科技实时新闻、最新快讯- 第198页 news.news·换个方式看新闻|AI看新闻、实时追踪事件后续

智能推荐信息源

由 AI 根据您的兴趣偏好筛选

4个月前

今天给大家分享一个百万粉丝博主的内容生产工作流。同样是用AI辅助创作，很多人用AI写的内容自己都看不下去；而有些创作者用同样的工具，产出的内容却能在多个平台拿到百万级曝光。这中间差了什么？前几天看到Dan Koe的一个访谈，他全网有几百万粉丝，内容遍布Twitter、YouTube、Newsletter。但其实，他每天只花2小时创作，就能覆盖所有平台。他说：我从不让AI替我写东西，但AI帮我把6小时的视频浓缩成1000字的知识点。很多人用AI写作，直接打开ChatGPT，输入"帮我写一篇关于XX的文章"，然后AI刷刷刷输出3000字，复制粘贴，发布。结果AI味太浓，根本没人看。但AI最擅长的其实不是写，而是拆解和重组。 Dan的做法是，把内容生产分成了几个清晰的模块，每个模块AI都有明确分工。我们一起来拆解一下：首先第一步，他会选择用Twitter做想法的试验场。什么是好内容？在Dan看来，好内容首先得是经过验证的想法。他不会拍脑袋写，而是先在Twitter发短内容测试反应。280个字的限制反而是优势，因为你必须把一个idea压缩到最精炼的状态。他会把Twitter上表现好的帖子，扩展成Newsletter的选题。同理，YouTube上播放量高的视频主题，他也会拆解成Twitter帖子。这最终会形成一个循环系统，每个平台互相喂养。然后是第二步，让AI辅助整理相关素材。 Dan经常看3到6小时的长视频学习，但他不会边看边记笔记，为什么？因为有Gemini这样的工具，可以直接处理YouTube视频，把核心观点提取出来。这就相当于把6小时的信息浓缩成1000字的关键点，让你可以快速回顾和引用。同理，当他写Newsletter时，会把之前的推文、看过的视频、读过的书，全部丢给AI，让AI找出相似点和可以组合的角度。这不是让AI代写，而是让AI帮你整理思路的原材料。第三步，拆解爆款内容的DNA，这一步也是整个系统里最精妙的部分。 Dan不会直接让AI写帖子，因为AI写出来的东西总是很平。他做的是：找一条自己或别人写得特别好的帖子，让AI分析它为什么好。他有条推文是这样的："如何判断你在做有意义的事？你会感觉好几周、好几个月甚至好几年都没进步。然后突然某一天，成长一下子全来了。" 他会让AI回答：这条推文用了什么结构？触发了什么心理机制？为什么会让人产生共鸣？ AI给出的分析包括：钩子声明、痛苦与挣扎、回报、洞察与警告等等。然后Dan把这些结构要素提取出来，变成一个模板。下次写类似主题时，他不是照搬那条推文，而是把新的想法套进这个经过验证的结构里。同样的idea，换一个结构，又是一条新帖子。同一个事实，用不同的框架呈现，受众的感知完全不同。 Dan做的就是建立自己的框架库，然后灵活运用。第四步：创建两阶段提示词系统，这一步也是技术层面最值得学的部分。 Dan设计了一套两阶段Prompt： 1️⃣第一阶段：上下文采集。 AI会像记者一样采访你，问你的领域是什么、受众痛点是什么、你的独特观点是什么。 2️⃣第二阶段：内容生成。基于你提供的信息，AI按照你预设的结构，生成3个不同版本的帖子。但关键在于，他不是直接问AI"帮我写3条推文"，而是先让AI理解你是谁、你的声音是什么、你想表达什么。更妙的是，他还有一个超级提示词，或者说可以叫“元提示词”，专门用来生成其他提示词。步骤也很简单👇： 1、找到3条你喜欢的高表现内容 2、让AI拆解这些内容的结构和原理 3、把拆解结果输入超级提示词 4、生成一个定制化的两阶段提示词 5、用这个提示词开始创作这套方法可以迁移到任何内容形式：推文、YouTube脚本、着陆页文案等等。第五步：每天2小时的执行节奏。知道方法论是一回事，能不能持续执行是另一回事。 Dan的日常很简单：早上起床，做完简单的routine，然后坐到电脑前，接下来2小时专注做两件事： 1、完成Newsletter的一个章节 2、写3条社交媒体帖子这2小时里，他会把写好的内容分发到所有平台，或者提前排期。然后，他会每周选一天录YouTube视频，剩下的时间留给学习和生活。 AI不会让所有人都变成好的创作者，但会让好的创作者变得更高效。区别在于，你把AI当什么。如果你指望AI替你思考、替你提炼观点，那输出的东西一定是平庸的。但如果你把AI当成放大器，用它来扩展你的思考边界、加速你的迭代速度，那它就成了一个强大的杠杆。 Dan说：AI时代最稀缺的不是会用工具的人，而是有密度想法的人。

