ginobefun

统计数据

205

文章

0

粉丝

0

获赞

1102

阅读

2个月前

卡兹克公众号文章分享了《心理学增强 AI 智能体》的论文挺有意思，通过为大模型赋予 MBTI 人格，能显著提升其在内容创作和策略制定等任务中的表现，简化了复杂的 Prompt 设计。这个技巧揭示的也许不是 AI 正在变得多么有人性，而是我们人类是非常依赖「故事」和「标签」来理解自己和世界。

#AI智能体 #MBTI人格 #内容创作 #策略制定 #心理学

2个月前

#BestBlogs 私域知识工程实战：如何让 AI 一次性写出高质量代码？ | 阿里云开发者文章提出通过构建私域知识工程体系，让 AI 深度理解业务和代码规范，从而解决 AI 编程的“80 分困境”，实现高质量代码的一次性生成。摘要：文章深入探讨了 AI 编程中普遍存在的“80 分困境”，即 AI 能完成大部分基础代码，但因缺乏项目特有的业务规则、代码规范等私域知识，导致生成的代码难以直接使用，开发者需投入大量时间进行“调教”。作者将 AI 比作技术强但缺乏业务经验的新员工，并提出了一套“私域知识工程”的三板斧解决方案：首先，通过“代码解构与业务分析师 Prompt”对 AI 进行“入职培训”，建立包含架构、数据模型、业务规则和开发规范的私域知识库；其次，结合“开发专家 Prompt”和私域知识库进行智能编程，使 AI 能一次性生成符合项目规范的代码；最后，通过“文档自动维护专家 Prompt”实现私域知识的自动增量更新，形成自我进化的知识生态。文章通过对比改造前后数据，展示了私域知识工程在提升代码质量和开发效率方面的显著效果，并提供了可直接使用的 Prompt 模板。主要内容: 1. AI 编程的“80 分困境”根源在于信息不对称而非模型智能不足 -- AI 因缺乏项目特有的业务背景、代码规范和架构知识，导致生成的代码虽基础功能完善，但难以完全符合实际项目要求，需耗费大量时间进行二次修改和“调教”。 2. 构建“私域知识工程”是解决 AI 编程信息不对称的关键策略 -- 通过为 AI 建立包含项目架构、业务规则、数据模型和开发规范的专属知识库，并实现其自动维护，让 AI 像“老员工”一样理解项目上下文，从而提升代码生成质量。 3. “私域知识工程”显著提升 AI 代码生成质量和开发效率 -- 实践证明，该方法能使 AI 一次性输出高质量、符合项目规范的代码，将开发者的角色从“调教大师”转变为“甩手掌柜”，并带来知识沉淀、新人培养等额外价值。文章链接：

#AI编程 #私域知识工程 #代码质量提升 #阿里云开发者 #智能代码生成

2个月前

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，在于将意图转化为流程与工具的效率。当 AI 可以无限逼近零成本的翻译时，生产力的终极引擎将不再是工具，而是思想本身。

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

#生产力工具 #AI #翻译成本 #无代码 #agent

2个月前

#BestBlogs 看我如何用 Prompt 工程将大模型调教成风控专家 | 京东技术文章详细阐述了如何通过循序渐进的 Prompt 工程，将通用大模型调教成精准识别复杂电商风控风险的 AI 专家。摘要：文章作者作为交易风控算法工程师，分享了将大语言模型（LLM）引入电商风控工作的实践经验。通过四个阶段的“Prompt 工程心法”，作者将一个通用大模型从“什么都懂一点”的初级分析员，逐步培养成能精准识别复杂电商风控风险的“AI 专家”。这包括：第一阶段的角色扮演和结构化输入输出，实现自动化；第二阶段注入业务常识和“豁免规则”，显著降低误报率；第三阶段提升分析深度，教会 AI 识别协同作案的“行为指纹”；第四阶段引入“双假设裁决框架”和“硬链接”证据，使 AI 能在模糊信息中做出审慎判断。文章总结了“始于模仿，终于框架”、“规则是骨架，背景是血肉”等心法，强调 Prompt 工程是连接领域专家与 AI 的创造性交叉学科。主要内容: 1. 通过角色扮演和结构化 I/O，将通用大模型训练成初级风控分析员。 -- 设定 AI 为资深风控专家，定义分析维度，并规范 CSV 输入和 JSON 输出，实现风控分析流程的自动化和初步结构化。 2. 注入业务常识和“豁免规则”，显著提升大模型对业务复杂性的理解和准确性。 -- 针对高折扣、随机串用户 ID 等业务中正常现象的误判，明确业务背景知识，有效降低误报率，使模型更具业务敏感性。 3. 提升大模型分析深度，教会 AI 识别团伙级协同风险的行为指纹。 -- 通过拓宽风险定义，从订单级提升到团伙级，识别如远超个人合理消费范畴的低价值快消品和“购物车一致性”等行为模式，发现更深层次的隐蔽风险。 4. 引入“双假设裁决框架”和“硬链接”证据，使大模型能在模糊信息中做出审慎判断。 -- 要求 AI 在“协同风险团伙”和“良性特征客群”两个假设间权衡，并以“硬链接”作为决定性证据，从而区分真假聚集，实现法官式的终极裁决。文章链接：

