数读 · 发言记录
从近到远排列;打开一条即可查看完整原话、来源与关联话题。
这也是我学到的两条经验: 1:让 Agent 操作它最擅长的格式 2:给 Agent 规范,而不是模板
我感觉很多时候我面临的问题有共性 他没有一个精准的解,没有一个绝对好的流程框架 AI一次性做不一定处理的好, 他可能不是一个特定场景的任务,没有专门属于他的skill,没有属于他最好的答案 我需要不…
从一个模糊想法或已有 AI 任务开始,建立刚好足够的初始框架;让需求、方法和评测在真实产物与反馈中逐步成形;支持人工主导、人机协同或自动迭代;并让每一代变化、证据、文档和 Baseline 始终可理解…
我觉得有一个很有意思的分界点是: IT的流程没变,只是用AI代替了某几个步骤 我们的流程是新的,可能跨越了过去的某些步骤 当然终点都一样,是解决问题
我们是很大程度自己挖业务 他们业务方给的那个需求 完全没法正常工作
以前是: 错误很贵,所以尽量靠先验避免错误。 现在越来越多场景是: 错误便宜,所以更值得尽快获得错误,再用后验修正。
比如我现在做法规资讯分析,不是先把一套方法设计到很完整再固定下来,而是一开始就把它设计成一个可持续迭代的闭环。 每跑一版,就从真实结果里拿到新的证据:哪些地方错、为什么错、新版本到底有没有更好,然后把…
本质上就是工作策略从“重先验”转向“更快用后验更新”。 以前执行很贵:人做,除非证明机器能做;先尽量设计完整,再执行。 现在很多执行已经很便宜:机器做,除非证明这里需要人;先跑最小化测试,再根据真实结…
比如我提出:企业决策不是单目标最大化,而是在多个目标和约束下找一个 Pareto 优解;真的高手可能通过改变约束,把前沿往外推。 但是实际上目标函数本身都不是给定的,谁定义目标、谁定义约束、谁承担代价…
我觉得可以把这些人的共同方法压成五件事: 尽快拿到真实结果,而不是长时间设计第一版。 先跑,再根据结果改。 人主要控制目标和边界,执行尽可能下放。 不需要每一步都参与。 上下文尽量外置。 环境、规则…
但是很多需要思考和产品侧、需求侧的分析场景 我觉得远不如cc
codex适合当程序员
他们发现 knowledge QA 更 capacity-hungry(吃容量),而 code 更 data-hungry(吃数据)。值得注意的是,他们用 code 作为 reasoning 的 pr…
不能再多了 脑子累坏了
ai在工作,我也没办法 啊 已经并行四个窗口了
还有察言观色环节 万一他不苟言笑呢
但是我更倾向于让他们自己挖掘一些
我觉得就是不要太指定方向,让他们自己去挖,用 AI 挖
群友们可以来点意见吗:人工智能方向每届都有工程实践项目。 我想麻烦你结合业界需求,帮我出个AI应用的题目大纲,让同学们在找工作前有一个实践练习的项目,到时找工作有些帮助。往届做的项目离实践太远,对于找…
但是很多时候,隐形上下文≠知识无法被沉淀 你们这种消费者研究领域,我感觉是行业变化快,人心混沌 社媒混沌 还真挺安全;有一些场景单纯只是内容没被记录下来; 一旦被记录下来很快就可以开始淘汰了