#AI辅助创作 #Dan Koe #内容生产工作流 #Twitter #Gemini

Tiger Chen & 前端之虎陈随易

4个月前

100个产品计划之第14个(FTP 解压部署) - 通过FTP一键部署ZIP到服务器 —— 来自：VSCode插件批发商，独立开发陈随易

#FTP部署 #VSCode插件 #陈随易 #一键部署 #产品计划

4个月前

理光（Ricoh）推出了面向企业的 “Dify 支持服务（Dify Support Service）”。作为其本地部署版 LLM 套件的可选服务，该方案提供了“实地支持”，帮助企业现场人员开发符合自身业务需求的 Dify 应用。从其针对大型企业导入支持的举措来看，可以看出 Dify 在企业级应用方面的推进正在加速。详情见下方回复👇

#理光 #Dify #企业服务 #本地部署 #LLM

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

4个月前

递归的理论⽆法逃离递归 ⸺任何关于递归的完整理论都必须能够应⽤于⾃身

#递归理论 #自指 #数学 #哲学 #抽象

Rynco Maekawa @[email protected]

4个月前

成功用 USB 控制了一个热敏打印机！

#USB控制 #热敏打印机 #成功 #技术 #DIY

4个月前

程序员现在真的要开始深度思考一个问题：算力大基建铺好了，这么多海量算力——到底要用来干什么？我们都觉得自己是小虾米，跟“国家级基建”“能源部批文”这些大词没关系。可真的无关吗？最后这些算力要落地，不还是靠一行行代码、一段段逻辑来跑？谁在写逻辑？不就是我们吗。我那天就在想，几年前一个闺蜜跟我说： “我觉得你肯定喜欢那个东北雨姐。” “我怎么会喜欢这种..." 但她还真说对了，我确实背着她在看东北雨姐的视频，连她那个东北小老公我也挺喜欢的。我后来就开始想：如果要让推荐算法算出我这种又隐秘又细微的小心思，要消耗多少算力？得跑多少数据、训练多少模型、调多少参数？我们用几百兆瓦的电，几万个GPU，只是为了精确预测一个人深夜会偷偷喜欢哪个网红？这就是“智能时代”的伟大成就？把全世界人所有最隐秘的小癖好、恶趣味、情绪波动全都算出来，然后精准地推荐回给他们，让他们沉溺其中，再看一条、再买一点？这就是海量算力的用途？这就是我们程序员亲手写出来的文明形态？我不反感推荐算法，也不是不懂商业逻辑。但当我们能支配的能量已经大到可以模拟宇宙、可以预测生态系统、却被用来计算“谁会多看一眼谁”的时候，你不得不开始问：我们到底在建什么？是算力大厦，还是注意力监狱？敬请关注：

#算力 #推荐算法 #注意力 #程序员 #社会反思

4个月前

iPad 上音量键现在横屏和竖屏时加减逻辑是反的，这个设计太奇葩了，看起来只是为了让那个音量调节条和手指按的方向保持一致，我多年来的肌肉记忆现在蹩脚的很，就像 PS5 和 Switch 切换时手柄分不清确定和取消按键一样

#iPad音量键 #横竖屏逻辑 #反人类设计 #肌肉记忆 #用户吐槽

空空 🌟 狞猫世界第一可爱！

4个月前

回到家打开尘封半月的电脑，上来就给我弹出这个。微软真是贼心不死，还不明白么：没人想用你的狗屎浏览器和Bing.

