AI动态

分类：AI动态 标签：大模型、芯片、智能驾驶、硬件 在智能汽车与大模型技术深度融合的浪潮下，底层硬件的竞争正变得愈发白热化。日前，业内知名智驾芯片厂商 XHEART 迎来重要里程碑，正式发布了其面向大模型时代的全新旗舰芯片 —— X7 Ultra。 作为在智能座舱与自动驾驶领域备受关注的新生代力量，XHEART 的产品落地速度展现出了极强的市场爆发力。 X7系列：从量产走向规模化落地 回顾 X7 系列的发展历程，该芯片家族在过去 8 个月中已经完成了从研发到规模化量产的关键跨越： 出货量破纪录：累计出货量已正式突破 20万颗 大关，印证了其在供应链端和市场端的快速交付能力。 车企搭载率高：目前已成功搭载于 10款 主流量产车型之上。 未来潜力巨大：除了已上市车型外，X7 系列目前已斩获超过 40款 车型的官方定点订单，为后续的市场占有率打下了坚实基础。 迎战大模型上车：X7 Ultra 的核心看点 随着端到端大模型和车端 AI 交互的普及，传统智驾芯片在算力密度、能效比以及对大语言/视觉模型的支持上面临严峻挑战。XHEART 此次推出的 X7 Ultra，正是为了顺应这一趋势而生。 相比基础版本，Ultra 迭代版本在架构设计上针对大模型进行了深度优化，能够提供更强大的本地推理算力，助力车企实现更流畅的人机交互以及更复杂的智驾场景感知与决策。 编辑观点 从 感知 -> 决策 -> 执行 的整体智能驾驶链路来看，算力芯片始终是决定系统上限的“大脑”。XHEART X7 Ultra 的发布，不仅丰富了车企在高端智驾芯片上的选择，也标志着国产智驾芯片正式加速迈入“大模型原生”的硬核竞争时代。未来能否凭借这 40多款订单进一步撼动市场格局，值得我们持续关注。

分类：数码 标签：数码配件、智能家居、充电器、Sonos 好奇科技数码编辑平时都在买什么？在这期「编辑部的新玩意」中，少数派的编辑们分享了他们最近入手并正在体验的几款有趣好物，涵盖了便携充电器、智能音箱、回音壁以及速食预制菜，来看看它们的实际表现究竟如何。 @鲸鱼鱼：酷态科 6 号电能卡 Air 三体联名版 参考价格：127.71 元 因无法忍受公司礼盒里笨重且容易从墙插掉落的传统充电器，编辑@鲸鱼鱼入手了酷态科 6 号电能卡 Air 三体联名版。 这款联名充电器采用半透明设计，融入了三体与二向箔的图案，兼具未来科技感与低调质感。性能方面，它配备 2 个 Type-C 接口，最高支持 90W 输出，单口最高 65W，并支持 AVS 快充，iPhone 18 Pro 系列可在 15 分钟内充至 50% 电量。 最令人满意的是其便携性：正面面积比银行卡还小，厚度仅约 1.5cm，重量约 80g。插脚折叠后轻松塞入小包或口袋，上墙稳固不松动，是通勤和出游的理想搭档。 @waychane：HomePod mini 2 厂商送测 时隔六年更新的 HomePod mini 2 在硬件参数上升级明显，芯片跃升至 S10，Wi-Fi 升级至 Wi-Fi 6，蓝牙升级至 Bluetooth 6。 不过在实际音质体验上，两代产品的差距并不算大，低音下探与人声包裹感略有提升，但依旧不支持空间音频。核心亮点在于升级 27.2 版本系统后，通过 AirPlay 使用的延迟大幅降低，甚至能在剪辑软件中跟上操作，从而更好地作为 Mac 的默认音源。 总体而言，如果已在用第一代 HomePod mini 或第二代 HomePod，则无需急着换新；但若要在书房或卧室添置小巧的智能家居中枢与音箱，它依然是合理的选择。 @Microhoo：Sonos Beam Ultra 参考价格：6013 元（双十一券后） 为了给电视柜台面减负并解决老款 Arc 的断联痛点，编辑@Microhoo入手了紧凑型回音壁 Sonos Beam Ultra。 ...

