凡人小北

统计数据

34

文章

0

粉丝

0

获赞

117

阅读

2个月前

推荐个好东西：火山引擎的 PromptPilot。之前看 Google 的提示词白皮书，有个点让我印象很深：他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。那时候我就在想，有没有人真把这事儿做成一套完整系统？现在看到火山这套，有点意思了。它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。很多时候上线的版本其实就是“看着还行就先上”。现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。我一直坚持：模型越强，对 prompt 的要求只会更高。尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。它不仅能让 prompt 生出来，更重要是——能持续改下去。版本有 trace，样本能评分，逻辑能反推，工具还能外接，整个就是“prompt 的 AutoML + GitOps” 一体化工具链。顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。现在市面上很多 prompt 工具做的是“编辑器 + 改写器”，但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的，不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。如果你也在做 AI 应用落地，推荐你认真研究一下。要说缺点：自定义模型没找到海外模型，差评！

#火山引擎 #PromptPilot #Google doc管理 #Prompt优化 #提示词白皮书 #工程问题

2个月前

两年前大家还在说 LLM 冲击 NLP，短短两年，连推荐工程师都被大模型盯上了。这事搁 2023 年初讲，根本没人信。以前觉得推荐是个高度结构化、强依赖特征工程的领域，离语言模型还远着呢。结果 Grok 直接把离散特征的老一套逐渐边缘化。我们正目睹专业系统向通用模型迁移的拐点。大模型让推荐系统第一次有了深度理解用户的可能。冷启动、长尾、兴趣迁移这些经典难题，通通能在 embedding + context window 里原生解决。这两年你也能看到，谁能把业务问题用语言说清楚，谁就能让 LLM 为你打工。语言表达能力、逻辑思维能力等通识教育这些看似“软”的技能，它们在这个时代越来越像是硬通货。能不能把结构化问题抽象成语言？能不能把复杂场景 prompt 成可学习的上下文？这些才是大模型时代的关键壁垒。还是之前的观点，这个时代最值得培养的能力： - 用逻辑框架推导问题本质的能力； - 用清晰语言组织复杂知识的能力， - 用通用模型重构专业系统的能力。不要再去死磕某个小框架的最佳实践了。

#LLM #NLP #推荐系统 #大模型 #Grok #通用模型

2个月前

搞 AI 的不写 Python？现在真不是笑话了。最近越来越明显——在 AI 应用领域，TypeScript 正在一点点蚕食 Python 的霸主地位。过去你说搞 AI 的，十个有九个写 Python，模型、数据处理、训练、部署，一条龙服务。但现在越来越多场景变了：不是“训练 AI”，而是“用 AI”。用 AI 干嘛？做产品、做 UI、做交互代理、搞插件、接入 SDK… 这些一落地，就全是 TypeScript 的主场。说几个已经发生的和正在发生的事情： 1️⃣ LangChain 和 LangGraph 现在已经有了 TypeScript 支持，能直接跑在浏览器、Node.js、Cloudflare Workers 上。写 agent、接工具、搞多轮对话，在 TS 世界里越来越丝滑。 2️⃣ OpenAI 的 Assistants API 也不给 Python 独宠，今天还贴心地发布了 TS 版本的 Agents SDK。 3️⃣ JetBrains 的统计显示，TypeScript 使用率从 2017 年的 12% 涨到 2024 年的 37%。在企业里，TS 已经不是前端才用的语言，而是你要做 AI 产品就得学的语言。这些不是趋势预测，而是已经在开发现场发生的事实。技术栈正在迁移。你要构建个 AI Copilot、Web 插件、对话助手，Python 行不通。 TypeScript 天然和 UI、API、用户互动贴得更近，类型安全又稳，越来越多团队把它当默认选项。而且别忘了，过去十年，前端其实一直在默默吞噬后端的地盘。这波 AI 应用化，刚好又给了前端一记重拳，原来你以为是写页面的，结果人家直接搞起 AI Copilot 了。再看看 Python 那边，Streamlit、Gradio 这些本该承担AI UI 桥梁的工具，一个不争气，一个半死不活，完全没接住这波热潮。我看了看趋势，有点慌了……我要去学学 TS 了。以前是“全栈前端”说说而已，现在是真的“前端越来越吃香了”。但要冷静两秒（防杠专区）： 1️⃣ Python 依然是 AI 训练和科研的王者，PyTorch、TensorFlow、scikit-learn 这些生态太厚实了，训练大模型你离不开它。 2️⃣ TS 在底层 AI 能力上还没那么能打，GPU 加速、模型优化这些，暂时还得靠 Python 打底。但是，现在 AIGC 丰富的是应用的生态，相比做模型的人，做 AI 应用的人数万倍了吧。最后，非要有个定位的话，Python 搞理论和模型，TypeScript卷体验和交付。 TS 正在从应用这一层切入，把 AI 真正推向了每个 Web 页面的角落。爆款 AI 产品，正在越来越多的全栈 TS 了。

