AI Agents借大模型之力激扬数据云盛宴;轻量型Agent破冰蓝屏困局;英伟达RankRAG独辟蹊径;HTAP数据库引领··

星环科技数据云平台Transwarp Data Cloud(简称TDC)5.0版本正式发布，TDC5.0架构屏蔽底层多个TDH集群的差异，采用统一操作模式，新增一个多集群抽象与管理层，能够实现多集群网络互通、跨集群资源调度。

TDC 是基于云原生技术的数据云平台，星环科技对它的调度、存储、网络全部进行了优化，使用星环科技自己的调度系统、本地存储系统、虚拟网络;操作系统上一层是多集群管理;第三层是数据云管理平台，实现了多租户、多用户，包括统一的应用生命周期管理;再上一层是星环科技提供的各类大数据产品目录，包括各种数据库、数据科技平台、开发平台，以及TKH企业级知识平台;图中左和右分别是面向企业数据应用的开发和数据应用的部署托管，做到了面向企业的数据以及数据应用在一个平台上提供，因此，TDC是企业级面向数据全生命周期管理的云原生PaaS平台。

TDC 5.0 版本满足用户四大需求

第一，集群能统一管理，实现多个集群统一管理，用户只需登录一个控制台就可以看到多个集群情况，应用的运行情况、版本情况，以实现多集群应用的统一管理等。

第二，资源能统一调度，能够跨多个集群复用资源，实现多个集群的资源更均衡地使用。

第三，数据能统一管理，实现跨集群的数据灵活共享，比如Nocopy的数据共享，保证数据的新鲜性。

第四，面向新业务上线时，可提供多租户方式，快速地启动一个虚拟集群部署业务。

AI Agent通过大模型的赋能，正逐步成为实现AI价值的重要工具。在各类应用场景中，AI Agent展示了其强大的自主性、反应性和交互性，不仅提升了工作效率，还推动了新一代人机交互和协作范式的形成。随着技术的不断发展，AI Agent在企业服务、客户管理、金融等领域的应用潜力无限，未来将进一步改变我们的工作和生活方式。

AI Agent的发展，离不开数据、算法和算力这三驾马车的支持。大量数据的积累和优化算法的应用，使得AI Agent能够不断学习和进化，提升自身能力。算力的提升，则为AI Agent提供了强大的计算支持，使其能够处理更复杂的任务。

在企业知识资产积累与复用方面，AI Agent扮演了重要角色。通过从企业运营中积累有价值的知识，形成专家级知识库，AI Agent可以大幅提升信息获取和应用效率。换句话说，AI Agent不仅是一个智能工具，还是一个知识管理专家。

多智能体协作模式，是AI Agent发展的另一个重要方向。多个AI Agent协同工作，通过分工合作、信息共享，可以解决更复杂的任务，提高创造力和适应性。比如说，在一个复杂的项目中，不同的AI Agent负责不同的模块，通过相互协作，最终完成整个项目。这种模式，既提高了工作效率，又增强了系统的鲁棒性。

Agents 是能够感知其环境、做出决策或采取行动，并实现特定目标或目的的系统。

Agents 市场预计将从 2023 年的 50 亿美元增长到 2028 年的290亿美元，年复合增长率为43%。最近对该领域的兴趣引发了"Agents 是人工智能夏天的郁金香"这一说法。

尽管这是一个新兴领域，我们已经确定了自主AI代理市场的三个关键层面，这些层面与我们的投资策略高度契合。

AgentOps:这个领域由七个核心组件构成，它们共同形成了可模板化的"框架"，未来有望在专门的市场平台上进行分发。早期的概念验证包括 Teenage-AGI、Baby-AGI 和 AutoAGI 。

Applications:Agents将"成为产品"。随着格局的成熟，我们将看到许多agents被产品化并通过闭源或开源模型实现商业化。根据e2b的分析，目前约有一半的智能agent采用闭源模型，主要针对特定的应用场景，而另一半则采用开源模型。

