OpenAI 教程:创建和使用 ChatGPT 技能
OpenAI发布教程,介绍如何创建和使用ChatGPT skills,旨在帮助用户构建可复用的工作流,自动化重复性任务并确保持续的高质量的输出。
推荐理由:OpenAI官方教程说明如何构建可复用的ChatGPT技能工作流,为智能体开发提供标准化方法参考。
OpenAI发布教程,介绍如何创建和使用ChatGPT skills,旨在帮助用户构建可复用的工作流,自动化重复性任务并确保持续的高质量的输出。
推荐理由:OpenAI官方教程说明如何构建可复用的ChatGPT技能工作流,为智能体开发提供标准化方法参考。
OpenAI 发布了关于如何使用 ChatGPT 进行研究的指南。该指南介绍了如何利用 ChatGPT 收集资料来源、分析信息,并创建带有引用的结构化洞察。
这是一篇指南,讲解如何使用 ChatGPT 进行头脑风暴。内容涵盖利用该工具整理思路,并将粗略的概念转化为结构化、可执行的计划。
OpenAI 提供 ChatGPT 的负责任与安全使用指南,聚焦于安全性、准确性及透明度的最佳实践。该指南旨在帮助用户在调用 ChatGPT 等 AI 工具时,遵循规范以优化使用体验并降低潜在风险。
Codex Security 不使用传统 SAST 生成报告,而是采用 AI 驱动的约束推理和验证机制来查找真实漏洞。该方法旨在减少误报,通过深入分析解释了这种非传统安全测试架构背后的技术逻辑与设计原因。
Mistral AI 基于开源助手 Vibe 构建自主 Agent,在 CI/CD 中并行生成 RSpec 测试。通过配置 AGENTS.md 和分类 Skills,该 Agent 结合 RuboCop 与 SimpleCov 验证代码,质量分数从 0.68 提升至 0.74。
OpenAI 发布构建 AI 智能体的实用指南,系统阐述设计、编排与部署核心流程。 指南涵盖用例定义、模型选型、工具设计、护栏机制及多智能体协作模式。 旨在帮助开发者规范开发流程,降低复杂智能体系统的实施门槛。
针对初创企业,提供迁移至 Responses API 及设计 AI 智能体的实践指南。 涵盖调优提示词、引导 GPT-5 模型以构建可靠 AI 工作流的操作细节。
OpenAI 发布了一份简明指南,介绍 GPT-5 如何驱动营销、工程、财务、战略、法务和 IT 等真实业务流程,并指导团队如何评估该模型。
OpenAI 团队利用 Codex 代码理解与系统重构能力,显著提升工程交付速度。 该工具通过性能优化与工作流程增强,帮助工程师更高效地完成复杂技术任务。
OpenAI 团队通过 Codex 加速工程开发,优化代码理解、系统重构、性能提升、速度加快及工程工作流改进。 该工具帮助工程师处理复杂代码、重构系统、提升性能,显著加快开发效率并优化日常工作流。
Hugging Face 发布教程,演示如何利用 PyTorch 预编译加速 ZeroGPU Spaces。该教程展示了在 H200 硬件上,通过预编译和 FP8 量化将 Flux、Wan 等模型的推理速度提升 1.3 倍至 1.8 倍。文中还详细介绍了动态形状处理、区域编译以及如何结合 FlashAttention-3 进一步优化性能的具体实践方法。
Hugging Face 推出 kernel-builder 库,支持开发者在本地开发自定义 CUDA 内核,并针对多架构进行构建与分发。该工具通过 build.toml 和 flake.nix 实现可复现构建,利用 TORCH_LIBRARY_EXPAND 将内核注册为 PyTorch 原生算子。
Hugging Face 发布教程,展示如何通过 Model Context Protocol 把 arXiv、GitHub、Hugging Face 的检索封装成 MCP 工具,让智能体模型能用自然语言自动找论文、实现代码、预训练模型和 benchmark。
OpenAI 发布了 GPT-5,展示了其在创意写作中的辅助能力。该功能旨在帮助用户提升创意内容的生成效率与质量,具体应用细节需参考官方文档。
Cursor 现已支持调用 GPT-5 模型。开发者可以在 Cursor 环境中直接使用 GPT-5 进行代码生成与交互,官方指南展示了具体的使用方式。
Gradio 通过 MCP 集成将 Python 函数自动转换为 LLM 工具,支持调用 Hugging Face Hub 上的模型。该方案构建 AI 购物助手,结合 IDM-VTON 扩散模型实现虚拟试穿,并通过 VS Code 的 Playwright MCP 浏览网页寻找衣物。
Diffusers 结合 PEFT 发布针对 Flux 图像生成模型的 LoRA 快速推理优化方案,通过 Flash Attention 3、torch.compile、FP8 量化以及新的 LoRA 热交换机制避免重编译问题,在 H100 上实现 2.23 倍加速。
NVIDIA 宣布其 NIM 推理微服务现已支持在 Hugging Face 平台上快速部署超过 100,000 个 LLM。NIM 提供单一 Docker 容器,自动识别模型架构与量化格式,并适配 TensorRT-LLM、vLLM 及 SGLang 等推理后端。
Consilium 是作者基于 Gradio 和 MCP 构建的多 LLM 协作平台,支持模型通过结构化辩论达成共识。该平台提供扑克桌视觉界面及 MCP 服务,可集成至 Cline 等应用。作者发现为 LLM 分配“专家倡导者”等特定角色能显著提升讨论质量,并实现了环形、星形等通信结构及可配置的辩论轮数。
