跳到正文
  1. Microsoft Research60

    微软研究院推出 PDD Kit:通过形式化验证约束 AI 智能体生成的全栈代码

    微软研究院与 GitHub Next 合作推出形式化验证开发工具包 PDD Kit,提出证明驱动开发(PDD)范式,用数学证明约束编码智能体生成的代码。

    推荐理由:原文给出了将自然语言意图转化为形式化规约并自动生成数学证明的完整工作流,读者可以据此评估如何解决编码智能体的代码审查失控难题。

  1. Microsoft Research84

    Microsoft Research 研究者与合作者解决历时 31 年的数学难题 KLS 猜想

    Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 证明了 KLS 猜想,将高维对数凹分布的相关几何界限收紧至与维度无关的常数。

    推荐理由:在大致相同的 token 预算下,无引导尝试未达目标,而研究者逐轮筛选方向的流程取得进展,提供了人机协作研究的具体对照。

  1. GitHub Blog · AI & ML62

    3 位 Java Champion 如何使用 GitHub Copilot 提升开发效率

    GitHub 采访了 3 位 Java Champion,介绍他们使用 GitHub Copilot 开发功能、迁移资料和排查缺陷的实践。案例包括用两天完成原本预计需数周的应用开发,以及用约 8–10 小时迁移 15 份演示文稿中的约 900 张幻灯片,并通过截图、动画和 PDF 对比检查结果。

    推荐理由:案例把提效落到可迁移的工程方法上,通过明确需求、设置任务专属验收关卡和沉淀技能,让智能体执行与人工责任保持分离。

  1. GitHub Blog · AI & ML63

    GitHub Copilot app 入门:如何让 Copilot 了解你的代码库

    GitHub Copilot app 入门教程讲解如何结合自定义指令、智能体技能、自定义智能体和 MCP 服务器,让 Copilot 理解代码库约定并执行项目工作流。

    推荐理由:通过区分项目约定、重复流程、专项任务与外部工具四类需求,提供了为代码库组织 Copilot 上下文的可迁移方法。

  1. Microsoft Research63

    Microsoft Research 开源 Agent Lightning v1.0,以约 3,500 行代码实现智能体强化学习框架

    Microsoft Research Asia 开源重构后的 Agent Lightning v1.0,让部署时使用的智能体执行框架直接参与强化学习,无需在训练框架内重新实现。

    推荐理由:通过让部署时的智能体执行框架直接参与强化学习,这套方案提供了减少训练重实现成本、保持训练与部署行为一致的方法。

  1. GitHub Blog · AI & ML62

    GitHub Copilot app 入门:如何用 canvases 构建自定义工作流

    GitHub Copilot app 的 canvases 教程演示了如何通过 /create-canvas 技能,用自然语言创建与 AI 智能体共享的自定义界面。描述需明确工作流、用户可执行的操作及智能体职责,生成后可继续调整,并保存为项目共享或个人扩展。用户与智能体对界面的修改会即时反映到共享状态,无需额外发送或同步,也可从 Awesome Copilot 安装现成扩展再定制。

    推荐理由:将工作流、用户操作和智能体职责分别写进提示词,为生成可交互界面提供了可迁移的方法,也便于后续逐步调整界面。

已经到底了