Services自建智能agent平台:这个领域正吸引大量参与者。这些平台提供低代码或无代码解决方案，使企业或个人用户能够轻松创建和部署智能agent。要在竞争中脱颖而出，用户体验(UX)、客户支持和针对特定用例(如B2B、B2C、不同行业)的定制化能力将会是关键。这类平台面临的主要挑战是客户留存(即LTV:CAC)，它们的策略将从"不惜代价获取用户"转向"不惜代价留住用户"。提高用户粘性的关键在于集成能力和用户体验(如支持服务)。代表性公司包括：Relevance AI、XpressAI、SuperAgentAI 和 AgentRunnerAI。

在二十届三中全会上，国家对未来数据和技术市场的发展做出了重大战略部署。全会的决议明确提出，将构建全国一体化的技术和数据市场，以推动我国数字经济的进一步发展，提升国家在全球科技竞争中的综合实力。

预计，全国一体化技术和数据市场的建设将从以下几个方面入手：

数据基础设施建设。加快数据中心、云计算中心和大数据平台的建设，形成全国统一的数据基础设施网络。

数据标准化与互操作性。制定和推广数据标准，确保不同来源、不同格式的数据能够顺畅互通和共享。

数据安全和隐私保护。建立健全数据安全法律法规和技术防护体系，确保数据在流通过程中的安全性和合规性，保护个人隐私和企业机密。

数据流通和交易机制。建立全国统一的数据交易平台，规范数据交易行为，保障交易的公平、公正和透明。

技术创新与应用场景拓展。推动大数据、人工智能、物联网等前沿技术的研发和应用，鼓励各行业利用数据驱动创新。

二十届三中全会关于构建全国一体化技术和数据市场的决策，是中国应对数字经济时代挑战、把握发展机遇的重大战略部署。相信在不久的将来，全国一体化的技术和数据市场将成为中国经济腾飞的新引擎，助力实现中华民族伟大复兴的中国梦。

腾讯云与中科软联合发布了“保险行业一体化大数据解决方案”，并推出覆盖保险行业典型业务场景的新一代IFRS17管理平台联合方案、Wedata一站式数据治理联合方案，助力保险公司筑牢数据基座。

腾讯云联合中科软打造的保险行业一体化大数据解决方案着重在“产品及业务流程支持”、“业务决策应用”、“监管上报应用”、“客户价值应用”四类保险行业典型数据应用场景投入验证，并在行业内已经有联合落地案例。

i17是近两年保险行业的焦点话题之一，此次腾讯云与中科软也发布了新一代IFRS17管理平台联合方案，针对i17数据计算场景的挑战，可提供调优全托管、时间旅行、弹性计算等特性，解决了数据计算的核心难点。

新一代IFRS17管理平台联合方案还拥有高并发的处理能力，可以支持客户i17月底集中数据加工要求，并可通过腾讯Wedata 提供可视化数据任务编排，满足数据多阶段任务处理，同时支持多种信创数据库数据的实时同步。此外，通过丰富的BI展示，可提供多屏多端可拖拽编辑的报表工具，满足业务报表展示需求。

三星电子宣布已签署协议，收购英国一家专门从事知识图谱技术的初创公司 Oxford Semantic Technologies。

Oxford Semantic Technologies由三位牛津大学教授Ian Horrocks、Boris Motik和Bernardo Cuenca Grau于2017年创立，在知识表示和语义推理领域拥有尖端技术能力。凭借其以人工智能为中心的引擎RDFox，该公司目前与欧洲和北美的金融、制造和电子商务领域的组织合作。

由于在将动态和广泛的真实世界数据转换为知识图谱并加以利用的过程中使用了复杂的计算，因此知识图谱技术的实施具有挑战性。然而，Oxford Semantic Technologies已经开发并成功商业化了知识图谱技术，该技术可在云端和设备上优化数据处理并实现高级推理。

自 2018 年以来，三星电子一直与 Oxford Semantic Technologies 合作开展各种项目，包括对三星风险投资公司的投资。通过此次收购，三星将获得用于个人知识图谱的先进核心引擎。这些图表整合了分散在各种服务和应用程序中的信息和上下文，通过越来越熟悉用户的偏好和使用情况来打造量身定制的用户体验。

浪潮信息携手腾讯云重磅发布元脑TDSQL数据库一体机，融合了算力、网络平台以及分布式关系型数据库TDSQL于一体，可提供单节点数十万QPS、单实例千万级QPS 流量的超高数据处理性能 ，具备99.999%以上的“金融级”高可用性，能够帮助商业公司快速完成数据库基础设施的部署，加速释放数据价值，赋能数字化、智能化转型。

