Building Legal Agents When You Can't See the Data - Jacob Lauritzen, CTO of Legora
Legora 帮助律师起草和编辑 Word 文档、审查 10,000 份合同，并协调律师、客户及其他 Agent 的工作。Legora 运行所有服务于 Azure，并采用模拟世界构建测试环境，成功将模型引用准确率从 70% 提升至 99%。该公司在纽约、斯德哥尔摩和伦敦招聘工程师。
#部署/工程
Latent SpaceAI 评分4545
MIT Technology Review · AIAI 评分6565 停止计算 token 开始计算交付的软件
应以成本/合并的 Pull Request 衡量 AI 辅助开发价值而非 token 消耗，因为高价值工作流程可能因 per-token 定价变得昂贵。建议采用混合 AI 架构，将复杂规划任务路由至前沿模型，将常规代码生成和测试路由至自运营的开源模型，从而降低 30% 到 50% 的 token 成本。
Latent SpaceAI 评分4545 Why Agents Love Supabase
Supabase 推出本地无 Docker 运行的 alpha runtime，支持声明式 schema 存储在 Git 中，简化了 Agent 的后端开发流程。
MIT Technology Review · AIAI 评分2525 Industrial Intelligence: 制造业的下一增长机遇
制造业的工业智能是将经验、操作实践、生产数据和业务理解转化为可决策的知识，目标是驱动盈利增长而非单纯增加 Agent。Toyota Industries 通过连接分散的喷漆车间数据，将分析周期从五天缩短至不足四小时，并使相关喷漆缺陷减少约 25%。Rockwell Automation 在新加坡工厂部署的维护 copilot 将新员工学习数百台机器的故障排除时间从九个月缩短至三月。
MIT Technology Review · AIAI 评分3030 Designing an AI serving harness built to last
企业 AI 的竞争优势在于围绕模型的工程系统 serving harness，而非模型本身的选择。 生产环境的关键考量包括延迟、并发性、内存压力和基础设施成本，而非仅模型准确性。 组织应根据工作负载定义约束，优先解决主要瓶颈，构建适应未来模型和硬件变化的系统。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 论述秘密保护需随软件规模扩展并发布新分类器
GitHub 指出 AI 智能体参与的 Pull Request 比例快速增长，要求秘密保护能力同步提升，而非依赖人工。GitHub 引入了与 Microsoft Applied Sciences 合作的微调分类器，该模型能在两毫秒内评估候选秘密，可使可预防的秘密数量增加一倍以上。
推荐理由：GitHub 阐述了 AI 驱动代码生成带来的安全挑战，并介绍了新分类器如何提升秘密保护的效率和规模。