Barret李靖

统计数据

80

文章

0

粉丝

0

获赞

22901

阅读

5个月前

时隔两年，把带我入门的两本经典再拿出来温习温习。当年学前端也把《JavaScript 权威指南》啃了六七遍，至今每个函数的入参都还记得清清楚楚。或许学神经网络也是一样的道理吧😃

#JavaScript 权威指南 #前端开发 #神经网络 #温习 #积极

5个月前

苏杰在 2010 年写了一本书，叫《人人都是产品经理》。十五年过去了，站在今天，或许也可以说，“人人都是程序员”，因为编程的范式正在发生深刻变化。在神经网络出现之前（2012 年代表作是 AlexNet），可以称为编程 1.0 阶段。那时我们依赖确定性的逻辑来解决问题：a 就是 a，b 就是 b，程序的执行路径清晰、固定。神经网络的出现带来了编程 2.0。通过在不同数据集上的训练，我们可以不断调整网络中每个节点的权重，进而影响最终输出。编程的任务变成了设定问题的起点与终点，神经网络则在“答题空间”里寻找解答。这个答案未必最优，但能有效解决问题。Karpathy 在 2017 年的《Software 2.0》里对此做了系统阐述。而到了大模型时代，可以称之为编程 3.0。神经网络本身进化为“可编程体”，编程语言就是 Prompt。人们不再需要写复杂的函数和条件判断，而是通过自然语言来影响模型的推理过程。Prompt 之所以能改变输出，是因为它重塑了模型的“输入分布”，从而改变了注意力的聚焦点与解题路径。换句话说，Prompt 相当于在潜在的解题空间里拉起一条“轨道”，引导模型更快更准地落在某类答案上。从“写死逻辑”到“训练权重”，再到“语言编程”，编程的本质正在从控制计算机，转向引导智能体。未来，当人人都能以语言驱动智能，编程将不再是少数人的技能，而会像写作一样，成为每个人的日常能力。

#编程未来 #人人都是程序员 #大模型时代 #prompt编程 #智能体

5个月前

Attention is all you need，顺着历史脉络去看 Transformer 自注意力机制的发展，还经历了Bag-of-Words、Word2vec、RNN、Attention 等概念的演进。《图解大模型》把 LLM 的内部原理，包括预训练、微调、语言模型的应用和优化等，一步步做了图解分析，写得挺不错👍

#transformer #自注意力机制 #大模型 #图解分析 #LLM

5个月前

LLM 出来之后，在应用层的折腾从未停歇。从 Prompt 调优到 Workflow 配置，再到 Agent 构建，最终目的都是一样的：让 LLM 更好地为人类干活，把机器的性能压榨到极致。对 LLM 的压榨，可以分为两个维度。一是帮助它找到最优算法，让推理少走弯路。为此我们几乎把能想到的路子都走了一遍，让 LLM 学会反思（reflection、self-consistency、self-critics），学会推理和规划（reasoning、planning、chain-of-thought、tree-of-thought）；学会记忆（short-term memory、long-term memory），不至于对话一长就失忆；学会找知识（RAG、knowledge graph），在外部世界里补充事实；学会构建上下文（context building），在有限 token 里塞下更多有效信息；学会用工具（tool-use，function calling，MCP），把事情交给外部程序去跑，而不是光靠自己生成；等等。这些东西，说到底都是技巧和机制，本质目的是让 LLM 更快理解人类要干啥，围绕目标（goal-oriented）尽可能找到一条代价最小的路，跑到最优解上去。第二个维度，是对时间的压榨，让 LLM 可以做到 7×24 小时不停歇。当我们对 LLM 有了更深入的理解之后，很容易想到把它打造成属于自己或组织的“数字员工”，它不知疲惫、不会抱怨，可以持续运转、不断学习。大部分人今天用 AI 的方式，还停留在查资料、总结内容、写周报月报这些单点场景上，如果要真正构建一名“不停歇的 AI 数字员工”，光靠这些还不够。我们需要先规划出属于自己的 AI 数字工厂 ——想清楚要造出来的“产品”是什么，是沉淀知识的系统，是自动化的业务流程，还是一个可以长期迭代的服务。在这座工厂里，AI 是生产线上的执行者，它负责具体的加工与产出；而人类的角色发生了转变，从“亲自干活的工人”变成“监工与管理者”。人类不再亲手完成每一步，而是要设计流水线，设定规则，制定指标，监控质量，并在需要时调度资源。换句话说，AI 的价值不在于替我们“干一点活”，而在于帮把整条流水线跑起来，而人类更像是“数字工厂的管理者”。当这两个维度结合起来时，真正的拐点就出现了。LLM 不再只是一个冷冰冰的工具，而是逐渐变成了可以长期协作的伙伴。它既能承担重复性劳动，也能在复杂问题上提供洞见。它不仅仅是“帮你做事”，更是“和你一起做事”。未来的差距，不在于谁能写出更漂亮的 Prompt，而在于谁能把 LLM 真正融入到自己的时间和组织里，形成稳定的生产方式。因此，会不会用、用到什么深度、能否持续优化，这些才是长期的竞争力来源。谁能把 AI 运行成“工厂”，让自己从执行者转为监工和管理者，谁就能在未来的日常工作和业务中，获得真正可复用、可累积的优势。

