[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-minimax-m3-engineer-workflow-agent-en":3,"article-related-minimax-m3-engineer-workflow-agent-en":30,"series-model-release-263ce582-b031-4347-bec8-d1fea0b1e010":81},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"263ce582-b031-4347-bec8-d1fea0b1e010","minimax-m3-engineer-workflow-agent-en","MiniMax M3 让工程师工作流更像代理","\u003Cp data-speakable=\"summary\">我把 MiniMax M3 拆成 6 个开发者能直接照搬的工作流技巧。\u003C\u002Fp>\u003Cp>我最近一直在盯着各种大模型的“工程师叙事”，说实话，很多都听着像一回事，真用起来又是另一回事。要么写代码还行，碰到复杂仓库就开始装傻；要么 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 味儿很重，结果一到多轮任务就丢上下文；要么上来就吹长上下文，最后我只是把更多垃圾喂进去，模型照样抓不住重点。最烦的是那种“什么都能做”的宣传，落到我自己的工作流里，最后只剩下我给模型做保姆：整理需求、切片上下文、补测试、反复纠错。那不叫全能，那叫我在加班。\u003C\u002Fp>\u003Cp>所以我看到 MiniMax M3 这篇发布笔记时，第一反应不是“又来一个新模型”，而是想看它到底是不是又一个把几个关键词堆在一起的包装。触发我继续拆下去的，是 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2044897131576694494\">知乎这篇 MiniMax M3 深度体验笔记\u003C\u002Fa>。作者把官方主打点直接摆出来了：前沿 Coding 能力、Agentic 能力、100 万 tokens 超长上下文、原生多模态。这个组合我不陌生，但真正难的是它们能不能一起工作，而不是各自表演。\u003C\u002Fp>\u003Ch2>别先看参数，先看它是不是能接住你的意图\u003C\u002Fh2>\u003Cblockquote>前沿 Coding 能力、Agentic 能力、100 万 tokens 超长上下文、原生多模态。\u003C\u002Fblockquote>\u003Cp>这句话看起来像宣传词，但我更愿意把它翻成一句工程师语言：它不是只想当“会写代码的聊天框”，而是想当一个能读需求、翻仓库、追上下文、看图表、继续执行的工作代理。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780754610653-0760.png\" alt=\"MiniMax M3 让工程师工作流更像代理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我一开始对这种说法是有戒心的。因为很多模型都能在 Demo 里写个 React 页面、补个 Python 函数，真到真实项目里就开始掉链子。你给它一个有历史包袱的仓库，它不知道你们为什么这么写；你让它跟着一串任务跑，它会中途忘记前文；你给它截图、日志、流程图，它又只能嘴上说“我理解了”。\u003C\u002Fp>\u003Cp>What this actually means is：MiniMax M3 的卖点不是单点能力，而是把开发者常见的四种输入形态连起来——代码、任务、长上下文、图片\u002F多模态。对我来说，这比“模型会不会写一个漂亮 demo”重要得多。\u003C\u002Fp>\u003Cp>我跑过不少 agent 工作流，最怕的就是模型在第一步很聪明，第二步就开始漂。尤其是做重构、排障、迁移这种活，模型如果不能持续跟住上下文，前面做对的事，后面就会被自己推翻。所谓“全能工程师”，不是它每一步都惊艳，而是它能把一件事从头跟到尾。\u003C\u002Fp>\u003Cp>How to apply it: 你评估这类模型时，别从“它能不能写代码”开始，先问三个问题：它能不能稳定读懂你的仓库结构；它能不能在多轮里记住约束；它能不能把非文本信息一起纳入判断。只要这三项不稳，后面所有花活都只是演示。\u003C\u002Fp>\u003Ch2>100 万 tokens 不是豪华配置，是减少切片成本\u003C\u002Fh2>\u003Cp>官方介绍里最容易被拿来当噱头的，就是 100 万 tokens 超长上下文。这个数字本身很大，但我不建议你把它理解成“终于可以把整个世界塞进去”。我更愿意把它看成一种工作方式的变化：你不用再为了让模型“看见全貌”而不停裁剪、摘要、拼接。\u003C\u002Fp>\u003Cp>我以前做代码审查或者大仓库问答时，最耗时间的不是模型推理，而是我自己在前面做上下文工程。我要挑哪些文件、删哪些日志、压缩哪些历史记录，还得祈祷我没把关键线索裁掉。这个过程很烦，而且很容易把问题描述歪掉。长上下文如果真的能稳定工作，最直接的收益不是“更长”，而是我少做很多前处理。\u003C\u002Fp>\u003Cp>What this actually means is：你可以把更多真实材料直接交给模型，而不是先把材料加工成“适合模型吃”的样子。对开发者来说，这会改变很多任务的入口，比如：\u003C\u002Fp>\u003Cul>\u003Cli>整仓库级别的代码问答，不用先手工挑文件。\u003C\u002Fli>\u003Cli>跨多个 PR 的回溯分析，不用先做一版人工摘要。\u003C\u002Fli>\u003Cli>长对话式排障，不用每三轮就重置上下文。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>但我也得泼点冷水。长上下文不是自动理解。很多模型上下文一长就开始分心，像人在会议里坐太久，前面听得挺认真，后面只剩下点头。真正有价值的是，它能不能在长材料里抓住约束、依赖关系和冲突点，而不是只会“读完了”。\u003C\u002Fp>\u003Cp>我在自己的工作流里最看重的，是它能不能把“前文约束”当硬规则，而不是建议。