Fireworks AI：从租用闭源前沿模型到训练自有模型，企业迈向专业化智能的三阶段路径

Fireworks AI 发文梳理企业迈向专业化智能的三阶段路径：先租用闭源前沿模型并围绕其搭建提示词、上下文与 harness 工程，再引入更便宜的开源模型优化成本与延迟，最终为真正属于自己的问题训练定制模型。文中以 Kimi K3 与 GPT 5.6 Sol 在 OSWorld 2.0、UIPad 上的对比为例，说明基准只能用于初筛，自建评测才是性能的最佳指标。

AI Engineer Summit 2023 参会反思：LLM 系统落地的评测与成本难题

首届 AI Engineer Summit 上，Amplify Partners 对 AI Engineering 的调研显示，在 800 多份回复中，评测（evals）和推理服务成本被列为 LLM 部署的最大痛点。目前评测手段仍缺乏好方案，介于确定但脆弱的 assert 断言与昂贵随机的 3P LLM 打分之间，代码生成因可验证输出成为相对易评测的例外。RAG 短期不会消失，缓存降本则讨论寥寥。

Eugene Yan 2023 年度回顾：LLM 写作、GenAI 转型与论文俱乐部

Eugene Yan 发布 2023 年度回顾，全年写下 20 篇文章、做了 5 个原型和 2 场演讲，其中 LLM 实验与 LLM patterns 两篇获得超 2 万阅读。他借助 GPT-4 辅助职业反思，并因内部原型 Dewey 表现良好而将工作重心转向 GenAI 计划，同时与朋友创办了 LM 论文俱乐部。

dex@dexhorthyAI 评分2323

把 jev 评分用作 RAG 重排序器非常合理。Rippling 内部 GTM 团队的应用做得很不错

GitHub Podcast 拆解 AI 热门观点：该不该读代码、RAG 是否已死、Skills 是否杀死了 MCP

GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，MCP 提供工具与数据的标准接入，Skills 封装团队流程与最佳实践，二者可组合使用；RAG 并未消亡，检索能为模型提供训练数据之外的信息，减少 token 消耗并让回答更有依据。