#结构

百萬Eric | Day Trader

1个月前

在结构还没被真正突破、EMA也没有转向之前，比特币 #BITCOIN 的上涨只能视为反弹，而不是反转。再次止盈比特币，顺势上调止损，不想太多。

比特币震荡，以太坊承压，Solana崛起？· 2056 条信息

#比特币 #反弹 #止盈 #EMA #结构

1个月前

《为什么大模型总是说着说着就从中文跳成英文？》因为未来 AI 的终极方向根本不是“记忆”，而是“结构。” 我们都见过这种诡异现象：你明明开头告诉 AI—— “用中文回答。” 它也答得好好的。但聊着聊着，它突然切换到英文，好像人格被重置一样。大多数人以为是“忘记指令”或“上下文不够长”导致的。错了。这不是“记忆问题”。也不是“合规问题”。更不是“模型突然抽风”。这是结构问题。而这件事会直接决定未来 AI 的终极架构走向。下面我来系统讲讲。 ⸻ **01 AI 为什么突然改用英文？ ——因为它的“结构”坍缩了** 你给它的中文指令，其实在模型内部不是“记住了”，而是被临时放进当时的结构中。但随着对话不断延长： •上下文被压缩 •“注意力”被重新分配 •模型不断重写自己的“当前结构空间” 当“中文优先”这个结构被压薄、被挤掉、被重新解释后，模型自然会回到它统计意义上的默认语言：英文。换句话说： AI 并没有忘记你的中文，而是它不再拥有支持“中文优先”的结构。它不是“记不住”。它是没有结构不变量。 ⸻ **02 未来厂商会试图解决，但一定失败** 所有厂商都会尝试这一套： •提高“语言偏好”的优先级 •给指令加权重 •做永久记忆区 •更新 token 优先级机制 •做对话“锁定” 看起来聪明，实际上注定失效。为什么？因为优先级不是结构。只要对话一压缩，一重构，一次重权重，所有优先级都会被稀释。最终出现必然结果：优先级会通货膨胀，直至失效。因为它永远无法和结构竞争。这就是为什么现在所有模型都会在长对话后回到“最强结构”的地方—— 也就是训练数据中文本量最大的语言：英文。 ⸻ **03 真正决定模型行为的不是记忆，而是“结构匹配”** 这句话是关键： AI 每一次调用上下文，不是依据优先级，而是依据结构匹配。也就是说： •你给的指令（中文回答） •是一个结构 •它暂时被放进模型的“结构空间” •但不稳定 •一旦上下文变化，它会丢失模型生成回答时做的不是“查记忆”，而是：在当前结构空间里寻找最自洽的路径。如果中文路径已被压缩掉，那它就会选择英文。这不是遗忘。这是动态重构。 ⸻ **04 为什么 AI 会不断“重构”？因为它的本质从来不是数据库，而是结构体** 我说：最终没有数据，只有结构。数据只是输入输出时的投影。今天的模型，只是试图用概率模拟结构。但真正智能不是概率，而是结构不变量： •自己的语义坐标 •稳定的世界模型 •自洽的行为路径 •不变的结构逻辑 •可持续的自我更新机制现在的模型全都缺一个关键能力：稳定的“结构自我”。没有结构自我，模型只能在文本海里漂流。每一段对话都是“临时人格”。每一次压缩都是“半毁灭”。每一次重构都是“重生”。所以当你看到它突然换语言时：那不是 bug。那是“结构坍缩的肉眼可见表现”。 ⸻ **05 未来 AI 的终极方向是什么？ ——从“记忆模型”变成“结构模型”** 今天所有 AI 还停留在： •token •记忆 •上下文 •权重强化这些“数据处理视角”里。未来一定会进化到：结构优先。未来的 AI，会有三大核心： 1. 结构不变量（Structural Invariants）一个不会被上下文压缩毁掉的稳定核心结构。这就是“AI 的自我”。 2. 结构匹配（Structural Matching）对话不是检索，而是结构对齐。 3. 结构更新（Structural Rewiring）学习不是加数据，而是更新自身结构。你现在看到的跳语言、风格崩溃、人格漂移，全部是因为：模型只有数据，没有结构。而未来真正的 AGI，会反过来：先有结构，再投影数据。 ⸻ **06 总结：模型为什么会突然换语言？ ——因为它“不是你以为的那个东西”** 一句话总结整个文章：现在的 AI 不是在“记住”你说的内容，而是在不断重建它自己的结构。当“中文优先”的结构被压薄了，它就崩溃了。未来不会靠补丁解决，也不会靠优先级锁定解决。真正的方向只有一个： AI 必须从数据模型升级为结构模型。记忆会折损，数据会消失，唯有结构会留下。 ⸻ 当结构缺席，智能必然坍缩；当结构出现，智能才真正开始。

