把这个 agent 和 chat 分清楚，就知道为什么要用 genspark 和 manus 了不是所有的问题，都可以在 10 秒钟之内完成回答那么当你选择了一个回答所有问题耗时都小于 10 秒的工具（不联网的纯 LLM），就必然有一定比例的问题拿不到结果日常使用的通用 AI 工具，必须有任务规划功能，必须自己决定这是一个可以立即回答的短问题，还是需要查半个小时资料才能回答的长问题

#agent #LLM #任务规划 #长短问题 #AI工具

相关新闻

Barret李靖

4小时前

Agent 有两个变量，一个是控制任务走向的 workflow 工作流，一个是控制内容生成的 context 上下文。 1）如果 workflow 和 context 的确定性都很高，这类任务就容易被自动化，类似传统 RPA，比如在处理发票处理、表单填报任务时，AI 更多是粘合剂，发挥空间比较有限。 2）如果 workflow 确定但 context 不确定，也就是流程固定但输入多变，就需要

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

9小时前

重读最近张小珺对杨植麟和姚顺雨的访谈： KIMI除了继续探索长上下文的智商下降问题，K2还通过MUON优化提高token efficiency ，也尝试了agentic LLM方向，并表示模型能力需要RL激发但存在泛化的复杂问题，而基模预训练仍旧会提高交互的上限；而姚顺雨则表现了和杨植麟不一样的对语言的深刻哲学理解以及强调未来的交互创新是关键，甚至会改变这个世界，但我不确定是他本来的认知轨迹

Barret李靖

19小时前

借助 LLM 学习 LLM，边学边问😃，《图解DeepSeek技术》这本小册子，不到一百页，把推理大模型的基本原理、MoE 架构设计和 R1 训练过程等几个东西讲清楚了，值得读两遍。

ginobefun

20小时前

生产力工具的进化，本质上是一部「翻译」成本的降低史。 - 代码时代：需求 -> 产品经理 -> 程序员 -> 代码 -> 工具。翻译链条长，成本极高。 - 无代码时代：需求 -> 懂业务的搭建者 -> 可视化搭建 -> 工具。翻译链条缩短，但对搭建者要求依然很高。 - Agent 时代：需求 -> AI -> 工具。翻译成本被大幅压缩。我们组织生产和协作的根本瓶颈，在于将意图转化为

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1天前

后训练LLM交互创新内化还要看中国