#AI应用

1天前

#上下文工程我最近在做一个内容摘要生成的小功能，本来以为是个简单的任务：用户输入长文本，我调用更强、更大上下文的模型，让它生成优质摘要。结果发现，这一过程的成本比我预想的高得多。高质量模型 → 价格昂贵大上下文窗口 → Token 消耗成倍增长每月 20 美元的订阅费 → 很难覆盖这些成本对比下来，连 OpenAI 和 Cursor 这样的公司都不例外。以我自己为例，上个月在 Cursor 上花了接近 100 美元，其中大部分都用在 Claude 模型上，这意味着 Cursor 从我这里几乎没赚到钱。这背后反映了一个更大的行业问题：用户对高质量体验的要求 → 迫使应用方使用昂贵的大模型长上下文输入 → 成本随 Token 增长呈线性甚至指数级上升订阅模式的收入上限 → 无法有效平衡高频、高消耗用户因此，对于任何想做 AI 应用的人来说，“上下文工程”是不可回避的核心能力。它的目标是在满足任务效果的同时，最大限度减少传给模型的内容量，用结构化、抽取关键信息的方式，让模型少读冗余、多读核心，从而显著降低计算开销。因此，对于任何想做 AI 应用的人来说，“上下文工程”是不可回避的核心能力。它的目标是在满足任务效果的同时，最大限度减少传给模型的内容量，用结构化、抽取关键信息的方式，让模型少读冗余、多读核心，从而显著降低计算开销。

#内容摘要生成 #上下文工程 #大模型成本 #Token消耗 #AI应用

1周前

为什么很多人疯狂囤课、收藏，但能力和收入却没啥长进？我后来悟了，成长真正的关键，不是持续学习，而是持续复盘和优化。不经优化的努力，只是在低水平重复。就拿我用 AI 写推文这事儿来说。之前闪念转写的内容总有点干巴，昨晚我就把 Prompt 重新打磨了一遍，今天一试，效果好到惊喜。因为： 1. 学习是加法，优化是乘法。 2. 复盘，是把外部知识内化成自己能力系统的唯一方式。你也试试： 1. 每周留出固定时间复盘。 2. 不求多，只找到一个环节，优化它 1%。

#阶层固化：求变之路，殊途同归· 309 条信息

#学习方法 #复盘优化 #AI应用 #个人成长 #效率提升

1周前

昨天Gemini生成绘本惊艳的体验刷屏，AI现在倾向于应用体验，有惊艳的体验就会火。今天，推特上大V橘子老师的AI项目新产品 FlowSpeech 正式发布，这可能是声音界的“吉卜力时刻”，不再是冰冷的 TTS，而是有情绪、有流动感、有灵魂的语音创作工具。

Google Gemini 2.5发布引发AI模型性价比热议· 97 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 327 条信息

#Gemini #AI应用 #FlowSpeech #语音创作工具 #橘子老师

1周前

AI应用在游戏领域，确实蛮有想象力的. 不只是生成3D道具、生成世界观、更聪明的智能体这么简单.

#AI应用 #游戏领域 #3D道具生成 #智能体 #积极

中新网-中国新闻网

2周前

（经济观察）“AI+新型工业化”融合提速：场景更多生态更优

中国官方今年提出全力推进人工智能赋能新型工业化。从近日举行的2025年世界人工智能大会(2025WAIC)可以看出，在工业领域，AI(人工智能)应用场景日益丰富，产业生态持续优化。

#人工智能 #新型工业化 #2025世界人工智能大会 #AI应用 #产业生态

3周前

这个事情也说明一个事情，国内 AI 应用开放开源才是机会！开放，开源，让所谓不正当竞争消失在人民群众的汪洋大海中去吧！搞去中心化和反垄断，还得靠人民群众！

#AI应用 #开放开源 #去中心化 #反垄断 #人民群众

3周前

朋友问：AI这么火，是不是马上人人都会用了？我说：会用和用得好，完全是两码事。就像拍照，谁都能按快门，但能拍出大片的摄影师可不多。用AI写文章也一样：有的人出来的是流水账，有的人出来的是精品。差距在哪？懂提示词、懂行业、懂需求... 技术会越来越普及，但能把AI用得专业的人，永远稀缺。这也正是我们AI代写训练营重点培养的能力。

