KNOWLEDGE INDEX / 主题索引
Deep Research
从一个明确主题进入。沿分类树定位问题，再通过相邻概念建立完整的技术与商业认知。
- 71篇文章
- 4个领域
- 48个细主题
TOPIC SYSTEM / 主题系统
分类树与关系图谱
从问题出发，把分散的文章连成一张可行动的认知地图。
全部文章
71四个稳定领域、十四个主题分组与四十八个细主题，共同组成 ReelOS 持续更新的知识索引。
RoCE 设备到底是什么？B300 集群不是在买交换机，而是在构建一套端到端 GPU 网络
B300 RoCE 项目真正采购的不是一批 800G 交换机，而是一套由 GPU/NIC 拓扑、Leaf-Spine、光链路、拥塞控制、遥测和 NCCL 验收组成的端到端 GPU Compute Fabric。
阅读全文
AI Loop 实践指南：如何让 Agent 持续经营一项业务，而不是只完成一次任务
AI Loop 的工作单位不是一次任务，而是一个持续改善的业务目标。本文从 Scoreboard、独立 Evaluator、Action Space、Guardrails、Budget、Memory 与 Human Gate 出发，给出一份可直接上线的 Loop Specification。
阅读全文
Neocloud 的下一阶段：从 GPU 云走向“算力地产”与资产证券化
未来 Neocloud 的核心竞争力，不只是拥有多少 GPU，而是谁能把客户合同、电力和设备，转化为成本更低、期限更长的资本。
阅读全文
AI Infra 的六种生意：从 GPU 云、容量承销到能源与 AI Factory
六家公司都在卖 GPU，但有人经营合同，有人经营项目、电力、定制交付或利用率。看懂谁出钱、谁承担闲置与折旧，才能看懂它们的现金流和估值。
阅读全文
Agent 创业案例：12 个代表性样本的官网与学习入口
从 Cursor、Devin、Sierra、Harvey 到 Manus、Lyzr 与 LangChain，按产品形态梳理 12 个 Agent 创业样本，汇总官网、产品文档、客户案例与学习入口，并用工作流、权限、验证和付费逻辑建立统一研究框架。
阅读全文
Agent 不是模型，而是一条可验证的工作环路
长任务 Agent 的关键不是让模型一直思考，而是让每个新上下文都能接班。本文用四类交接工件、三份合同、外置状态、独立验证与 Checkpoint，拆解可持续完成任务的可靠性工程。
阅读全文
AI Agent 创业下半场：别再卖“智能”，开始交付结果
AI Agent 创业正在从软件市场进入劳动市场。真正的产品单位不是模型或聊天窗口，而是一段可验收、可恢复、可计价的工作；本文拆解三层机会、结果定价、护城河与 90 天验证路径。
阅读全文
自进化量化的正确打开方式：不是让 Agent 自主下单，而是让系统持续淘汰错误策略
Q-Loop 3×8×5 把自进化量化拆成研究、执行、治理三个平面，八个子循环与五级策略晋级：让 Agent 快速提出和淘汰策略，让确定性系统与独立风险层守住资金。
阅读全文
AI 产品商业模式观察：从订阅费到交易抽佣，AhaCreator 给了一个重要信号
AI Native 产品的下一阶段，不只是帮用户生成内容，而是进入交易链路，参与预算分配。AhaCreator 展示了从卖工具到组织交易的商业模式迁移。
阅读全文
AI Infra 商业模式地图：从 GPU Cloud 到 AI Factory，谁在经营真正的算力资产？
AI Infra 正在从租 GPU 变成经营 AI 产能。真正有价值的不是单张 GPU，而是电力、数据中心、高端 GPU、网络、存储、调度、推理优化、监控、计费和 SLA 组成的可交付 AI Compute Capacity。
阅读全文
AI Infra 学习地图｜RoCE Fabric：AI Factory 的网络优化，为什么不能只调 PFC/ECN？
RoCE Fabric 的核心不是把以太网调成无损网络，而是把拓扑、QoS、负载均衡、NCCL、遥测和训练任务组织成闭环。真正合格的 AI Ethernet，不是网络可用，而是训练任务可预测。
阅读全文
