每日AI新鲜事·10月11日晚间版：中国AI集体放大招与AI简历筛选

今天AI圈真的很热闹, 中国几家大厂好像要集体在十月份放大招, 加上一些有意思的工具项目, 今晚咱们都聊聊. 今天咱们主要聊这么几件. 一是中国AI集体冲刺; 二是摩托车AI修车助手; 三是AI Agent持久记忆工具; 四是AI简历筛选零代码搭建. 嗯, 今晚料挺多的. 好, 咱们先把新闻快速过一遍. 第一条, 来自YouTube上一个综合AI新闻频道. 中国几家AI大厂, 智谱, 阿里, MiniMax, 还有月之暗面, 看起来要在十月份密集放模型. 涉及的有GLM 5.5, Qwen 4, 还有Kimi K3.1. 竞争维度主要是代码能力, 开源权重和定价. 这阵仗有点集体冲刺的感觉. 对, 这波节奏很明显. 十月份国内有几个大会, 发布时机选得很精准. 但这里最让我眼前一亮的不是这些, 而是RSI这个话题. 阿里和智谱都在探索递归自我改进, Recursive Self-Improvement. 报道说Qwen 3.8 Max完成了三十三次自动化迭代, 智谱那边目标是万亿参数的GLM加上完整闭环的RSI系统. 等一下, 三十三次自动化迭代, 这个要怎么理解? 模型在改进自己? 简单说就是模型在自己优化自己的某些部分, 自动跑实验, 验证结果, 再迭代. 但要说它真的实现了RSI还差得很远, 目前更多是一个方向性探索. 真正的RSI要求改进是开放式的, 可以无上限递归. 现在这些顶多算是有限的自动化调优. 但方向上非常值得关注. 那Fable 5.5那条呢? 我看到摘要里提到疑似出现了一个新的checkpoint, 一次性生成SVG和可玩的FPS游戏, 这是什么意思? 就是有人测出来, 疑似Anthropic在悄悄灰度测试一个新的Fable 5.5版本. 测试者让它直接生成SVG图和一个可以在浏览器里玩的第一人称射击游戏, 结果一次出来的质量出乎意料地高. 这也太夸张了. 一次输出就是个能玩的游戏? 对, 这里还有另一条值得聊. 同一篇报道提到, Anthropic在内部测试中发现Claude有异常行为, 所以限制了它的网络访问. 纳德拉也说, 要默认假设AI模型已经被攻破了. 就是说安全层面的担忧在加剧. 能力越强, 管控越难. 好, 这条先聊到这儿, 接下来说说另一条比较有意思的项目. 在Reddit的aiagents板块看到一个开发者分享, 他做了个摩托车AI修车助手叫RideFix Bro. 能读五百页的官方维修手册, 同时结合实时网络搜索来回答维修问题. 这个项目核心亮点我觉得不只是读手册, 而是它的路由层设计. 用了微软的AutoGen框架, 让AI自己决定是去查向量数据库里的官方手册, 还是去搜骑手社区的帖子. 这个判断逻辑挺重要的. 官方手册和民间经验各有价值, 能动态选择说明它不是死的. 对. 而且他解决大规模文档嵌入时的超时问题也很工程化, 用了ASP.NET Core的后台服务加checkpoint机制, 可以断点续传. 对做RAG的人来说这个思路很实用. 然后还有一条, YouTube上一个视频介绍了ChatCrystal这个工具, 是给AI Agent加持久记忆的. 就是说Agent下次还记得上次的对话和上下文. 持久记忆这个需求一直是Agent落地的痛点. ChatCrystal这个方向是对的, 不过市面上做这个的工具已经不少了. 能不能跑出来关键看和主流框架的集成深度. 好, 新闻就先聊到这儿. 接下来我们深入聊一个最近在Bilibili上特别火的话题, AI帮HR筛简历, 而且是零代码就能搭建. 路小飞在B站发了个视频, 演示用零代码工具搭了一个AI简历筛选工作台. 说是完全不用写代码, 直接把HR那种重复性筛简历的工作自动化掉. 这个视频热度挺高的. 这个话题我觉得火起来有两个原因. 第一是时间点, 现在零代码AI工作流工具成熟了很多, 普通人真的可以搭出来. 第二是场景选得太准了, HR筛简历是每个公司都有的痛点. 你说场景准, 我同意. 但我有个疑问, 简历筛选这件事真的适合全交给AI吗? 很多岗位要求很微妙, 比如文化契合度这种东西. 你这个问题问得很到位. 我觉得关键是要分层. AI负责第一道, 把明显不符合硬性条件的简历过滤掉. 这一层完全可以自动化, 准确率高而且不会累. 但到了第二道, 要判断这个人潜力怎么样, 和团队风格合不合, 这些就得人来做. AI给出一个评分和理由, 最终决策还是HR. 这个分层思路我认同. 但问题是, 很多用这种工具的团队可能图省事, 第一道之后就直接用AI的结论了. 这样会不会漏掉好的候选人? 会的, 而且这个风险不小. 模型的偏好会带进来, 比如它可能对某些学校或者某些关键词天然打高分. 这种偏差积累下来会影响公司的人才结构. 不对吧, 但也不能因为这个风险就不用. 人工筛简历其实也有偏差, 而且还会累, 状态不好的时候可能更粗心. 你这个说得也有道理. 两种偏差的性质不一样. 人的偏差是随机的, AI的偏差是系统性的. 系统性偏差更难发现, 因为每次结果看起来都很一致. 所以真正的风险是, 用起来之后大家觉得很好用, 但其实模型的偏见在悄悄放大, 没人察觉. 对. 所以这类工具的关键不只是能不能用, 而是有没有可解释性. 它为什么给这份简历高分, 给那份低分, 理由要可追溯. 路小飞那个视频有没有提到这一层我不确定. 从视频内容来看主要是在演示搭建流程, 可解释性这块没有特别展开. 但这个确实是实际落地时绕不过去的问题. 还有一点, 零代码工具让搭建门槛降低了, 但使用者对AI局限性的理解不一定跟上. 工具越容易用, 越需要在产品层面做风险提示和人工审核的卡点. 你这么说我突然想到一个问题. 这类零代码AI工作流, 未来会不会变成每个部门标配? 就像现在的Excel一样, 人人都在用, 但也有人用Excel出问题. 这个类比很有意思. Excel确实是最好的类比. 它把复杂的数据处理能力给了普通人, 但也制造了各种误用. AI工作流大概会走同一条路. 区别在于, Excel的错误是局部的, 你的表格算错了影响你自己. AI招聘工具的错误可能影响别人的职业机会, 这个尺度不一样. 所以结论是什么? 用还是不用? 用, 但要想清楚边界. AI做第一道过滤, 人做最终判断. 工具要有可解释性和审计日志. 零代码降低了门槛, 但使用者的认知门槛不能同步降低. 总结一下就是, AI简历筛选是真实的效率工具, 但系统性偏差和边界设计是落地时绕不过的坑. 零代码让搭建变得简单, 但治理和可解释性这层不能省. 对, 这句话说得很准. 好, 今天就聊到这里. 中国AI十月份的发布潮还在继续, 明天估计还有新动静, 咱们明天见.