#微软 #Bing #浏览器 #负面 #卸载

陈少举（🦣 @[email protected] ）

4个月前

才发现主板BIOS有更新，还提升了TPM模块的游戏兼容性(?)，没看懂，虽然用的是独立的TPM模块，但是还是更新了一下。更新后查看GPU-Z信息，和上一个版本的微码没有发生变化，估计不是微码方面的事情。🤔

#主板BIOS更新 #TPM模块 #游戏兼容性 #GPU-Z #微码

4个月前

兄弟们这个AI邮件助手很不错非常好用，而且界面很简洁能帮你快速的总结和恢复邮件，还能智能的帮你把邮件进行分类整理和识别垃圾广告邮件等强烈推荐： 1、邮件自动摘要：为每个邮件自动生成一个摘要信息，你可以快速的知道邮件大概内容而且可以和每一封邮件进行聊天，比如让它帮你总结邮件、生成代办、帮你撰写邮件回复等等我用它总结 newsletter 很方便...

#AI邮件助手 #邮件自动摘要 #提高效率 #简洁界面 #智能分类整理

4个月前

minio 这玩意，我这辈子头一次见到一个集群是静态的 —— 一旦定义好，后面不能增加/删除/替换节点，想要改节点只能完全重建集群🙃

#MinIO #静态集群 #不可变性 #重建集群 #负面

4个月前

瑞典乌普萨拉大学的研究人员在《睡眠研究杂志》上发表研究论文。研究显示，盖厚被子睡觉，会显著增加睡前褪黑激素释放，睡前1小时内唾液中褪黑激素水平增加32%，或促进更好的睡眠。

#瑞典乌普萨拉大学 #睡眠研究 #厚被子 #褪黑激素 #促进睡眠

4个月前

2025年10月6日，东京大学在《Nature Cell Biology》期刊上发表研究论文。衰老和癌症通常被视为截然不同的组织命运。而该研究发现了一种称为衰老耦联分化（senescence-coupled differentiation）的保护性程序，该程序通过促使易癌变干细胞分化来清除这些干细胞。在致癌压力下，黑色素干细胞遵循这一路径，将会出现头发变白，而绕过这一路径，将形成黑色素瘤。

#东京大学 #Nature Cell Biology #衰老耦联分化 #黑色素干细胞 #癌症

4个月前

2025年10月8日，来自北京航天中心医院的研究团队在《Plos One》杂志发表研究论文。研究发现，周末补觉时间为0-1小时的参与者衰老风险降低23%，周末补觉时间为1-2小时的参与者衰老风险降低20%。值得一提的是，周末补觉时间过长（>2小时）的参与者衰老风险并未显著降低。

#北京航天中心医院 #Plos One杂志 #周末补觉 #衰老风险降低 #适度补觉

4个月前

TikTok有一个STEM专栏，我猜测这应该是为了回应短视频毒害美国青少年的指控吧。但这个专栏的内容确实很好，你都不需要再去YouTube上面去观看完整的课程版本，寓教于乐了。国内版本抖音什么时候开始跟进呢。