Infra 学习地图｜Spectrum-X 论文解读：RoCE 网络为什么从“调参工程”进入 AI Fabric 架构时代？
GPU 集群真正的瓶颈，正在从有没有高速网络，转向网络能不能像一个计算系统一样，稳定支撑十万卡级同步训练。Spectrum-X 的价值不是给出一组 RoCE 参数，而是把 RoCE 推向 Multi-Plane、硬件负载均衡、高频遥测和 workload-aware 验收的 AI Fabric 架构。
阅读全文
ReelOS AI Fabric 工程团队：如何构建一支面向 GPU 集群的高性能网络小队
AI 基础设施的竞争，正在从谁有更多 GPU，转向谁能让 GPU 稳定、高效、可规模化地协同工作。AI Fabric 工程团队不是传统网络运维组，而是把 RoCE、InfiniBand、NCCL、RDMA、监控、压测和交付组织成可复制工程能力的小队。
阅读全文
Infra 学习地图｜液冷：AI Factory 的热管理基础设施
当 AI 机柜进入 100kW+ 时代，散热从服务器问题变成数据中心系统工程。液冷不是为了取代风冷，而是为了让高密度 AI 算力继续稳定释放。
阅读全文
AI Infra 学习地图｜DPU：AI Factory 的主机侧基础设施处理器
DPU 不训练模型，也不增加 GPU FLOPS。它真正处理的是网络、存储、安全和基础设施管理，让昂贵的 GPU 更少等待、更稳定运行。
阅读全文
Infra 信号学习地图｜Anthropic 开始全球锁定数据中心：AI 公司正在变成算力主权玩家
从买云到锁电、锁地、锁数据中心：Frontier AI 的竞争单位，正在从模型参数扩展为模型、算力、能源和区域合规的系统能力。
阅读全文
AI Infra 产业信号｜NVIDIA 韩国布局：AI Factory 如何从 GPU 集群变成国家级产业系统？
韩国不是单纯在买 GPU，而是被 NVIDIA 按存储、算力、能源、制造和 Physical AI 重新组织成一套 AI 工业体系。
阅读全文
一文看懂 OCS：AI 集群为什么开始让网络“按任务重构”？
从固定 Fabric 到可重构 Fabric，OCS 正在把 AI 集群网络从“静态布线系统”升级为“可调度的物理连接资源”。
阅读全文
一文看懂 KV Cache：大模型推理为什么进入“内存战争”
从 GPU 算力到上下文状态：KV Cache 正在重塑 AI 推理基础设施。大模型推理的瓶颈，正在从单次算力转向持续状态管理。
阅读全文
一文看懂 HBM：为什么 AI 算力的瓶颈，正在从计算转向数据供给？
HBM 不是更快的内存条，也不是传统意义上的存储。它是 AI 加速器的近身数据层，决定 GPU 的算力能不能被持续喂饱。
阅读全文
AI Compute Fabric 学习地图：为什么 InfiniBand、RoCE 与 Spectrum-X 正在成为有效算力的一部分？
GPU 决定单点计算能力，网络决定 GPU 能否组成一台真正的 AI 工厂。AI Compute Fabric 的核心，不是端口速率，而是把理论 FLOPS 转化成真实可交付的有效算力。
阅读全文
一张学习地图看懂 NVIDIA BlueField DPU：为什么 AI Factory 不能只靠 GPU？
GPU 负责算，SuperNIC 负责连，Fabric 负责组织大规模通信，DPU 负责控制基础设施，DOCA 负责把这些能力软件化。BlueField 的真正意义，不是让一台服务器网络更快一点，而是让 NVIDIA 进入 AI 数据中心的控制层。
阅读全文
一文搞懂 NCCL：为什么 GPU 集群有了高速网络，训练仍然可能跑不快？
GPU 负责计算，网络负责连接，NCCL 负责组织 GPU 之间的数据怎么流动。判断 AI 集群不能只看 GPU 数量和端口带宽，还要看集合通信、拓扑感知、GPUDirect、NCCL tests 和真实有效带宽。
阅读全文
一文看懂 NVLink / Scale-Up：AI 时代，GPU 为什么要被组织成一台更大的计算机？
当大模型进入模型并行、MoE、长上下文和大规模推理阶段，GPU 的瓶颈不再只是单卡算力，而是 GPU 之间能否形成一个低延迟、高带宽、可扩展的计算域。
阅读全文
一文看懂 RoCE：为什么 AI 集群要把以太网改造成 RDMA Fabric？
