鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AMD苏姿丰:别拿我们跟英伟达比,也别问我跟黄仁勋什么关系

编程导航
编程导航
2025-08-14 12:30
阅读 81
编程导航
2025-08-14 12:30
阅读 81

智东西(公众号:zhidxcom)
作者 | 陈骏达
编辑 | 云鹏

智东西8月14日消息,近日,AMD(超微半导体)董事会主席兼CEO苏姿丰接受了《连线》杂志的深度专访,分享了她对出口管制、与英伟达竞争、AI技术潜力、硅谷人才争夺战等焦点议题的最新见解。她认为,即便美国不出口AI芯片,世界其他地区的AI技术也会继续进步,出口管制对她而言只是“噪音”。

虽然AMD在多个领域与英特尔或英伟达展开正面交锋,但苏姿丰并不希望外界将AMD与这两家公司直接比较——AMD在CPU、AI加速器、个人计算、数据中心等领域都有布局,她认为这些领域在未来三四年有超过5000亿美元的市场机遇。

苏姿丰希望,自家的AI加速器能成为OpenAI、Meta、xAI等企业的首选项,但她并不急于求成。她强调AMD不会因DeepSeek等低成本模型改变对算力的理解,因其早已押注推理计算;虽自研AI模型,但目的在于测试和改进产品,而非与大模型厂商竞争。

针对自家ROCm生态落后于英伟达CUDA的质疑,她认为二者的差别不在于谁更好,更多源于开发者习惯,并称AMD正在“加速前进”,补齐库和算子、扩大招聘和收购,持续倾听开发者反馈,以改进软件生态。不过,他们不会像Meta那样砸9位数薪资挖人,原因是在半导体的世界里,成就从来不是靠一个人的单点突破。

谈及AI的未来,苏姿丰虽然相信AGI会到来,但并不认为AI最终会比人类更聪明,当前火爆的智能体其实也只是在做琐碎的任务。未来,AI一方面可用于提升生产力,减少重复劳动,让人类专注于更有趣的工作;二是解决极其复杂的问题,例如将芯片设计等原本需要数年的研发工作大幅压缩。

苏姿丰还向《连线》杂志记者Lauren Goode放下了防备,分享了一些极为个人的话题。由于母亲临终前的经历,她意识到当前的医学更像是艺术而非科学,在科技领域,他们将复杂的系统整合起来,协同运作,但医学中不同科室之间,尚未实现这点。

此外,苏姿丰透露,自己并不喜欢他人屡次询问她与黄仁勋的关系,虽然这并不会惹恼她,但她的内心想法是:“真的吗?这真的是我们能谈的最重要的话题吗?”

访谈的最后,苏姿丰将自己定义为一位“务实的超级技术乐观主义者”——她相信,技术能极大地改善我们的生活体验,但实现的方式需要一步一步来,不断学习、倾听、调整。

一、美国即便不出口芯片,也不会影响AI发展

美国大型科技公司的CEO们,最近经常需要对热点议题表态——这在过去并不常见。苏姿丰称,她确实感觉肩上的“责任”变重了,在涉及科技政策和半导体行业的发展时,AMD有责任去表达观点,并帮助决策者基于事实把政策制定好。

问:你希望美国特朗普政府以及公众,对你们正在研发的AI加速器有怎样的理解?

苏姿丰:我们这些科技公司,其实是从拥有更多用户中受益的。限制生态系统中的用户数量,对AMD来说是坏事,对美国来说也是坏事。因为市场上总会有其他选择。

有人觉得,如果我们不把芯片出口到世界各地,那些地区的AI的发展就会停下来——事实并非如此。AI的进步不会停止,只会继续推进。我们宁愿他们在我们的技术上发展,而不是在别人的技术上发展。

问:近来有一些激励措施推动将芯片制造业带回美国。重建美国制造业最复杂的地方是什么?

苏姿丰:我百分之百赞成把制造业带回美国。完全赞成。

问:为什么?