元脑TDSQL数据库一体机采用一体化、分布式架构，极大程度上简化了数据库软硬件基础设施，具备对MySQL、PostgreSQL、Oracle等主流数据库的高度兼容性，支持OLAP(在线数据分析)、OLTP(在线事务处理)和HTAP(混合事务分析处理)的多种数据处理模式 ，QPS峰值可达1500万+，并且具备99.999%以上的“金融级”高可用性，能够满足金融、政务、电商、物联网等多个行业的数据处理需求。

Timeplus与AutoMQ达成战略合作，将在产品研发、生态集成、市场合作、技术社区影响力等多方面开展深度合作。

AutoMQ是业内领先的消息和流存储服务提供商，基于云原生基础设施重新设计了Kafka，将存储层分离到对象存储，在100%兼容原有功能的基础上，充分利用云的弹性能力，为客户提供了高达10倍的成本优势和百倍的弹性效率提升。

而Timeplus作为新一代实时数据融合处理平台, 高效处理动态流数据和静态历史数据，经历最严苛的金融级核心场景淬炼，提供百分之一秒的千万级复杂事件处理能力。

Timeplus和AutoMQ均提供灵活可伸缩的部署方案，用户可以选择在自有机房或云主机部署开源或商业化产品，也可以选择来自Timeplus和AutoMQ的全托管云服务。无论哪种选择，相比自建Apache Kafka和Apache Flink集群(加上实时数据同步工具和数仓)，Timeplus+AutoMQ能大幅降低硬件成本，为客户提供了高达10倍的成本优势和百倍的弹性效率提升，并提供世界一流的开发者体验。

KunDB是星环科技自主研发的分布式交易型数据库，高度兼容Oracle和MySQL，提供数据强一致、高可用、高性能、高扩展、应用透明等能力，可在云上和物理机上容器化部署运行，一站式解决企业数据存储、管理、计算与安全性问题。

过去半年时间里，KunDB通过了信通院首批“软件自研创新能力”专项评估、GM/T 0028《密码模块安全技术要求》安全等级第二级认证，GB18030-2022《信息技术 中文编码字符集》(强制性国家标准)最高级别认证等权威认证。近期，KunDB4.0正式发布，进一步提升安全能力与Oracle兼容性，并支持跨系统多租户部署，为用户提供高性能、高安全、高可靠的国产数据库产品。

同时KunDB4.0在Oracle兼容性以及数据快速迁移方面进一步加强。KunDB4.0支持基于一个数据库实例上通过硬件资源控制来实现多租户能力，可以很好地支撑政务前置库、系统配置库等场景。

在企业中通常存在两类数据处理场景，一类是在线事务处理场景(OLTP)，例如交易系统，另一类是在线分析处理场景(OLAP)，例如业务报表。为了满足这两类业务场景，企业通常会采用 OLTP + OLAP 的组合方案或者分布式HTAP 数据库的产品方案。

GaiaDB 4.0 用一套数据库同时满足 TP(事务处理) 和 AP(复杂分析处理)业务。GaiaDB  4.0 针对在线实时的分析业务发布了并行查询能力，使得业务在同一套集群上，无需任何改造即可满足复杂分析的需求。

GaiaDB 针对 TPC-H 查询场景的性能测试结果，与传统 MySQL 单线程相比，在 32 线程并行执行下，GaiaDB 单表复杂查询性能最高提升 14 倍，平均提升 8+ 倍。

通过并行查询的方式，GaiaDB 将 CPU 资源和存储 I/O 充分利用起来，大幅提升复杂查询的处理性能。

除此之外，云原生数据库 GaiaDB  4.0 还推出了另外一个性能提升利器 — 列存索引技术，通过在数据表上为指定列创建列存索引，能够进一步加速查询性能。

Oracle 自治数据库现已在 Microsoft Azure 美国东部区域的 Oracle Database@Azure 上正式发布。甲骨文将运营和管理甲骨文自治数据库云服务，这是在Azure数据中心的甲骨文云基础设施(OCI)上运行的第二项甲骨文数据库服务。