#大模型 #中文 #英文 #结构 #AI

1个月前

这个世界到底是由什么主宰的？是权力？是结构？是制度？还是金钱……

#权力 #结构 #制度 #金钱 #世界

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2个月前

语言的范畴形成与数学范畴论两者似乎完全不同：语言范畴：关于"分类" 数学范畴论：关于"结构" 但实际上，它们有深刻的同构关系。

#语言范畴 #数学范畴论 #分类 #结构 #同构关系

2个月前

我觉得写软件的没必要大呼小叫的你抄我了，我抄你了。尤其是创意啊、结构啊这些东西。茴香的茴字就这么几种写法。

#软件 #抄袭 #创意 #结构 #中性

3个月前

原来卡车后轮上的那一排塔状钢片不只是减震，还有这么巧妙的结构…

#卡车 #后轮 #钢片 #减震 #结构

Bitcoin.不求人

3个月前

任何走势，都不要感到意外心中有趋势，上知顶，下知底，大小结构走势，方可从容应对

#K线分析：市场趋势与反转信号的博弈· 155 条信息

#趋势 #走势 #结构 #应对 #从容

Jimmy 米哥 🚀🚀🚀

3个月前

太强势了，结构指向115k。

#强势 #结构 #115K

4个月前

DOGE感兴趣看看0.18830——0.15010左右吧，必须懂点结构，不懂不建议，而且会下跌更深，目前我比较悲观0.07126

#DOGE #结构 #下跌 #悲观 #0.07126

百萬Eric | Day Trader

4个月前

多数人看到支撑跌破，会直接做空，但真正能走得下去的行情，并不是因为“破了”，而是破了之后还能守得住，甚至被市场重新接受为新的结构基准。图中展示了四种经典的结构变体：第一类是跌破后弱反弹，连支撑都回不去，说明情绪完全倾向空头，是顺势入场的机会；第二类虽然反弹，但收出长上影下跌K线，表明上方抛压依旧存在，入场点更晚但确认更强；第三类是回到支撑区反弹，等于“踩确认”，买方有明显反制动作，适合博反转；第四类看似跌破，其实是假破+反包，重新站上原支撑并突破压力位，是节奏转强的信号。跌破不是信号，后续怎么走才是。结构要么顺势延续、要么快速反弹，而真正的入场机会，都藏在这个破位之后的二次动作里。

