Shelly

统计数据

5
文章
0
粉丝
0
获赞
12
阅读
avatar
Shelly
1周前
所有深耕在agent行业的创业者，都值得一个点赞。 你知道吗？大部分做了几年的agent应用，都不赚钱。还要时刻担心着大厂的制裁，模型的覆盖，用户的流失。 用户看到ChatGPT聊天，就以为Agent能自动处理一切。开发者看到Demo酷炫，就以为生产环境顺滑。别人瞅着Anthropic的multi-agent公开Prompt，以为照着做就能行，却不知Claude客户端做了多少优化，才能勉强撑起research级垂直应用。 很多人天真地以为只需写几个精妙的Prompt，就能搞定一个智能Agent。但现实是残酷的：Agent需要处理用户意图、行动链条、工具使用和错误处理，这背后是层层挑战的深渊。 核心处理逻辑：从模糊输入提炼意图（如“帮我订票”→旅行规划+预算），构建ReAct循环多步链条，调用工具注入上下文，检测失败并学习。 这些看似简单，一深挖就暴露血泪：挑战包括上下文管理（随意堆Prompt导致混乱，需系统化框架）；窗口爆炸（工具膨胀、海量返回数据、历史积累、链式级联、动态变化）；LLM工具调用问题（幻觉、选错工具、解析失败、反馈缺失、成本退化、安全风险）。 这些问题在多模态Agent中凸显，尤其长任务中幻觉让开发者一夜白头。 垂直Agent创业更添隐形血泪：需深挖Know-how（数据、知识、best practice，如医疗需海量病例），极致体验绑定工作流。但数据治理差导致判断失准，项目夭折；忽略细节，用户流失。 这些不是空谈，是开发者天天撞的墙。 期望与现实错配，是所有血泪的根源。但不只是用户不懂技术，是整个行业贩卖错误预期。每个AI公司暗示“通用智能触手可及”。每个Demo展示完美case。没人说：这只在受控环境下奏效。媒体放大幻象，“AI取代所有工作”的标题比“AI辅助部分任务”吸睛。连开发者都被自家Demo骗了。 现今的Agent的创业者，正在不断地在摸爬滚打中，回归更现实主义：从“Prompt主义”转向系统工程+领域专家，视Agent为混合人力。老实降期望，狠抓体验。 Anthropic手册：Prompt起步，加MCP，告诉用户“research止步”。企业推人机混：AI帮，人管。行业从业者，我们可以多多晒败仗，媒体的宣传也可以实诚点。我们都多多给行业挤挤泡。 仰望星空，脚踏实地，匍匐前进。
#Agent行业 #创业挑战 #LLM工具调用 #垂直Agent #现实主义
avatar
Shelly
3周前
坊间流传着一个完美的漏斗模型：课程获客 → 筛选意向 → 转化服务。 第一层：卖梦想（课程） 目标：让人觉得自己能学会 第二层：卖工具（n8n, 影刀订阅） 目标：让完播的5%付费试用 第三层：卖服务（直接交付） 目标：接收95%的工具学习放弃者 卖课阶段： “7天学会AI自动化，月入过万” “零基础用n8n替代10个员工”“影刀RPA认证，成为自动化专家”。 现实阶段： 第1天：兴奋地拖拽几个节点 第2天：发现API调用一直报错 第3天：连接数据库都搞不定 第4天：默默关掉课程页面 买课的人和最终买服务的人，是同一群人！ 课程只是让他们意识到：自己搞不定，需要找专业人士。 课程设计技巧：“看起来简单，实际很难”。
avatar
Shelly
3周前
想给自己做的agent，做上一些UI图，让它更易用。 找了一圈，都没有能实现前后端联调的前端生成工具。 于是乎，我自己在平台上建了一个pm agent以及一个full stack developer agent，接上claude 4模型。 神奇地，还真跑通了。就是2个prompt......
