ai白皮书阅读

ai白皮书阅读

https://www.aliyun.com/reports/2025-ai-supercompany

应用运行时 (第8章)

1. 模型运行时
2. 智能体运行时

讲的是复杂的需求超越了 无状态 api服务的调用，需要有状态、沙箱化的环境

讲的是服务器的租用模式、函数式计算服务的区别。

函数式计算收费架构。

ai可观测性 (第9章)

• 基于网关的可观测性
• 推理引擎可观测性

ai评估-9 (第10章)

提高ai的输出质量方法的探究：

• 基于评估降低ai不确定性
• ai评估体系
• 基于LLM的自动化评估 (LLM as judge )
• 自动化评估落地实践

第10章--探究AI风险

1. 确保用户无法篡改指令

问题总结

1. 向量数据库的原理是什么，有什么局限性？
2. 知识图谱和向量数据库是怎么做到互补的？
3. vda、asr、tts、sadtalker 这些术语分别是什么？
4. spec coding： 目前司内关于从 Vibe Coding 到 Spec Coding 的探讨较多，跨境、通讯均有关于 spec coding 的实践，发布到 Km 上。我们团队有必要使用 spec coding 吗？如果有必要，使用哪种方法 or 规范？如果没有必要，谈谈你的看法

向量数据库的原理是什么，有什么局限性？

向量数据库是专为处理高维向量数据而设计的数据库系统，它通过特定的索引和搜索算法，能够快速找到与给定目标最相似的数据点。下面这个表格清晰地对比了它的核心原理与主要局限性。

数据处理：

1. 可以将文本，图片统一转化为高维向量，计算向量的相似度

• 向量相似度搜索的局限性： 难以直接处理精确的关键字匹配、布尔逻辑查询等传统搜索任务

2. 使用近似最近邻(ANN)算法，牺牲少量精度以换取检索速度的巨大提升

• 维度灾难问题： 高维数据下计算和存储成本高，且可能影响结果区分度

3. 支持将向量与元数据（如价格、标签）结合，进行混合查询

• 将向量搜索与业务规则、元数据过滤深度结合的灵活性和表达能力仍显不

什么时候使用向量数据库：
应用核心需求是语义相似性搜索、推荐系统或AI推理，那么向量数据库是强有力的工具。但如果你的业务仅需精确匹配查询或处理高度结构化的数据，传统关系型数据库或搜索引擎可能更简单高效。

知识图谱和向量数据库是怎么做到互补的？

简单的说 向量数据库是关注具体细节的搜索逻辑， 而知识图谱这是关注全局的关联逻辑， 比如有一些需要推理的场景， 语义相似度搜索就不适合了，
知识图谱是将知识实体的关系构建出图的结构，基于这种关联结构，可以构建出实体之间的关联关系， 可以弥补向量数据库集中于语义搜索的不足。

查了一下相关的概念：

• VectorRAG (向量 RAG) 将文本嵌入为向量，基于向量相似度（如余弦相似度）检索语义上相似的文档块或上下文，可能无法找到特定实体，容易在抽取式问题中丢失关键上下文信息，上下文质量不一致
• GraphRAG (图 RAG) 使用查询在知识图谱 (KG) 中搜索相关的节点（实体）和边（关系），提取子图作为上下文。擅长精确的事实检索、推理和处理实体关系，在抽取式问答中表现优异。构建和维护高质量知识图谱成本高，在需要泛化和抽象的摘要式问题中表现不佳。
• HybridRAG (混合 RAG) 将 VectorRAG 和 GraphRAG 的检索结果结合起来，取长补短。 这样做，架构更复杂，开发成本和定制化要求高

vda、asr、tts、sadtalker 这些术语分别是什么？

1. VDA： Video Depth Anything 视觉位移分析：高精度测量物体位移和形变。视频深度估计：为视频的每一帧生成深度图（距离信息）
2. ASR​: Automatic Speech Recognition 自动语音识别：将人类的语音信号转换为对应的文本
3. TTS​: Text-to-Speech 语音合成：将文本信息转换成可听的、自然流畅的语音
4. SadTalker: 英文可以翻译为数字人视频生成， 让一张静态人物图片根据一段输入的音频，生成一段开口说话的视频，并模拟口型、表情和头部微动作