比如你已经说了“不能改接口”“必须兼容旧配置”“测试不能动外部依赖”，模型后面就不该再反复试探这些边界。能持续守住边界，长上下文才算有意义。\u003C\u002Fp>\u003Cp>How to apply it: 你可以拿一个真实项目做测试，不要只喂一段单文件代码。把 README、核心模块、测试、最近的 issue、相关日志一起放进去，然后连续问三类问题：架构、bug、改动建议。观察它是否能跨材料保持一致，而不是每次都像第一次见这个项目。\u003C\u002Fp>\u003Ch2>Agentic 能力不是会调用工具，而是会推进任务\u003C\u002Fh2>\u003Cp>“Agentic” 这个词现在被用烂了，很多产品只是加了个工具调用接口，就开始自称 agent。我不吃这一套。会发 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 请求不叫 agent，能把任务拆开、执行、检查、再修正，才算真的开始像个干活的人。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780754612215-57lb.png\" alt=\"MiniMax M3 让工程师工作流更像代理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>MiniMax M3 把 Agentic 能力放在核心位置，我会把这理解成它想承担的是“任务推进器”而不是“回答生成器”。这两者差别很大。回答生成器擅长一次性输出，任务推进器擅长多步计划。前者像会聊天的同事，后者像能把活干完的同事。你在项目里真正需要的，通常是后者。\u003C\u002Fp>\u003Cp>我自己最常见的场景，是让模型做一些带反馈闭环的事：先扫描仓库，再定位问题，再提出改法，再对照测试结果修正。这个时候，模型如果只会给建议，就很快变成“口头专家”；如果它能根据工具反馈继续行动，才有机会减轻我的负担。\u003C\u002Fp>\u003Cp>What this actually means is：Agentic 不等于自动化一切，而是让模型在不确定环境里继续前进。它要会做的不是“想得很完整”，而是“做错了也能回头”。这点特别关键，因为真实工程任务几乎没有一次性完美答案。\u003C\u002Fp>\u003Cp>我遇到过很多模型在第一轮规划时逻辑很漂亮，到了第二轮执行就开始散架。原因通常不是它不会想，而是它不会校验自己。一个真正有用的 agent 模型，必须能把“我刚才做了什么”变成下一步输入，而不是把每一轮都当成独立作文。\u003C\u002Fp>\u003Cp>How to apply it: 给模型一个明确的任务边界，再给它一个检查点。比如“先找出这个错误的根因，再给出最小改动方案，最后根据测试结果决定是否继续修改”。你要看的是它会不会主动分阶段、会不会在证据不足时暂停、会不会根据失败结果改路线。只会一口气说完的，不算 agent。\u003C\u002Fp>\u003Ch2>原生多模态不是锦上添花，是让工程上下文完整起来\u003C\u002Fh2>\u003Cp>很多人看多模态，第一反应是“能不能看图”。我以前也是这么想的，但后来发现，对工程师来说，多模态更像是把上下文补齐。因为真实工作里，问题经常不是一段纯文本能描述完的：报错截图、监控面板、界面状态、设计图、流程图，全都可能是关键证据。\u003C\u002Fp>\u003Cp>MiniMax M3 说自己有原生多模态，我会把重点放在“原生”这两个字上。因为这意味着它不是把图片当附属输入，而是试图把不同模态一起处理。这个差别很现实。附属输入常常像临时补丁，能看，但不一定真懂；原生处理才更接近把图像、文本、代码放进同一个推理框架里。\u003C\u002Fp>\u003Cp>What this actually means is：当你在排障、产品评审、前端调试、数据分析时，不必先把图像内容转写成文字再交给模型。你可以直接把截图、图表、UI 状态和代码上下文一起给它。\u003C\u002Fp>\u003Cp>我在做前端问题定位时就很吃这一套。很多 bug 不是“代码里哪一行写错了”这么简单，而是“界面表现和数据状态对不上”。如果模型能同时看见截图和相关代码，它更容易发现状态流转、样式覆盖、布局约束这些肉眼不容易串起来的线索。纯文本模型当然也能靠我解释，但那又回到老问题：我在替模型整理世界。\u003C\u002Fp>\u003Cp>How to apply it: 你可以把多模态任务分成三类来试：界面问题、图表分析、流程理解。每类都给它文本和图片混合输入，看看它能不能把图里的信息和代码、数据、说明对应起来。别只看它会不会“描述图片”，要看它能不能据此做决策。\u003C\u002Fp>\u003Ch2>真正值钱的是少折腾，而不是多一个大词\u003C\u002Fh2>\u003Cp>我对这类模型最现实的期待，从来不是“它能不能像人一样聪明”，而是“它能不能少让我补洞”。因为开发者最贵的不是打字，是上下文整理、错误纠偏、重复解释和来回切换注意力。一个模型如果能把这些成本压下去，它就已经很有用了。\u003C\u002Fp>\u003Cp>MiniMax M3 的组合拳之所以让我多看两眼，是因为它指向的是一个很具体的目标：让模型更像一个能接手复杂工程任务的协作者，而不是只在单轮问答里表现得体面。Coding、Agentic、长上下文、多模态，这四个点单独看都不新鲜，但放在一起，确实更接近工程师日常面对的问题形态。\u003C\u002Fp>\u003Cp>我不想把它说得太满。毕竟发布笔记和真实落地之间，差的往往不是一个标语，而是一堆脏活：稳定性、成本、响应速度、工具链适配、权限控制、失败恢复。只要这些没过关，再漂亮的能力标签也会变成演示厅里的背景板。\u003C\u002Fp>\u003Cp>但如果你问我，什么样的模型最值得开发者花时间试，我会选这种“能读大上下文、能处理多模态、还能推进任务”的组合。因为它至少在方向上没有把自己限制成单一工具，而是在尝试覆盖工程现场的真实复杂度。\u003C\u002Fp>\u003Cp>How to apply it: 你别急着问“它是不是最强”，先问“它能不能替我承担一段完整工作流”。如果答案是能，那它就值得进入你的工具箱；如果答案只是“某个 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 很高”，那就先放着，别被分数牵着走。