今日正式发布商业版本,Swa Technology Inc.押注一个全新理念:通过统一网关来整合来自多个AI模型提供商的智能体输出,实现工作的自动化和编排。
该公司表示,他们设计了一款"基础工具",企业可以用它来比较主流模型的输出结果——包括ChatGPT、Claude、Perplexity、Grok等——并将这些结果比较分析或整合到工作流程中。用户还可以利用这些输出来验证和整合答案。
公司团队和顾问网络包括十几名Nike Inc.的前员工,他们曾领导这家全球公司的数字化转型工作。Swa的使命是提供一个稳定、适应性强的平台,旨在整合最佳的AI工具和模型,确保AI的准确性、韧性和安全性。
"AI应该像公用事业一样,人人可用、成本合理且安全可靠。"创始人兼首席执行官Mike Sirchuk表示,"Swa为企业提供了一种简单的方式,在整个组织中部署AI,既不强制员工使用单一模型,也不牺牲安全和IT团队所需的控制权。"
从运营角度来看,该平台支持跨模型工作流,意味着员工可以构建这样的智能体:首先使用Anthropic PBC的Claude来编排任务生成,然后将研究和策划工作外包给OpenAI Group PBC的ChatGPT进行审查,最后用Codex进行代码生成或使用Google LLC的Gemini生成报告。
公司表示,该平台的设计考虑了所有员工的需求,从采用AI的知识工作者到资深工程师。这包括希望减少公司影子AI使用的安全和信息技术团队,同时控制模型访问、数据暴露和使用情况。
财务团队也通过基于使用量的定价获得可预测性,减少按座位收费的浪费并简化供应商管理。
该助手可通过多种渠道访问,包括Slack、Microsoft Teams、WhatsApp和短信——在公开群组、私人群组和直接消息中都可使用。Swa表示,这意味着它可以到达员工所在的任何地方,为他们提供支持和知识。
员工可以在任何界面内构建智能体,使用@swa来召唤助手,然后告诉它需要什么类型的智能体。只需提供几个细节,它就会生成符合需求的AI智能体。这可能包括用于政策一致响应客户询问的客户支持助手、营销文案写手、研究分析师或对话式礼宾服务。每个智能体都可以分配给特定的模型提供商,并被赋予名称和特定角色。
智能体还可以设置为"自动驾驶"模式,意味着它们将在特定时间自动运行以执行任务,无需询问。
Q&A
Q1:Swa平台的核心功能是什么?
A:Swa平台是一个多智能体生成式AI编排解决方案,通过统一网关整合ChatGPT、Claude、Perplexity、Grok等多个AI模型提供商的智能体输出,实现工作的自动化和编排,让企业可以比较不同模型的输出结果并整合到工作流程中。
Q2:Swa平台如何支持跨模型工作流?
A:平台支持员工构建跨模型智能体,可以先用Claude进行任务生成,然后让ChatGPT进行研究和审查,最后用Codex进行代码生成或用Gemini生成报告。这种方式让不同AI模型发挥各自优势,形成完整的工作链条。
Q3:员工如何使用Swa平台创建智能体?
A:员工可以在Slack、Microsoft Teams、WhatsApp等任何界面中使用@swa召唤助手,告诉它需要什么类型的智能体。只需提供几个细节,平台就会生成符合需求的AI智能体,如客户支持助手、营销文案写手等,每个智能体都可以分配给特定模型并设置自动运行模式。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。