这些技术的使用场景？
在实际应用中，这些技术常常组合使用，创造出更强大的应用。例如，在一个完整的数字人交互场景中：

1. ASR 负责将用户的语音转化为文本 （输入）
2. 大语言模型 (LLM)​ 对文本进行理解并生成回答内容 （处理）
3. TTS​ 技术将回答文本合成为语音音频 （输出）
4. SadTalker​ 这类技术则是根据TTS的语音输出构建出数字人视频。

网上看到的一个游戏 （Whispers from the Star），应该是用了这类技术
https://www.bilibili.com/vid eo/BV1W8RDYoETv/?vd_source=5680f9cc1e793f7b70191c94d5552ecb

Vibe Coding 和 spec coding 是什么？

这2种都是对AI编程的模式的命名总结。

Vibe Coding: 灵感即代码，用户提示词作为唯一的输入让AI进行开发
Spec Coding: 规范(spec)驱动编程

它为 AI 编程工具（Claude Code、Cursor、Codex、OpenCode、windsurf 等）提供一种标准化的方式：

• 让 AI 生成、跟踪、验证、归档 功能变更；
• 把“功能需求 → 任务分解 → 实现 → 验收” 全流程结构化；
• 实现 AI 与人协同开发 的一致性。

🧠 核心理念：

• “让 AI 先写清楚规范（spec）再写代码” 而不是盲目凭 prompt 去写。

spec coding解决了什么问题？

Spec coding 的出现，主要是为了解决当前直接使用 AI 编程助手时的一个核心问题：不可预测性和上下文丢失。

• 没有 Spec （传统AI编程）：你在聊天窗口中向AI描述一个需求（如“添加用户个人资料搜索功能”），AI直接生成代码。但需求细节、讨论过程和最终决定都散落在聊天历史中，难以回顾、评审和保持一致。下次再让AI修改相关功能时，它可能已经忘记了之前的约定。

• 使用 Spec coding（规范驱动）：你会先命令AI“创建一个 Spec 提案来添加搜索功能”。AI会在 规范对应的目录下生成结构化的文件，包括清晰的规范描述（如“系统必须允许按角色和团队过滤用户档案”）和实现任务列表。所有的意图都被锁定在规范文件中，而不是聊天记录里。之后的实现和未来的修改都基于这个单一、明确的规范来源。

为什么用 spec coding ,传统的 vibe coding 有什么弊端？

传统的vibe coding 需要用户编写大量的prompts, 然后让ai去理解 prompt的意思，然后开发， 如果会有大量的幻觉，上下文丢失的问题写出来的代码质量也不高。

spec coding的步骤：

1. /specify 定义功能需求
2. /clarify Ai主动问几个关键的问题
3. /plan 定好技术方案
4. /tasks 生成可以执行的任务
5. /analyze 一致性分析

发现一个开源的项目叫做 OpenSpec ，

https://github.com/Fission-AI/OpenSpec

• Spec Coding（规范驱动开发）：这是一种理念和方法论。它强调在编写代码之前，先编写清晰、明确的规范（Specifications）来描述软件应该做什么。这确保了所有参与者（包括人类和AI）对目标有共同的理解。
• OpenSpec：这是一个具体的框架和CLI工具，它实现并强制执行了 spec coding 的工作流。它提供了一套完整的结构、命令和约定，让团队能够轻松地将 spec coding 的理念应用到日常开发中，尤其是与AI编程助手协作时。
  OpenSpec 为 spec coding 理念提供了以下具体的实现：

1. 标准化的文件结构：它创建了明确的目录（openspec/specs/ 用于存储当前规范，openspec/changes/ 用于管理变更提案），这强制规定了规范应该放在哪里、如何组织。

2. 定义好的工作流程：它将 spec coding 的循环“编写规范 -> 实现 -> 更新规范”具体化为一个可操作的四步流程：

   • 起草提案：为每个新功能或修改创建一个包含规范变更（Delta）的提案。
   • 评审对齐：人类和AI基于提案中的规范进行讨论，直到达成一致。
   • 实现任务：AI根据已达成一致的规范（而不是模糊的聊天记录）来编写代码。
   • 归档更新：将已完成的变更合并回主规范库，使规范始终保持最新。

3. 工具集成：它通过生成特定的配置文件，将这套工作流直接集成到各种流行的AI编程助手（如 GitHub Copilot, Cursor, Claude Code 等）中，让开发者可以通过简单的斜杠命令（如 /openspec-proposal）来触发整个流程。

4. 变更跟踪：它通过“Delta”格式清晰地记录规范的每一次变更（新增、修改、删除），使得规范的演进过程可追溯、可审计。