\u003C\u002Fp>\u003Ch2>我会怎么拿它做第一轮实战\u003C\u002Fh2>\u003Cp>如果是我上手 MiniMax M3，我不会先拿一个玩具题。我会直接上三个任务：一个仓库级代码问答、一个带截图的排障任务、一个多轮 agent 任务。每个任务都故意加一点脏东西，比如旧接口、历史注释、模糊需求、相互冲突的约束。因为真实项目从来不干净。\u003C\u002Fp>\u003Cp>我还会特意测试它在长上下文里的“记忆质量”。不是看它能不能复述前文，而是看它能不能在第 20 轮还记得第 2 轮的限制条件。很多模型前几轮很聪明，后面就开始自作主张，像终于没人盯着它了。\u003C\u002Fp>\u003Cp>What this actually means is：你要把评估重点从“输出质量”改成“持续工作能力”。输出漂亮不难，持续不跑偏才难。\u003C\u002Fp>\u003Cul>\u003Cli>先给完整材料，再给任务，不要替它摘要。\u003C\u002Fli>\u003Cli>让它先计划，再执行，再复盘。\u003C\u002Fli>\u003Cli>在第 2 轮、第 5 轮、第 10 轮都插入约束检查。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我会特别关注它有没有“过度自信”的毛病。很多模型一旦接到模糊问题，就开始编一个看起来很完整的答案。工程上最怕的不是不会，而是装会。能承认不确定、能请求更多上下文、能根据证据修正方向，这些行为比空泛的聪明更值钱。\u003C\u002Fp>\u003Cp>How to apply it: 你可以直接照着这套顺序测自己的模型候选：完整输入、分阶段任务、约束复查、失败回滚。测完你就知道它是“会说话”，还是“真能干活”。\u003C\u002Fp>\u003Ch2>你可以直接拿去用的评测模板\u003C\u002Fh2>\u003Cp>下面这个模板是我会拿来做首轮体验的版本。它不是官方内容，纯粹是我把这类“全能工程师”模型应该接受的测试，整理成一个可复制的工作流。你可以直接改成自己的仓库、自己的任务、自己的约束。\u003C\u002Fp>\u003Cpre>\u003Ccode># MiniMax M3 first-pass evaluation template for developers\n\n## Goal\nEvaluate whether the model can act like an engineering assistant across code, long context, agentic tasks, and multimodal inputs.\n\n## Inputs\n1. A real repository with README, source files, tests, and recent issues.\n2. One screenshot or diagram related to the task.\n3. One long task description with constraints.\n4. Optional logs or error traces.\n\n## Test 1: Repository understanding\nPrompt:\n- Summarize the architecture of this repo.\n- Identify the top 3 risky areas for change.\n- Point out any assumptions you are making.\n\nPass criteria:\n- Mentions actual modules\u002Ffiles.\n- Distinguishes facts from guesses.\n- Does not invent structure not present in the repo.\n\n## Test 2: Long-context consistency\nPrompt:\n- Read all provided materials.\n- Keep these constraints active throughout: \n  1. Do not change public APIs.\n  2. Preserve backward compatibility.\n  3. Minimize code changes.\n- Propose a fix and explain why it fits the constraints.\n\nPass criteria:\n- Repeats constraints correctly in later turns.\n- Does not drift into forbidden changes.\n- Keeps the solution minimal.\n\n## Test 3: Agentic execution\nPrompt:\n- Step 1: Diagnose root cause.\n- Step 2: Propose a plan.\n- Step 3: If tests fail, revise the plan.\n- Step 4: Stop and report what changed.\n\nPass criteria:\n- Breaks work into steps.\n- Uses feedback to adjust.\n- Avoids pretending certainty when evidence is weak.\n\n## Test 4: Multimodal reasoning\nPrompt:\n- Inspect the screenshot\u002Fdiagram.\n- Relate visible symptoms to the code or logs.\n- Explain the likely cause and next verification step.\n\nPass criteria:\n- Connects image content to text\u002Fcode evidence.\n- Does not merely describe the image.