🤖 Mastra觀測記憶技術降AI代理成本90%，Amazon Nova自動化履約中心測試
⚡ 記憶壓縮砍成本，Nova秒殺物流，Qwen3.5排隊開源，一條提示攻破15大模型，印度攢局全球AI春晚，熱鬧瘋了！
AI代理的技術突破正顯著加速其在複雜自動化場景的落地應用。Mastra的“觀測記憶”技術大幅降低了AI代理的運行成本並提升了長上下文處理能力，這與Amazon利用Nova模型自動化履約中心測試的實踐相呼應，共同預示著AI在提升運營效率方面將扮演更核心的角色。
今日 Top 3 頭條
- AI技術
Mastra“觀測記憶”技術將AI代理成本削減10倍，並在長上下文基準測試中超越RAG
Mastra 推出開源“觀測記憶”技術，用於替代傳統 RAG 系統。該技術由 Observer 和 Reflector 兩個後臺代理組成：當未觀測消息達到 30,000 tokens（可配置）時，Observer 將對話歷史壓縮為帶日期的觀測日誌並追加到上下文；當觀測日誌達到 40,000 tokens（可配置）時，Reflector 重新整理並去重。文本內容壓縮比 3–6 倍，工具密集型任務壓縮比 5–40 倍。系統在 LongMemEval 基準上使用 GPT-5-mini 得分為 94.87%，使用 GPT-4o 得分為 84.23%，高於 Mastra 自研 RAG 的 80.05%。上下文窗口平均約 30,000 tokens，利用提示緩存可將 token 成本降低 4–10 倍。系統採用純文本格式，無需向量或圖數據庫。Mastra 1.0 已集成該功能，併發布 LangChain、Vercel AI SDK 等插件。
來源 ↗ - AI行業新聞
Amazon 如何利用 Amazon Nova 模型實現新履約中心運營準備測試的自動化
亞馬遜正通過其創新的 Amazon Nova 模型和 AI 驅動的圖像識別方案，徹底改變新履約中心的運營準備測試流程。該技術旨在自動化原本耗時且勞動密集的人工核驗，顯著提升效率與準確性。過去，新履約中心投運前，需人工檢查數千項資產——傳送帶、貨架、工作站、安全設備等——確保其按設計圖紙正確安裝與配置，這一過程往往耗時數週且易出錯。 Amazon Nova 模型藉助先進計算機視覺，通過圖像與視頻數據自動識別、分類並驗證這些資產，可發現缺失、錯位或不合規之處，將原本數週的人工核驗壓縮至數日。該技術不僅加快新中心上線速度，還提高核驗精度，降低因配置錯誤帶來的潛在運營風險與安全隱患。Nova 模型是亞馬遜基於 AWS 機器學習服務（Amazon SageMaker、Amazon S3、Amazon Rekognition）構建的定製方案，彰顯其將 AI 與自動化深度融入物流供應鏈的決心。 這一創新對亞馬遜全球物流網絡影響深遠，尤其在其快速擴張的履約中心體系中。通過自動化運營準備測試，亞馬遜得以更高效地擴展基礎設施、更快響應市場需求，併為客戶提供更可靠的服務。此舉進一步鞏固了亞馬遜在利用 A
來源 ↗
+8 條頭條
- 用Einops設計視覺、注意力與多模態張量管道教程
- AI 智能體三級難度解析
- “QuitGPT”活動呼籲用戶取消ChatGPT訂閱
- 阿里巴巴下一代開源模型Qwen 3.5受關注
- 單一提示詞突破15個主流語言模型AI安全防護
- 誰將出席2026年AI影響峰會？查看前往德里的全球科技領袖名單
- 小羅伯特·肯尼迪稱美國人需更多蛋白質，其Grok驅動食品網站卻持不同意見
- 波士頓動力首席執行官Robert Playter在任職30年後卸任