#电商风控 #Prompt工程 #大模型 #AI专家 #风险识别

2个月前

#BestBlogs 凡人程序员进入修仙时代？意图即代码的范式革命即将到来 | 腾讯云开发者文章提出“意图即代码”的 AI 原生开发范式，通过意图编排、资源发现和意图约束三大支柱，将开发者从编码细节中解放，回归业务逻辑与架构设计。摘要：本文深入探讨并构想了“意图即代码”这一革命性的 AI 原生开发范式，旨在通过提升抽象层次，让开发者仅用自然语言定义业务意图，而由 AI 负责具体的实现、探索与验证。文章详细阐述了支撑这一范式的三大核心支柱：意图编排，通过可视化画布和结构化意图树管理业务逻辑及隐式数据流；资源发现，构建 AI 可理解的外部世界地图，实现动态交互式工具利用；以及意图约束，通过契约和行为测试确保 AI 生成代码的可靠性与可预测性。文章还通过一个“用户登录”示例，完整展现了 AI 原生开发的工作流，强调了该范式在提升开发效率、保证软件正确性和实现敏捷开发方面的巨大潜力，并展望了开发者角色从“代码工匠”向“思想创造者”的转变。主要内容: 1. “意图即代码”范式将开发者从编码细节中解放，聚焦业务逻辑 -- 通过自然语言定义意图，AI 负责实现，使开发者能站在更高抽象层级，回归架构师和思想家的角色，提升开发效率和业务理解。 2. 意图编排、资源发现、意图约束是支撑新范式的核心支柱 -- 意图编排管理业务流程，资源发现为 AI 提供工具地图，意图约束通过契约和测试保证 AI 生成代码的质量与可控性。 3. 该范式通过“生成-测试-反馈-迭代”闭环确保 AI 创造力可靠 -- AI 根据意图和契约生成代码，系统自动沙箱测试并反馈失败案例，驱动 AI 自我修正，实现代码质量的自动化保证。文章链接：

#意图即代码 #AI原生开发 #范式革命 #开发者解放 #自动化代码生成

2个月前

优秀的架构师，本质上是在为业务交易「期权」。期权是什么？它是在未来某个时间点，以特定成本做某件事的权利，而不是义务。比如，我们今天不必精确预测明年的用户量，而是设计一个能够随时弹性增减服务器的系统。这个随时增减的能力，就是我们为未来买下的一个决策期权。我们推迟了「到底需要多少服务器」这个具体决策，直到我们掌握了更多真实的用户数据，从而能做出更明智的判断。这个期权为什么如此值钱？答案是不确定性。金融学有个基本原理：市场波动性越大，期权的价值就越高。同样的道理，商业环境越是动荡、易变、不可预测，那些能让我们保留选择、灵活应对的架构期权，其价值就越大。当你的竞争对手因为一个突发事件而系统崩溃时，你的弹性架构就是让你反超的王牌。这也就澄清了一个常见的误解：架构与敏捷是互斥的。恰恰相反，它们是应对不确定性的黄金搭档。如果说敏捷是方向盘，它让我们能小步快跑、在持续反馈中不断调整方向；那么好的架构就是高性能的引擎和坚实的底盘，它赋予了我们快速转向、紧急刹车或猛然加速的能力，而车辆本身不会散架。没有架构提供的底层能力，敏捷的快速转向只会变成混乱的原地打转；而没有敏捷提供的持续反馈，架构的强大引擎再厉害，也可能正全速驶向错误的目的地。

#架构 #期权 #敏捷 #不确定性 #弹性

2个月前

Cursor 帮我优化了 DashBoard 统计数据的性能，从 12s 提升到 1s，还贴心的画了示意图

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

#Cursor #DashBoard性能优化 #性能提升 #示意图 #积极

2个月前

使用 Warp AI 再也不用记一堆命令了或者先去问一下拷贝命令执行

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

#Warp AI #命令 #拷贝 #AI辅助 #效率工具

3个月前

Hacker News 上的热门博客吐槽了 Next.js 自部署时让人抓狂的日志记录问题。核心在于其框架会切断 AsyncLocalStorage 的上下文传递，导致开发者无法追踪请求，只能退而求其次，通过 headers 笨拙地传递追踪 ID。许多评论认为这种设计缺陷并非无心之失，而是有意将用户推向 Vercel 的付费生态。