\n- Suggests a concrete next action.\n\n## Scoring\nScore each area from 1 to 5:\n- Code understanding\n- Context retention\n- Task progression\n- Multimodal grounding\n- Honesty about uncertainty\n\n## Decision rule\n- 20-25: Strong candidate for real workflow use\n- 15-19: Useful, but needs guardrails\n- Below 15: Demo-quality only\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>这个模板的价值不在于分数本身，而在于它逼你用工程视角看模型。别被“能聊”骗了。你要的是一个能持续理解、持续推进、持续校正的系统，而不是一个语气很像同事的聊天机器人。\u003C\u002Fp>\u003Cp>如果 MiniMax M3 真能在这几个维度上都站得住，它对开发者的意义就不只是“又多了一个国产大模型”，而是我们终于多了一个更贴近真实工程场景的选择。至少这一次，我愿意先把它放进我的测试清单，而不是直接划走。\u003C\u002Fp>\u003Cp>来源是 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2044897131576694494\">知乎专栏这篇 MiniMax M3 深度体验笔记\u003C\u002Fa>，我这里做的是开发者视角的拆解和工作流改写，不是原文复述。原文的发布信息和能力点来自作者整理，我补的是怎么把这些点变成可执行的评测和使用方法。\u003C\u002Fp>","我把 MiniMax M3 拆成 6 个开发者能直接照搬的工作流技巧。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2044897131576694494",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780754610653-0760.png","model-release","en","c92651ec-b626-49a2-bceb-230763733e3c",[17,18,19,20,21],"MiniMax M3","长上下文","Agentic AI","多模态","代码模型",[23,24,25],"别先看参数，先看模型能不能持续接住上下文和约束。","100 万 tokens 的价值在于减少切片和摘要成本，不只是塞更多内容。","真正有用的 agent 是能推进任务、校验结果、根据反馈修正的模型。",0,"2026-06-06T14:02:55.109853+00:00","2026-06-06T14:02:55.095+00:00","8a720a1b-e905-4cc6-8607-4887b319116e",{"tags":31,"relatedLang":40,"relatedPosts":44},[32,34,35,36,37],{"name":17,"slug":33},"minimax-m3",{"name":18,"slug":18},{"name":21,"slug":21},{"name":20,"slug":20},{"name":38,"slug":39},"agentic AI","agentic-ai",{"id":15,"slug":41,"title":42,"language":43},"minimax-m3-engineer-workflow-agent-zh","MiniMax M3 讓工程師工作流更像代理","zh",[45,51,57,63,69,75],{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"12af5a0d-1bbf-4a50-a391-b53f8003f234","gemini-35-flash-pricing-benchmarks-en","Gemini 3.5 Flash Pricing, Context, Benchmarks","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780840981235-e7hm.png","2026-06-07T14:02:30.280485+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"0e767e9d-5d17-4cd0-b6ee-0328f89eb49b","gemma-4-12b-specs-benchmarks-run-locally-en","Gemma 4 12B: Specs, Benchmarks & How to Run It Locally","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780777984661-5ymr.png","2026-06-06T20:32:25.294996+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"9d15f962-739d-44f8-a7f9-11bca64d38e0","best-kimi-models-2026-k2-5-vs-k2-thinking-en","Best Kimi Models in 2026: K2.5 vs K2 Thinking","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770786284-shy0.png","2026-06-06T18:32:39.779504+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"34547376-5d6b-4453-8d80-8072d8ac36ed","kimi-k2-6-open-source-coding-agent-swarm-en","Kimi K2.6 adds open-source coding and agent