#TikTok #STEM专栏 #青少年 #教育 #短视频

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

4个月前

𝕀Rℙ² 交互范式编程：如何系统化地设计输⼊，以最⼤化ICL效率？ > 这不是”写更好的提示词”（技巧层⾯），⽽是重新定义⼈机交互的本体论（范式层⾯）

#交互范式编程 #ICL效率 #人机交互 #提示词技巧 #系统化设计

4个月前

小V对这张牛图的感想是，“啊这不就是用复杂的会计术语来描述的 “实物抵付” 吗？” 这个以Nvidia为核心的AI生态风险在哪里呢？ Nvidia悖论的深层结构决定了这不是一个简单的商业风险，而是一个自我强化的系统在接近临界点时的结构性脆弱性。 AI产业的价值创造基于一个简单公式： Token成本下降到应用可行性增加到经济生产力提升到更多资本投入然后循环基于此，Jansen黄仁勋的核心论述是Hopper到Blackwell芯片让token成本下降10-20倍，这个降幅足以让AI从“回答问题”进化到“自主使用工具”。这是质变。但这里有三个嵌套的风险结构： 1. 技术依赖的脆性（Single Point of Failure） Nvidia不仅提供芯片（硬件层），还投资OpenAI、xAI、CoreWeave（应用层、基础设施层）这意味着整个产业链的60%+成本流向同一个实体，且这个实体同时是供应商、投资者、客户好比如果在1990年代互联网泡沫中，Cisco不仅卖路由器，还投资Yahoo、Amazon，并持有ISP股份——风险集中度会高到什么程度？ 2. 资本循环的庞氏结构特征 Nvidia投资的公司（如CoreWeave）又回过头来购买Nvidia芯片。这不是传统的产业链垂直整合，而是资本-需求的闭环： Nvidia投资，到被投公司获得资金，用来购买Nvidia芯片导致Nvidia财报亮眼，估值上升，形成更多投资能力，然后投资循环这个循环在token成本持续下降、应用爆发时是良性的；但一旦停滞，就是多米诺骨牌 3. 不可调和的社会性悖论现在，二元困境的consequences来了，这是真正的哲学问题，如果情境A：AI投资回报足够那么意味着劳动力大规模被替代，社会动荡、消费能力下降、政治干预如果情境B：AI投资回报不足那么泡沫破裂然后 Nvidia需求崩溃导致金融系统震荡（因为Nvidia已经渗透到ETF、私募信贷、数据中心债务等各领域）传统的“技术进步创造新工作”论述在这里遇到时间尺度问题。AI替代速度（以月/年为单位）vs 新岗位创造速度（以“代”为单位）的不匹配。 Jansen黄的策略本质是有意制造生态锁定，“我们每年改变数据中心的每一块芯片”，但这不是技术必然性，而是战略选择。对比传统基础设施（铁路、光纤）等技术稳定的长周期资产，Nvidia的模式是强制快速迭代，让竞争对手无法建立兼容生态这既是护城河，也是风险放大器。如果迭代速度慢下来（技术瓶颈/市场饱和），这个模式的正当性就会被质疑。 Nvidia本质上是在玩一个“速度差套利”游戏。用技术迭代速度超过资本回收周期，用生态整合速度超过监管反应速度，用AI能力增长速度超过社会适应速度。只要保持速度优势，所有风险都被增长掩盖；但一旦任何一个维度的速度下降，系统性风险立刻暴露。假设，假设啊，测试一下当前模式的真实脆弱性。如果Nvidia明天宣布芯片迭代周期从1年拖延到3年（就像传统的半导体模式），对整个AI生态的资本流动会发生什么变化？短期6-12个月内，在数据中心上的资本支出骤降，因为客户可以延长现有设备折旧周期。Nvidia毛利率下降（失去“强制升级”溢价），股价承压20-30%。中期（2-3年）：竞争对手（AMD、Intel、中国厂商）获得追赶窗口，生态多元化。Token成本下降速度放缓，部分边缘AI应用的商业模式崩溃（依赖廉价推理的应用）。长期（5年+）：AI产业从“军备竞赛”模式转向“效率优化”模式，类似云计算在2015年后的成熟化。Nvidia从“增长故事”变为“现金牛”，估值重估。再一个，Token成本下降存在物理极限（能源效率、量子噪声）和经济极限（边际效益递减）。“10-20倍下降”能持续几代？基于当前晶体管技术，大约还有3-4代（到2030年左右）的摩尔定律空间。之后必须依赖架构创新或新物理（光子芯片、量子计算）。一旦降至个位数改进，叙事如何维持？如果中国、欧盟或其他实体成功建立非Nvidia依赖的AI芯片生态（即使性能落后20-30%），对Nvidia垄断地位的冲击有多大？历史类比看看Linux对Windows的长期侵蚀。社会承受力阈值即AI替代劳动力的速度上限在哪里？如果2027-2030年间白领失业率上升5-10%，政治系统的反应（监管、税收、禁令）会如何影响Nvidia的商业模式？参考以下， 1930年代大萧条：失业率25%，导致政治体系重构（新政、法西斯主义） 1980年代制造业自动化：失业率10%，可通过服务业吸收 2008年金融危机：失业率10%，引发民粹主义浪潮而这次AI替代的是认知劳动力（白领专业人士），这个群体的政治影响力远高于蓝领。如果2028-2030年间，律师、会计、初级程序员等岗位的净减少超过5%，会触发临界点，监管加速，反垄断调查，社会抵制运动（类似转基因、核能的公众反弹）直接影响AI应用层的增长速度，间接影响Nvidia需求。如果Nvidia股价因任何原因（业绩不达预期、竞争加剧、监管）下跌40%，通过ETF持仓、数据中心抵押贷款、私募基金敞口等金融传染路径，会在哪些非预期领域引发连锁反应呢明摆着的路径有： ETF持仓（Nvidia占S&P 500权重约6-7%）数据中心贷款（60%成本是Nvidia芯片，作为抵押物价值）私募信贷（大量资金流向数据中心建设）隐藏的路径有：养老金体系，全球养老金通过被动指数基金使间接持有大量Nvidia。如果股价腰斩，退休储蓄缩水引发政治压力。日本央行/金融机构通过ETF持有日本股票，而日本科技股（Sony、软银）重度依赖AI叙事，Nvidia崩盘会传染到日元资产。部分新兴市场国家的主权基金投资于AI基础设施，Nvidia下跌会影响其偿债能力。最危险的场景是信心的突然转变。不需要基本面彻底恶化，只需市场从“AI肯定成功”转向“AI可能失败”的叙事切换，就能触发抛售螺旋。 Nvidia生态以外的威胁是真实存在的如果性能差距可以容忍（云服务商已经在使用自研芯片如Google TPU、AWS Inferentia，尽管性能略低）。关键是生态完整性——CUDA的软件护城河比硬件本身更难攻克，但也不是绝对的地缘政治方面，中国的AI芯片产业（华为昇腾、寒武纪）在美国出口管制下被迫独立发展，5-10年后可能形成平行生态。虽然不会直接打败Nvidia，但至少会分割市场，降低其定价权。好比当年ARM架构用了20年才在服务器市场挑战x86，但一旦站稳就势不可挡。

