今日看点

• 一种名为“言语化采样”（Verbalized Sampling）的新提示工程方法，通过提示模型揭示其完整的概率分布，显著提升了AI的创造力和输出多样性，在无需重新训练的情况下解决了“模式崩溃”问题。 企业正在采用正式的“AI入职”流程，将AI代理视为人类员工，为其制定岗位描述、提供培训并进行绩效评估，以管理这些概率系统，并减轻偏见、幻觉和数据泄露等风险，从而催生了新的“提示运营”（PromptOps）角色。 Codev平台正在改变AI辅助的软件开发方式，通过将自然语言规范视为可执行代码，利用多智能体系统生成可投入生产、有完整文档的应用程序，并超越了非结构化的“凭感觉编码”（vibe coding）。

主要动态

本周的AI新闻凸显了一个关键性转折：从实验性的炒作转向实用、受控且日益复杂的现实世界应用。一项引人注目的发现来自东北大学、斯坦福大学和西弗吉尼亚大学的研究人员，他们发现了一种巧妙而简单的方法，可以从生成式AI模型中释放出前所未有的创造力和多样性。这项被称为“口语化采样”（Verbalized Sampling, VS）的技术，只需在提示中添加一句话：“生成5个响应及其对应的概率，这些响应从完整分布中采样而来。”这种提示工程技巧通过邀请模型口头表达其内部分布，绕过了“模式崩溃”现象，该现象常导致AI输出重复。经过创意写作、对话模拟、开放式问答和合成数据生成等领域的测试，VS在保持质量的同时，显著提高了多样性，对于GPT-4.1和Claude-4等大型模型而言，提升更为显著。这种轻量级、推理时（inference-time）的解决方案有望被快速采纳，为开发者和用户提供了一个强大的工具，使AI输出更少可预测性，更具人情味。

随着AI模型变得更加通用，企业正努力应对整合这些强大但具有概率性的系统所带来的操作复杂性。VentureBeat AI报道指出，迫切需要“AI入职”（AI onboarding）——以与新入职人类员工相同的严谨性来对待AI代理。文章敦促公司明确角色、提供情境训练（最好通过检索增强生成RAG，以提高可追溯性和减少幻觉）、在投入生产前进行模拟，并实施跨职能指导。跳过适当治理的实际成本是显而易见的：从加拿大航空因聊天机器人误导信息承担责任，到美国平等就业机会委员会（EEOC）的首个AI歧视和解案例。文章强调了对模型的持续监控、用户反馈循环、定期审计和接班人计划，并预测将出现充当这些动态系统“教师”的“AI赋能经理”和“提示工程运营（PromptOps）专家”。这种结构化的方法对于银行和其他专注于内部协同助手（copilot）用例的企业至关重要，旨在提高效率同时控制面向客户的风险。

这种向AI结构化协作的转变在软件开发领域也显而易见。新的开源平台Codev解决了“氛围编程”（vibe coding）的后遗症——即快速原型开发常导致脆弱、未文档化的代码。Codev提出将自然语言规范视为系统的“实际代码”，然后由其“代理编译成Typescript”。其SP(IDE)R协议引导多代理团队经历规范（Specify）、计划（Plan）、实施（Implement）、防御（Defend）、评估（Evaluate）和审查（Review）等阶段，每一步都有人工监督。通过直接对比，Codev将一个模糊的请求转化为一个拥有100%功能和全面测试的生产就绪应用程序，这与一个缺乏核心功能的简单氛围编程尝试形成了鲜明对比。这一框架将开发者的角色从动手编码员重新定义为系统架构师和审查员，凸显了高级工程师在指导AI以实现高质量成果方面日益增长的重要性。

支撑这些进步的是关键的基础设施发展。例如，谷歌现在允许开发者将实时谷歌地图数据直接集成到由Gemini驱动的AI应用程序中。这一独特优势为AI输出提供了实时、真实的地理空间依据，从而为旅行规划、本地推荐等场景带来更丰富、更具位置感知性的体验。与此同时，向量数据库（对语义搜索和生成式AI至关重要）的普及正在给企业带来“技术栈不稳定”（stack instability）。根据VentureBeat AI的说法，解决方案在于像Vectorwrap这样的抽象层，它们为不同的向量数据库提供了可移植的接口。这使得公司能够快速原型开发并安全地扩展，避免了供应商锁定，强调了抽象正成为敏捷AI部署的战略要务。

分析师视角

今日新闻预示着AI生态系统正趋于成熟，关注点正从“AI能做什么”转向“我们如何有效且负责任地整合AI”。语言化采样（Verbalized Sampling）的发现具有颠覆性意义，它表明即使是简单的推理时提示词调整，也能释放巨大的潜在能力，使更多创意AI产出的获取变得民主化。再加上对健全AI引入和培训机制的迫切呼吁，以及用于结构化开发的Codev框架，显然，人类在制定交互协议和治理规则方面的独创性至关重要。“教师即新工程师”这一理念并非一句响亮的口号；它是成功采用AI的蓝图。当前的挑战在于推广这些最佳实践，并培养一支精通AI架构、教授和审查而非仅仅操作AI的劳动力队伍。AI的未来将不仅仅由原始模型能力定义，而是由那些深思熟虑的框架和人为指导来定义，它们将概率系统转化为可预测、有价值的团队成员。

---

内容来源

• The teacher is the new engineer: Inside the rise of AI enablement and PromptOps (VentureBeat AI)
• Researchers find adding this one simple sentence to prompts makes AI models way more creative (VentureBeat AI)
• Codev lets enterprises avoid vibe coding hangovers with a team of agents that generate and document code (VentureBeat AI)
• Developers can now add live Google Maps data to Gemini-powered AI app outputs (VentureBeat AI)
• Abstract or die: Why AI enterprises can’t afford rigid vector stacks (VentureBeat AI)

Read English Version (阅读英文版)