该文探讨AI代理执行记录的数据存储问题。代理运行产生大量轨迹数据，兼具应用数据与遥测特性，需支持单次运行检索及跨运行分析。随着规模扩大，主数据库可能面临性能瓶颈，可迁移至分析型存储（如ClickHouse）并优化数据模型。关键在于依据产品需求选择架构，平衡点查询与批量扫描。

本次直播由Ai2的Jason Ren主讲，介绍MolmoMotion模型。该模型基于Molmo家族，能根据语言指令预测3D空间中的点轨迹，展示运动发生的位置和时间。直播包含演示、训练数据讲解，并探讨其在机器人、视频理解和具身智能领域的应用，最后设有问答环节。

京东二季度收入3464亿元，同比下降2.9%，但经营利润扭亏为盈至45亿元，净利润同比增长20.3%。服务收入增长6.8%，新业务亏损大幅收窄。公司预计三季度零售收入恢复正增长，并加大AI技术投入，股东回报持续加码。

清华大学与腾讯混元合作提出TrajDebug方法，将关键错误检测分为多粒度历史压缩、错误触发检测和因果归因三阶段，解决长程轨迹中定位关键失败步骤的难题。该方法在诊断驱动的Agent改进中成功率提升10.80%，失败记忆迁移提升5.70%，优于现有基线。

本文探讨了ClickHouse与S2地理编码在万亿级轨迹数据秒级检索中的应用，重点介绍了存储引擎、地理索引设计及工程细节，包括区域查询边界、粒度选择、缓存降采样和写入链路优化。文章建议普通团队应根据数据规模、查询精度和运维成本评估方案，避免盲目追求高性能。

本文探讨了AI代理如何通过评测结果和执行轨迹实现自我进化。代理利用结构化的“技能”手册逐步完成任务，但在复杂案例中常出现错误。为解决此问题，提出了一套五步自进化流程，包括自动分析错误、生成修正补丁和验证修改等。适合自进化的任务需具备明确的对错标准，如代码审计。最终，系统通过不断迭代和验证，提升代理的稳定性和准确性。

清华大学与阿里巴巴达摩院合作的研究首次将CLI编码代理的失败建模为时间过程。分析了3843条轨迹，发现决定性错误的中位发生在第7步，错误暴露滞后可达10步。研究提出三个关键时间戳，显示大多数失败在不可修复后仍继续执行，57.9%的错误源于认知缺陷。71%的成功轨迹在经历错误后才实现成功，强调从错误中恢复的重要性。

本文提出了一种名为Ctrl-R的框架，通过可控轨迹学习结构化推理，旨在系统性地发现和强化多样化的推理模式。实验表明，Ctrl-R能有效探索并内化以往难以获得的推理模式，提升语言和视觉-语言模型在数学推理任务上的表现。

HarnessFix 提出了从失败轨迹到自动修复的闭环，解决了传统方法无法修复 Agent 失败的问题。通过将执行轨迹编译为标准中间表示 HTIR，精确归因到具体步骤，生成可执行的修复方案，从而提高了诊断准确率和修复覆盖率，推动了 Agent 可靠性工程的进步。

堪萨斯大学的研究首次将意图-执行差距形式化为可测量的系统偏差，分析了138,000条智能体轨迹，揭示AI智能体的性能不仅是建模问题，更是系统问题。研究提出了细粒度指标体系，分析不同模型在编辑频率和测试活动上的差异，强调了了解智能体实际行为的重要性。

研究团队提出了一种名为“步骤拒绝微调”（SRFT）的方法，以提高大型语言模型（LLM）在复杂任务中的学习效率。SRFT通过“评论者”模型分析失败轨迹，标记有害步骤，保留有用的正确步骤，从而显著提升模型性能，证明失败的尝试也能为学习提供重要信息。

本文探讨信息压缩与认知结构的关系，强调专家通过少量信号激活丰富的知识网络。记忆如同走过的路径，熟悉的结构使信息传递更高效。长期合作的团队共享背景知识，能够通过简短暗号进行沟通。学习和记忆是不断熟悉和重建认知结构的过程，最终实现高效的信息传递。

表观遗传年龄由乙酰化和甲基化调控，前者影响基因表达，后者记录长期记忆。失衡会导致细胞老化，表现为修复能力下降和炎症信号上升。通过调节代谢、控制炎症和改善生活方式，可以减缓表观遗传年龄的加速。

MaxToki模型将细胞视为时间轨迹，能够预测衰老和疾病，并模拟基因干预，标志着生物学进入可编程时代。通过分析不同年龄的细胞数据，该模型显著提高了预测准确性，改变了生物研究流程，未来有望实现生命轨迹的设计。

本文探讨了如何使用AI工具分析AC模拟器的回放数据，并将其转换为理想行车线格式。通过与AI的互动，作者成功提取和优化了轨迹，解决了行车线替换及刹车、油门提示的问题。最终生成的理想行车线满足需求，并讨论了如何将项目打包为可执行文件。作者总结了使用AI进行项目开发的经验，强调了需求明确性和逐步验证的重要性。

GPSLogger是一款轻量级开源安卓应用，专为记录GPS轨迹而设计，支持多种格式（如GPX、KML），可添加注释，定制记录间隔和精度，适合户外活动。

TrajTok是一种视频标记模块，通过动态调整标记粒度，解决视频模型中的标记冗余问题。它集成了统一的分割器，能够高效生成对象轨迹，提升视频理解性能。在分类和检索基准测试中表现优异，可作为预训练视觉特征的探测头或视觉-语言模型的连接器。

链式思维（CoT）提示是引导大型语言模型推理的标准技术。本文分析了数学问题中的CoT轨迹及其对最终答案的影响，发现CoT的潜力与正确答案的可能性相关，表现出非单调性和难以解释的尖峰。此外，部分CoT显著提升了较弱模型的表现，表明其机制具有可转移性。