RoCE 的核心不是“让普通以太网变快”，而是在开放以太网生态里，构建一张高带宽、低延迟、低丢包、可观测、可调优的 AI Compute Fabric。
阅读全文
一文系统理解 InfiniBand 与 RoCE：GPU 集群为什么需要 AI Compute Fabric？
GPU 本身很强，不代表 GPU 集群就强。大规模训练和分布式推理真正需要的，是能把 GPU、网卡、交换机、RDMA、GPUDirect、NCCL 和拥塞控制组织起来的 AI Compute Fabric。
阅读全文
ReelOS Signals 月报｜2026 年 6 月
2026 年 6 月，AI Native Builder 生态的主线不是模型又变强，而是 Agent 产品从聊天、Prompt 和 Demo，迁移到任务运行时、验证系统、能力资产和组织智能。
阅读全文
Skill 工程化评测 02｜如何创建 Skill：Codex Skill Creator 的工作流沉淀
Codex 的 skill-creator 解决如何把重复工作流快速做成 Skill，writing-great-skills 解决如何判断一个 Skill 写得好不好。真正有价值的方向，是把两者合成 Create、Review、Rewrite、Eval、Package 的 Skill 工程闭环。
阅读全文
不是所有人都是 Builder：AI 时代真正稀缺的是判断
Codex、Claude Code、Cursor 让构建变便宜，但也让原型、代码和想法快速泛滥。AI 时代真正稀缺的不是会不会做出来，而是能不能判断什么值得做、什么应该删、什么应该合并，以及如何把大量可能性收敛成稳定产品。
阅读全文
Skill 工程化评测 03｜如何治理 Skill：Yao Meta Skill 的 Skill OS 雏形
yao-meta-skill 不是一个普通 Skill Creator，而是把 Skill 当成工程资产来管理的一套 Skill OS：覆盖创建、评审、Eval、打包、治理、跨平台迁移和证据链。
阅读全文
Skill 工程化评测 01｜什么是好 Skill：writing-great-skills 的可预测流程
writing-great-skills 不是一个强执行型 Skill，而是一套关于如何把 Agent 行为压成稳定流程的设计方法论。它最值得学习的是 Predictability、信息分层、完成标准和调用负载管理。
阅读全文
Agent 协作不是群聊：多 Agent 设计模式的三层范式
Agent 协作设计不应该按“几个 Agent 怎么聊天”来理解，而应该按执行层、控制层、验收层来设计：执行层决定任务怎么跑，控制层决定谁来调度，验收层决定结果怎么算完成。
阅读全文
从 IM 到 Agent Control Plane：OCTO 给 AI 协作系统的架构启示
OCTO 真正值得研究的地方，不是它又做了一个团队聊天工具，而是它试图把 IM 从“人和人沟通的工具”升级为“人、Agent、任务、工具和组织上下文共同工作的控制面”。
阅读全文
AI Agent 创业的真正战场：不是做一个 Agent，而是做一套任务运行时
AI Agent 正在从 Chat Interface 演进为 Task Runtime。创业公司的真正机会，不是再包装一个会聊天的助手，而是围绕垂直场景构建可长期执行、可治理、可审计、可交付结果的任务运行系统。
阅读全文
FDE：Agent 时代，AI 落地不再靠卖软件，而靠进入现场
FDE 正在成为 AI Agent 公司最重要的新型组织能力。它不是售前、咨询、外包或传统客户成功，而是把模型能力接入真实业务现场，并最终推动业务动作和经营指标改变的现场工程角色。
阅读全文
从 Agent 群聊到 Task OS：多 Agent 协作的产品设计范式
多 Agent 产品设计的关键，不是创建多少个 Agent，而是在任务复杂度、上下文隔离、工具边界、并行收益、状态管理、质量控制和风险治理之间做架构选择。
阅读全文
OpenClaw 多 Agent 编排架构研究：从“多 Agent 原语”到“生产级任务操作系统”
