AI 开发

BigQuery AI.AGG 函数深入解析

BigQuery新发布的AI.AGG()函数，让你在SQL里用一行自然语言指令就能对几百万行非结构化数据做总结和分类，无需搬数据、写脚本或担心上下文窗口。文章讲透了多层级聚合、NULL处理等工程细节，对BigQuery用户很实用。

Google Cloud 把日志和追踪数据统一到一个 SQL 查询入口，不用导出数据就能做复杂关联分析。对 AI agent 调试尤其有用：一条语句算清上千次工具调用的失败率和 P95延迟，彻底告别手工翻 trace 图的低效。

论文用ChaosNLI的100个标注数据做实验，发现评估目标不同，标注饱和点天差地别：识别样本分歧度需要20-50个标注，但逼近真实分布只需10个。这直接挑战了统一标注预算的做法，对训练软标签模型很有参考价值。

Hugging Face 把发布周期从 6 周缩短到每周，靠的不是纯AI自动化，而是一个聪明的“AI起草 + 代码校验 + 人工定稿”流水线。关键是那个确定性校验环节，确保模型生成的内容没遗漏、没虚构。整套方案只用开源工具，每次成本才两毛五。

BigQuery直接把Python运行时塞进SQL引擎，你写个查询就能调NumPy或调外部API，再也不用为了一点Python逻辑维护容器集群了。向量化处理和可配置资源让这玩意儿真能扛生产负载。

终于有人解决了AI Agent产出的协作难题。Claude Code新功能能让Agent调试、重构的完整发现自动变成一个实时更新的网页，分享链接给团队就能同步所有上下文。从事故分析到架构复盘，省去一遍遍“带我过一遍”的沟通成本。直接可用的团队协作升级。

大多数评测只看最终答案，但 Hugging Face 的这篇博客告诉你，结果相同、代价天差地别。一个注重过程的评测框架如何发现加速大模型的同时伤到小模型的“反常”现象。