苏姿丰:因为这对国家安全和经济利益来说都至关重要。几年前,德州中部曾遭遇冰暴,几天之内交通几乎完全中断,这里的几家晶圆厂都被迫停工。对企业来说,供应链多元化是基本的。

将制造业带回美国需要时间,但这是可行的。以前的想法是“美国无法做最先进的制造”,但如今在台积电亚利桑那州的工厂,已经在生产最新一代的服务器处理器,而且运行情况很好。

这说明是能做到的。虽然成本会更高,但这没问题。我认为需要转变一个观念——不是总追求最低成本的选择。

问:你在2014年成为AMD总裁兼CEO时,有想到自己会需要在地缘政治和社会议题上发表这么多看法吗?在与现任政府的对话中,你是否感到更大压力?

苏姿丰:的确和以前不同。我不会说我们是政治化的,也不会说我本人是政治化的。你不会看到我去评论一般的社会议题,因为那并不是我能真正发挥价值的地方。

但在涉及科技政策和半导体行业的发展时,我们必须参与。我不会称之为压力增加,而是责任增加,因为我们希望规则能被正确制定。

问:你是科技行业、半导体行业最知名的女性领袖之一。为什么你觉得自己在这些议题上“价值不大”?

苏姿丰:也许“价值不大”这个说法不太准确。更确切地说,我的个人观点也许有趣,但更重要的是基于事实把政策制定好。

二、不想和英特尔、英伟达比较,希望成为OpenAI等企业的首选项

2024年,苏姿丰被《财富》杂志评为2024年度最佳CEO。从2012年加入AMD至今,她带领该公司在CPU市场拿下了大量市场份额,PassMark数据显示,在整个CPU市场中(包括个人与服务器等),AMD的最新市占率为38.9%;同期,AMD的股价也从2012年11月的1.8美元,上涨至如今的175美元左右。如今,AMD还在AI加速器市场与英伟达正面竞争,苏姿丰说,她期待在AI领域成为厂商们的首选项,但不急于求成。

AMD苏姿丰:别拿我们跟英伟达比,也别问我跟黄仁勋什么关系

问:最近让你最讨厌的问题,可能就是“AMD什么时候能…”。比如,AMD什么时候能在AI GPU市场超过英伟达?十年前,人们可能会觉得这个想法很可笑,如今却有人觉得值得探讨。

苏姿丰:刚当CEO时,人们会问我:“你为什么接这个工作?”我很困惑——我心想,“你开玩笑吗?”这对我来说是最棒的机会。我们是一家在重要行业中却长期表现不佳的公司,而我有机会带领团队做出重要的事。如果问我“长大后想做什么”,我的答案不是“当CEO”,而是“做有意义的事”。

那时大家总是把我们和英特尔比较,我们必须为自己辩护。我对团队说,“我们知道自己能做什么,就让世界看看。”所以,对我来说,这种“什么时候”的问题,我并不喜欢。媒体当然喜欢这种非黑即白的比较,对吧?

问:我不认为这只是非黑即白的。AMD的情况更复杂,因为你们还有很多依赖x86和CPU的客户,同时数据中心业务增长很快,从2022年的60亿美元增长到去年的126亿美元。但眼下,英伟达是外界最关心的竞争对手。

苏姿丰:我的观点是,我不想只被拿来和英特尔或英伟达比较。我的愿景——也是我们的愿景——一直是“没有一种方案适合所有人”。数据中心需要最好的产品,CPU需要最好的,AI加速器需要最好的,个人计算也需要最好的。我们的产品组合很广,市场规模巨大——未来三四年超过5000亿美元,我们有很多机会。

问:今年6月的AMD AI活动上,Sam Altman也出席了。你们与OpenAI、Meta、马斯克旗下的特斯拉和xAI都有合作。但现实是,这些公司非常喜欢英伟达GPU,而AMD只是“备选”。你是否希望有一天能成为他们的“首选”?

苏姿丰:当然。这就是我们今天在CPU领域的地位。如果你去问这些公司中的很多家,他们会说AMD是他们的战略CPU合作伙伴。我们也期待在AI领域做到这一点,但我并不急于求成。

问:你不想给这个目标设一个时间表?