#NVIDIA #AI生态风险 #黄仁勋 #技术依赖 #社会性悖论

Dify Base| Dify・n8nの基礎から応用まで

4个月前

リコーが企業向けの「Dify支援サービス」を提供開始。オンプレLLMキットのオプションとして、現場担当者が自社の業務に合わせたDifyアプリを開発するのを「伴走支援」するといった内容。大手による導入支援を見ても、Difyのエンタープライズ活用が進んでいることがわかります。詳細はリプ👇

#Dify #リコー #企業向け #LLM #導入支援

4个月前

最近在看一圈 ToB agent 的落地情况，有个判断越来越清晰：至少还得 1 年，国内 ToB agent 才可能真正起来。第一，国内的模型能力，还不够。 ToB 业务链条长、场景复杂、对结果的容错率极低。现在的大模型，哪怕再微调十遍，稳定性不够，自洽性不够，还不够听话这些问题依然严重。 prompt 写得挺对，它干的事还是不怎么靠谱。像个刚转岗的实习生，流程懂了点，但是做起来全是 bug。第二，做技术和懂业务的，不是一拨人。 ToB agent 最大的挑战是知识怎么迁移。比如想让 agent 搞懂保险理赔、医疗问诊、法律审查……这些不是写 prompt 能解决的，它们背后是几十年经验、人情流程和模糊判断。越值钱的知识，掌握它的人越年长，越难被结构化表达，更别说这批人愿不愿意倾囊相授。技术今天搞出来一个 agent，业务方只会说三句话：你这不准啊、我们流程不是这样的、你这漏了关键条件，但这个流程是之前开发跟业务一起梳理出来的。这背后藏了抵触，技术和业务之间，隔着的不是 AI，是一整座山。那为什么 AI coding 能先跑出来？因为这事里最懂业务的就是技术自己。谁最懂代码结构？技术！谁能写 agent 调 agent？技术！谁能 debug agent？还是技术！技术是唯一一拨能自己用，自己调 bug的群体。业务等于本体，没有认知 gap，也不需要跨专业翻译，一整个闭环自然就跑通了。本质区别在这：AI coding 是单边迁移服务自己， ToB agent 是双边博弈，需要认知共建。一个能快，一个必须慢。对于 AI coding，只要模型理解开发者就够了。ToB agent，不仅模型要懂业务，开发者还得懂业务，然后两边还得对得上话。这，太难了。真正的转折点要出现：必须满足模型能稳定编码行业知识，Agent 能封装复杂动作并处理结果反馈（前提是老顽固们愿意掏心窝），企业能放心把核心流程交出去。到那一天，ToB 才真正算是 ready 了。那时候再回头看 coding agent 的进化速度，也许已经不是一个量级的对比了。技术在革自己命这件事上，从来没有输过任何群体。