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#LLM #AI数字员工 #自动化 #效率提升 #人机协作

5个月前

最近的 AI 给我的感觉，就是一个情绪稳定、勤勤恳恳、任劳任怨、高效敏捷的 researcher，不懂就学，学不明白就查，信息不好抓取干脆就截图，为了确保准确性还会对信息做前后对比验证，短短四分钟就完成了我两个小时才能搞定的调研和取证工作。

谷歌Deep Research：AI操作系统雏形？· 145 条信息

#AI #情绪稳定 #高效 #调研 #取证

5个月前

晚上给团队做了一次「故障应急」的经验分享，内容包含，1）故障应急处理流程与SOP；2）网站“生命体征”与监控指标；3）DDoS与CC攻击防护机制；4）业务流量洪峰与数据库瓶颈识别；5）资源分配模式与多线路应对策略；6）单机故障排查与进程级诊断；7）监控体系与故障诊断能力建设；等等。这个话题，深入进去，感觉能讲个十节课，会有人感兴趣吗？😄

#故障应急 #经验分享 #网站运维 #DDoS攻击防护 #数据库瓶颈

5个月前

大概 17 年的时候，吴恩达说，“AI 是新的电力”，从当时看还无法理解，回到今天，这件事情已悄然发生：写代码少了 AI Coding 工具，生产力便立减大半；ChatGPT 额度一用光就会微微恐慌，迫不及待去找充钱的口子。 LLM 能力的供给越来越像电力的供给，OpenAI/ Google/Anthropic 等公司投入资本支出训练 LLM，相当于建设电网；再投入运营成本，通过 API 向所有人供给智能服务；同时，人们对 API 的要求，也与对公共事业相似：低延迟、高可用、稳定质量。随着 AI 电力的普及，不可避免会出现一个新的问题，“全球智能断电”—— ChatGPT 抖一抖，依赖它的所有产品就会抖三抖，严重的话还会面临客户流失的风险。这个问题有两类解法，一个是构建非中心化智能电力系统，也就是在自己的服务器或者云计算平台部署开源精简版的智能电网，另外一个就是在多电网之间做好负载均衡，毕竟同时挂的概率还是很低的。从这个角度来看，做开源算力供给和做电力中介都会是一门好生意。前者掌握了分布式智能电力的基础产能，后者则主导了智能电力服务的负载均衡。在电力中介方面，做的还不错的产品，国外的是 OpenRouter，国内的是 Siliconflow，最近还看到另外一个不错的，叫 ZenMux，国内外的模型都十分丰富，它的核心理念是，通过智能自动化，将多模型选择、风险管理和 API 编排等复杂流程简化为“一个 API、一个 SDK、一个平台”，把用户体验放到了首位。可以感受到，AI 正在从一个生产力工具，走向和电力、自来水一样的社会基础设施，它不再只是提升效率的手段，而是正在成为支撑未来文明形态的社会基建。 P.S. 前面提到 ChatGPT 额度用光，最近刚折腾了一把， ChatGPT 因为几次扣款失败，直接就把我的卡给 ban 掉了；折腾半天，最简单好使的，还是直接在美区 Apple Store 上冲支付宝购买的礼品卡，在手机完成订阅。

#AI电力 #LLM #ChatGPT #智能断电风险 #多模型负载均衡

5个月前

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 Agent 在语义和理解上补全，比如客服问答、合同解析，需要通过外部检索、知识图谱等工具来弥补信息的缺口，让推理结果更符合预期。 3）如果 workflow 不确定但 context 确定，也就是输入清晰但走法多样，Agent 就要去自主规划路径，例如市场分析报告生成、个性化推荐等，大多数 End-to-End RL Agent 都擅长做这类任务，因为它们在训练阶段就习得了大量的路径规划和解题思路。 4）而当 workflow 和 context 都不确定时，就是最复杂的场景了，既要推理也要探索，像创新方案设计、跨部门信息收集等，这类更偏向于通用型 Agent，它的执行效果，取决于给它配备的工具丰富度，尤其是编程能力要最大化开放，例如让它学会去 Github 找仓库克隆并修改代码来解决问题，让它像人一样干活儿。所以，要把 Agent 做好，首先要明确场景。本质上，自动化解决的是“确定性”问题，而智能化解决的是“不确定性”问题。