苏姿丰:举个例子,我2012年加入AMD时,微软只是我们游戏业务的早期合作伙伴。过去十多年,我们建立了大量信任,现在我们和他们一起共创——微软宣布不仅下一代Xbox主机使用AMD技术,整个云平台也采用AMD。

与Meta也是一样。我第一次和他们谈时,我说:“给我一个机会。我不用告诉你我会是世界第一,因为我知道我会证明给你看。我会是你最好的合作伙伴,不仅是技术上的最佳伙伴,也是帮你搭建技术基础设施的最佳伙伴。”这就是我们在做的事。

三、训模型不是为了和AI厂商竞争,不会开出9位数薪资招募人才

AMD一直被认为是英伟达的最大竞争者,过去1年,该公司已经推出了多款AI计算芯片,拉近了与英伟达顶尖GPU之间的差距。同时,AMD也在软件生态方面继续追赶,苏姿丰分享了他们在这一市场的策略。

问:在AMD AI活动上,你谈到中国的DeepSeek大模型,据说训练成本和算力需求都低得多。这样的模型会改变你们对算力的看法吗?

苏姿丰:这只是AI工作负载快速变化的又一个例子。过去大家都关注大规模训练,现在随着推理模型和微调的发展,行业已经转向以推理类计算增长更快的阶段。这也是为什么硬件必须足够灵活。

所以它并没有改变我们的思路,因为我们一直认为推理会更重要。可以说我们押对了。我们在内存容量等对推理计算很关键的方面进行了优化。

问:英伟达自己在训练模型,还提供了NeMo框架让开发者构建生成式AI模型。AMD是否认真考虑过自己训练大模型?

苏姿丰:我们确实在训练自己的AI模型。我们有AI模型团队,但目的不是和大模型厂商竞争,而是为了学习。我们越多地自己使用(测试)自己做的产品,就能学到越多东西,然后就能更快地改进和构建新功能。

问:分析师和部分客户说AMD非常以客户为中心。但一些技术人员认为,AMD的软件工具ROCm依然不如英伟达的CUDA。你会采取哪些具体措施吸引更多开发者?

苏姿丰:我同意软件是最关键的一层,因为这是开发者直接接触的地方。ROCm和CUDA的差别不在于谁更好,而在于CUDA存在已久,大家习惯了它的生态,所以我们是在教他们一个新的生态。

问:我听到的批评是,不只是习惯问题,有人说“编译器不好用”、“性能库不够好”、“希望有更高的可移植性”。

苏姿丰:当然,但这部分原因是他们习惯了CUDA的做事方式,希望ROCm也能完全一样。在AI客户中,我还没遇到过一个不能让业务跑起来并且有良好性能的。虽然我们还没有所有的库,很多特殊算子还在补齐。回答你问的“我们做了什么”,我的答案是——我们在加速前进。

我很早就明白,面对批评不一定要同意,但一定要理解那是一个视角,然后决定如何应对。我们还有很多事要做,所以我们在大量招聘、收购,也在倾听开发者的声音。我认为我们已经看到进展可以很快实现。

问:你怎么看Meta超级智能实验室,以及扎克伯格据说愿意为AI人才开出九位数年薪的做法?这样的薪资对硅谷招聘有何影响?

苏姿丰:坦率说我没直接遇到过这种情况。人才竞争非常激烈。我相信钱很重要,但并不是吸引人才的唯一因素。薪酬要大致在同一个水平区间,更重要的是让人们相信你要做的使命。

在AMD,我感觉大家的薪资还可以,因为股价还不错。从招聘的角度来说,我们总是会问:“你想加入我们的使命吗?”大多数人是被这段旅程吸引的——如果你想做重要的技术、产生影响,不只是机器中的一个齿轮,而是真正推动路线图发展的人,那你就会想加入AMD。

问:你会考虑开出九位数的薪资来打造软件生态吗?

苏姿丰:我不会。

问:因为要向股东或董事会解释?

苏姿丰:因为在我们的世界里,成就从来不是靠一个人。当然我们有很多非常优秀的人才。比如我们收购了Nod.ai,他们的CEO Anush Elangovan现在负责整个软件生态的工作,他的热情惊人——谁对ROCm有意见,他都亲自去沟通解决。我就是在寻找这种对工作充满热情的人,这样的人很多。

四、AI不会比人类更聪明,目前智能体做的任务太“琐碎”

问:你怎么理解“超级智能”?

