真正的Context Engineering Era 3.0需要LLM能够"体验"自己的输出；这需要grounded feedback（不只是text-to-text） Agent systems应该设计为closed-loop，如在prompting中加入"self-verification"机制，增强闭环一致性： # Bad: open-loop response = model(query

#LLM #Context Engineering #Agent systems #closed-loop #self-verification

相关新闻

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

7小时前

zuck的广告业务天生就是注意力的游戏 LeCun的JEPA world model的research研究水土不服 LLM带来的影响更多是机器懂操作语言本身带来的，不是机器智能有多厉害，确实是我们的过分神化和拟人化LLM的可能出处。

Zhaopeng Tu

1天前

说的太对了，老哥！LLM 需要的是演员的“技巧”，而非真正的“品格”缺陷，这正是当前安全对齐的局限所在。一部成功的作品离不开成功的反派，没有了吴敬中和谢玉，《潜伏》和《琅琊榜》也会失色不少。

马东锡 NLP

1天前

「 Role-Play Villains, LLM, Tencent 」 Too Good to be Bad，这里的 bad 是什么？Being bad or pretending to be bad？作恶与假装作恶。对人类而言，作恶关乎品格，假装关乎技巧。优秀的演员并非真正的坏人，他们运用认知和情感控制来模拟恶，同时又保持清晰的界限。正如文章的引文： “The more succes

Gorden Sun

2天前

Agent Lightning：训练用于智能体的LLM的框架微软开源的框架，用于训练服务于智能体的LLM，使用基于强化学习的训练方法。智能体的执行和训练解耦，可以与已有的智能体集成。目前已有7.6K Star。 Github：论文：

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2天前

理解LLM，得综合AI工程（iwl）、交互（icl）和语言哲学（符号）一起才能厘清点眉目

关联事件

#多智能体之争：Anthropic生态VS单智能体

Anthropic与Cognition就多智能体系统构建展开激辩，核心争议在于上下文共享与否。Anthropic强调构建多智能体生态，提升复杂任务处理效率，近期发布多智能体构建指南，阐述“协调者-执行者”架构，并通过代理协调和系统评估提升任务性能，认为单个智能体的上下文有限，压缩比太大就会失真。Cognition则更关注单个Agent的效率和稳定性。Anthropic还发布了关于多智能体系统的文章，详细阐述构建多个智能体所面临的工程挑战，并强调带宽、结构、机制的重要性。这场争论反映了AI发展路径的不同选择，对未来AI系统的设计和应用具有重要意义。