#AI开发 #Python #TypeScript #AI应用 #编程语言趋势

3个月前

Google 最近有点疯。I/O 刚甩出一堆 AI… 结果这两天，我在 GitHub 看到它又丢了个狠东西： Gemini Fullstack LangGraph Quickstart 我原本以为是那种“又一个 AI demo 项目”，结果一跑…靠，这套结构直接能改成一个 Perplexity mini。从提问 → 拆 query → 多轮搜索 → 反思 → 再查 → 带引用输出，整个 agent 流程都封装好了。 Google 又开始搞开源慈善卷行业了，连“智能体该怎么搭”都明牌教学了。 1️⃣ Google 一贯的严谨做派，这次不是 demo，是开箱即用的智能体原型系统你打开项目，会看到它把整个 fullstack 都搞定了： •React + Tailwind + Shadcn 前端，页面是能用的，不是糊的 •FastAPI + LangGraph 后端，整合 Gemini 2.5 •一键 make dev 起飞，Docker Compose 打包也顺 •自带 UI，整个 agent 的“思考过程”能 trace、能 stream、能调这种项目不是跟最近看到的 openxxx 类项目一样给你看个思路，你照着能跑。 2️⃣ 很典型的 Agent 流程，查资料、思考和总结你提个问题 → 它拆几个搜索关键词 → 查 → 看信息够不够 → 不够就再查一轮 → 然后整理、生成、引用都给你带上基于 LangGraph 搞了一个结构化思考流程落地。 3️⃣ 整套配得非常舒服，能上产品原型的那种做了一整套： •UI 是现成的，查完结果也展示得明白 •回答里每条 citation 是 traceable 的 •开发体验很丝滑，前后端热更新都有 •Agent 逻辑清晰，graph. py 里面节点你一看就懂这就属于你改个 search API、换套 prompt，几天就能变成一个 vertical agent demo 拿去 pitch。 4️⃣ 当然它也有边界，但不影响当范本看毕竟是个 quick start，比如： •只接了 Google Search，没知识库整合 •Reflection 是 prompt 层搞的，不是 policy 控制 •Loop 是写死的 max_round，不够聪明但足够控制但这些反而是好事儿。因为你想改的地方都能改，想替换的接口都开着。不像很多项目写得很花但你根本下不了手。 5️⃣ 如果你是这几类人，我建议你现在就 fork： •想做 research agent，但又不想从头糊起的人 •想理解 LangGraph 到底怎么 orchestrate 的开发者 •做 AI 项目但每次写完 prompt 总觉得 agent 是假的你想做 AI 工程，就应该研究这种结构通顺、流程稳定、代码能复用的项目。自己动手跑一遍，比看十篇如何构建智能体的帖子都值。算是站在巨人的肩膀上 vibe 了。

谷歌Deep Research：AI操作系统雏形？· 58 条信息

#Google #Gemini Fullstack LangGraph #AI Agent #开源项目 #智能体原型系统

3个月前

很丢脸的事情，算法十年+的工程师模型结果竟然败给了实习生，83% 准确率对 93% 准确率。工程师已经在这个项目上干了两周多，结果被只做了两天的实习生比下去了。摆在那里的，是多年经验积累的工程师，靠的是调参的直觉、架构的偏好、过去项目的套路。而实习生，几乎是无招胜有招，大胆尝试新方法，效果就这么炸出来了。经验主义 vs 新事物拥抱能力，在这个案子里碰撞得清清楚楚。你不得不承认，模型这行，更新太快了。很多时候经验值不是护身符，而是思维惯性。你以为你在优化，其实是在拿旧地图找新大陆。这不是在否定经验的价值，而是在提醒我们别被它绑住手脚。真正该留下来的，是持续试错、拥抱变化的肌肉记忆。这事，很打脸，但也很提醒人。对我自己，对团队，对我们整个行业。

#经验主义 #新事物 #工程师 #实习生 #算法准确率

3个月前

OpenAI 在集齐生态，Google 在改造生态，他们两家都有光明的未来。两家走的是两条很不一样的路，但都在朝着“AI 终局平台”逼近。 OpenAI 在集齐生态：收硬件（io）、补数据库（Rockset）、强工具链（Windsurf）、搞远程协作（Multi）…… 像在组装一台全栈 AI 战舰，每块拼图都瞄准关键节点，走的是“从无到有”的路径。 Google 则在改造生态：让 Gemini 深嵌搜索、安卓、Docs、YouTube，甚至改写浏览器、操作系统底层，不是外挂 AI，而是把原有体系打造成 AI-native 的新容器，走的是“旧我换血”的路线。创业公司在组建军团，帝国在自我重建。但不管是哪条路，本质都是在争那个未来的“主操作系统”位置。

#OpenAI生态 #Google生态 #AI终局平台 #硬件 #数据库 #工具链 #远程协作 #全栈AI #组装 #改造

3个月前

Gemini 太懂现代人了！上线了个狠活：你看完深度报告，它直接给你出题考试。专治：你以为懂了，其实根本没懂。别小看一个 Quiz，这其实是 AI-native 学习系统的一块重要拼图：学→考→补→再学，全闭环，全自动。 AI 时代的学习，不是看得多，是你有没有能力复用知识。 Quiz，就是在训练你这个能力。

#Gemini #AI学习 #深度报告 #自动化学习 #Quiz #知识复用

3个月前

建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段：拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索；看起来跑通了，实际啥也没掌握。但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还是自适应？ - embedding 模型选型和维度怎么来的？ - rerank 用没用？怎么融合 BM25 和 dense 检索？ - prompt 是你写的吗？有没有评估 hit rate、hallucination？说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。 RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑： embedding = 向量化特征建模检索 = 多路召回 rerank = 打分排序但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。所以我劝一句： RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。别轻易说“熟悉”或“掌握”，你扛不住问。

谷歌Deep Research：AI操作系统雏形？· 58 条信息

#RAG面试 #LangChain #向量数据库 #检索优化 #prompt设计

3个月前

这场 AI 大战，终于从谁会造刀卷到了谁能杀猪。 SaaS 的故事讲效率，AI 的下半场只讲结果。不拼功能，不卷模型，而是看谁能跑完任务、闭上利润闭环。这不是一轮产品升级，是一场价值重构。红杉 AI 你们峰会的一些观点，值得经常翻出来咀嚼：

#AI大战 #saas #AI下半场 #红杉峰会 #价值重构