OpenClaw 的价值不在于做一个多 Agent 群聊，而在于把 Agent、Session、Task、Task Flow、Workboard、Delegate 和 Governance 组合成可追踪、可恢复、可审查、可交付的 Multi-Agent Task OS。
阅读全文
从 Prompt 到 Loop：AI Agent 的下一个生产单位
Loop Engineering 的核心不是写一个更聪明的提示词，而是设计一个能持续启动、执行、观察、验证、反思和记录状态的生产系统。Prompt 是一次请求，Loop 是一条生产线。
阅读全文
未来三种智能：公共智能、组织智能、私人智能
AI 的下一阶段，不是一个超级大模型统治一切，而是公共智能、组织智能、私人智能三层结构共同演化。模型会成为公共基础设施，真正的护城河会出现在组织智能和私人智能里。
阅读全文
Google Workspace CLI 架构解析：Agent 时代的 SaaS 能力编译范式
Google Workspace CLI 不只是 Google API 的 CLI 封装，而是把 Workspace 的 API 元数据、Runtime、JSON 输出、Skills、Helpers、Recipes 和 Personas 编译成 Agent 可操作能力层的早期样板。
阅读全文
Agent Memory 正在从 RAG 走向状态管理层：一篇新论文带来的产品架构启发
论文 Are We Ready For An Agent-Native Memory System? 的核心信号不是 Memory Benchmark，而是 Agent Memory 正在从检索插件变成用户、项目、任务和决策的长期状态管理层。
阅读全文
Goose Ads 架构解析：它其实不是一个 Skill，而是一个产品入口
Goose Ads 最值得学习的不是 Claude 里可以生成广告，而是它把 SaaS 能力重新封装成 Agent 可调用、可治理、可回到产品系统的入口。
阅读全文
OpenFugu 深度研报：当 GPT、Claude、Kimi 已经是 Agent，外部编排器还有多少价值？
OpenFugu 不是下一代 Agent 平台的答案，而是一个过渡性信号：它揭示了能力编排的重要性，但通用外部编排层会被原生 Agent 和垂直平台双向挤压。
阅读全文
AI API Trust & Safety Gateway：OpenRouter 类服务的真正壁垒不是模型路由，而是安全治理
OpenRouter 类 AI API 聚合服务真正的长期壁垒，不只是模型路由，而是把模型调用治理成安全、可控、可审计、可运营的 Trust & Safety Gateway。
阅读全文
超越更大的模型：为什么模型编排是 AI 基础设施的下一层
Fugu 不是新模型革命，而是 Model Operating Layer 产品化的一个信号：AI 基础设施正在从模型 API，走向可路由、可治理、可验证、可恢复的模型操作层。
阅读全文
OpenRouter Provider Selection：模型路由正在成为 AI 基础设施的新控制面
OpenRouter 的核心价值不只是一个 API 调用很多模型，而是把模型、Provider、价格、延迟、吞吐、可用性、参数兼容、数据政策、Fallback 和可观测性封装成了一套可配置的路由系统。
阅读全文
特别推荐：Ian Xiaohei Illustrations，一个真正懂中文文章配图的 Skill
Ian Xiaohei Illustrations 不是普通生图 Prompt，而是一套能把中文文章里的核心判断、流程、状态和隐喻转成正文解释图的 Codex Skill。
阅读全文
Minimalist Entrepreneur Skills：AI 创业者的反膨胀操作系统
Sahil Lavingia 把《The Minimalist Entrepreneur》拆成一组 Claude Code Skills。它的价值不是帮你更快写代码，而是帮 AI 创业者避免过早构建、过早自动化和过早扩张。
阅读全文
AI 时代的高绩效团队：Lovable 给出的 7 条组织信号
AI 正在重新定义高绩效团队的标准：真正稀缺的不是会不会用工具，而是能不能主动发现问题、定义目标、快速试错，并用 AI 把想法推向结果。