avatar
Shelly
3周前
看到很多人在讨论workflow和agent哪个更好，我想说几个被忽略的关键点。 技术上，类n8n工作流集成LLM节点后，已经具备了推理、记忆、工具调用能力。 一个有LLM节点的n8n工作流，本质上就是带结构化约束的agent。 纯agent是完全自由的智能体，会学习、演进以及适应复杂的变化场景，n8n+LLM是有规则边界的智能体。 功能上，两者越来越相似。但是，当一个产品要客户买单的时候，真正的问题不是技术实现，而是谁掏钱，为什么掏钱。 企业老板的逻辑： - 不买工具，买结果 - 降本的逻辑最直接 - 原来10个人的活，现在3个人干，这是他能算清楚的账 - 但他担心风险：出错怎么办（需要有风险承担者）？ 个人用户的逻辑： - 不要配置，要即用 - 今天写文案，明天分析数据，后天回复邮件 - 没人愿意为每个随机任务去配工作流（已经有的工作流，遇到要根据个人情况去做调整，整个工作流就不work了） - 一句话能解决的，绝不用两句话 其实这里有分化3层的人群： 工具层：功能强大，给专业人士用 服务层：个人开发者做外包，企业买结果 终端层：直接面向最终用户，零门槛 而现在需要KOC，就是承担着使用工具层去给企业交付结果的中间撮合层。n8n, make, RPA 这种，他的客户群体更多是个人开发者，而不是终端使用的人。企业端要交付结果，个人端要灵活易用。 中间层撮合很重要。到底这里的撮合是用技术实现，还是人去实现，不重要。 我们也不用纠结是哪个技术路线，理解客户的掏钱逻辑会更重要。
avatar
Shelly
1个月前
看完这篇文章，想起了最近我儿子问我的一个问题：“妈妈，AI什么都会，我为什么还要学物理化学语文？” 这个问题和文章里那个咖啡馆程序员的困境，本质上是同一个问题——在AI时代，基础知识还有意义吗？ 先要承认一个事实：基础知识的定义本身就在变化。五十年前，程序员需要理解汇编语言和硬件原理；三十年前，需要掌握内存管理；十年前，需要理解HTTP协议细节。每一代人都在抱怨“现在的年轻人不懂基础”，但实际上技术栈的抽象层次一直在上升。 那个CSS居中的问题，在更抽象的视角下，也许根本不值得花时间学习——就像我们不再要求程序员手写汇编一样。 那个年轻工程师的真正问题不是不懂CSS，而是失去了拆解问题的能力。 同样，我儿子的疑问也反映了对“学习”的误解——把知识当成了信息存储。但物理教的不是公式，是建模思维；化学教的不是方程式，是变化思维；语文教的不是词汇，是表达思维。 这些思维框架决定了你能提出什么质量的问题，而问题的质量决定了AI能给你什么质量的答案。 有基础思维框架的人，用AI如虎添翼——他们知道如何精确描述需求，如何拆解复杂问题，如何验证AI的输出。 没有思维框架的人，用AI如盲人骑瞎马——他们只能提出模糊的需求，然后在AI的试错中消耗时间，最终沦为“提示工程师”。 AI时代的基本功不是记住更多知识，而是： 问题拆解能力 - 能把复杂需求分解成可操作的具体步骤 调试思维 - 当结果不对时，知道从哪里开始排查 系统性思考 - 理解各个组件之间的关系和影响 这些能力需要通过传统学科的训练来获得。物理给你建模能力，化学给你变化分析能力，语文给你精准表达能力。 我告诉我儿子：AI是一个超级聪明的助手，但它需要一个会思考的主人。 你学物理，不是为了记住公式，而是训练大脑把复杂现象拆解成清晰的因果关系。你学语文，不是为了背诵词汇，而是训练如何把内心复杂的想法准确传达出来。 没有这些思维训练，你只能对着AI说"这个不对"，却说不出哪里不对、应该怎么改。 真正的成长，不是学会了多少知识，而是拥有了什么样的思维质量。 AI时代，这种思维质量比以往任何时候都更加重要。
#AI编程：自学or科班？新旧码农之争· 38 条信息
#AI时代 #基础知识 #教育变革 #技术进化