借助在 Azure 数据中心的 OCI 上运行的 Oracle 自治数据库，开发人员可以轻松配置行业领先的数据平台，该平台可以适应任何用例的任何数据或开发模型，同时消除或减少复杂且耗时的集成。

借助这种完全托管且功能齐全的选项，应用程序开发人员可以大规模访问具有最高性能、安全性和可用性特征的数据库服务。

Oracle 自治数据库可帮助客户加快应用创新和开发速度，并可利用该数据库将现有 Oracle 数据库迁移到云中。Oracle 自治数据库最初通过 Microsoft Azure Marketplace 中的专用产品/服务提供。

Oracle 自治数据库提供与 Azure 门户和 API 集成的完全自动化和托管的 Oracle 数据库服务，使全球组织能够安全地迁移和运行从最简单到最关键任务的任何工作负载。

近日，中科睿途基于Cassandra研发的新一代去中心化、分布式分析数据库系统RatuDB正式加入木兰开源社区，成为社区孵化项目。

RatuDB专为大规模数据集设计，能够处理和存储PB级别数据，满足大数据和大模型时代复杂的需求。系统采用一体化架构设计模式，兼顾分布式架构的扩展性与集中式架构的性能优势，具备高扩展、高可用、稳定可靠等特征。

系统支持结构化数据库、非结构化数据库、索引数据库、图数据库以及向量数据库等存储模式。

RatuDB通过优化 Cassandra的快速写入能力和OpenSearch的高效检索能力，实现了高性能的数据读写，即使在海量数据处理情况下也能保持优异的性能表现。

Forcepoint 将推出其全面的生成式 AI (GenAI) 安全解决方案，旨在跨 GenAI 平台实现安全、透明的控制。Forcepoint 的 GenAI 安全解决方案与 OpenAI 的 ChatGPT 企业合规性 API 集成，使企业和政府机构能够利用 GenAI 创新，同时遵守强大的数据安全和合规标准。

Forcepoint GenAI 安全解决方案可帮助团队控制和监控与 GenAI 解决方案和助手的数据交互，使用 AI 平台分析用户查询，以发现和解决潜在的安全漏洞。该解决方案利用风险评分系统来评估信息敏感性，帮助保护组织最关键的数据。

Forcepoint 的 GenAI 安全解决方案具有四种技术的综合功能，包括：

·Forcepoint ONE CASB，为 SaaS 应用程序提供细粒度控制，包括将哪些数据上传到其中

·Forcepoint ONE Web Security，通过分析网站风险和声誉、允许的网站类别、限制用户以及阻止/限制涉及敏感信息的活动，为 GenAI 网站提供零信任 Web 访问

·Forcepoint DSPM，提高数据发现、分类、风险评估和风险缓解的速度和准确性

·Forcepoint ONE Data Security 和 Forcepoint Enterprise DLP 可在 AI 网站、端点设备、电子邮件、SaaS 应用程序和自定义应用程序之间保持一致的数据安全策略

谷歌母公司 Alphabet 正在就以230亿美元收购网络安全公司Wiz进行深入谈判。据悉，协议可能很快就会达成。

Wiz 成立于 2020 年，在首席执行官 Assaf Rappaport 的领导下快速发展。该公司在5月份就开始考虑IPO，当时该公司的估值达到了120亿美元。

Wiz的云安全产品使高管和网络安全专业人员能够深入了解公司的完整云存在，这对拥有大量计算资源的大公司很有吸引力。它得到了一批蓝筹股公司的支持，包括以色列风险投资公司Cyberstarts、Index Ventures、Insight Partners和红杉资本。

Wiz今年早些时候宣布，其ARR已达到3.5亿美元，超过40%的财富100强企业是其客户。该公司此前曾表示有兴趣寻求并购机会，作为其构建整体云安全平台以满足广泛行业需求的使命的一部分。

两个月前，云安全独角兽Wiz宣布，它以120亿美元的估值筹集了10亿美元，使该公司的总资金达到19亿美元。

全球范围内的计算机用户遭遇了一场意外的蓝屏危机。这一事件被证实与CrowdStrike的软件有关，特别是其代理程序(csagent.sys)引发的系统崩溃，凸显了在网络安全领域选择可靠技术的重要性。

