𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

统计数据

110
文章
0
粉丝
0
获赞
138
阅读
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
人类历史上，没有科技进步的年代，都趋向内卷，最极致的内卷就是战争。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
人人都想当这样的cheer leader
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
😄，被这个So P刷屏了
推特封号潮席卷加密圈，KOL频遭封禁引发恐慌· 71 条信息
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
有了llm的生成能力，可以更多的精力分配到思考上； 在动机-调制-生成的三阶共生结构中，我们更多的是前两阶，提供生成的上下文-完成结构复制
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
prompt 的本体性悖论：谁在激活谁？ 看似是我们用 prompt 激活 LLM， 但其实是我们自己在接受模型语言结构的反激活。 •Prompt 是语言结构的碎片； •它激活模型，也反过来被模型中的语言结构所塑形。 这形成一种镜像式结构复制回路： 人类生成 prompt → 模型结构响应 → 人类语言习惯调整 prompt → 模型再次响应…… 这本质上是一个结构共生系统，我们与模型共享一个语用空间，但都在结构复制中逐渐被对方改写。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
语言模型真是最好不过的bootstrap！
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
企业AI agent落地的三层地基
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
确实，植物来这个星球比人类早很多，虽然我们自诩为这个星球最智能的物种，但很可能最终不过是替植物消耗多余的代谢产物氧气，死后最终变成被植物吸收的养料。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
Vend项目：Claude能运营一个自动贩卖机吗？（那为什么重要？） 非常有意义的一个实验项目！
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
Tesla新车全自动交付，直接从工厂开到用户家 这才是智能未来的样子
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
被Ilya的这段录播刷屏了： 其实就说了一个事：SSI正在用AI迭代AI！ 结合Sutton说的AI“体验时代”的到来，LLM利用人类语言集合的预训练完成了数字智能的bootstrap，接下来数字智能开始自主体验自主迭代了🔁
#AI浪潮：重塑就业，风险暗涌？· 35 条信息
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
从卖软件到卖智能，卖的东西，其实发生了一次史诗级的进化。 过去，卖的是“对抗不确定性的堡垒”。 现在，卖的是“驾驭不确定性的能力”。 当我卖软件给“人”，比如CRM、HR系统，我其实是在与“人性的不确定性”作斗争。员工会偷懒、会犯错、会不按流程办事。我的软件，就是用固化的规则、强制的流程，从这种人性的不确定性中，强行“冶炼”出企业经营所需要的**“流程确定性”。这是信息化的核心。 当我卖软件给“物”，比如供应链、库存管理系统，我其实是在与“商业环境的不确定性”作斗争。市场需求会波动、物流会中断、原材料会涨价。我的软件，就是用数据分析、模型预测，从这种外部环境的巨大不确定性中，努力寻找并锁定一个相对最优的“模式确定性”。这是数字化的核心。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
关于swe-agent和ACI研究与各种swe-agent-cli的出现： 共同的“第一性原理”： 无论是学术界的研究者还是在一线编码的开发者，大家都发现了同一个痛点——让LLM去模拟人类操作GUI（The Mimicry Era）是行不通的。大家也都发现了同一个解决方案——LLM的原生语言是文本，让它在文本世界（CLI）里工作效率最高。 相互启发和印证： 社区里 -cli 工具的流行，可能启发了学术界的研究者：“既然这个方向如此受欢迎，我们是否可以把它系统化、理论化，并找到其性能的边界和提升方法？” 于是，SWE-agent 诞生了，它为这种实践提供了理论支撑和科学框架。 反过来，SWE-agent 论文的发表，又为社区开发者提供了新的思路：“原来我们可以为Agent设计一个更受控、更专用的接口（ACI），而不是简单地让它在 bash 里‘自由发挥’。” 这可能会催生出下一代更强大的 -cli 工具，它们会内置类似ACI的机制。 这个领域的进化： 现象观察 (gemini-cli): 我们在日常使用中，发现CLI Agent的范式很好用。 理论框架 (SWE-agent): 学术界验证了这个范式（ACI）的有效性，并给出了一个可评测的基准。 物理定律 (Skywork-SWE): 最新的研究揭示了驱动这个范式性能提升的根本定律——数据缩放定律，并给出了可量化的公式。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