分类：数码 标签：数码配件、智能家居、音响设备、生活好物 好奇数码编辑平时都在买什么？在这期「新玩意」中，少数派的编辑们带来了他们最近入手并深度体验的几款新奇产品。从兼顾颜值与便携的联名快充，到迎来常规迭代的苹果智能音箱，再到现代化的回音壁音响以及大众热议的冷冻预制菜，来看看这些新鲜好物的实际表现究竟如何。 @鲸鱼鱼：酷态科 6 号电能卡 Air 三体联名版 参考价格：127.71 元 在经历了一款又重又大、动不动就从墙插上掉落的传统充电器折磨后，编辑@鲸鱼鱼入手了酷态科 6 号电能卡 Air 三体联名版。 这款联名版充电器采用半透明设计，外壳点缀了三体和二向箔的元素，隐约透出内部元器件，未来科技感十足。在功能方面，它配备 2 个 Type-C 口，最高支持 90W 输出功率，单 C 口最高 65W，并支持 AVS 快充，iPhone 18 Pro 系列能在 15 分钟内充至 50% 电量。 最令人满意的是其极致的便携性：正面比银行卡还小，厚度仅约 1.5cm，重量约 80g。插脚折叠后能轻松塞入口袋，插在墙上也稳固不松动。无论是出差旅行还是日常通勤，它都兼顾了颜值、性能与轻巧。 @waychane：HomePod mini 2 体验 厂商送测：是 时隔六年迎来更新的 HomePod mini 2，在硬件参数上进行了大幅升级：芯片从 S5 跃升至 S10，国行版 Wi-Fi 规格升级至 Wi-Fi 6，蓝牙升级至 Bluetooth 6。 不过从实际体验来看，音质和核心功能与上一代差距不大，低音下探略足，人声包裹感稍好，但依然不支持空间音频。核心亮点在于升级 27.2 系统后，通过 AirPlay 使用的延迟有了大幅改善，无论是听音乐还是在剪辑软件中拖动时间线，声音都能完美同步，这也是苹果将其作为 Mac 默认音源底气的来源。 总的来说，如果是已有上一代产品的用户，不必急着换新；但如果是用来组建智能家居中枢，或者在书房、卧室增加小巧音箱，HomePod mini 2 依然是合理的选择。 @Microhoo：Sonos Beam Ultra 回音壁 参考价格：6013 元（双十一券后） 随着 Sonos 底层架构「Sonos 27」音频操作系统的推出，编辑@Microhoo 将陪伴了自己六年的初代 Sonos Arc 换成了紧凑型回音壁 Sonos Beam Ultra。 ...

分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目]、[数据分析] 在之前的文章中，我们探讨了如何通过各种途径获取运动健康数据。当你把这些零散的数据存入 SQLite、Markdown 或 JSON 文件后，大多数人可能会直接把文件扔给 AI，期待它能像私人教练一样给出完美的分析报告。 然而现实往往是：AI 能够生成看似精美且排版满档的图表，但除了「好看」之外，对于下一次训练到底该加多少重量这类实际问题，却很难给出真正有价值的建议。 究其原因，AI 擅长描述，而缺乏对真实需求的深度判断。要如何让 AI 真正读懂并处理好这些健康数据，进而输出可靠的训练指导？本文将带你一探究竟。 搭建本地化数据处理流水线 以个人的实际运动场景为例，日常的数据流转可以通过多端协作来完成： 数据采集：使用 Apple Watch 记录有氧与抗阻训练，Oura Ring 追踪睡眠、夜间恢复及日常活动，同时通过训记 App 专门记录抗阻训练的容量和组数。 聚合与存储：借助第三方服务 Freddy 读取 Oura 与 Apple Watch 的官方接口数据。随后，通过本地 NAS 上的 Python 定时脚本，将数据拉取并存入 SQLite 数据库。体脂、体重等低频指标则通过文字或图片直接同步给 Agent。 交互与执行：去健身房前，通过局域网访问 NAS 上的网页看板或终端 CLI 工具触发任务。AI Agent 读取最新的身体与训练数据后，经过多维度的教练模型核查，最终生成训练计划并通过 API 写入训记。 为什么不直接使用现成的 Skill？ 在软件开发中，「不要重复发明轮子」是金科玉律。社区中确实存在不少优秀的健康与训练类 Skill（例如 Coach Paddy、health-skill 等），它们提供了准备度评分、训练复盘、数据源管理等丰富功能。 但实际体验后会发现，训练是一件极具个性化的事情。每个人的训练目标、关注指标、可用器械、作息习惯以及运动体系都不尽相同： 现成的 Skill 往往偏向耐力训练（如马拉松、铁人三项备战），与力量训练的需求存在偏差。 健康类 Skill 的关注度普遍较低，社区反馈和验证相对不足。 与其削足适履去适配一个通用的公开 Skill，不如吸取它们的可取之处，利用顶级大模型定制一个完全符合个人习惯的专属 Skill。 定制专属 Skill 的核心方法 定制 Skill 最关键的一步在于梳理清楚真实需求。可以借助诸如 grill-me 这类开源引导技能，让 Agent 反过来对你进行持续追问，从粗略的想法逐步推演，直至形成确定且详细的实施方案。 ...