在终端软件检测中目前有常见的2种技术方案：内核态驱动方案、用户态应用方案。CrowdStrike Agent使用的是内核态驱动方案，青藤目前为止采用的是更加轻量、稳定的用户态应用方案。

在这场突如其来的危机中，CrowdStrike Agent问题凸显了一个核心观点：在网络安全领域，Agent的稳定性至关重要。一旦出现问题，其后果可能是灾难性的。因此，用户必须选择经过严格测试、拥有高可靠性的安全解决方案。

截至目前青藤已经服务超过1000多家各行各业的头部用户，800万台服务器供稳定、高效的安全防护。目前为客户提供的都是无驱动Agent，这意味着我们的解决方案不依赖于内核驱动程序，从而大大提升了Agent稳定性。我们始终致力于提供最安全、最可靠的网络安全产品，确保客户的利益不受损害。

BW ，全称 BilibiliWorld，是 B 站每年一度的线下嘉年华，内容包括演出、展览、互动娱乐游戏等多个方面。

7月12日-14日，超 25 万人次参加被用户称作“二次元快乐老家”的BW 2024，可谓异常火爆，刚刚结束那份震撼和欢乐还在心头荡漾，大家直呼戒断反应强烈。

这次我们与合作伙伴英特尔共同亮相BW 2024，大模型产品无涯·问知在现场吸引了众多二次元爱好者关注。

安全人工智能联盟(CoSAI)今天在阿斯彭安全论坛上宣布成立。它将在OASIS的羽翼下运作，OASIS是一个非营利组织，负责监督数十个开源软件项目的开发。其中许多项目专注于简化网络安全任务，例如自动化违规响应工作流程。

CoSAI的创始成员包括OpenAI和Anthropic PBC，这是大型语言模型生态系统中资金最雄厚的两家初创公司，以及竞争对手Cohere和GenLab。在公共云市场，该财团得到了亚马逊网络服务公司、Microsoft和谷歌的支持。英伟达、英特尔、IBM、思科、PayPal控股公司、Wiz和Chainguard也加入了他们的行列。

该联盟的成立有两个主要目标。首先是开发工具和技术指南，帮助组织保护其人工智能应用程序。根据该组织的支持者的说法，另一个目标是创建一个生态系统，让公司可以分享与人工智能相关的网络安全最佳实践和技术。

CoSAI正在启动三个开源工作流或计划，以推进这些目标。每个项目都处理保护 AI 应用程序所涉及的不同任务子集。

第一项计划旨在帮助软件团队扫描其机器学习工作负载的网络安全风险;第二个首个项目旨在减轻减轻人工智能网络安全风险的任务;第三项举措侧重于解决软件供应链风险。

OpenAI 宣布发布其最新的零食大小的生成模型，称为 GPT-4o mini，与标准 GPT-4o 模型相比，它既资源密集度更低，操作成本更低，又允许开发人员将 AI 技术集成到更广泛的产品中。

这对开发人员和应用程序来说是一个很大的升级，但它也扩展了功能并减少了对 ChatGPT 免费版本的限制。从今天开始，GPT-4o mini 现在可以通过 ChatGPT 网络和应用程序向免费、Plus 和 Team 级别的用户开放，供用户和开发人员使用，而 ChatGPT Enterprise 订阅者将在下周获得访问权限。从发布开始，GPT-4o mini 将取代该公司现有的小型型号 GPT-3.5 Turbo，供最终用户使用。

如果开发人员还不想切换到 4o mini，他们仍然可以通过 API 使用旧模型。该公司表示，它最终将退役旧型号，但尚未确定日期。

Salesforce 正式投入人工智能服务代理领域，推出了基于公司的 Einstein 人工智能平台开发的新服务。

新推出的 Einstein Service Agent 是一款基于生成式人工智能技术的客户自助服务体验。这款服务代理主要面向最终用户，提供了一套对话式人工智能界面，用于解答客户提出的各类问题并提供相应解决方案。这款新服务代理的技术基础与公司内部员工使用的 Einstein Copilot 相似。

代理式人工智能的核心思想是，它不仅能回答基础问题，还能够代表用户执行具体操作。

例如，在 Einstein Service Agent 的应用场景中，这些操作可能包括启动产品退货或执行退款等功能。该系统能够处理从简单到复杂的多步骤交互，均采用 Salesforce 中已经得到批准的企业工作流程。

