11月09日 AI 日报

新哥AI资讯 · 2026年11月9日 · 曾铭新

今天关注AI进入具体任务后的表现。一端是产业现场，算力需要电力与散热配合，模型需要接上生产流程；另一端是日常工具，改动看起来合理，实际结果仍可能受某个遗漏步骤影响。本期收录两条完成原文核验的资讯，以及五个近期活跃的GitHub项目。

01｜进博会里的AI产业现场

新华社11月8日的进博会现场报道，把AI与传统工业的连接放到台前：参展商展示面向高密度算力中心的供电和制冷方案；制造侧则出现从订单到加工、包装的微智能工厂示范，以及利用模型分析温湿度、提出生产参数建议的场景。

这些展示提示了两条应用路径：一是为算力提供稳定运行条件，二是把AI接入已有生产流程。展台演示与企业介绍，仍需和全面投产后的实际成效分开理解。本次报道能够确认现场展示的内容，不能据此推导所有方案都已大规模部署。

从落地角度看，观察一个工业AI项目，可以继续追问它改变了哪段流程、依赖哪些设备与数据，以及运行结果如何验证。下面的工具推荐，也可以用同样的方法理解：先找具体任务，再看功能是否衔接得上。

原文：https://www.news.cn/world/20261108/a4668665624b42eea810a3423f0b9ef7/c.html

02｜实测：AI改食谱，细节仍会漏

WIRED作者Joe Ray于11月8日发表了对NYT Cooking食谱调整功能的实测。他尝试更换食材、调整器具和修改做法，发现系统能把改动联动到食材表及操作步骤，并用醒目的颜色标注。

但测试也遇到了具体问题：把带皮鸡腿替换成鸡胸肉后，系统调整了部分时间和用油，却仍让已经煮熟、撕碎的鸡胸肉回锅较长时间，影响了口感。作者的总体评价偏正面，这个案例则说明，局部改动合理，不代表整套流程的约束都已处理好。

这是作者个人实测，不是官方效果保证。功能本身在10月已经公布，本期收录的是这次新增的测试观察；原文所述版本仍为iOS测试版。食材替换后的做法是否适合具体需求，仍需结合原食谱和实际操作判断。

原文：https://www.wired.com/story/nyt-cooking-new-ai-powered-recipe-modifier-is-pretty-good

03｜今日GitHub工具推荐

以下项目已按线上已发布日报完成五天去重，并核对README及近期提交。它们在本期采集窗口内有代码活动，项目本身不一定今天首次发布。当日新增Star采用抓取时Daily Trending显示值，反映关注热度。

1. Concat：支持本地AI与智能体调用的视频编辑器

面向短视频、教程和播客剪辑的跨平台编辑器，提供多轨剪辑、字幕、语音合成和背景移除，相关AI模型下载后可离线使用；内置MCP与JSON-RPC接口，便于智能体和脚本调用。项目仍处于Beta阶段，近期持续优化时间线与特效层交互，适合希望本地处理素材的创作者。

当日新增Star：+491 · 累计Star：15,620

原文：https://github.com/jub0t/Concat

2. AI Engineering from Scratch：从基础到交付的AI工程课程

面向希望动手构建AI系统的开发者，覆盖模型基础、检索管线、智能体运行时与评测，提供分阶段课程、可运行代码及项目挑战。学习路线涵盖模型原理、LLM系统与智能体交付，强调观察失败和保存评估结果；近期继续维护课程站点，适合系统补齐AI工程能力。

当日新增Star：+439 · 累计Star：77,749

原文：https://github.com/rohitg00/ai-engineering-from-scratch

3. Agentero：连接论文、笔记与智能体的科研工作台

面向科研人员的本地文献工作台，结合PDF阅读批注、结构化公式与表格提取、双向链接笔记和翻译，并通过ACP、MCP及命令行连接智能体与外部工具。支持Zotero迁移和标准文件管理，减少论文、笔记与对话之间反复搬运上下文；近期提交已推进至0.15.3版本。

当日新增Star：+175 · 累计Star：1,980

原文：https://github.com/poco-ai/Agentero

4. CompanyOS：让团队共享上下文的云端智能体系统

面向团队自动化的云端智能体运行与协作平台，可由定时任务、Webhook、工具事件或消息触发工作，让多个会话并行执行并保留状态与公司上下文。支持自定义智能体和变更审查，可部署在自有基础设施或使用托管服务；近期仍在修复接口与运行细节，适合评估长期业务流程自动化。

当日新增Star：+92 · 累计Star：20,570

原文：https://github.com/kortix-ai/CompanyOS

5. AirLLM：以逐层加载降低大模型显存需求

面向显存有限、希望研究本地大模型推理与训练的开发者，通过逐层加载和流式权重处理减少GPU同时驻留的数据，提供统一模型接口与示例。项目覆盖多类模型，近期仓库仍有维护活动。低显存占用不代表低总内存、低磁盘需求或高吞吐，实际可用性需结合模型、硬件与加载速度评估。

当日新增Star：+65 · 累计Star：41,980

原文：https://github.com/lyogavin/airllm

04｜把一个任务做完整

想把素材留在本地完成剪辑，可以了解Concat；希望系统学习AI工程，可以从课程仓库选一条路线；论文、笔记与智能体对话难以串联，可以研究Agentero。团队长期流程与低显存模型实验，则分别对应CompanyOS和AirLLM。

选定一个真实任务，再检查输入、执行过程与输出是否都能衔接。工业方案的演示、一次食谱测试、一个热门仓库，各自提供不同范围的证据；最有用的判断，是看它在你的具体任务中完成了什么。

采集窗口：北京时间2026年11月8日06:00（含）至11月9日00:00（不含）。普通资讯核对原文首次发布时间；窗口外首发、无法确认的事实与重复报道不收录。

完整卡片与日报：新哥AI资讯 · 11月9日日报