阅读全文
少做，才能打穿：Anthropic 给 AI Native Builder 的一课
AI 时代最危险的不是能力不够，而是方向太多。真正的战略，是找到一个关键战场，把产品、数据、组织和文化全部压上去。
阅读全文
从 DeepSeek 招聘反推：Harness 研究员到底要会什么？
Agent 的竞争正在从模型能力进入 Harness 能力。真正稀缺的不是会调模型，而是能设计上下文、工具、记忆、评测和自进化系统的人。
阅读全文
大模型公司卖的是“智能租赁”，Palantir 要卖的是“生产控制权”
Alex Karp 在 AIPCon 10 的真正信号，不是反对 LLM，而是反对企业把自己的生产能力外包给模型网络。
阅读全文
为什么 Skill 越进化越笨？
真问题不是 Agent 会不会学习，而是它学进去的东西有没有被验证。Skill 的未来，不是越进化越多，而是越训练越准。
阅读全文
从传统项目管理到 /goal：AI 时代，项目真正缺的不是执行力，而是目标合同
AI 时代的项目管理，不是把任务拆得更细，而是把目标、交付物、验收标准、边界、阻力和下一步动作定义得更清楚。
阅读全文
个人品牌的本质：不是成为网红，而是把自己活成一个利基市场
个人品牌不是把自己包装成所有人都喜欢的样子，而是把真实经历、问题意识、能力组合和解决方案沉淀成一个能吸引同频者的价值系统。
阅读全文
关于 ARR 的再思考：AI 时代，真正重要的可能不是用户付费，而是用户离不开你
ARR 仍然重要，但 AI 产品的长期价值，越来越取决于它能不能成为用户每天工作的默认入口，并沉淀习惯、资产、流程和关系。
阅读全文
AI 不只是聊天框，真正重要的是 Harness
Prompt 让 AI 听懂一句话，Context 让 AI 理解一个任务，Harness 让 AI 变成可控、可复现、可交付的工作系统。
阅读全文
AI 好不好用，关键不在提示词，而在上下文
提示词决定 AI 从哪里开始，上下文决定 AI 能走多远。
阅读全文
真正会用 AI 的人，不是会写提示词，而是会说清目标
AI 沟通的核心不是提示词技巧，而是把目标、背景、要求和输出标准说清楚。
阅读全文
AI 领导力：真正的 AI-First，不是多用几个工具
AI 领导力的核心，不是让公司多用几个 AI 工具，而是让每一次使用 AI 都沉淀为更强的流程、资产、判断和组织能力。
阅读全文
从层级公司到自我进化公司：AI 原生组织的下一种形态
AI 原生公司的核心，不是每个员工多用一个工具，而是公司本身变成能感知、执行、评估、修复并持续进化的智能系统。
阅读全文
AI 时代创业，真正的难题不是做产品，而是做分发
当 AI 把产品原型的门槛降下来，创业的稀缺能力就从做功能，转向让目标用户看见、理解、信任、试用并传播。
阅读全文
个人 AI OS 的第一层：把每天重复出现的问题系统化
Personal AI OS 不是装更多工具，而是把每天反复发生的输入、判断和输出变成稳定回路。
阅读全文
赛道、穿透、控盘：真正的高手，先谋局，再破局，最后控局
选择战场决定努力是否有意义，穿透决定能不能形成认知优势，控盘决定机会能不能变成长期胜势。
阅读全文
AI 产品判断：不要问能不能做，先问值不值得进入工作流
AI 让功能变得便宜，但真正稀缺的是对工作流变化的判断。
阅读全文
一人公司的内容管道：从想法到线索，不要只靠灵感
内容不是发完就结束，而是一套从选题、生产、分发到反馈的复利系统。
阅读全文
从噪音里捞信号：我每天怎么过滤 AI 世界
信息不缺，信号稀缺。这是我把噪音收敛成判断的一套流程。
阅读全文
AI 时代的领导力，是把判断力外包给自己
工具会变，模型会迭代；真正复利的是判断、学习和系统化能力。
阅读全文
AI 之后，生活方式也会被重新设计
AI 改变的不只是工作效率，也会改变一个人如何安排注意力、选择和自由。
阅读全文
AI OS：一个人的操作层
AI 不是多一个应用，而是重新组织研究、写作、决策与交付的底层。
阅读全文
AI 原生公司：一个人，如何组织成一套系统
一人公司的本质不是硬扛，而是一个人组织起工具、流程、内容、Agent 和外部资源。
阅读全文