iFeeling Daily

每天精选值得关注的 AI 动态

每天精选值得关注的 AI 动态

效率工具

Google 推出远程 MCP 服务器，让你的外部 AI Agent（如 Claude Code）能安全、标准地直接调用 Google Cloud 内部的模型、Prompt 和 Notebook。不用写集成代码，底层 IAM 管控，开发体验像访问本地资源一样自然。

开发者最想要的Agent模型长什么样？就是Sonnet 5这样：几乎拥有Opus级别的推理和自主完成任务能力，但价格直接砍半。它能自己写测试复现Bug，能一口气跑完本来会卡住的端到端工作流。性能评测和真实用户反馈都在说一件事——Agent落地的性价比拐点，已经到了。

Agent时代的数据不能攒在分散的数据库里。Google Spanner把向量、图、关系、搜索、键值统一到一个引擎，一条SQL就能同时做语义搜索和图遍历。百亿级向量索引、列式引擎加速200倍分析、多云部署的Omni版本，这才是Agent真正需要的推理底座。

Google Cloud安全团队自曝内部方案：用多Agent编排将SDLC安全自动化，称Mantis框架能降token消耗85%以上。

Google Cloud在VPC Service Controls里为AI Agent增加了基于代理身份、MCP工具属性、以及Gemini Agent Platform的原生集成。

OpenAI 研究负责人 Mark Chen 一边做韩式豆腐锅一边讲 AGI、o1 和 Scaling Laws。他明确表示预训练没死，但未来要靠推理时计算。还聊了为何评估体系在崩坏、为何研究者比工程师值钱，以及最终科研可能变成全自动的 Agent 任务。有内味，有干货。

当下所有AI推理都在等人，但真正的Agent不需要即时响应。Sail Research用异步队列+智能路由，把推理成本打到Haiku的六分之一，GPU闲置的算力也被重新填满。这不是未来的想象，是已经在跑的逻辑。

80%用户用Agent完成超30分钟，OpenAI内部99.8%的Token走Codex。非开发者涨了137倍。知识工作从“问问题”变成“交任务”。

Databricks 两位联合创始人深入聊了他们为什么要开源 Omnigent 来统一 agent 框架，以及 LTAP 如何绕过 HTAP 的工程陷阱。对于做 agent 或数据工程的人来说，全是非共识的架构决策和内部经验。