苏姿丰:我觉得AI能让我们每个人都变得更“聪明”,这是很美好的愿景,而我们现在还只是刚刚起步。

我个人最关心的领域之一是医疗。我亲身经历过医疗系统的不足,我认为它应该好得多。我们应该能治愈更多疾病,而不是像现在这样依靠试错。AI是这方面的完美用例——把药物研发、疗法、住院治疗等环节串联起来,这是一个非常适合被改造的领域。我不确定这是否叫“超级智能”。

问:有人认为AI终将聪明到能消灭人类。你怎么看这类预测?你相信AGI吗?

苏姿丰:我相信AGI,但我不认为AI会比人类更聪明。我也不太相信那种末日论。技术很棒,但它的好坏取决于创造它、引导它的人。所以我觉得这些讨论有点空泛。我们的关注点是:“技术不错,但还不够好,怎么让它变得特别棒?”

问:你怎么衡量“特别棒”?

苏姿丰:当AI能够解决真正困难的问题时,它就算“特别棒”了。我们常说智能体(agent)是下一个大方向,但现在大多数智能体还在处理相对琐碎的任务。

问:比如把商品放到购物车里?

苏姿丰:对,大概是这类事情。我觉得AI未来有两个发展方向。第一个是纯粹提升生产力——比如,怎么把人类手里那些琐碎、重复的工作去掉,让他们能专注在更有趣的事情上。这是一方面,我们现在就在这么用。

另一面是,用AI解决非常非常困难的问题,比如把原本需要十年才能解决的事情,压缩到六个月完成。想象一下,现在我们设计一颗芯片要花三年时间,如果我能在六个月内完成,那会是什么样子?

问:但会不会有一天,人类跟不上这种速度了?

苏姿丰:我不知道。但我会押注在人类能应付得来。

问:科技有时候确实让人有点不知所措。

苏姿丰:这其实正是重点。当技术足够成熟的时候,你就不需要去想它了。今天你去用的时候,还得想想——你用哪个比较多?ChatGPT还是Grok?

问:我用ChatGPT。不是每天用,但——

苏姿丰:经常用?

问:算是吧,我的工作就是测试这些东西。

苏姿丰:是啊,但你还是得确认,“它给我的答案对不对?”

问:没错。尤其是作为记者。我绝不会用它来写作。我们把“用它学做牛排”和“用它做新闻”之间的界限划得很清楚。

苏姿丰:但你会用它来做研究。

问:有时候会,但“幻觉”问题还是很令人担心。

苏姿丰:这就是问题所在——它还不够好。但总有一天,它会好到你可以直接相信它。

五、如今的医疗是艺术而非科学,想靠AI改变这一现状

问:你刚才提到了医疗。等我们老了、身体不好了,给我们看病的那代医生,会是ChatGPT医生吗?

苏姿丰:我希望那一代医生能掌握像ChatGPT那样海量的数据,这样他们在做诊断时能有更充分的依据。

问:从哲学角度看,你觉得AI是像互联网那样的变革吗?还是更像Linux——会变成运行在所有设备上的操作系统?又或者是电?是火?我记得Sundar Pichai曾经把AI比作火,说它的变革性极强。

苏姿丰:互联网是个不错的类比,但我觉得AI不止如此。互联网更多是关于信息的传递,而AI在生产力层面是更底层的变革。有人拿它和工业革命相比,我觉得这也挺贴切。

问:但以前的革命,我们不用过多担心真假信息的问题。

苏姿丰:你可以有两种看法。一种是想办法限制AI,因为它可能有风险;另一种是尽可能快速发展,但给信息加上正确的过滤。我坚信第二种。所以我不认为会出现“不需要很多人”的情况。因为最终,判断真相的还是人。我们依然在招越来越多的工程师,因为他们是工程上的最终裁判。

问:你对人类还是充满希望的?

苏姿丰:是的。而且未来会更好。就像今天的互联网一样,你会觉得它理所当然。我们不应该用今天的水平去评价技术,而要看它的“上升曲线”——我们未来能做到的事。我们会把它做好,只不过中间可能会有些波折。

问:你似乎对AI有些担心,是在唱反调吗?

苏姿丰:我觉得,那些最有可能从技术中获益的人,往往有条件更乐观、更积极地宣传它。那句老话你知道的——“未来的分布并不均匀。”即便医疗技术进步,我们依然会看到偏见,导致有人被拒绝医疗或保险。我们已经见过这样的事。

对我来说,医疗是很私人的事情,因为我母亲曾经病得很重。我一路看着她的就医过程,意识到——不管你是谁,都无法保证得到最好的医疗,因为现在的医疗更多是一门“艺术”,而不是科学。而我认为它应该是一门科学。

问:为什么你觉得它是“艺术”?