Einstein Service Agent 最初将在客户服务领域得到部署，并计划未来扩展到其他 Salesforce 云服务。

尽管市场上许多供应商都在推动人工智能服务代理驱动的工作流程，Einstein Service Agents 的独特之处在于其与 Salesforce 现有客户数据和工作流程的无缝整合。

第四范式正式发布AI数字人视频合成平台，基于第四范式数字人大模型能力，可快速、低成本、批量化创作个性化数字人，生成高质量数字人视频内容，让数字人拥有更加真实、逼真的脸型、嘴型动作，以最优的视频效果助力传播与获客。

之所以能生成真实、逼真的个性化数字人，源于第四范式通过海量数据训练了数字人基础大模型，以及多年在多模态大模型的持续深耕。

高性价比的算力优化：一些开源的数字人产品，算力消耗大，视频生成慢，第四范式则通过深度系统优化，低成本、高效率的生成视频。

构建个性化表情、声音模型：相较于市面上普遍采用的公共嘴型等通用模型，第四范式AI数字人视频合成平台会基于每个人上传的视频，构建专属的嘴型、脸型、声音等模型，生成视频效果更逼真。

腾讯云在工业质检合作伙伴沙龙暨生态联盟发布会上，宣布升级发布工业质检训练平台TI-AOI 2.3版本，并携手首批合作伙伴成立工业AI质检生态联盟，共同推动人工智能技术与实体产业深度融合，助力行业加快发展新质生产力，实现高质量发展。

腾讯云在工业质检领域深耕多年，现已构建起包括工业质检训练平台TI-AOI、腾讯云TI平台等在内的AI视觉检测产品矩阵。

此次升级发布的工业质检训练平台TI-AOI，是面向工业视觉质量检测场景推出的零代码开发和交付工具，它以深度学习检测为核心，构建起一个高效、稳定的数据处理和工作流程。TI-AOI 2.3版本推出深度学习精准分割、无监督异常检测等创新功能，并进一步提升推理性能。同时，在缺陷感知通用模型、小样本visual prompting等前沿技术上，新版本也取得了显著成果，通过多个质检场景POC验证了其卓越性能。

英伟达提出了RAG新思路——一种名为 RankRAG 的创新指令微调框架。该框架使单个 LLM 能够同时进行上下文排序和答案生成，显著提升了 RAG 的性能。通过在训练中融入少量排序数据，RankRAG 不仅超越了专门优化的排序模型，还在生成任务上表现卓越，击败了包括 GPT-4 在内的多个顶尖模型。特别是在知识密集型和生物医学领域的基准测试中，RankRAG 展现了其强大的泛化能力，无需特定领域的微调即可与 GPT-4 媲美。

RankRAG，利用单一大语言模型来实现高召回率的上下文提取和高质量内容生成。通过对单一大语言模型进行指令调优，使其可以同时进行上下文排序和答案生成，进一步提升LLM在RAG检索和生成阶段排除不相关上下文的能力。

RankRAG整体包括两个阶段：指令调优阶段、排名与生成综合指令调优阶段。RankRAG在性能上超越了现有的RAG方法，在更具挑战性的数据集上取得了更显著的进步。

斯坦福大学认为：决定机器学习项目成功或失败的将越来越多的是训练数据，而不是模型、算法或基础设施。

故，开源了人工智能数据管理系统snorkel源代码。

Snorkel项目于2015年在斯坦福大学启动。项目团队踏上了一段探索之旅，旨在将数学与系统结构的严谨性引入训练数据创建与管理的混乱且传统上高度手动的领域，首要目标是让用户能够以编程的方式标记、构建并管理训练数据。

Snorkel项目更与世界顶级机构如Google、Intel、斯坦福医学院等携手，共同开发和部署了Snorkel的早期版本。

Snorkel背后的核心理念不仅革新了训练数据的标记方式，更深刻地改变了机器学习构建、部署与管理的全生命周期和流程：它影响了用户如何注入专业知识，如何构建、训练、检查、版本控制和监控模型，以及整个流程如何迭代优化;同时，它还促进了将机器学习部署中的所有利益相关者(从领域专家到机器学习工程师)全面融入这一流程的创新实践。