今日概览

今日候选围绕 AI 工程化的五个维度展开：1688 数据中心通过 KST 三层知识工程和 Loop Engineering 构建 Multi-Agent 研发小队；赛博禅心介绍了 LibTV Agent 一键生成完整视频的能力；火山云 PostgreSQL Serverless 版将数据库创建从分钟级压缩到秒级；小红书 3 人 3 天推出企业 AI 助理，一个月全员覆盖；淘宝直播数字人则从 Workflow 升级到 Agentic 架构，用 RLVR 和 Multi-Agent RL 优化交互质量。

今日重点

1. 从超级个体到超级组织：1688 数据中心 Multi-Agent 研发小队实录

1688 数据中心通过知识工程（KST 三层架构）和 Loop Engineering 构建了 Multi-Agent 研发小队。核心策略是「数研飞轮」——知识让生产提效，生产过程中产生的新知识自动回流到知识库。KST 三层架构将知识分为业务规则（Know-What）、行为规范（Know-How）和工作流配置（Know-When）三个层次，实现知识的分类治理。团队通过「以 Agent 养 Agent」方式加速语义资产冷启动，80% 的通用知识可自动化提取。Harness 约束和自动冒烟机制保证了多 Agent 协作的质量边界。

值得关注：

  • 核心策略是「数研飞轮」——知识让生产提效，生产过程自动产生新知识回流。
  • KST 三层架构将知识分治：业务规则、行为规范、工作流配置。
  • 通过「以 Agent 养 Agent」加速语义资产冷启动，80% 通用知识可自动化提取。

这篇内容更值得关注的原因在于，它展示了一个完整的 Multi-Agent 研发体系从知识治理到工程约束的闭环设计——不是只搭建 Agent，而是搭建让 Agent 协作并持续进化。

2. 视频解说 Skill：教你分清「柯基」与「吐司面包」

LibTV Agent 是一款 AI 视频生成工具，可自动完成剧本、分镜、角色、配音、配乐和剪辑等全流程，输出可直接发布的完整视频。用户可以编写 Markdown 文档作为自定义 skill，定制特定艺术风格或工作流，并反复使用。目前技能商店已有 200 多位专业创作者制作的 skill，覆盖武侠经典、电影美学等多种风格。

值得关注：

  • LibTV Agent 一键生成完整视频（剧本→分镜→配音→配乐→剪辑），无需人工剪辑。
  • 用户通过 Markdown 文档自定义 skill，可反复使用并分享。
  • 技能商店已有 200+ 专业创作者制作的 skill，社区生态初具规模。

这篇内容更值得关注的原因在于，它将 AI 视频生成从「生成片段」推进到了「交付成品」——不是只生成画面，而是完整走完一个视频制作的全部工序。

3. 想到即建、不用即停——火山 PostgreSQL 助力飞书妙搭的 AI 效率革新

火山云数据库 PostgreSQL Serverless 版针对 Vibe Coding 场景做了三件事：实例创建从 5-10 分钟压缩至 10 秒（提升 40 倍）、非活跃实例自动 Scale-to-Zero（综合成本降低 90% 以上）、Data as Git 支持秒级数据库分支创建和回退。与飞书妙搭集成后，AI 应用从对话到上线全链路秒级交付，解决了传统数据库创建慢、成本高、数据恢复难的三大痛点。

值得关注：

  • 实例创建从 5-10 分钟→10 秒，提升 40 倍。
  • 非活跃自动缩零，综合成本降低 90% 以上。
  • Data as Git 支持秒级数据库分支创建、回退与 Schema 对比合并。

这篇内容更值得关注的原因在于，数据库一直是 AI 应用从原型到产品的最大瓶颈之一——PostgreSQL Serverless 的这些能力让 AI 开发者的「想到即建」成为现实。

4. 小红书企业级 AI 个人助理——从 0 到全员覆盖

小红书用 AI Native 方式，3 人 3 天推出内测，一个月实现全员覆盖。技术选型基于 OpenClaw，理由是产品成熟度、极速交付、架构可控和生态优势。安全通过 Seal AI Zone 隔离集群和 NEX 沙箱实现物理隔离与运行时保护。成本优化采用 Self-GC（上下文压缩）和 Auto 模式（智能模型路由），成本降低 69%。LLM Wiki 增强记忆，目标从被动响应的工具演进为主动感知、目标驱动、主动协作的智能体。

值得关注：

  • 3 人 3 天内测→一个月全员覆盖，极速落地。
  • 通过 Seal AI Zone + NEX 沙箱解决企业级安全隔离。
  • Self-GC + Auto 模式使成本降低 69%。

这篇内容更值得关注的原因在于，它证明了企业级 AI 助理的落地不需要庞大团队和漫长周期——关键在技术选型和架构设计，而非人力堆砌。

5. 淘宝直播数字人 AgenticRL 实践：从 RLVR 到 MultiAgent RL

淘宝直播数字人从传统 Workflow 架构升级到 Agentic 架构，提升了灵活性和上下文感知能力。通过 AgentTuning 蒸馏将千亿参数模型的能力迁移至小模型，延迟降至 1.79 秒。采用 RLVR 优化回复模型，减少幻觉并提升事实正确性。针对业务挑战设计了 Multi-Agent RL 算法，将工具调用与回复协同优化，事实正确性提升 4.1 个百分点，打造高拟真、强交互的数字直播范式。

值得关注：

  • Agentic 架构替代 Workflow，提升灵活性和上下文感知能力。
  • AgentTuning 蒸馏将千亿模型能力迁移至小模型，延迟降至 1.79 秒。
  • Multi-Agent RL 将工具调用与回复协同优化，事实正确性提升 4.1pt。

这篇内容更值得关注的原因在于，它不是简单地在数字人里加一个 LLM，而是通过 AgenticRL 将「工具使用」和「对话回复」两个环节联合优化——这是数字人从「念稿机器」走向「智能交互」的关键技术跃迁。

趋势观察

  1. Multi-Agent 研发正在从「实验」走向「生产线」。 1688 数据中心的实践说明，当知识工程、质量约束和经验沉淀三个问题都有了成型的解决方案，多 Agent 协作可以从实验室走向日常研发。
  2. Serverless 数据库正在成为 AI 应用的标配基础设施。 火山 PostgreSQL 的 Scale-to-Zero 和 Data as Git 解决了 AI 开发者的核心痛点——成本不可控和数据难回溯。
  3. 数字人正在从「Workflow 驱动」走向「RL 驱动」。 淘宝的 AgenticRL 实践说明，未来的数字人不只是遵循预设剧本的演员，而是能自主决策、持续进化的智能体。

延伸阅读