#agent #Workflow #Context #自动化 #不确定性

5个月前

在做经验分享的时候，最后的结果或许不是最重要的，但走过的弯路、迭代的过程，以及促使改变策略和路径的契机，都蕴藏着足够打动人的点。

#经验分享 #弯路 #迭代 #策略改变 #契机

5个月前

AI 的重心从“推理生成”转向“规划执行”，能做的事情越来越多，也越来越丰富。这意味着，某些“行动权”开始从组织/专家转移到普通人，它的演进是一次“权利的去中心化”重构，行动权将下沉到个体。随之而来的是生产关系的改变，干成一件事情，不再需要一个组织/团队，不再需要成为专家，中间环节缩短，直接执行将成为常态。因此，未来也会出现 AI “善用者”与“不善用者”的分层，能与 AI 协作的个体会获得更大的优势。

#AI #规划执行 #生产关系改变 #行动权下沉 #AI善用者

5个月前

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。

深度学习模型升级引发AI能力大跃进，行业迎新变革· 143 条信息

#LLM #DeepSeek #MoE #推理大模型 #技术

6个月前

在人机交互过程中，人类消费的是 GUI，机器消费的是 API，那么 Agent 消费的是什么？ Agent 必须理解任务的整体场景：用户的目标、当前状态、外部环境（数据、工具、权限），它不是单点调用 API，而是要根据上下文决定调用哪些 API、以何种顺序来完成目标。从这个视角来看，它消费的是上下文（Context）。人类给 Agent 的输入不是一堆低级操作，而是对目标的“规格说明”或“期望结果”，Agent 的工作是把 Prompt 转换成可执行的 API 调用序列。从这个视角看，它消费的是规范描述（Spec）。 Agent 并非孤立存在，它往往处在多 Agent 协作或人机混合环境中，因此它需要消费一种比 API 更高阶的“交互协议”：包含角色、任务分工、状态同步、反馈循环等等。从这个视角看，它消费的是协议约定（Protocol）。

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#人机交互 #agent #API调用 #上下文 #交互协议

6个月前

从马斯洛层级理论，来看一个员工在公司待的爽不爽：生理需求：钱给没给够安全需求：事好不好做（喜欢、有目标感、得到支持）关系需求（归属与爱）：人处的好不好尊重需求：身份到没到位（晋升、表彰、师兄、自主权）自我实现需求：有挑战、有意义感、能实现人生理想总结下来就是，“钱+事+人+身份+价值”，缺的越多，越不稳定。

#员工 #马斯洛需求层次理论 #工作满意度 #职业发展 #组织心理学

6个月前

“risk” 这个词源自古意大利语 “riscare”，意思是“带着勇气尝试”，在应对“风险”的时候，换个视角，带着勇气尝试，豁然开朗。

#风险 #勇气 #尝试 #积极 #视角

6个月前

当信息爆炸的时候，不妨先戒断一下，阻止所有信息的摄入，让脑子回归清醒。慢慢地，大脑里会浮现出你最迫切渴望得到的信息，那才是你最真正需要的。这相当于做了一次信息摄入模式的强制转变，从 push 修正为 pull。

#信息戒断 #信息过载 #主动获取信息 #大脑清醒 #需求

6个月前

愤怒是一种工具，其他情绪也是。不到万不得已，不要使用愤怒这个工具。杀敌一千，自损八百。一旦被情绪带跑，并且没有意识到自己被情绪带跑，此时工具就不再是工具，它会让自己迷失在情绪中，成为情绪的奴隶，不能自拔。