分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目] 在上一篇文章《让 Agent 读懂你的身体：数据获取篇》中，我们探讨了如何通过各种途径获取运动健康数据。当你顺着指引拿到存储着运动指标的 SQLite、Markdown 或 JSON 文件时，很多人都会忍不住向 AI 抛出类似的问题：「Claude，这是我的健康运动数据，帮我做一下详细的分析。」 然而，实际体验往往不尽如人意。AI 能够生成排版精美、图表丰富的 HTML 页面，展示训练趋势和恢复状态，但研究一下就会发现，它们除了好看并没有太多实质性帮助。根本原因在于：AI 擅长描述现状，而如果想让它分析实际问题并给出精准建议（例如下一次训练该加多少重量），则需要用户进行明确的需求判断与适当引导。 本文将结合实际经验，深入探讨拿到数据后如何让 Agent 正确处理，以及其结论的可信度边界。 一、 个人健康数据处理的整体方案 以实际应用为例，整套个人运动数据流可以这样搭建： 数据记录端：使用 Apple Watch 记录有氧和抗阻训练；使用 Oura Ring 记录睡眠、夜间恢复及日常活动；使用训记 App 记录抗阻训练的容量和组数。 数据汇聚与存储：Apple Health 与 Oura 数据通过第三方服务 Freddy 接入，读取官方接口的准备指数（Readiness）等算法数据。通过本地部署的 Python 脚本，定时经 API 将数据拉取并存入 SQLite 数据库。体脂、体重等低频指标则通过文字或图片直接发给 Agent 录入。 交互与执行端：整套系统搭建在本地 NAS 上。去健身房前，通过局域网访问网页看板一键触发常规任务，或通过终端 CLI 与 Agent 对话。AI 读取最新数据后，由多位「虚拟教练」协同给出动作、组数和重量建议，并经「循证教练」核查训练量与强度。 把这些环节串起来并不复杂，真正核心的是为 Agent 建立一套行为规范（Skill），让它稳定地分析数据并输出建议。 二、 为什么不直接使用现成的 Skill 在开源社区中，存在许多现成的健身与健康类 Skill（例如 Coach Paddy、health-skill、Claude Coach 等）。它们各自具备准备度评分、训练复盘、健康档案汇聚或跑步数据汇总等功能。 然而，经过实际比对会发现，现成的 Skill 往往难以完美适配个人需求： 场景不匹配：许多 Skill 的分析重心在耐力训练和赛事备战（如马拉松、铁人三项），而力量训练或个性化分化训练的需求则无法完全覆盖。 训练的极高个性化：训练目标、关注指标、可用器械、作息习惯和运动体系千差万别，且相关健康 Skill 的社区关注度普遍较低，实际效果缺乏大规模验证。 因此，与其盲目套用现成模板，不如汲取优秀开源项目的可取之处（如数据缺失时的降级评分机制、主观精力与酸痛自评替补等），为自己定制一个高度适配的 Skill。 ...

分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目] 在之前的文章中，我们探讨了如何通过各种渠道获取运动健康数据。当你辛辛苦苦将这些数据汇聚到 SQLite、Markdown 或 JSON 文件中时，很多人可能会忍不住直接将文件丢给 AI ：“这是我的健康运动数据，帮我做个详细分析。” 然而实际体验往往是：AI 能生成精美好看的图表和排版满满的网页，但除了好看之外，对于下一次训练到底该加多少重量等实际问题，却并没有实质性的指导意义。AI 擅长描述，但如何让它真正理解并给出可靠建议？本文将带你探索如何正确处理并利用这些数据。 注：本文方法仅适用于辅助日常运动训练，不建议用于排查实际身体症状或应对医疗情况。 搭建本地数据处理流 以个人的实际场景为例，整个数据流转和处理的架构如下： 数据采集：使用 Apple Watch 记录有氧和抗阻训练，Oura Ring 记录睡眠、夜间恢复与日常活动，训记 App 专门记录抗阻训练的容量和组数。 数据同步：借助第三方服务 Freddy 读取 Apple Health 和 Oura 数据，同时利用 Python 脚本定时通过 API 将数据拉取到本地 NAS 的 SQLite 数据库中。 Agent 介入：去健身房前，通过局域网访问 NAS 触发任务。AI Agent 读取最新生理和训练数据后，由多个「教练」协同给出动作、组数与重量建议。训练完成后，备注的余量和感受会通过 API 再次回传给 AI，形成完整的闭环。 为什么不直接使用现成的 Skill 在软件开发中提倡不要重复造轮子，但在个性化训练领域，情况则有所不同。 社区中虽然存在一些健康与训练相关的 Skill（例如专注耐力备战的 Coach Paddy、偏向健康档案管理的 health-skill 等），但它们往往存在局限性。训练是一件高度个性化的事情，每个人的训练目标、关注指标、可用器械、作息习惯都大不相同。现成的 Skill 很难完美契合个人的具体需求。 与其盲目套用，不如吸取开源社区中优秀 Skill 的可取之处（如缺失数据时的降级机制、多维度的自评替补等），然后结合自身习惯进行定制。 让 Agent 反向提问与统计外包 在定制专属 Skill 时，最关键的一步是梳理清楚核心需求。可以借助开源工具（如 grill-me 技能），让 Agent 反过来对你进行深度追问，从粗略的想法一步步引导出确定且详细的方案。 ...