#Next.js #AsyncLocalStorage #Vercel #自部署 #日志记录

3个月前

#BestBlogs 从 Perplexity 对 Chrome 发起收购要约，深聊新一轮 AI 浏览器大战 | 硅谷101 文章深入探讨了 AI 浏览器如何引领下一代浏览器大战，分析了其对搜索商业模式的颠覆潜力，并预测了 AI 浏览器未来的发展阶段与市场机遇。摘要：本文以 Perplexity 收购 Chrome 的传闻为引子，深度剖析了新一轮 AI 浏览器大战的开启及其深远影响。Lightspeed Venture Partners 合伙人 Guru Chahal 和 Gen Digital 首席 AI 及创新官 Howie Xu 认为，AI 将使浏览器从操作系统转移到 AI 与计算机交互的核心机制，成为数据收集、自动化和安全的新要塞。文章指出，谷歌因其依赖广告的搜索商业模式，面临创新者窘境，难以进行颠覆性创新，这为初创公司提供了基于开源 Chromium 重构 AI 浏览器的巨大机会。未来的搜索将由 AI 智能体完成，彻底颠覆现有的人机交互和广告盈利模式。AI 浏览器将经历搜索与聊天融合、主动个性化和复杂任务智能体化三个阶段，最终成为一个能与用户协作、自主执行任务的 AI 操作系统。主要内容: 1. AI 浏览器将成为 AI 与计算机交互的核心机制，取代操作系统成为数据收集和自动化执行的要塞。 -- 浏览器是 AI 观察与行动的通用窗口，能被动收集数据，并作为副驾驶或自主智能体执行任务，其战略重要性在 AI 时代被数倍放大。 2. 谷歌因其依赖广告的搜索商业模式，面临创新者窘境，难以进行颠覆性创新，为初创公司提供了巨大机会。 -- 谷歌巨大的搜索广告收入使其难以彻底改变 Chrome，导致产品服务于商业模式而非用户体验，而开源 Chromium 降低了初创公司进入门槛。 3. AI 将彻底颠覆传统搜索模式，未来搜索将由 AI 智能体完成，人机交互将从被动点击转向主动智能助手。 -- 用户不再直接搜索和筛选链接，而是通过信任的智能体获取定制化、整合后的信息，这将改变整个搜索的发现机制和商业逻辑。 4. AI 浏览器发展将经历融合、个性化、智能体化三个阶段，最终实现搜索、聊天与行动的无缝集成。 -- 初期整合搜索与聊天，中期实现主动推送和个性化服务，长期目标是 AI 浏览器能执行复杂任务，成为真正的 AI 操作系统。文章链接：

Perplexity AI欲345亿美元收购谷歌Chrome，反垄断压力加剧· 4 条信息

#AI浏览器 #perplexity #Chrome收购 #AI搜索 #浏览器大战

3个月前

我们对信息差的普遍理解，存在一个根本性的偏差。竞争的关键，不在于是否掌握了某种稀缺信息（资源），而在于如何处理信息的系统（能力）。前者是外部的、可被抹平的优势；后者才是内在的、真正的护城河。这种能力的终极形态，并非一套固化的认知体系，而是一个能自我演进的生成性系统。它不是静态的知识库存，更像一个持续运转、自我加强的引擎。这个引擎由三个核心部件构成一个正反馈的闭环：「模型-位置-速度」循环引擎。 - 模型（Model）驱动速度。一个深刻的认知模型，是果断行动的基石。它让你能预判趋势、制定预案。当机会窗口出现，你不是在茫然决策，而是精准地执行早已成竹在胸的策略。模型，将认知清晰度转化为行动速度。 - 速度（Velocity）抢占位置。持续、快速且有效的行动，是进入核心圈层的唯一门票。信任、声誉和优质的合作关系，本质上都是对过往行动结果的奖励。只有行动者才能被看见，也只有被看见，才能占据信息网络中的有利节点。速度，用行动结果换取结构位置。 - 位置（Position）精炼模型。一旦身处核心节点，你将接触到更高密度、更高质量的信息流。这些一手信息会不断冲击、验证、迭代你原有的认知模型，使其变得更加精准和强大。位置，用信息质量反哺认知模型。这三者形成了一个加速飞轮：更优的模型 → 更快的行动 → 更好的位置 → 更高质量的信息 → 迭代出更优的模型……

#信息差 #认知模型 #速度 #位置 #正反馈

3个月前

#BestBlogs 那天，AI 大模型想起了，被「失忆」所束缚的枷锁｜机器之心 | 机器之心文章全面综述了 LLM 记忆能力的发展现状、类型、实现机制及未来挑战，从短期记忆到长期记忆，以及多模态和参数化记忆的最新进展。摘要：文章深入探讨了大型语言模型记忆能力的关键发展，指出 LLM 正从短期上下文记忆迈向跨会话的长期记忆。文章首先介绍了 Google Gemini、Anthropic Claude、OpenAI ChatGPT 和 xAI Grok 等主流大模型在记忆功能上的最新进展，强调了记忆在提升 AI 交互自然度和连贯性方面的核心作用。接着，文章详细阐述了 LLM 记忆的几种主要类型：受限于上下文窗口的“上下文内记忆”（短期记忆）、基于外部数据库和 RAG 技术的“外部记忆”（长期记忆）、将信息编码进模型参数的“参数化记忆”，以及受人类认知启发的“分层式记忆”和“情境记忆”。文章还列举了 MemGPT、MemOS、MIRIX、G-Memory、M3-Agent、记忆层和 BTX 等具体实现记忆功能的项目和研究，涵盖了从内存管理到多模态记忆和原生模型记忆的多种创新方案。最后，文章分析了当前记忆系统面临的挑战，如遗忘机制、效率与成本平衡，并展望了多模态原生、终身自主演化和智能体间共享协作等未来趋势，指出记忆是通往通用人工智能的关键一步。主要内容: 1. 大模型记忆能力正从短期迈向长期和跨会话。 -- 早期 LLM 记忆受限于上下文窗口，而最新进展使模型能跨多轮对话记住用户偏好和历史信息，提升交互连贯性。 2. LLM 记忆分为多种类型，外部记忆是当前主流的长期记忆方案。 -- 包括上下文内记忆（短期）、外部记忆（RAG）、参数化记忆，以及类人的分层/情境记忆，其中外部记忆通过向量数据库实现海量信息存储和检索。 3. 记忆不再是简单存储，而是涉及存储、检索、提炼和遗忘的复杂机制。 -- MemGPT、MemOS 等系统将记忆视为系统资源进行管理，MIRIX 等项目则对记忆进行多层细化和智能处理，提升记忆的效率和准确性。 4. 多模态记忆和将记忆原生融入模型是未来重要趋势。 -- 随着多模态 AI 发展，记忆需处理图像、视频等信息；Meta 的记忆层和 RockAI 的 Yan 2.0 Preview 尝试将记忆直接编码进模型参数，实现更深层次的内化。 5. 构建智能记忆系统面临挑战，是实现 AGI 的关键。 -- 挑战包括遗忘机制、效率成本平衡，未来需发展综合记忆架构、智能体间共享记忆，并实现记忆的自动演化，最终通向通用人工智能。文章链接：