#情绪管理 #愤怒 #自我控制 #情绪奴隶 #负面情绪

6个月前

Andrej Karpathy 将软件发展分为三个阶段，Software 1.0，是通过编写计算机代码来解决问题，标志性产物是 Github；Software 2.0，神经网络扮演了重要角色，编程工作变成了训练和调参，通过调试不同的数据集，来修改神经网络每一层、每个节点的权重，标志性产物是 Hugging Face；而 Software 3.0 最本质的变化是，神经网络变得“可编程”了，且编程语言不再是传统代码，而是提示词，你可以通过自然语言跟大模型交互来找到问题解。从写代码，到训模型，再到写提示词，软件的本质始终是：寻找让机器解决问题的最优表达方式。再去看编程范式的变化，在神经网络出现之前，软件属于“确定性编程范式”，if A then B else C，逻辑规规矩矩，一条逻辑解决一个明确问题；而到了 LLM 时代，演进成了“概率性编程范式”，软件输出结果由权重叠加完成，可能性变多了，能解决的问题也更多、更大、更复杂，因此未来大量的长尾需求也会得到好的满足。回到人机交互这个命题，问题也随之而来，代码过于精确（输入高成本），而自然语言过于模糊（输出低质量）。要做好人机交互，需要有一层规约（Specification），把事情有条理地讲清楚。事实上，我们日常的需求拆解、需求澄清，其实就是在“写 spec”，它的价值不在于文档本身，而在于帮助人类和机器对齐意图。这也是为什么越来越多的 AI 编程工具（如 Kiro Spec、Trae Solo）本质上都在探索新的 spec 模式。可以预见，当机器拥有更强的“自主意识”、能够解决更复杂的问题后，未来的人机协同、机机协同也会变得频繁，要解决“人-机-机”三方协同问题，软件工程的核心势必会转向定义规则、目标与价值观上。对工程师来说，或许就是，从编码切换到写规则。

#Software 3.0 #人机交互 #概率性编程 #AI编程工具 #规则定义

6个月前

很多程序员会享受指尖敲击键盘产出代码的过程，coding&debugging，在解决编程问题的过程中快速进入到心流，我也曾多次这样。 llm 出来以后，这种快乐正在逐渐消失。代码虽然还是自己敲出来的，但指尖敲击的内容变了，变成了跟大模型对话，看着屏幕上“突突突”自动产出代码，还没来得及看完，程序就已经 run 起来了。很显然，那种写出复杂代码和学习各种语法的爽感和获得感，将不复存在。或许，未来基础的编程工作应该换个名字，叫“古法制码”。

#AI编程：自学or科班？新旧码农之争· 156 条信息

#程序员 #LLM #编程 #心流 #古法制码

6个月前

“编程”这门手艺的价值会持续贬值，但“程序员”不会减少，反而会激增，发生变化的是编程语言和编程界面。程序员的核心竞争力，会从 Coding 转移为懂业务、懂架构和懂技术品味。未来的顶尖程序员更像是「设计师 + 工程师 + 产品经理」的混合体，从 Coder 走向 Problem Solver。

#AI编程：自学or科班？新旧码农之争· 156 条信息

#编程价值贬值 #程序员转型 #Coding -> Problem Solver #技术品味 #设计师+工程师+产品经理

6个月前

有趣的知识太多，每一个都拉扯一点精力，学完之后，脑子里就会装满散装的无用信息。保持聚焦，成体系地输入，让知识在脑子里产生链接，认知就会变得清晰。一万小时理论，贡献的是脑子里有效链接的数量。

#阶层固化：求变之路，殊途同归· 976 条信息

#知识 #学习方法 #认知提升 #聚焦 #体系化

6个月前

Agentic coding 的形态随着模型能力提升也在发生变化，开发者越来越不关心 coding 的过程，而是 chatting 和 orchestration 的体验，Agent 需要干好的事情变成了：维持多轮对话 + 准确的工具调用 + 能自愈的任务闭环。 Claude Code 的设计就把 coding 过程本身给抽象掉了。未来要把护城河做出来，产品需要考虑，1）具备澄清需求的能力，也就是帮助用户把好的问题给定义清楚；2）具备验证闭环的能力，提供完善的自动化测试、安全扫描和回滚机制等等。前者保证事情被做对，后者保证交付结果稳定且可靠。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Agentic Coding #多轮对话 #工具调用 #任务闭环 #Claude Code

6个月前

如果要把每个人提的建议都听进去，然后消化掉，那最终做的肯定不是自己，甚至已经面目全非。大胆地拒绝，然后把那些让自己内耗的信息扔进垃圾桶。世界就会回归清静。

#拒绝建议 #保持自我 #减少内耗 #回归清静 #积极

6个月前

在固有的行动轨迹下，待久了，待腻了，就找人对话，找书对话。打破惯性的有效方法就是，增加变量，制造变化。

#行动轨迹 #对话 #打破惯性 #增加变量 #制造变化

6个月前

做 AI 产品，优先关注两点，1）用来解决没有 AI 体验、效率、效果就很难提上去的问题；2）让 AI 一杆到底把一件事情做完再做好。前者解决用户愿意使用 AI 的动机问题，后者保证体验和质量。

#AI产品 #用户体验 #效率提升 #问题解决 #质量保证

6个月前

过去一年，工作之外，很多时间都在跟 WaytoAGI 这个社区打交道，认识了不少新朋友😃，欢迎大家加入社群，交流学习。

#waytoagi社区 #社群交流 #新朋友 #积极