2025 年的 AI 基础设施正在从「模型驱动时代」走向真正的「Token 经济时代」，未来会最终形成一个以 Token 生产与消费效率为核心的竞赛。一、模型研发：从单模态“巨兽”走向多模态“基础设施”2025 最大的变化，是基础模型不再只是“产品”，而开始成为整个产业的基础设施：GPT-5、Claude 4 等新品…
为了解决大语言模型在长文本处理中的“中段丢失”、“上下文腐化”等现象，以及显存带宽对上下文窗口的物理限制，我们提出了一种基于原子级工艺，碳基纤维结构的外部显存扩展方案一、为什么要重新定义“上下文工程”在当前的Agent应用中，维持长对话的历史连贯性，需要消耗巨大的算力、带宽、存储资源。现有的 RAG（检索增强生成）技…
一、市场可能不是10亿用户，而是几家不愿换供应商的头部企业一方面，从“数字化转型”到“新质生产力”，顶层设计以前所未有的力度，呼唤着技术的落地。这是时代给出的巨大推力另一方面，技术人员、创业者，怀揣着能改变世界的代码和模型，却反复撞在一堵无形的墙上这堵墙，就是决策者脑中的“认知安全区”。这里有两种语言，一种叫“技术”…
https://github.com/oceanbase/seekdb一、它能做什么？在数据库内做混合检索 + AI 工作流的单存储引擎 —— 不再把数据搬来搬去。能力说明混合检索向量 + 全文 + SQL 过滤 + JSON + GIS，一条 SQL 搞定AI-in-DB写入/查询时自动 embed、rerank、…
数据基础设施正在从“描述世界”转向“Agent 理解世界并在其中行动”，数据库作为 Data Infra 的核心组件，也在经历从传统架构向 Agent 时代的转型。核心不是数据形态，而是 Data → Knowledge → Context → Decisions → Actions → Feedback 的闭环。一…
一、为什么要有统一上下文层AI Infra 从“数据流”向“知识流”和“状态流”转变，企业级 Agent 落地确实是混合型的，并且一个能够共享知识和状态的 Context Engineering 基础设施，即“统一上下文层”（Unified Context Layer），是实现复杂 Agent 工作流的刚需。有 3 …
MiroThinker 是 MiroMind AI 推出的「面向深度研究与长时序、工具驱动任务」的开源 agentic 模型系列（含 8B/30B/72B 尺度），并配套开源的 agent 框架（MiroFlow）、训练数据集（MiroVerse）与训练/评估流水线，目标是把连续、多步、工具交互作为性能的第三维（“I…
https://github.com/WyseOS/wyse-browser1. 产品定位Wyse Browser 是一个 专为 AI Agents、自动化系统和可编排任务（flows）打造的浏览器执行层（Browser Runtime Layer）。通过多进程沙箱浏览器、REST API、可复用 Worklets，…
https://github.com/puppygraph/一、产品定位PuppyGraph 是一个 图查询引擎（Graph Query Engine），定位于在企业现有的数据仓库或数据湖之上，快速启用图分析能力，而不必重新部署或迁移数据到图数据库。它的核心主张是：“Zero ETL, instant graph i…
https://github.com/FalkorDB/FalkorDB你用它做什么？FalkorDB 是一个专门给 AI 项目用的图数据库。它由原来 RedisGraph 的团队重新做的，不依赖 Redis。谁在用？数据科学家做知识图谱推荐系统工程师找用户关系AI 产品团队做语义搜索欺诈检测团队挖隐藏联系典型场景：…