#AI应用 #提示词 #行业知识 #专业能力 #AI代写训练营

环球网-环球网

3周前

马斯克宣布将推出儿童版AI应用“Baby Grok”，暂未披露功能细节

据彭博社等媒体报道，美国企业家埃隆·马斯克20日通过社交平台X宣布，其人工智能公司xAI将开发一款专为儿童设计的应用“Baby Grok”。报道称，马斯克未透露“Baby Grok”的具体功能细节，仅表示该应用将为儿童提供“友好型内容”。

马斯克Grok再升级，4代直播发布引爆AI· 22 条信息

#马斯克 #Baby Grok #儿童AI #人工智能 #AI应用

4周前

预测一下，AI行业也存在“高频打低频”的效应，而且会更明显：早上我看Manus等和ChatGPT Agent对比效果，我就想到我用Claude Artifacts和v0、Youware的逻辑。

#AI行业 #高频打低频 #ChatGPT Agent #Claude Artifacts #AI应用

4周前

我现在把 ChatGPT 当导购使，去店里也是拍一张照片给我推荐，巨好使！

#ChatGPT #导购 #购物 #AI应用

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

4周前

貌似在AI学习阶段是符合JasonWei说的验证者定律，凡是可以轻易验证的，AI就可以学会；然后在AI应用阶段，是我们作为builder让AI去生成，我们来验证是否有效，再不停迭代。生成总是很难，好在AI可以用算力暴力破解；验证总是容易，否则AI平方范式将停止演化。