swarm","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780761781526-wop4.png","2026-06-06T16:02:22.26883+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"d9b93425-c218-44af-b4d4-87d997f90c39","minimax-m3-triple-capability-open-model-en","MiniMax M3: 中国首个三合一开源模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780756397789-wy3i.png","2026-06-06T14:32:35.789517+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"758b2a2e-2785-432e-b7c2-4947a7a078f3","why-minimax-m3-matters-long-context-model-en","Why MiniMax M3 matters more than another long-context model","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780755477727-j0go.png","2026-06-06T14:17:21.058476+00:00",[82,87,92,97,102,107,112,117,122,127],{"id":83,"slug":84,"title":85,"created_at":86},"d4cffde7-9b50-4cc7-bb68-8bc9e3b15477","nvidia-rubin-ai-supercomputer-en","NVIDIA Unveils Rubin: A Leap in AI Supercomputing","2026-03-25T16:24:35.155565+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"eab919b9-fbac-4048-89fc-afad6749ccef","google-gemini-ai-innovations-2026-en","Google's AI Leap with Gemini Innovations in 2026","2026-03-25T16:27:18.841838+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"5f5cfc67-3384-4816-a8f6-19e44d90113d","gap-google-gemini-ai-checkout-en","Gap Teams Up with Google Gemini for AI-Driven Checkout","2026-03-25T16:27:46.483272+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"f6d04567-47f6-49ec-804c-52e61ab91225","ai-model-release-wave-march-2026-en","Navigating the AI Model Release Wave of March 2026","2026-03-25T16:28:45.409716+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"895c150c-569e-4fdf-939d-dade785c990e","small-language-models-transform-ai-en","Small Language Models: Llama 3.2 and Phi-3 Transform AI","2026-03-25T16:30:26.688313+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"38eb1d26-d961-4fd3-ae12-9c4089680f5f","midjourney-v8-alpha-features-pricing-en","Midjourney V8 Alpha: A Deep Dive into Its Features and Pricing","2026-03-26T01:25:36.387587+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"bf36bb9e-3444-4fb8-ab19-0df6bc9d8271","rag-2026-indispensable-ai-bridge-en","RAG in 2026: The Indispensable AI Bridge","2026-03-26T01:28:34.472046+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"60881d6d-2310-44ef-b1fb-7f98e9dd2f0e","xiaomi-mimo-trio-agents-robots-voice-en","Xiaomi’s MiMo trio targets agents, robots, and voice","2026-03-28T03:05:08.899895+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"f063d8d1-41d1-4de4-8ebc-6c40511b9369","xiaomi-mimo-v2-pro-1t-moe-agents-en","Xiaomi MiMo-V2-Pro: 1T MoE Model for Agents","2026-03-28T03:06:19.238032+00:00",{"id":128,"slug":129,"title":130,"created_at":131},"a1379e9a-6785-4ff5-9b0a-8cff55f8264f","cursor-composer-2-started-from-kimi-en","Cursor’s Composer 2 started from Kimi","2026-03-28T03:11:59.132398+00:00"]