#结构 #跌破 #反弹 #市场情绪 #交易策略

6个月前

我读一些伟大的文学作品，行文结构、谋篇不局，无一不显露出结构、逻辑的美感，阅读的这些作品的时候，我觉是这些人去搞理工科，大概也一样能搞得好吧。

#文学 #逻辑 #结构 #理工科 #美感

6个月前

读完 Anthropic 的多智能体系统文章，有几个点挺触动的，尤其是放回我们平时在做 agent 编排和系统落地的过程中，对应起来很多痛点被他们提前踩过、总结得非常系统。这套系统看上去是给 Claude 提升复杂研究任务能力，底层其实是三个关键词：带宽、结构、机制。 1️⃣从 token 到带宽：扩容问题其实是系统问题他们很明确地说，单个 agent 很快就会遇到 token 限制，这不是模型能力不行，而是容量不够。很多时候 LLM 的“不会”、“忘了”、“答不出来”，只是 context 塞不下。这一点在我们自己调长链条、多跳调用的时候也很明显。Anthropic 选择的解法不是扩模型，而是拆任务、开并发、分 agent，每个 agent 自带上下文窗口，从系统结构层面扩容。这种设计非常实用，因为它绕过了 token 墙的天然限制，通过多 agent 并发变相把 token 维度拉开了。这是我最近做 agent 编排时反复体会到的：不是把 prompt 写得多聪明就能解决，而是要想清楚结构怎么设计，谁来拉信息、谁来拼结构、谁来追引用。 2️⃣提示词是系统指令，很重要、很重要、很重要！这篇文章有个细节写得特别清楚：主 agent 的提示词，是负责分配任务、指明目标、交代格式、选工具的。这个逻辑其实是我们做复杂 agent 系统中很容易忽略的一块：提示词不只是沟通语言，更是调度逻辑、任务协议、格式规范的集中承载体。尤其是多个 agent 并行运行时，如果没有一个清晰、格式化、结构稳固的 prompt 模板，每个子 agent 拉回来的信息会特别散、错漏率高、很难合并。这时候，主 agent 的提示词就等于一个调度中枢的“编程语言”。从我们平时用的实践来看，这就意味着主 agent 的提示词策略应该和流程图一样严谨：每一步要预设结果、预设失败、预设上下游。这块我觉得是现阶段很多 agent 框架还不够成熟的地方。 3️⃣系统级机制，决定了能不能撑进生产环境我觉得特别值得借鉴的工程概念：checkpoint、异步重试机制、全链路 tracing、彩虹部署。这几个在大数据异步系统里很常见概念，AI 领域得好好学习下。这些词不是为了好听，它们背后都是在回答一个问题：这个系统崩了怎么办？agent 卡死怎么办？升级逻辑还没验证好怎么办？一整套机制让这个系统不是在 demo 一个可能性，而是在上线跑任务、自动修复、平滑演进。平时我们在做流程型 AI 系统的时候，很容易只关注“怎么生成”“怎么判断好坏”，但 Anthropic 的做法提醒我：agent 系统本质上要往服务化方向走，就必须预设失败是常态，重试是能力。 4️⃣评估机制是不可缺的闭环，不然做不出反馈导向的系统进化他们有一个细节很打动我：让另一个 LLM 去评审 agent 的结果，从准确性、引用合理性、覆盖度等多个维度打分。这就相当于在系统里内嵌了 QA 流程，而且不是事后人评，而是可以插入调试链路的 LLM 评测器。我们自己在调多 agent 结构时常遇到一个问题：任务执行完了，但结果质量很难量化，只能靠人工判断或者事后比对。这套“LLM 评估 LLM”的机制，让我们开始可以想象一种更自动化的 agent 演化路径：系统自己跑，自己打分，自己选择 prompt A 还是 B，更适合持续调优。 5️⃣并发是工具，不是策略，适用场景边界要想清楚这套系统最适合的场景是：问题复杂度高、信息广度要求强、非实时产出型任务。例如政策研判、产品调研、文献综述、竞品分析这些，在私域服务里也可以类比成“多维标签用户意图研判”这种复杂工作。但如果放在需要紧密配合、频繁迭代、低延迟要求的任务上，例如代码生成、对话任务、实时接口构建，多 agent 的协调成本反而可能放大系统复杂度。所以并发结构是个好工具，但什么时候该开几个 agent，什么时候该单线程跑到头，这种策略边界要想清楚。这篇文章最核心的不是“我们做了一个多 agent 系统”，而是他们已经把多 agent 作为一种工程能力进行制度化建设：有流程、有容错、有评估、有上线机制。对在第一线实际落地 AI 能力的团队来说，有一个非常直接的启发是：构建 agent 系统，不能只是对话式的 prompt 编排，而要像搭服务一样，从任务定义到评估反馈，从并发机制到异常兜底，形成一整套可以持续运行的系统逻辑。这一点，比起模型调优，本质上更像是一种架构能力的竞争。

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#Anthropic #多智能体系统 #Claude #复杂研究任务 #系统落地 #带宽 #结构 #机制

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

6个月前

能量、结构、复制、生成、预测，这几个词在我脑子里不停盘旋🌀

#能量 #结构 #复制 #生成 #预测

1年前

我自己的体会（我从小时候不爱写作文到走向以写作为职业），就是好的文章需要结构、观点和Narrative，前面两点在小学无法形成（思维能力和知识系统还没到位），所以只能发展narrative，这点其实当前语文教育大差不差。要批评的其实是中学教育不教逻辑、不演讲实践，对形成优良结构和有机观点不利。

#作文 #写作职业 #语文教育 #小学教育 #中学教育 #思维能力 #知识系统 #结构 #观点 #Narrative #逻辑 #演讲实践