#AI学习 #验证者定律 #AI应用 #生成 #验证

1个月前

一文看懂“提示词” vs “提示词工程” vs “上下文工程” 很多人分不清楚什么是“提示词”（Prompt），什么是“提示词工程”（Prompt Engineering），现在还又多了一个概念叫“上下文工程”（Context Engineering），这又和“提示词工程”什么区别？什么是提示词（Prompt）？提示词很好理解，就是给 AI 模型的输入文本，就是你直接向模型输入的问题或指令。比如你让 ChatGPT 总结一段文本、调用模型 API 传入提示词去翻译一篇文章等等。提示词是一段文本，有点像代码。什么是提示词工程（Prompt Engineering）？提示词工程是一个过程，系统化地设计、测试、优化提示词的过程。就像软件工程，我们为了完成某个需求，要有一套科学的方法来帮助完成软件开发的过程，有方法论（比如敏捷开发），要使用工具，要保证质量，不断迭代，最终交付软件，或者说代码。举个例子比如我们要有个提示词帮助翻译英文文章到中文。普通人都可以写： “请把下面的英文内容翻译为中文：” 这就是一段提示词。但是你会发现虽然能翻译，但是似乎翻译效果不够好，于是你开始想办法优化，让 AI 扮演一个英文翻译到中文的专家，发现似乎有点效果。但还是翻译有点生硬，然后你看有人介绍了 CoT（思维链，Chain of Though），于是尝试在提示词中让 AI 去先直译再意译，但你也不知道这样的改动是不是真的有用，于是你找了10篇文章，分别用加了 CoT 和没加 CoT 的文章，去用相同的模型去翻译，然后找了几个人，在不告诉他们使用什么方法翻译的情况下让他们评估好坏，结果绝大部分都认为加了 CoT 的效果更好，那么你就明白了，原来加了 CoT 对翻译是有效果的。于是你受到鼓舞，即然 CoT 有效果，那么我在直译、意译的基础上，继续增加一个 AI 对直译结果的评估，再去意译，甚至再多加几步是不是效果更好？再继续改进提示词，拿着之前的测试集去评估测试，果然测试效果更好，但是也带来新的问题，Token 消耗更多，时间更长，还可能会偏离原意。CoT 也并不见得步骤越多越好。再后来推理模型发布了，你发现模型自己会 CoT 了，语言能力也更强了，原来繁琐的一步步翻译似乎没有必要，于是进一步优化，发现只要在提示词中让模型“用中文重写”就可以达到很好的翻译效果，测试集评估结果也是正面的。这整个对翻译提示词“设计”、“测试”、“优化”的过程就是提示工程。最终通过这样的过程，产生出一个版本一个版本的提示词。再精炼浓缩一下：提示词工程是产生提示词的过程。什么是上下文工程（Context Engineering）？要理解上下文工程，先得搞清楚什么是“上下文”（Context）？ “上下文”不仅仅是发给大语言模型的一句提示词，而是模型生成回答之前所看到的一切信息，这些信息包括系统提示词、用户输入的问题、当前对话的历史消息、系统对你的历史记忆、工具返回的信息等等。另外上下文窗口不是无限的，每个模型都对上下文的长度有限制，通常上下文内容多了会影响性能，所以控制好发送给 AI 的上下文很重要，既不能遗漏，又不能什么都放进去要控制体积。举个例子，你跟 ChatGPT 说： “今天都有什么重要的 AI 新闻？” 看起来只是一句话，但是对于大模型来说，初始的上下文有这些： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息：无这些上下文不足以让 AI 回答你的问题，于是它需要自己去调用工具找齐上下文： • 根据日期工具获取到今天的日期（大模型自己不知道今天是几号） • 根据今天的日期去调用搜索工具检索 AI 新闻调用完工具后，现在 AI 的信息完整了： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息： • 2025-7-1 • Hollywood Confronts AI Copyright Chaos in Washington, Courts • Mark Zuckerberg Announces New Meta ‘Superintelligence Labs’ Unit 现在信息够了，考虑用户偏好中文，最后返回的内容如下：今天的 AI 新闻有： • 好莱坞在华盛顿和法院直面人工智能版权混乱 • 马克·扎克伯格宣布成立新的“超级智能实验室”部门马克·扎克伯格宣布成立新的“超级智能实验室”部门假如用户再追问一句： “帮我返回第二条新闻的详情” 那么模型要从历史会话里面，找到第二条新闻的链接，再去调用网页抓取工具，把新闻内容抓取下来，根据用户的偏好翻译成中文，最后返回用户中文的新闻内容。注意看这个构建上下文的过程是完全动态的，并不是按照设计好的工作流去收集上下文，而是模型自己根据当前上下文状态去自主动态的调用工具收集上下文，并且不同的任务需要调用的工具也不一样。这其实也就是现在 AI Agent 的工作原理：能分辨是否已经收集够了完成任务必要的上下文，能自主决定是不是需要借助工具或者对话来补齐上下文。上下文工程的概念也正是在 AI Agent 爆发的背景下诞生的。原来单纯靠提示词工程已经无法满足 AI Agent 产品的需求了，AI Agent 需要的更多的是为系统设计好工具、定义好工具和模型之间交互的数据格式、有效组织上下文信息提供给模型（内容长了要不要压缩、怎么压缩）等等。上下文工程（Context Engineering），就是一门为 AI 设计和构建动态上下文的学科，为大语言模型提供恰当的信息和工具，帮助模型高效完成任务。 > “上下文工程”指的是一种精妙而复杂的技术：你要精准地将上下文窗口填充上恰到好处的信息，让模型能准确地迈出下一步。 > 这是一门科学，也是门艺术。 > > 说它是科学，因为你要把任务描述、说明、少量样例（few-shot examples）、检索增强生成（RAG）、各种相关数据（甚至可能是多模态数据）、工具、状态、历史信息等全部巧妙地组合在一起，同时还要考虑如何压缩信息。这就像烹饪一道精致的菜肴，配料太少或搭配不对，模型无法获得足够的信息，性能会变差；配料太多或毫无关联，则会增加成本甚至降低表现。要做好这件事，需要的不仅仅是简单堆叠，更是高度专业化的技巧。 > > 说它是艺术，则是因为操作者还要掌握一种近似“心理学”的直觉，敏锐地洞察 LLM 和人类用户心理之间的微妙互动。 > > ——Andrej Karpathy 最后分别一句话总结一下 • 提示词：发送给 AI 的问题或者指令文本 • 提示词工程：系统化地设计、测试、优化提示词的过程。 • 上下文工程：为大语言模型提供恰当的上下文、帮助模型高效完成任务的科学和艺术。如果没理解这些概念也没关系，对于普通人来说，能写提示词就够了，要开发 AI 应用才需要考虑提示词工程去不断优化提示词，要开发动态的 AI 智能体才需要去搞上下文工程为 AI 的上下文窗口填充恰好的信息。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 327 条信息

#提示词工程 #上下文工程 #AI Agent #大语言模型 #AI应用

1个月前

最近在死磕一个AI课程，想问问大家，你们在工作中觉得最繁琐、最想用AI解决的事情是什么？

#AI课程 #工作繁琐 #AI应用

1个月前

支持高产的Tom。Refly 比某些一直刷营销、toVC 的 AI 应用创业者靠谱多了。

#支持高产 #Refly #营销 #toVC #AI应用 #创业者

2个月前

基于 SwiftUI 开发的 iOS 应用，利用 Apple 最新 AI 框架，提供本地离线智能聊天体验的现代化 iOS 应用示例，界面美观且功能灵活，适合开发者学习和扩展苹果 AI 相关技术，支持在 iOS 26 + 系统上与 Apple 的 AI 模型进行聊天。 Apple Intelligence Chat