苏姿丰:人体是极其复杂的系统。有心脏科医生,有肾脏科医生,但能把这些整合在一起的全科医生并不多。这在我看来是个悲剧。我会想:拜托,这明明是可以解决的。

在科技领域,我们的工作就是把复杂系统整合起来,让它们协同运作。但医疗里我们常常只关注健康的一部分。我坚信如果能用技术把这些专业知识结合起来,我们就能更好地治疗病人。我是亲眼看到的。所以啊,在我的下辈子,如果有时间做除了现在工作之外的事——

问:你会去当医生?

苏姿丰:不会,但我希望能成为一个能弥合这个鸿沟、让技术发挥真正作用的人。

问:其实你在这一生也可以做到。

苏姿丰:我现在手头还有不少事要做。

问:你母亲最后康复了吗?

苏姿丰:不幸没有。但你明白我的意思吧?我只是意识到——哇,这事可能发生在任何人身上。

问:是的,但即便有最好的医生,关键还是医疗质量。大约一年前,我母亲也经历过一次严重的健康危机,进了ICU上了呼吸机。医生们不断来看影像,但就是找不出原因。我当时坐在医院里想——我天天报道AI医疗的突破,可我们连影像都看不明白?

苏姿丰:你完全懂我的意思。让我最气的是,我母亲在ICU呆了60天,大家都说:“没人能活着走出去。”他们说:“她做不到的。”而我心里想:“她可以,我知道她可以。”虽然我不是做决定的人,但她做到了。她之后又活了两年。

六、别人问与黄仁勋关系,当CEO后靠打拳击释放

问:你经常谈到“韧性”。从个人角度——不是公司——你是怎么保持韧性的?是靠星巴克吗?我注意到你在AI活动上也带了一杯。

苏姿丰:对,这是百香果茶柠檬饮,它对我帮助很大。我不怎么喝咖啡因,所以靠它和一点运动来提神。我对星巴克是有周期的,有时候喝很多,有时候就停掉。

问:我也是。你最喜欢的运动方式是什么?

苏姿丰:我喜欢打拳击。我有个教练会来家里,让我打他——当然是打沙袋,不是打人。

问:打了多久了?

苏姿丰:大概七八年吧。

问:所以是你当CEO两三年后,就觉得“得找个方式释放一下”?

苏姿丰:对。

问:你每天睡多久?

苏姿丰:五六个小时。六小时是理想状态。周末可能能睡到七个小时。

问:作为领导者,你最看重的品质是什么?

苏姿丰:对工作的热情。因为它能陪你走过高光时刻,也能陪你度过低谷。事情总会出错,但如果你真的热爱自己的工作,你就会闪光。

问:那最让你烦的呢?

苏姿丰:最烦的?嗯……我不能说是被问“黄仁勋是不是你表哥”?

问:你完全可以说啊。

苏姿丰:其实这不算真的烦,更像是——“真的吗?这真的是我们能谈的最重要的话题吗?”

问:你觉得人们对你有什么不了解,但你希望他们知道的?

苏姿丰:我觉得大家对我挺了解的吧?没有吗?好吧……我每天起床,是因为我相信我们的产品能改变世界,让世界变得更好。外界的噪音——比如出口管制之类的——对我来说都是噪音。

问:所以你是个超级乐观主义者?

苏姿丰:我不这么看自己,但我可能是个超级技术乐观主义者。我其实很务实。所以我是一个务实的超级技术乐观主义者。听起来怎么样?

问:听起来像ChatGPT编的。

苏姿丰:这可不是预设答案。如果要我形容自己,我会说——我确实相信技术能极大地改善我们的生活体验,所以在这点上我是个超级技术乐观主义者。但我在实现的方式上很务实。怎么做到呢?就是每天一步一步来,不断学习、倾听、调整,并应用所学。这就是我们的工作方式。

原文链接: AMD苏姿丰:别拿我们跟英伟达比,也别问我跟黄仁勋什么关系
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手