Prompt 调优了。当这个写出第一篇 Multi-agent 论文的团队开始重注强化学习和环境模拟时，你就该意识到：Agent 的草莽时代结束了。想要看懂下半场，这期节目提供了最真实的坐标。 嘉宾介绍 Regina | CAMEL AI Founding Product Wendong | CAMEL AI Founding Engineer Celine | CAMEL AI Founding Growth 产品介绍 CAMEL AI 是世界上首个基于LLM构建的开源的多智能体框架，一直在探索 AI 多智能体的Scaling Law，包含大规模智能体系统、复杂环境、智能体自我进化三个关键维度。项目论文在2023年被 NeurlPS录用。 主播： Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友 核心观点 商业定位分层： 开源社区（ToC）负责技术验证与品牌声量，桌面端产品（ToB）负责高价值场景（如 ERP/CRM）的营收落地。 架构效率论： Multi-agent 的核心价值不在于简单的“并行”，而在于通过任务拆解将 Long-Context 转化为 Short-Context，从而降低幻觉率。 Agent Scaling Law： 智能体能力的扩展由三要素决定：Agent 数量、环境交互（RL）的进化能力、合成数据的质量。 成本优化路径： 利用 KV Cache 配合 Context Splitting，在重复性任务中可降低 70%-80% 的 Token 成本。 终局预判： 未来的 Agent 系统将是“中心化调度 + 专有小模型执行”，通过强化学习（RL）在特定环境中自我进化，而非依赖单一千亿参数模型。 时间轴 01:20 从顶会论文到商业化：全球首篇 Multi-agent 论文背后的学术起源与商业转型逻辑。 04:40 商业策略：ToC 赚声量，ToB 赚营收 为什么企业级自动化（CRM/ERP）是目前最稳健的现金流场景？ 06:47 Workforce：Coordinator 与 Worker 协作 拆解Agent“组织架构”：如何通过协调者实现任务的高度泛化。 07:28 核心壁垒：模拟键鼠的 Browser-use 摆脱 API 依赖，让 Agent 像真人一样直接操作浏览器界面。 15:48 预设四大原子 Agent 能力：从代码执行到多模态处理，支撑复杂任务的底层工具库。 18:57 架构之争：单体 Agent 的天花板 为什么长链路任务必须由多Agent协同？解决注意力衰减与幻觉。 22:04 重新定义 Agent Scaling Law：扩展定律不仅是算力，更是 Agent 数量、环境规模与数据的三位一体。 25:08 数字化组织：HR、CEO 与打工人 揭秘“图结构任务流”：如何像管理公司一样管理 Agent 系统。 30:10 安全底线：人在环路 (HITL) Agent 如何在登录验证等不确定场景中主动向人类求助。 31:33 协作悖论：为什么 Agent 也会“甩锅”？ 过度沟通导致的 Token 浪费与执行效率下降的真实观察。 35:33 RL 下半场：垂直领域的专家进化 如何利用强化学习（RL）将行业 Know-how 植入Agent闭环。 37:38 Workflow Memory：复制成功路径 长期记忆机制：如何将偶然的成功转化为确定的生产力。 商业/技术洞察 技术架构对比：Single Agent vs Multi-Agent 基于wendong的技术分享整理 References * 开源框架 (GitHub): CAMEL AI (CAMEL) * 学术论文: CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Society * Elgent(GitHub): The Open Source Cowork Desktop to Unlock Your Exceptional Productivity.

编辑部注 本期节目录制于 2025 年 12 月。 录制期间，嘉宾 Kisson 担任 Tanka AI CEO。在节目正式发布时（2026 年 1 月），她已卸任该职务并开启了全新的创业旅程。 为了保持对话的完整性和当时语境的真实性，我们在音频和文案中保留了录制时的称谓与视角。Kisson 的职业变动恰恰印证了 AI 行业的一个核心特质——惟有“变化”本身是不变的。祝贺 Kisson，也期待她的下一个 Next Big Thing。 主播的话 进入 2026 年，大模型的上下文窗口已经卷到了千万级，但为什么 AI Agent 依然记不住你的喜好？ 本期节目，我们邀请到连续创业者Kisson，深度复盘 AI 记忆的演进之路。 不同于市面上泛泛而谈的“AI 情感陪伴”，本期内容揭示了一个反直觉的行业真相：在 AI 时代，笨重的 B 端企业反而比 C 端用户跑得更快。 为什么互联网时代的“C 端包围 B 端”逻辑失效了？ * 技术层面：从早期的 Replika 到如今的 HippoRAG，Memory 如何从简单的“存储”进化为具备抽象能力的 MemCell？ * 交互层面：当自然语言真正成为新的 UI，LLM OS的形态发生了什么巨变？ * 商业层面：为什么 Outcome-based pricing（结果付费）是检验 SaaS 产品力的唯一标准？ 如果你认为 2026 年的 AI 创业已经没有机会，这期节目会告诉你——真正的护城河不再是模型参数，而是你对垂直场景“记忆深度”的理解。 嘉宾介绍 Kisson：ex-Tanka AI CEO。曾任 Mindverse（心识宇宙）联创及 COO。前TikTok商业化战略总监，前Facebook集团战略经理。关注AI agent和记忆模型。公众号：Kisson不聊广告改煲鸡汤了。推特：@KissonL 产品介绍 Tanka.ai 是一款人工智能驱动的业务软件，旨在简化运营、加强团队协作并推动中小企业的可持续增长。它学习并保留知识，优化决策，并将分散的数据转化为可操作的长期记忆。 网址：www.tanka.ai 主播： Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友 核心观点 * 互联网定律失效：B 端采纳速度快于 C 端。因为企业有明确的 ROI 计算逻辑，而 C 端用户在缺乏“超级应用”之前，很难改变交互习惯。 * 记忆细胞的进化：未来的 Memory 不是堆砌数据，而是像生物一样，将“事件”抽象为结构化的记忆细胞，实现类似人类的“遗忘与强化”机制。 * 交互即系统：自然语言将成为新的图形界面，未来的操作系统不再是点击图标，而是理解意图的 LLM OS。 * 人的懒惰是护城河：引用 Andrej Karpathy 的 "Copilot for X" 观点——即使 AI 能力再强，人类“懒得去描述任务细节”的本性，依然是垂直领域创业公司最大的机会（帮你把任务描述清楚）。 时间轴 快速导航： * 如果你关心 技术架构演进 (RAG/MemCell) → 跳转 20:19 * 如果你关心 商业定价与 B 端策略 → 跳转 34:33 * 如果你想听 2026 行业宏观判断 → 从头开始听 2026 宏观视角：互联网定律为何失效 * 03:45 扎克伯格的早期实验室：从 Meta 到 Tanka 的路径演变。 * 06:22 B 端反超 C 端：为什么在 Memory 落地这件事上，企业比个人更积极？ 交互范式：Natural Language as UI * 11:25 拒绝被动问答：Agent 必须具备 Proactive Trigger 能力。 * 15:30 LLM OS 概念：当自然语言取代图形界面，我们还需要 App 吗？ 硬核拆解：Memory 技术栈演进 * 21:48 Replika 的启示：早期情感陪伴产品的成功与局限。 * 23:46 Mindverse 架构复盘：试图打造“USB 式记忆插件”的工程挑战。 * 24:00 学术界新框架：HippoRAG 与 Self-RAG 如何模拟人类海马体机制？ * 27:35 MemCell：如何将非结构化对话转化为结构化记忆？ * 24:55 评测困局：关于 Local Models与 Memory 结合的 Benchmarking 讨论。 商业洞察：定价策略与终局 * 34:33 定价心理学：为什么 Outcome-based pricing 是 B 端唯一解？ * 43:09 重读 Andrej Karpathy，创业者的机会在“最后一公里”。 Kisson 结合 Tanka AI 的实战经验，总结了 B 端客户的采购心理： 以上就是本期的全部内容了，欢迎您的收听，我们下期再见～ PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI

主播的话 你的 Transformer 模型，是不是有一半的计算量都在“摸鱼”？ 当所有人都在卷 SFT的时候，为什么硅谷的前沿研究者们却开始担心“模式坍缩”，转而把目光投向了 RLVR？ 这期节目，我们没请 CEO，也没请投资人，而是拉来了一位最近在硅谷“跑会”跑到腿软的硬核朋友——俊帆。作为自动驾驶领域的 AI Engineer，他在短短两个月里，密集扫荡了 Pytorch Conference、Ray Summit、AMD Dev Day 甚至各类 Hackathon（还抽中了一块显卡！）。 我们把他在这些活动上听到的“内部噪音”和“前沿信号”做了一次深度 Dump。你会在节目里听到： * 斯坦福大佬 Christopher Manning 是如何通过“残差流抹除”实验，发现 Transformer 架构其实非常浪费的； * 为什么现在大家都说“Post-training”才是决胜局，以及 Thinking Machine 实验室是如何用轻量级的 LoRA 就能跑出逼近 97% 的 RL 效果； * 还有字节、Google 在Infra层面上为了解决万卡训练和 Agent 显存焦虑做的“变态”优化。 如果你是正在死磕模型效果的算法工程师，或者是对 AI 技术栈演进好奇的产品人，这期“硅谷前线观察报告”绝对能帮你省下几千美金的门票钱。 戴上耳机，我们一起去湾区现场看看。 