#SwiftUI #iOS开发 #AI应用 #Apple技术 #本地智能聊天

2个月前

刚发现个做AI交易策略乃至整个做AI应用的bug：之前我很关注AI流程，比如判断某个交易机会，我会拆解成行业调研专家、大盘行情专家、可信度、攻击方等不同逻辑综合得出风险等级，我会非常注重设计此类流程以试图更全面、准确的下判断。但我潜意识总忽略一个问题：提示词的迭代优化。

#AI交易策略 #AI应用 #提示词优化 #行业调研

熵增，复利，博弈

2个月前

这是合乎情理的 AI 应用, 类似于抖音的筛选算法和亚马逊的购物建议. X 将因此而带给用户大量优质内容. 期待!

#AI应用 #抖音算法 #亚马逊购物推荐 #用户体验 #优质内容

红网-央广网

2个月前

央广财评|AI应用开启“人工智能+消费”新蓝海

#AI应用 #人工智能 #消费 #新蓝海 #经济发展

2个月前

“Build, deploy and scale AI apps.”在地上看到了 runpod 的广告，这很湾区。

#AI应用 #runpod #湾区

2个月前

王自如发视频感谢董明珠、雷军，称将再次创业，聚焦AI应用方向，“这件事确实来钱快” 视频中，王自如提到，“我想可能看工资条真的不那么重要吧”。他还表示，“我不知道这个视频会不会又成为全网群嘲的对象，觉得你故作煽情、矫揉造作，这个可能要靠网友自己评判了。” 关于未来，王自如称，他接下来想做的第一件事情就是“做AI的内容创业”。他说：“坦白来讲，这件事确实来钱快，资源整合得也快，会选择高度聚焦AI的应用方向，比如跟消费电子的结合，产业的结合，甚至是跟服务的结合，来为做第二件事情做准备。那第二件事，就是如何用AI的技术，去帮助传统企业加速完成数字化转型。”

#王自如 #再次创业 #董明珠 #雷军 #AI应用 #内容创业 #煽情 #快速赚钱

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

2个月前

太有意思了，我再一次深刻体会到“当你不懂一个领域时，AI很可能在带着你转圈圈，你越会用AI就越带着你转圈圈”： 1、我现在测试交易策略需要通过API定时拉股票数据，我本来没想动手编程，想通过Manus、Claude/GPT联网搜索等实现，最多每天对话问一次即可。

#AI应用 #股票交易 #自动化 #网络搜索 #编程 #交易策略

2个月前

最权威的 MCP 课程来了💥 国家队下场教你构建富上下文的 AI 应用⚡️ Anthropic 与吴恩达的 DeepLearning 正式合作课程发布！学习如何使用 MCP，整合各种数据源如 Google Drive，Notion 等综合回答问题

#MCP课程 #AI应用 #Anthropic #DeepLearning #吴恩达 #数据整合

2个月前

知名投资机构 a16z 正式发布「AI 市场调研」机会报告⚡️ 这是一个 1000 亿美金规模的市场，以前软件很难帮上忙，现在 Agent 可以完全接管这一任务，包括从搜索引擎上搜索，从 CRM 拉数据，并完成全链路的分析，可视化工作🔥

#AI市场调研 #a16z #投资 #Agent技术 #市场规模 #AI应用 #数据分析

2个月前

这是我整理的AI高成长股清单，包括15家AI基建股+15家应用股。其中大多数我在一年多时间内分析推荐过。假以时日，中间会跑出一些10倍、20倍股。作为投资者，我们无需每天事无巨细地去了解川普政策、美联储动向、美债、关税、收益率这些话题，而应该更多的去关注未来的赢家。有很多善于创造财富、具有前瞻性眼光的公司正在搭建人类生活的未来基础设施，正在重塑日常生活的方方面面。财富将历史性地转移到那些能够意识到这一变革规模和速度、找到未来赢家的人身上。让我们每个人不要成为财媒、自媒体口水的奴隶，要成为掌控未来财富的主人。

#AI高成长股 #AI基建 #AI应用 #投资策略 #财富创造