#LLM记忆 #长期记忆 #多模态记忆 #AI挑战 #通用人工智能

3个月前

#BestBlogs 【洞见】Sarah Guo：Cursor for X 是当下最好的模式 | AI炼金术文章总结了 Sarah Guo 关于 AI 创业的七大洞见，强调 AI 从生成到推理的演进，以及“Cursor for X”等实用创业模式。摘要：文章深度剖析了知名投资人 Sarah Guo 关于 AI 时代创业的七大核心洞见。首先指出 AI 的核心进化是从内容生成到逻辑推理，强调了推理能力在解决复杂问题中的关键作用。接着提出了“Cursor for X”的创业模式，建议瞄准工作流程复杂、重复性高且有明确反馈机制的传统市场，以 AI 赋能实现效率飞跃。文章解释了代码领域成为 AI 完美试验田的结构性原因，并揭示了“AI 蛙跳效应”——即最保守的行业反而最快拥抱 AI 变革的现象。同时，强调了 AI 副驾（Co-pilot）模式的巨大价值，认为其在高风险领域比完全自动化更具商业可行性。最后，呼吁工程师成为 AI 能力的“翻译官”，将技术范式转化为特定行业的解决方案和产品。主要内容: 1. AI 的核心进化是从内容生成转向逻辑推理能力。 -- 推理能力使 AI 能解决更复杂问题，从“模仿者”进化为“协作者”，是构建强大智能体的关键地基，解锁 AI 在决策场景的潜力。 2. “Cursor for X”是当前 AI 创业的最佳模式。 -- 识别工作流程复杂、重复性高且有明确反馈机制的传统市场，用 AI 注入极致用户体验，实现效率飞跃，具有极高可复制性。 3. “AI 蛙跳效应”揭示了 AI 应用的蓝海市场。 -- 技术最落后、最保守的行业因其现有工作方式过于低效，反而能从 AI 中获得巨大的效率提升，形成“蛙跳效应”，是 AI 应用的新蓝海。 4. AI 副驾模式的价值被低估，比完全自动化更务实可行。 -- 在高风险领域，AI 作为人类能力增强器，将专家从重复工作中解放，聚焦更高阶判断，是更具现实意义和商业价值的产品策略。 5. 工程师应成为 AI 能力的“翻译官”。 -- 工程师需走出技术圈，理解各行业痛点，将 AI 技术范式转化为特定行业解决方案和产品，成为连接技术与真实世界的桥梁，推动 AI 落地。文章链接：

#AI #Sarah Guo #Cursor for X #AI 蛙跳效应 #AI 副驾模式

3个月前

#BestBlogs 架构师必备的 15 条定律，条条经典！( 反内卷版 ) | dbaplus社群文章总结了 15 条软件开发和团队管理中的经典定律，为技术从业者提供实践指导与反思。摘要：文章深入浅出地介绍了 15 条在软件开发和团队管理中广为人知的定律，包括帕金森定律、侯世达定律、布鲁克斯定律、康威定律等。这些定律涵盖了项目工期估算、团队协作、系统架构设计、API 管理、绩效度量以及日常调试等多个方面。作者通过生动的例子和幽默的语言，揭示了技术工作中常见的挑战和人性弱点，并提供了应对策略，旨在帮助技术从业者在内卷环境中实现更高效、优雅的工作和生活。文章强调理解这些定律比追逐最新技术更重要，以更好地理解人、组织和软件工程的复杂性。主要内容: 1. 帕金森定律与侯世达定律揭示项目工期估算的固有挑战 -- 这两定律共同强调了在软件项目管理中，准确估算工期的难度，以及时间缓冲和效率提升间的矛盾。 2. 康威定律强调组织沟通结构对系统架构的决定性影响 -- 团队的沟通方式直接映射到其构建的系统结构，通过调整团队沟通能影响甚至重塑系统架构。 3. 团队规模扩张导致效率下降与个体懈怠 -- 布鲁克斯定律、普莱斯定律和林格曼效应共同揭示了团队规模扩大后，沟通成本增加、责任分散及个体产出下降的普遍现象。 4. 海勒姆定律指出 API 或产品功能一旦发布便难更改 -- 即使是文档未承诺的行为，一旦被用户使用，就难以轻易改变或移除，增加了技术债和维护负担。 5. 古德哈特定律与吉尔布定律平衡了指标与度量的关系 -- 警示单一指标可能被滥用，但同时肯定了度量的重要性，鼓励从不完美的度量开始并持续优化。文章链接：