Hugging Face 与 AMD 合作为 MI300X 开发定制开源内核,以加速 VLLM 运行 Llama 3.1 405B FP8 模型的推理性能。通过组合 Fused residual、Fused SwiGLU 和 Skinny GEMM 三个优化内核,在 8 节点 MI300X 上实现了显著的解码延迟降低。
Gradio 应用自 v5.28.0 起支持 MCP 协议,使 Hugging Face Spaces 成为数千个 AI 工具的“应用商店”。文章以 Flux.1 Kontext[dev] 为例,演示了如何将该模型作为 MCP 服务器接入 Cursor 等客户端,实现通过自然语言指令进行图像编辑的功能。
Hugging Face 团队针对 nanoVLM 项目构建高效多模态数据管道,通过五个阶段优化以解决 GPU 空闲等待和填充浪费问题。 采用 Knapsack 策略将批次中约 60% 的无效填充 token 降至最低,并引入生产者-消费者模式实现动态批处理。 该方案利用贪婪和二分打包策略平衡 token 与图像数量,显著提升训练效率。
Sentence Transformers 提供了一套用于微调稀疏嵌入模型的完整流程,涵盖模型、数据集、损失函数及评估器等组件。该库生成的 sparse-encoder/example-inference-free-splade-distilbert-base-uncased-nq 模型成本低,特别适合混合搜索或检索重排场景。
Hugging Face 发布教程,指导使用 diffusers 库和 QLoRA 技术在单卡消费级硬件(如 RTX 4090)上微调 FLUX.1-dev 模型,峰值显存占用低于 10 GB。
推荐理由:文章提供了在消费级硬件上微调FLUX.1-dev的具体代码流程和显存优化技巧,读者可直接复用该方案降低部署门槛。
长提示词在默认vLLM策略中串行处理,阻塞后续请求首个token生成。vLLM更新允许并行预填充但限制长提示并发数,显著降低短请求的time-to-first-token,但无法消除并发预填充对正在解码请求造成的速度干扰。
Hugging Face 团队在其 nanoVLM 仓库中从零实现了 KV Cache,使文本生成速度提升 38%。该优化通过缓存 Key 和 Value 矩阵,避免了自回归生成中的重复计算。
自定义指令功能允许用户根据角色、偏好和工作场景个性化配置 ChatGPT。 该功能支持用户设定特定指令,使模型输出更贴合个人需求。
GPT-4o 使写作和协作更加自然,帮助团队更快地起草、润色并调整语气。 这一特性通过优化交互体验提升了内容创作效率,适用于团队协作场景。
ChatGPT 支持市场研究,可规划、搜索、阅读来源并汇编详细报告。 该功能支持市场分析,自动完成信息搜集与整理。
OpenAI官方教程展示了如何在ChatGPT中使用画布功能,将产品需求文档转化为可运行的HTML和React原型。该功能支持开发者直接从文档生成代码,简化了前端界面的原型设计流程,便于快速预览产品交互效果。
ChatGPT Projects 功能支持用户组织文件并保存上下文。 该功能旨在帮助保持不同工作流对话的一致性。
ChatGPT 通过分析背景、生成选项并将决策转化为后续步骤来支持战略规划。 该功能适用于利用 AI 辅助制定战略方案的场景。
OpenAI 展示了 ChatGPT 将生成代码传输至 IDE 的方法,旨在加速开发工作流。 目前正文仅提供了功能描述,未包含具体的版本参数、性能基准或可用性细节。
OpenAI 发布 ChatGPT 的 Canvas 功能,旨在帮助用户将笔记、转录文本和初稿转化为更完善的文稿。
Sentence Transformers 团队发布教程,演示如何在自有数据上微调 cross-encoder reranker 模型。教程覆盖数据集准备、hard negatives mining、loss 函数选择、训练参数与评估器配置等完整流程,并给出从零训练及微调的完整代码示例。
推荐理由:作者给出了可直接复用的微调流程和评测方法,并附上实测对比数据,帮助读者在自己的数据上训练更强 reranker 模型。
本教程演示如何使用 LM Studio 和 VS Code 扩展 Continue.dev,在本地部署并调用开源模型 OlympicCoder 7B 作为编码助手。
推荐理由:文章给出了在本地运行 OlympicCoder 7B 的完整集成流程,帮读者把开源模型接入现有开发工具。
该教程指导用户利用 React Native 和 llama.cpp 的绑定(llama.rn)构建移动应用,以在本地运行 LLM。推荐使用 1-3B 参数量的模型(如 SmolLM2-1.7B-Instruct 或 Llama-3.2-1B-Instruct)并采用 Q4_0 或 K-Quants 等量化格式,以确保在移动端设备上的流畅运行和隐私保护。
Arize Phoenix 提供一个集中式平台,可实时追踪、评估和调试智能体的决策过程。通过集成 OpenTelemetry 与 OpenInference,开发者可捕获 smolagents 的操作步骤,并使用 GPT-4o 作为 LLM 裁判来评估搜索工具的结果相关性。
Hugging Face 博客提供框架用于计算单日 10 亿次以上分类或嵌入任务的推理成本。案例显示在 nvidia-L4 硬件上处理 10 亿次分类请求成本为 $253.82,嵌入为 $409.44,视觉嵌入高达 $44,496.51。通过调整 INFINITY_BATCH_SIZE 和 VUs 等参数并水平扩展 GPU 副本,可优化高吞吐量下的成本效率。