#ToB agent #大模型能力 #技术与业务认知差异 #AI Coding #行业知识迁移

4个月前

今天和朋友们聊天，我说已经没有再续费 Claude 了，目前 AI 服务中按月付费的只保留了 ChatGPT（Codex）来做 AI 辅助编程，基本够用，并给他们展示了一堆前段时间高强度使用 AI 工具时做的 demo 们（AKA“坑”），并形容目前大约是处在「绝望之谷」缓慢爬升的状态。大家最近还在支付哪个 AI 服务呢？

#Claude #ChatGPT #AI工具 #付费AI服务 #绝望之谷

4个月前

这才叫强！这才叫遥遥领先！👍

#强 #遥遥领先 #积极

4个月前

我存虑的是灵巧手的商业化落地。机器人不在于像人，而在于实用。能用两个手指解决的问题，为什么一定要花几倍的成本造五个。

#灵巧手 #商业化落地 #机器人 #实用性 #成本

4个月前

有一个常被忽视却至关重要的挑战，是技术迭代带来的架构重构难题。当行业内新的AI模型不断涌现，许多人可能会误以为只要简单替换最新模型就能实现突破。但实际上，每一次技术升级，哪怕只是模型检查点（checkpoint）的微小调整，都可能引发连锁反应。这就像在精密的钟表里更换一个齿轮，看似简单的改动，却需要重新审视整个系统的适配性——从数据处理流程到算法逻辑，从硬件资源调度到应用层交互，都可能需要推倒重来。以我多年的观察来看，这种架构重构往往伴随着巨大的时间成本和资源消耗。团队需要重新理解新模型的底层逻辑，调整原有的工程化框架，甚至可能要推翻已有的技术路线。更关键的是，在这个过程中，产品迭代会被迫停滞，用户体验可能出现波动，团队士气也面临考验。这让我想起曾经接触过的一个案例：某AI公司在引入新一代大模型时，因未充分评估架构兼容性，导致数据预处理模块与新模型的输入格式不匹配，最终不得不花三个月时间重构整个数据链路。这个过程中，不仅技术团队承受着巨大压力，公司的市场竞争力也因此受到影响。为什么会出现这种情况？核心在于AI技术的快速演进与现有系统的稳定性之间存在天然矛盾。就像汽车行业在从燃油车转向电动车时，不能简单更换发动机，需要重新设计底盘、电路和软件系统。 AI领域的架构重构，本质上是技术发展的必然代价，也是企业保持技术领先性必须跨越的门槛。对于创业者而言，面对这种挑战，或许可以尝试建立更灵活的技术架构——比如采用模块化设计，将核心功能解耦，为未来的技术升级预留接口；或者在引入新技术时，先进行小范围试点，验证兼容性后再逐步推广。当然，最根本的是保持开放的学习心态，把架构重构看作技术成长的催化剂，而非障碍。技术的本质是不断突破边界，而每一次边界的突破，都需要我们有勇气重构认知与实践的框架。这或许就是AI创业最迷人也最具挑战性的地方——在不确定性中寻找确定的路径，在技术浪潮中保持前行的力量。

#技术迭代 #架构重构 #AI模型 #兼容性 #挑战

4个月前

谷歌家的AI产品非常多，让我迷惑他们到底在侧重投入哪个产品？很担心某个产品用着用着突然又没了

#谷歌AI产品 #产品重心 #产品停用风险 #用户担忧 #发展方向

岸田崇史 | Omluc

4个月前

Difyの本がAmazonで先行予約開始しました！ 2週間前に正式リリースされたナレッジパイプラインについても解説しています！本編では、AIや技術に詳しくなくても、アプリをどのように設計して作るかを丁寧に解説しています！また、OmlucでのDifyの法人向け導入支援の経験をもとに、企業でどのようにAIを広めていくべきかも解説しています！そして、なんと100ページ越えの付録では、ローカル環境構築やプラグイン開発入門なども解説しておりまして、Difyの初心者から上級者まで楽しめる内容にしました！ 10/27に全国の書店にも並びますので、ぜひお手に取ってみてください！！

#Dify #Amazon #ナレッジパイプライン #AI #Omluc

... ...