#软件开发 #团队管理 #帕金森定律 #康威定律 #内卷

3个月前

#BestBlogs 基于 Elasticsearch 创建企业 AI 搜索应用实践 | InfoQ 中文文章基于 QCon 演讲实录，深入探讨了在智能时代，如何利用 Elasticsearch 构建企业级 AI 搜索应用，尤其强调通过结合大模型和 Elasticsearch 的技术，有效规避大模型幻觉。文章首先阐述了语义搜索的需求及传统搜索的局限，引出向量搜索的必要性。接着，详细介绍了 Elasticsearch 对密集向量和稀疏向量的支持、其向量搜索架构、操作步骤及混合搜索（RRF）机制。文章还重点讲解了 Elasticsearch 在性能优化（如量化技术、GPU 加速、并发查询）和未来 Serverless 架构上的创新。最后，通过 RAG、Agentic RAG 和 HyDE 等方法，结合 Elasticsearch 的多路召回能力，展示了如何实现更精准、高效的企业搜索实践。主要内容: 1. 结合传统与向量搜索的混合搜索能显著提升 AI 搜索精度 -- 传统关键词搜索与语义向量搜索各有优劣，通过 RRF 等机制融合两者的优势，可有效提高召回率和搜索结果的精准度。 2. Elasticsearch 通过多项技术创新支持高效、可扩展的 AI 搜索 -- 文章介绍了 Elasticsearch 在密集/稀疏向量、量化、GPU 加速、Serverless 架构等方面的进展，为大规模 AI 搜索提供了坚实基础。 3. RAG 结合 Elasticsearch 可有效解决大模型幻觉问题并优化企业搜索 -- 利用 Elasticsearch 作为外部知识库，通过多路召回、Agentic RAG 和 HyDE 等策略，为 LLM 提供实时、准确的上下文，规避幻觉，提升企业搜索实用性。文章链接：

#Elasticsearch #AI搜索 #向量搜索 #RAG #大模型幻觉

3个月前

#BestBlogs 深入聊聊 RAG | 大淘宝技术文章深入剖析 RAG 技术各环节的实现细节与优化策略，强调通过精细化调优文档分块、索引、编码、混合检索与重排，以提升 AI 应用召回率与精确率。摘要：本文由大淘宝技术团队撰写，旨在为 RAG 实践者提供从快速使用到深度优化的宝贵参考，解决 RAG 在 AI 应用开发中常被视为黑盒、难以定位和持续优化的问题。文章深入探讨了 RAG（Retrieval Augmented Generation）技术的实现细节和优化策略，详细拆解了其核心链路，包括文档分块（Chunking）的语义切分和多模态/Agentic Chunking 策略；索引增强（Indexing），涵盖了语义增强和反向 HyDE 两种方法；编码（Embedding）环节中编码模型语言、词汇表和语义空间对效果的影响；混合检索（Hybrid Search）通过结合稀疏向量（BM25）和稠密向量（Transformer-based embedding）提升召回和精确率；以及重排序（Re-Ranking）利用 Cross-Encoder 进一步优化检索结果。文章强调每个环节都需要结合具体场景进行调优，以平衡召回率与精确率，并倡导从快速使用走向深度优化的实践路径。主要内容: 1. RAG 各环节深度优化是提升 AI 应用效果的关键 -- 将 RAG 从黑盒变为可调优的白盒，通过精细化管理 Chunking、Indexing、Embedding、Hybrid Search 和 Re-Ranking 等模块，显著提升召回率与精确率。 2. 文档分块需结合语义和场景选择策略 -- 应考虑语义 Chunking、多模态 Chunking 或 Agentic Chunking，并根据文档特性调整分块大小和相似度阈值，确保知识内聚性。 3. 混合检索与重排能有效平衡检索的广度与精度 -- 混合检索结合关键词和语义匹配，提升召回率；重排则进一步筛选最相关文档，提高最终结果准确性。文章链接：

