#任务规划

1周前

把这个 agent 和 chat 分清楚，就知道为什么要用 genspark 和 manus 了不是所有的问题，都可以在 10 秒钟之内完成回答那么当你选择了一个回答所有问题耗时都小于 10 秒的工具（不联网的纯 LLM），就必然有一定比例的问题拿不到结果日常使用的通用 AI 工具，必须有任务规划功能，必须自己决定这是一个可以立即回答的短问题，还是需要查半个小时资料才能回答的长问题会用 agent（而不仅仅是 LLM）是日常用好 AI 的基础

#agent #LLM #任务规划 #长短问题 #AI工具

2周前

小模型不是 Agentic AI 的未来，小模型只配给 Agent 当工具现阶段 Agent 的主要问题不是成本过高，而是智能不足，所以做不好任务，所以需要浪费很多 Token。不能拿小模型在特定环境特定任务 RL（强化学习）后的结果来当证据，这不代表其在真实任务中的能力，这就是为什么一堆模型靠训练测试集刷很高分，但是实际一用很垃圾的原因。真实世界的任务是很复杂的，用户的请求总是千奇百怪，Agent 的核心能力是能充分理解用户的需求，去规划去调用合适的工具收集上下文完成任务。这样的核心能力连大模型都做不好，更别说现在的小模型，再怎么微调也无法提升 Agentic 能力。但不是说小模型没用，它作为 Agent 的工具是挺好的，可以低成本高效的完成一些特定任务。举个例子来说你要做一个翻译的智能体，你可以用 Claude 4 负责任务的规划拆分，去调用工具，但具体翻译文本，可以用一个开源的小模型帮你翻译。

#Agentic AI #小模型 #大模型 #任务规划 #智能不足

3周前

不会 planning 的都不是 agent 我会用 genspark 的 agent 随时随地分析大大小小的问题但是很少用各家大模型的 deep search deep search 的 planning 不行，芝麻大的问题，都要搞几千字报告任务规划和任务理解能力不行

#agent #GenSpark #Deep Search #任务规划 #任务理解

1个月前

越早意识到下面这点的Engineer越有长远优势：当AI生成代码有问题时，你不应该自己检查，自己改，而应通过： prompt层面：更详尽的任务规划，更细分的TODO… 工程层面：e2e、单测、强类型语言… 给到AI更多线索和约束，完全让他自己迭代简而言之就是不要与AI发展的趋势对抗，培养工程、架构、规划能力，而不是编码能力

#AI浪潮：重塑就业，风险暗涌？· 106 条信息

#AI #代码生成 #工程能力 #架构能力 #任务规划

1个月前

目的：记录一次真实任务执行过程，看看 GPT-5 thinking 与 Claude Code 到底谁更靠谱。 task：`给我下载nosql所有你能找到的数据库的icons,例如redis, mongodb etc.` 结果： • GPT-5 thinking 先在网页端给出完整方案，我再拿 Claude Code 照着跑，最后连向量数据库 Milvus 的图标都收进来了，数量远多于预期。 • 直接让 Claude Code 干，只抓回 10 个，还混进几个错的。小结：先用 GPT-5 thinking 做任务规划，再用 Claude Code 当苦力，效果最稳。

#GPT-5 thinking #Claude Code #数据库图标 #任务规划 #向量数据库Milvus

4个月前

助理，直观的理解是他们至少可以帮我把要做的事情排排优先级，拟定一个基本的日程或者计划，根据我的反馈更新一个备忘录并提出一些跟进建议，然后才是去执行具体的任务。现在这些agent，还是需要使用者本身具备制定目标和计划的能力，特别是任务拆分和配置的经验。如果说他们主要是面向产品/项目经理的，就需要使用者具备一定的的软件开发经验，不然单单是配置好github就够费劲儿的。如果是面向软件开发者的，坦率地说，这个群体天生就喜欢随性随性地攻坚克难，用这些助理，既不能“享受”手撸代码的乐趣，又要把自己假想成自己的“天敌”-产品/项目/售前经理，还是很需要一定的适应能力的。

#任务规划 #项目管理 #软件开发 #产品经理 #自动化工具