智能是泛在的，如何产品化？ 生成式智能本质上是认知智能，可能无法像软件范式1.0那样产品化。 软件范式2.0的模式识别智能代表的国内上一波AI四巨头：商汤、旷视、依图、云丛，快消失了吧，已经显露出智能产品化的颓势。 生成式智能的软件范式3.0如何演化？ Agentic AI是个方向，本质上是上下文工程，如果通用智能是个伪命题，那显然也不是个软件产品化的生意。 深深思索ing…
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
agentic还是不agentic，都是在解决长上下文和多轮次交互的问题
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2周前
有了swe-agent的强化学习data scaling law，接下来swe-code-cli更是要突飞猛进了，传统的code，发抖吧： 从强大的思考者LRM到自主的行动者Agent，其演化路径清晰地呈现为一个【四部曲】： 1内在思考： LRM利用思维链等能力，在内部形成解决问题的抽象因果蓝图。 2交互具象化： 通过ACI这座桥梁和ReAct范式，将抽象蓝图转化为与真实世界交互的、具体的{Thought, Action}循环，弥合了知与行的鸿GMO。 3【性能催化： 通过数据缩放和对长上下文、多轮交互的利用，Agent突破了浅层推理的瓶颈，具备了解决复杂问题的基础能力。】 4策略精炼： 借助模仿学习和强化学习的奖惩机制，对Agent的行为策略进行端到端的优化，使其在无数次试错中学会最高效、最安全的行动方式。
AI编程工具激战：Claude Code、Gemini Cli崛起· 260 条信息
#AI编程：Kimi搅局，Claude封号，群雄逐鹿· 351 条信息
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
最近帮朋友用我的AI平方范式降维试水搞了个“AI特大号”，没想到被专拣b2b黑话的“特大号”找上门来了…
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
Grok 4、GPT-5、克劳德4.5、Gemini 3.0。 一切都在加速！ 如果他们最终锚定智能体能力，正是我们正在寻找有用的人工智能的真正开端。 不仅仅是解释个笑话或写篇AI文章的聊天机器人，而是能够推理、计划、行动和搞定事情的真正自主助手。 让未来加速到来吧！
#AI编程：Kimi搅局，Claude封号，群雄逐鹿· 351 条信息
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
毫无人性的AI提示词
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
CS的就业趋势一片风声鹤唳，背后正是AK最近总结的软件范式的嵌套演化趋势： 软件早已经从构建确定性数字应用的执行转向构建面对不确定性agent的预测能力-智能。 而围绕LLM的企业AI agent的构建平台绕不开三大件：工作流编排、企业知识库（RAG）和DataAgent（NL2SQL）。 主要是解决为公域的LLM提供企业应用预测能力的上下文、以及采用多agent和多轮对话解决LLM生成路径单一性问题。
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
😄，AI的世界变化快。 Nat&Daniel组合在我研究这波AI范式的第一天就关注了，他们关注AI民主化及在开源AI复制了微软投资OpenAI卖算力的模式。 AlexWang我倒是一直没看好，没想到Nat&Daniel竟然要向他汇报？
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
AI时代软件终局不是替代，而是嵌套：重解Karpathy软件范式3.0与AI智能体的未来
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
3周前
婴儿在子宫里努力地活动，从不焦虑； 成人的世界太难了，都是新皮质层的烦恼…
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
4周前
数字智能的范式演化： 1.0 确定性（prediction=0） 2.0 模式识别（prediction=1） 3.0 语言认知 （prediction=n） Software is evolving through three distinct paradigms: • Software 1.0: Code programs the Computer • Software 2.0: Weights program the Neural Net • Software 3.0: Prompts program the LLM
#数字智能 #范式演化 #软件发展 #人工智能 #科技进步
avatar
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
1个月前
LLM出现的第一天起，就有很多人想把LLM这种公域的认知智能应用于企业场景。首先面临的是需要喂给LLM企业具体场景的知识作为上下文，输出为企业场景需要的业务文本、逻辑和智能，以及结合agent自动化工作流提高效率。 场景知识注入的挑战，表现为一个RAG问题，RAG从naive、advanced到modular，以及为了解决知识碎片化的GraphRAG，甚至近期更提出了agentic RAG，把知识提取作为一个更自主和自适应的企业AI Multi-Agengt应用的一个模块。
#LLM #企业应用 #知识注入 #RAG #自动化工作流 #GraphRAG #Agentic RAG