#RAG技术 #大淘宝技术团队 #AI应用优化 #检索增强生成 #深度优化策略

3个月前

刚在 Hacker News 上看到一篇关于 API 设计的文章，觉得写得特别实在，很有共鸣，想跟大家分享一下里面的几个关键点，看看对我们现在做的事情有没有启发。作者的核心思想很简单：一个好的 API，首先是无聊的。什么叫无聊？就是说它应该非常符合直觉，让调用它的开发者不需要看太多文档，凭着经验就能猜到怎么用。任何需要让开发者花时间去琢磨的聪明或有趣的设计，其实都增加了他们的使用成本。在这之上，API 的设计总是在两个目标之间找平衡：一是刚才说的易用性，二是为未来考虑的灵活性。因为 API 一旦发布，就很难再改了。文章里有几个观点，我觉得特别值得我们思考：第一，也是最重要的一条原则：绝对不要破坏用户的应用。作者把这称为 API 维护者的神圣职责。一旦我们发布了 API，别人就会依赖它来构建自己的业务。任何破坏性的变更，比如删掉一个字段或者改变它的结构，都会立刻搞垮下游的应用。这不仅仅是技术问题，更是信任问题。文章里举了 HTTP 协议里那个著名的例子：Referer 这个头，其实是单词 Referrer 的拼写错误。但几十年了，也没人去修正它，因为改动它的代价太大了。这种对稳定性的尊重，是很值得我们学习的。第二，关于变更和版本控制。既然不能轻易做破坏性变更，那产品需要迭代时怎么办？答案是版本控制，比如在 URL 里加上 /v1/, /v2/。但作者也强调，版本控制是必要的恶，是万不得已的最后手段。因为每增加一个版本，我们的维护成本就会翻倍，需要测试、支持和维护的东西越来越多。对用户来说，不同版本的文档也会让他们感到困惑。所以，我们在设计初期就要想得长远一些，尽量避免以后需要用版本控制来收拾烂摊子。第三，API 的成功最终取决于产品。这一点我觉得特别真实。API 只是一个工具，一个访问我们服务的窗口。如果我们的产品本身价值够大，就算 API 设计得再烂（作者点名了 Jira 和 Facebook），大家还是会捏着鼻子用。反过来，如果产品本身没人需要，那 API 设计得再优雅也没用。这对我们的启发是，一个设计混乱的产品，几乎不可能有一个清晰好用的 API。因为 API 只是内部业务逻辑的一层映射。所以，想让 API 变好，首先得把内部的产品模型和逻辑理清楚。最后，是一些非常具体的实战建议： - 认证要简单：除了支持 OAuth 这种复杂的流程，一定要提供一个简单的 API Key。很多用户可能不是专业的后端工程师，他们只想写个小脚本快速验证一下想法。简单的 API Key 能极大地降低他们的入门门槛。 - 写操作要支持幂等：网络请求总会遇到超时或者失败。用户重试请求时，怎么保证一个操作不会被执行两次？比如重复创建订单。方法就是支持幂等键，让调用方在请求里带上一个唯一的 key，我们后台根据这个 key 来识别和忽略重复的请求。 - 必须有速率限制：用户是通过代码来调用 API 的，一个死循环就可能在瞬间打垮我们的服务。所以，一定要有速率限制来保护系统。同时，最好在响应头里告诉用户他们还剩多少配额，这样他们的程序也能更智能地控制请求频率。 - 分页要用游标：当返回一个很长的列表时，比如几万条记录，用传统的 page=2 这种方式性能会很差，因为数据库在查询时需要数过所有前面的记录。更好的方法是基于游标的分页，客户端的请求会变成“给我 ID 大于 X 的后 20 条记录”，这对数据库来说效率非常高。总的来说，这篇文章给我的感觉就是非常务实，不谈那些花哨的理论，而是专注于如何构建一个稳定、可信赖、对开发者友好的 API。核心就是：尊重你的用户，把稳定性当做最高优先级，并努力降低他们的使用成本。大家可以想想，在我们自己的项目里，哪些地方可以借鉴这些经验。分享完了，大家有什么想法吗？

#API设计 #易用性 #稳定性 #版本控制 #速率限制

3个月前

高价值的工作，本质上是探索，是实验，是与不确定性的共舞。它有失败的巨大风险。低价值的工作，本质上是执行，是重复，是追求确定性的安慰剂。它安全、稳定、能带来「我很忙，我很有用」的虚假满足感。

#高价值工作 #低价值工作 #探索与执行 #不确定性 #确定性的安慰剂

3个月前

本周精选文章已推送，欢迎阅读：

#精选文章 #推送 #阅读

3个月前

跑了几个深度研究的报告，分享给大家一起学习 LLM 预训练技术报告：深入浅出解读 SFT： RLHF 深度技术报告： LLM幻觉问题深度剖析与优化策略：

#LLM #预训练 #SFT #RLHF #幻觉问题

3个月前

观察最近 GPT-5 这个事，我觉得背后其实是一个很经典的选择题，就是「探索」和「利用」的矛盾。任何一个新技术，发展到一定阶段，都会走到这个岔路口。你想想，从 GPT-3 一路到 GPT-4 的时候，OpenAI 的感觉一直是在「探索」。大家都在追着 AGI 的梦，想看看 AI 的极限到底在哪，使劲把这个饼画得更大。但到了 GPT-5，风向明显变了。他们开始「利用」已经挖到的宝藏了。重点不再是搞出什么惊天动地的新东西，而是怎么把成本降下来，怎么让模型更稳定，怎么让现有的场景更好用，怎么让用户离不开它。说白了，就是到了把饼分给大家吃，并且要牢牢占住市场的阶段。这个转变其实也很好理解。当你的产品有了 10 亿月活用户，心态肯定就完全不同了。ChatGPT 不再是实验室里那个可以随便试错的酷炫玩具，它成了一个巨大的商业实体，要对用户、对市场、对收入负责。这时候，大家最需要的已经不是一个更聪明但可能更难控制的天才，而是一个更可靠、更便宜、更好用的助手。说到底，我觉得这两种追求在根本上是有点矛盾的。你可以把它想象成一个关于熵的问题。要做一个能服务几十亿人的大规模产品，你追求的一定是可控，它必须是稳定的、可预测的。这次 GPT-5 提到的幻觉减少、效率变高，还有 Router 系统，本质上都是在给 AI 祛魅，让它变得更有序。这就像是在驯服一头野兽，把那些乱七八糟、不听话的部分都修剪掉，让它变得更好用。当然，代价可能就是，之前 GPT-4o 那种很有灵性的人味儿就淡了。但是，如果你想搞出真正的通用人工智能，却恰恰需要拥抱一定程度的熵增。你需要允许它在一个巨大的、充满可能性的空间里自由地去闯，去犯错，去建立一些我们意想不到的连接。那种真正的、能自主思考的 Agent 能力，很可能就诞生在这样的混沌之中。所以，聊了这么多，评价 GPT-5 的核心其实是OpenAI 他们在当前时期各种挑战下选了一条更稳妥、更确定的路，把手里这张王牌的价值发挥到极致，把已经拥有的智能，最大化地变成产品和市场优势。

OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 158 条信息

#GPT-5 #OpenAI #探索与利用 #商业化 #AGI

3个月前

#BestBlogs 胡泳：跨越 30 年，从数字化生存到 AI 化生存 | 腾讯研究院文章深度剖析了从尼葛洛庞帝的“数字化生存”到当前 AI 浪潮下“AI 化生存”的范式转变，探讨了 AI 对人类创作、身份、教育及人机关系的重塑。摘要：文章由北京大学教授胡泳撰写，回顾了尼古拉·尼葛洛庞帝《数字化生存》的预言，分析了其在信息个性化、网络化、比特经济等方面的实现，以及在技术隐形性、智能代理、全球共识等方面的未达预期。在此基础上，文章提出了“AI 化生存”的概念，指出 AI 的崛起标志着技术从媒介性向代理性的跃迁，超越了“数字化生存”的范式。文章从“自我表达”到“内容生成”、“数字身份”到“AI 人格”、“知识传授”到“判断训练”以及“人机协作与主体重构”四个维度，详细阐述了 AI 对人类生存模式的深刻影响和挑战，呼吁社会应以批判现实主义态度，重建“人-技术-社会”的三重关系，培养具备伦理韧性、人文底色和判断力的未来公民。主要内容: 1. AI 化生存是技术从媒介性向代理性的跃迁，超越了数字化生存范式。 -- 在 AI 化生存中，AI 不仅是工具，更是合作者、竞争者甚至替代者，这标志着人类与技术关系的根本性重构，远超数字化时代的工具性理解。 2. 生成式 AI 重塑创作范式，从“自我表达”转向“人与 AI 协同的内容生成”。 -- 创作不再仅由人类经验驱动，而是被预训练模型和算法所重塑，导致内容原创性、作者性以及创作目的的根本性改变。 3. AI 人格的出现使数字身份向可复制、外包、消费化、去中心化的 AI 人格转化。 -- 个体意识可被程序化、代理化，甚至在物理死亡后仍能“继承”，深刻挑战了传统对人格、记忆和身份延续的认知。 4. AI 时代教育需从“知识传授”转向“判断训练”，强调批判性思维与人文素养。 -- 面对 AI 生成内容的真伪模糊和算法茧房，教育应培养学生识别偏见、理解社会结构、保持人文感知力，而非仅掌握使用 AI 的技巧。 5. AI 发展模糊人机伦理边界，人与技术关系从“单向控制”变为“协同-争议”。 -- AI 拥有决策、学习和适应能力，引发人类认知特权危机和本体危机，迫使人类重新定义自身在技术共治世界中的主体性。文章链接：

#AI化生存 #AI人格 #人机关系 #判断训练 #胡泳

3个月前

#BestBlogs Huberman Lab｜如何重塑大脑并加快学习速度 | yikai 的摸鱼笔记文章深度解析了大脑神经可塑性的终身特性，强调专注、摩擦力与反思在学习中的关键作用，并介绍了迷走神经刺激（VNS）在加速康复中的革命性应用。摘要：本文基于 Michael Kilgard 博士的神经可塑性研究，颠覆了大脑可塑性仅限于童年的传统认知，指出大脑是一个持续更新的生命系统。文章强调，真实的、需要努力和互动的经历（即“摩擦力”）比被动接收信息更能有效塑造大脑。同时，专注、事后反思和自我测试被认为是促进有效学习和巩固神经连接的三大支柱。文中详细阐述了乙酰胆碱、去甲肾上腺素等神经调质在大脑标记重要信息、巩固学习中的关键作用。特别介绍了 Kilgard 博士的核心研究成果——迷走神经刺激（VNS），该技术通过精确调控神经调质的释放，在治疗耳鸣、中风和脊髓损伤等疾病的康复中取得了显著突破。最后，文章展望了未来神经科学治疗将走向设备、药理学、行为训练和心理支持相结合的“组合疗法”时代，对大脑重塑持乐观态度。主要内容: 1. 大脑可塑性贯穿一生，并非仅限于童年，为终身学习和重塑提供可能。 -- 传统观点认为大脑在成年后变化困难，但 Kilgard 博士的研究表明，大脑是一个持续更新的系统，每时每刻都在建立和调整连接，这为成年人通过经验实现大规模重塑和高效学习奠定了基础。 2. 专注、摩擦力与反思是有效学习和大脑重塑的关键要素。 -- 真实的、需要努力和互动的经历（摩擦力），结合高度专注，并在事后进行积极的反思和自我测试，能有效巩固神经连接，促进大脑以更有益的方式进行结构性改变。 3. 迷走神经刺激（VNS）能精准调控神经调质释放，加速多种神经损伤的康复。 -- VNS 通过在特定行为发生时刺激迷走神经，诱发乙酰胆碱、去甲肾上腺素等神经调质的释放，从而增强大脑可塑性，已在耳鸣、中风、脊髓损伤等疾病的治疗中取得突破性进展。