嘉宾： 朱俊帆：芝加哥大学金融数学和佐治亚理工学院计算机科学毕业，曾在自动驾驶公司从事 AI Agent 和强化学习的研发工作；在芝加哥做了几年投行的量化金融模型。 欢迎查看嘉宾的 LinkedIn 了解更多信息 主播： Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友 本期重点 * 00:47 嘉宾介绍 * 02:01 嘉宾的“特种兵”行程单：从 PyTorch Conf 到 AMD Dev Day * 05:43 斯坦福教授的新发现：Transformer 后半部分的计算量，其实都被“浪费”了？ * 07:20 混合专家模型 (MoE) 的进化：如何用一半的计算量超越 Benchmark * 12:40 硅谷热词 RLVR：当数学定理成为“裁判”，RLHF 还有必要吗？ * 15:57 像人类一样思考：解决长程推理难题的“分层推理”策略 * 19:40 过度 SFT 会导致“模式坍缩”？聊聊 Post-training 时代的 Trade-off * 22:06 创业公司福音：只用 LoRA 也能逼近 97% 的全量 RL 效果 * 25:00 显存不够怎么办？Red Hat 提出的“睡眠模式”与 GPU 热交换黑科技 * 28:53 字节跳动 VERL 揭秘：如何搞定万卡集群上的 RL 混合编排？ * 34:06 Google 的 Agentic Browser：不只是看网页，而是直接运行代码 * 37:17 当 AI 遇见 NBA：从预测比赛到生物制药，Agent 的落地场景猜想 以上就是本期的全部内容了，欢迎您的收听，我们下期再见～ PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。

主播的话： 我不知道你有没有这种感觉：跟现在的 AI 聊天，总觉得缺点“人情味儿”。 它很博学，但就是记不住你。你昨天刚跟它聊完自己爱喝拿铁，今天它就忘得一干二净。这种感觉，说真的，挺没劲的，对吧？就好像，你永远无法跟一个“金鱼记忆”的家伙成为真正的朋友。 这期我们邀请了Macaron 的创始人陈锴杰，就是要死磕这个“没劲”的问题。他想做的，就是让 AI 成为真正懂你的伙伴，一个记得你的喜好、能跟上你节奏、甚至在你需要时能主动搭把手的“人”。 听他聊 Macaron 的设计思路，我们真有好几次起鸡皮疙瘩，有点科幻照进现实的感觉。 比如，他们觉得市面上主流的记忆方案（RAG）太笨了，反而是用一套类似“随堂测验”的狠招，逼着 AI 形成真正的“肌肉记忆”。更绝的是，这个 AI 还能自己写代码，现场给你“变”出各种实用小工具。聊到最后我们才发现，想在苹果、谷歌这些巨头的眼皮底下做成事，靠的竟然不是技术，而是——“品味”？这个答案，让我们回味了很久… 所以，如果你也对那个冷冰冰的 AI 世界感到一丝厌倦，如果你也期待一个更温暖、更懂你的智能伙伴，或者你就是个搞产品的，想知道在 AI 时代怎么做出点不一样的东西——来，这期节目，就是为你准备的。 嘉宾: Kaijie Chen（X @KaijieChen12236），杜克大学毕业，Macaron AI 创始人兼 CEO，专注于运用强化学习打造 Personal Agent，为用户即时生成个性化生活小程序。此前创立互动网文平台 MidReal，积累超百万用户。 主播： Leo：硅谷大厂高级机器学习工程师，GenAI LLM发烧友 产品介绍： Macaron AI：世界上第一个 Personal AI Agent 官网：https://macaron.im/ 💡本期节目，与【AI UP】招聘社区联合呈现 正在寻找AI领域的理想机会？邮件至 [email protected]，通过 AI Odyssey 合作邮箱，让招聘与求职更快一步！ 🔥 火热招聘岗位：AI Agent Engineer！薪资25 - 35万美金 + 奖金，北美远程，由YC投资、营收达5000万美金的硅谷AI独角兽企业提供，要求有5 - 15年后端工程经验，且有1年以上AI Agent开发实操经历，面向华裔招聘～ Timeline： 01:17 记忆力 + 创造力：Macaron AI凭什么不一样？ 02:50 脑洞大开：用户最爱让 AI 生成的 6 类生活小工具，你最需要哪一个？ 04:27 AI 的情商，不止“你问我答”：一个好的 Personal Agent，有一半时间在主动“关心”你 06:28 “强化学习” VS “RAG”：告别金鱼记忆，如何打造 AI 的长期记忆 09:20 解密 AI 训练：400 道“记忆考题”如何让模型在 10 万行聊天后依然“记得你”？ 13:30 “善变”是常态：AI 如何处理你“善变”的喜好 17:16 先交个朋友的商业模式：揭秘Macaron 独特的“杏仁”积分与用户激励模式 23:50 巨头夹缝中，创业公司的生存法则：Taste、记忆和速度 29:47 Personal Agent 的终极挑战：“向内”理解你，“向外”连接世界 33:31 创始人的愿景：做一个“有用又暖心”的朋友 以上就是本期的全部内容了，欢迎您的收听，我们下期再见～ PS：AI Odyssey 听友群正式开通了，添加 vx：aiodysseyai 带你一起看 AI。