分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目]、[健康管理] 在之前的文章中，我们探讨了如何通过各种途径获取运动健康数据。当你手里握着一份存储了运动健康数据的 SQLite、Markdown 或 JSON 文件时，绝大多数人的第一反应往往是直接丢给大模型并提问：「这是我的健康运动数据，帮我做一下详细的分析。」 然而，亲自尝试后你会发现，Claude 或者是其他大模型虽然能迅速生成排版精美、图表齐全的 HTML 看板，但它们除了好看之外，往往缺乏实际的指导意义。AI 擅长「描述」现状，但若想让它针对下一次训练给出具体的建议（例如「下一次深蹲该加多少重量」），则高度依赖用户的需求判断与适当引导。 那么，拿到数据之后，究竟该如何让 AI 正确处理？它给出的结论又到底能信几分？本文将结合实际经验，深入拆解将运动健康数据交由 AI Agent 处理的完整落地方案。 搭建你的本地数据流与处理方案 以日常训练场景为例，一个完整的个人运动健康数据流通常由以下几个部分组成： 数据记录终端：使用 Apple Watch 记录日常有氧与抗阻训练；使用 Oura Ring 追踪睡眠、夜间恢复及日常活动；借助「训记」App 专门记录抗阻训练的具体容量和组数（多端结合时需注意避免数据重复计入）。 数据聚合与存储：Apple Health 与 Oura 的数据通过第三方服务（如 Freddy）进行 API 授权读取，从而获取 Oura 自带的准备指数（Readiness）等核心算法数据。随后，利用本地 NAS 运行 Python 定时脚本，将多方 API 的数据拉取并汇聚到本地的 SQLite 数据库中。 交互与决策链路：前往健身房前，通过局域网访问 NAS 部署的网页看板或终端 CLI 工具触发任务。AI Agent 会读取最新的身体与训练数据，由多角色「教练模型」协同给出动作、组数与重量建议，并经由「循证教练」核查训练量和强度。最终由用户确认后生成训练计划并回写至训记 App，完成整个闭环。 为什么不直接使用现成的开源 Skill？ 在软件开发领域，「不要重复发明轮子」是至理名言。但在面对个性化极强的运动训练场景时，社区现有的 Skill 往往难以直接套用。 通过对开源社区中数款主流健康与训练 Skill 的横向对比可以发现： 偏向性各异：例如某些项目如 Coach Paddy 偏向耐力训练与赛事备战，带有比赛倒计时等功能；而另一些项目则偏向慢病筛查或通用健康档案。 高度个性化：每个人的训练目标、关注指标、可用器械、作息习惯以及运动体系都不尽相同。现成的 Skill 很难完美适配所有人的真实需求，且此类垂直领域的开源项目普遍缺乏足够的 Star 与社区验证。 因此，更高效的做法是：吸收现成开源 Skill 的可取之处（例如将数据缺失时自动降级、用主观体感评分替补、基线对比等机制），并在顶级大模型的协助下，定制一套完全适配个人习惯的 Skill。 ...