#大脑可塑性 #神经科学 #迷走神经刺激(VNS) #终身学习 #康复治疗

3个月前

#BestBlogs 从 Prompt 到 Context：为什么 Think Tool 是形式化的必然？ | 阿里云开发者文章从编译原理视角，论证了 AI 工程形式化和可验证性的必然趋势。摘要：文章以编译原理为理论基础，深刻阐述了 AI 编程（或 AI 系统开发）中从 Prompt Engineering 到 Context Engineering，再到 Anthropic 的 Think Tool 的演进路径。作者首先回顾了语言形式化的必要性，并引入乔姆斯基谱系作为衡量语言形式化程度的标尺，指出其在表达能力与可预测性间的权衡，并将其类比到当前 AI 工程师面临的困境。接着，文章详细分析了 Prompt Engineering 的非形式化弱点及 Context Engineering 如何通过结构化上下文提升系统可靠性。最后，重点介绍了 Think Tool 如何通过显式推理实现可验证性和策略遵循，超越了传统的 CoT 范式，预示着 AI 编程将走向更严格的形式化和可验证性，如同编译器正确性证明一般，这对于在高风险、安全攸关的领域部署自主智能体至关重要。主要内容: 1. AI 工程的演进是软件工程形式化追求的重演 -- AI 编程从 Prompt 到 Context 再到 Think Tool 的转变，本质上是对系统可追踪性、可靠性的追求，与编译原理中语言形式化和可验证性的历史进程异曲同工。 2. Context Engineering 代表向更高形式化的转变 -- 相较于 Prompt Engineering 的非形式化和脆弱性，Context Engineering 通过结构化上下文、工具集成和记忆管理，将 LLM 作为组件，显著提升了系统的可靠性和可扩展性。 3. Think Tool 通过显式推理实现可验证性 -- Anthropic 的 Think Tool 将模型内部的思考过程形式化、结构化，使其行为可审计、可验证，从而增强了高风险 AI 应用的透明度、可调试性和可靠性。 4. Think Tool 通过元认知脚手架超越 CoT 范式，实现自我纠错 -- Think Tool 将推理模块化、形式化，作为独立可检视的步骤，为模型提供了元认知结构，使其能够规划、监控和评估自身思维，并基于结构化日志进行错误分析和恢复。文章链接：

#AI工程 #形式化验证 #Think Tool #Context Engineering #编译原理

3个月前

在长达七年的时间里，Steli Efti 和他的创业公司曾连续七次被 YC 拒之门外。他反思道：“我花了整整七年，被拒绝了七次，才终于成功加入。如今，我的 SaaS 创业公司年收入超过五千万美元……希望通过分享我的这些挣扎和错误，能鼓励大家行动得更快。” 他总结的导致屡次失败的「七宗罪」包括： 1. 缺乏强有力的过往履历 YC 非常看重创始人的背景，因为它是一个强烈的成功信号。Steli 坦言，他最初申请时“只是个欧洲的毛头小子，没有任何履历……履历上实在没什么亮眼的东西可写。” 一个成功的过去，或至少是克服过巨大困难的经历，能极大地增强申请的说服力。 2. 光说不练，没有实际产品 “YC 投资的是建造者，而非空想家。” Steli 强调，如果只停留在想法和商业计划书阶段，而没有一个最简可行产品，是完全没有机会的。你必须用实际行动证明自己有能力将想法变为现实，因为“不动手做东西，是绝对不行的。” 3. 与用户的交流远远不够 YC 的核心理念是“创造人们真正需要的东西”。要做到这一点，唯一的途径就是“与用户痴迷般地交流”。Steli 指出，创始人必须走出办公室，像 Airbnb 创始人那样，走到真实世界中去向用户学习、推销和迭代，否则就是闭门造车。 4. 未能获得惊喜洞察与大量用户交流后，必须能提炼出一些反直觉的、意想不到的发现，即惊喜洞察。Steli 提醒说：“YC 就好这口。” 平庸的反馈说明思考和提问方式很肤浅。真正有价值的是那些别人凭直觉想不到的发现，这才是你真正的护城河。 5. 行动速度太慢 “在一个竞争激烈的世界，尤其是在创业和科技这种瞬息万变的领域，速度决定生死。” Steli 认为，即使方向正确，但如果行动迟缓，也注定失败。YC 极度看重那些能在极短时间内取得飞速进展的团队，他们寻找的是具有行动偏好的杀手。 6. 缺乏坚韧的品质创业之路充满濒死体验，因此 YC 会寻找那些如同打不死的小强一样坚韧的创始人。Steli 说：“YC 知道，想成功，你必须非常抗揍，必须能在最棘手的困境中生存下来。” 能够在申请中证明自己曾在逆境中存活，是一个强烈的买入信号。 7. 将成功完全依赖于 YC 这是最致命的一点。Steli 警告：“如果你的申请让人觉得，你必须靠 Y Combinator 才能成功，那你就没什么吸引力了。” YC 只想扮演加速器，而非救生筏。他们投资的是那些无论如何都会成功的团队。你必须证明自己已经在一辆高速行驶的成功列车上，而 YC 只是让这辆列车跑得更快。

#Steli Efti #YC拒绝 #创业失败教训 #SaaS创业 #行动力