分类：AI动态 标签：人工智能、大模型、开源项目、健康管理 在之前的文章中，我们探讨了如何通过各种渠道获取运动健康数据。当你顺利拿到存储在 SQLite、Markdown 或 JSON 中的健康数据时，多数人会忍不住直接把文件丢给大模型：「这是我的健康数据，帮我详细分析一下。」 然而，直接让 AI 自由发挥往往只能得到一份排版精美但实用价值有限的图表。AI 擅长描述现象，但若想让它针对下一次训练给出精准建议（例如「下一次该加多少重量」），必须配合用户的个性化需求与适当引导。 本文将深入探讨在拿到数据后，如何让 AI Agent 正确处理这些数据，以及我们该如何看待并利用它给出的结论。 构建本地化的个人健康数据流 以日常的运动训练辅助为例，整个数据流转的链路可以拆解为几个核心环节： 数据采集： 使用 Apple Watch 记录有氧和抗阻训练。 使用 Oura Ring 记录睡眠、夜间恢复及日常活动。 使用「训记 App」专门记录抗阻训练的容量和组数。 同步与存储： 通过第三方服务 Freddy 聚合 Apple Health 与 Oura 的官方接口数据（包含准备指数等算法指标）。 编写 Python 脚本定时通过 API 将数据拉取并存入本地 NAS 的 SQLite 数据库中。 交互与决策： 网页看板提供快捷按钮一键触发分析任务，复杂任务则通过终端 CLI 与 AI 对话。 AI Agent 读取最新生理和训练数据 -> 多个「教练」给出动作、组数与重量建议 -> 「循证教练」核查训练量与强度。 用户确认后，将计划通过 API 写回训记 App，在健身房执行并回传训练感受，完成闭环。 为什么不直接使用现成的 Skill？ 在软件开发中提倡「不要重复发明轮子」，但在构建个人健康 Agent 时，现成的开源 Skill 往往很难直接套用。 ...

分类：科技 标签：MacBook Pro、人工智能、大模型、数码新品 在本期科技与数码动态中，各大厂商迎来了密集的新品发布期。从 Apple 带来革新性的触控屏 MacBook Pro，到华为与 iQOO 的重磅旗舰登场，再到 Google 与微软在 AI 领域推出的最新大模型，以下为您梳理近期不容错过的核心科技资讯。 一、 硬件与终端创新 1. Apple 推出首款触控屏 MacBook Pro Apple 正式发布配备 ProLED XDR 显示屏的 14 英寸和 16 英寸 MacBook Pro，这也是 Mac 历史上首次支持屏幕触控。 屏幕与显示：采用串联 OLED 面板，SDR 与 HDR 峰值亮度均达到 2000 尼特，支持 10Hz 至 120Hz ProMotion 刷新率。触控传感器直接集成在显示面板内，macOS 会自动将触控操作转换为点击。屏幕顶部的摄像头区域引入灵动岛设计，用于展示 Spotlight、实时活动和 Siri。 核心性能：搭载 M5 Pro 与 M5 Max 芯片，最高支持 128GB 统一内存与 16TB 存储。 价格与发售：14 英寸机型起售价 2899 美元 / 22999 元人民币，新机将于 11 月 6 日正式发售。 2. 华为发布 Pura 90 Plus 与畅享系列新品 华为举行新品发布会，推出 Pura 90 Plus 手机及多款畅享系列机型： ...

分类：科技 标签：Apple、华为、数码新品、AI动态 前言 近期科技数码圈迎来了一波密集的新品发布高潮。从 Apple 历史上首次引入触控屏的 MacBook Pro，到华为与 iQOO 带来的多款重磅手机与平板设备，再到 Google 与微软在 AI 领域持续发力的世界模型与图像生成工具，各大厂商正用创新技术不断刷新我们的认知。以下是为您整理的近期核心科技资讯。 硬件创新：Apple 推出首款触控屏 MacBook Pro 10 月 29 日，Apple 正式发布了配备 PROLED XDR 显示屏的 14 英寸和 16 英寸 MacBook Pro，这也是 Mac 历史上首次支持屏幕触控。 极致屏幕体验：新机采用串联 OLED 面板，SDR 和 HDR 峰值亮度均可达 2000 尼特，全屏持续亮度 1000 尼特，对比度高达 10000000:1。同时，触控传感器直接集成在显示面板内，macOS 会将触控操作精准转换为点击。 硬件配置升级：搭载 M5 Pro 与 M5 Max 芯片，支持最高 128 GB 统一内存与 16 TB 存储。机身进一步减重，电池续航最长可达 24 小时。 售价信息：中国大陆起售价 22999 元人民币，已于 11 月 6 日正式发售。 手机与穿戴：华为、iQOO 与三星新品齐发 华为 Pura 90 Plus 与畅享 100 系列 华为于 10 月 28 日举行新品发布会，推出首发麒麟 9025 芯片的 Pura 90 Plus，配备 5000 万像素一英寸主摄与 5700mAh 电池，支持 100W 有线和 80W 无线快充。同期还发布了主打长续航与全面防护的畅享 100 系列、HUAWEI FreeClip 2 潮玩拼色耳夹耳机等丰富生态产品。 ...