Recientemente he estado probando Particle News @particle_news, reconsiderando el valor y los límites de los LLM en el escenario de flujo de información de trading. Particle es un producto de noticias AI muy refinado, que destaca en la amplitud e imparcialidad de la información, así como en la legibilidad y audibilidad del contenido fluido (liquid content). Sin embargo, esta experiencia meticulosamente elaborada presenta una discrepancia estructural con los sistemas de información de trading, así que lo escribo para ver si puede ayudar a colegas que están trabajando en productos similares. 1. La información no es capturada e integrada, sino agrupada y entendida. El concepto de "story" que la fundadora Sara Beykpour enfatiza repetidamente en las entrevistas es algo con lo que estoy muy de acuerdo, y es uno de sus puntos destacados, enfatizando que la información no es "capturada e integrada", sino "agrupada y entendida". Si la información solo se captura y se conecta sin pensar, entonces todos los procesos de clasificación y evaluación de credibilidad aguas abajo se volverán confusos. Especialmente en escenarios de trading donde la densidad de información es extremadamente alta, la necesidad de inmediatez es fuerte y el contexto es amplio, no se puede permitir que un gran modelo "entienda libremente", sino que primero debe ser estructurado por AI a través de una ronda de agrupación semántica, organizando la información fragmentada en varios "grupos de eventos" (stories) compactos con pistas causales internas. 2. Ventajas y ceguera de los LLM: neutralidad, causalidad vs capacidad predictiva - Los LLM tienen una clara ventaja en el control de estilo/moderación y en la neutralidad de opiniones y emociones. Pero a través de la agregación y muchas evaluaciones posteriores, se sacrifica la inmediatez y la tensión estructural. - Los LLM son buenos para hacer juicios de cadenas causales, análisis de causa y efecto, extrayendo en algunos puntos muy matizados si hay correlación entre cosas, especialmente en aspectos como "caminos de influencia" y "reacciones aguas arriba y abajo", que se convertirán en una lógica importante para el trading. - Los LLM no son buenos para predecir. Como modelos de lenguaje estadísticos, tienden a amplificar la "opinión dominante" o las "señales de alta frecuencia". Nuestra propia observación es que la AI siempre es "demasiado optimista", mientras que el juicio de Sara es: "Si muchas personas dicen que el equipo A ganará, el modelo asumirá que el equipo A ganó." La predicción es una gran ceguera de los LLM, no se debe usar como motor de señales. En contraste, productos como Tonghuashun Wencai, o el chatbot de preguntas y predicciones Bobby de Rockflow, aún está por verse si pueden superar esta limitación o si están atrapados. 3. Estrategias alternativas a la predicción: cadena causal + línea de tiempo estructural Si la predicción es la debilidad actual de los LLM, en situaciones donde no se hace predicción y se requiere alta inmediatez, mantener secciones como el calendario de tradingview y el área de causa y efecto será muy útil. Inferir si un evento está relacionado con otro, así como el orden relativo de desarrollo de eventos y factores desencadenantes. Este tipo de juicio también es suficiente para establecer un modelo de sesgo informativo para el sistema de trading, sin necesidad de una verdadera predicción. 4. Trabajo de evaluación: La evaluación es absolutamente un trabajo muy detallado y dirigido. Por ejemplo, restringir de manera controlada la forma de expresión: cada oración solo puede tener un punto de vista, evitando las oraciones subordinadas; por ejemplo, "sugerir" = "opinión", evitando conclusiones ambiguas; por ejemplo, el resumen no puede exceder de X palabras, y si hay un matiz subjetivo o "expresión intencional", se considera un error. Por supuesto, el grado de "criticidad" de cada unidad de contenido también se cuantifica, para facilitar el funcionamiento automático del pipeline que se describirá a continuación. Todo el pipeline es asíncrono y repetible: siempre que la evaluación no pase, la tarea se reinicia automáticamente. Así que el modelo solo necesita completar una pequeña tarea cada vez, como determinar si un evento ha ocurrido, o producir un resumen que no contenga insinuaciones, en lugar de completar toda la inferencia y expresión en una sola ronda. La lógica subyacente de este enfoque es descomponer la generación en múltiples tareas pequeñas que son verificables y reutilizables, cada una de las cuales puede ser comprobada con la realidad, evitando al máximo las ilusiones y sesgos. 5. De prototipo a línea de producción de contenido AI de alta calidad Sara compartió el proceso completo que utilizan para su sistema de moderación: primero, en un entorno de prueba, escriben un prompt, establecen cinco preguntas, luego hacen jailbreak o rompen la estructura o olvidan el contexto, hasta que el modelo muestre un comportamiento estable y de buena calidad, el prompt puede tener cientos de líneas. Cuando el prompt es inicialmente estable, se entrega al equipo técnico, descomponen la plantilla del prompt en componentes y la colocan en el pipeline asíncrono, ejecutando todos los demás problemas para hacer un análisis offline. Finalmente, comienzan las pruebas de preguntas en vivo, permitiendo que el sistema funcione en escenarios reales, momento en el cual se incorpora oficialmente la evaluación. En resumen, si deseas construir un sistema de agregación y envío de información asistido por AI, no debes soñar con que un gran modelo te dé directamente alpha; todos los que usan AI para predecir qué activo comprar son estafas. El verdadero know-how es la estructura, el proceso y el sistema de verificación, que hacen que los LLM sean confiables bajo esta arquitectura.

El estándar práctico para medir la libertad debería ser si tu comprensión del funcionamiento de las cosas se acerca más a la esencia, cuán cerca estás de los recursos de alto valor, y si el costo real de acceder a esos recursos es relativamente bajo. Esto no es completamente equivalente a la cantidad de dinero.

Las reglas son la epitafio de la era de Capricornio, volverse loco es el pase de acceso de la era de Acuario.

La razón por la que hablar con ChatGPT resulta tan adictivo es porque lo hace extremadamente bien en dos aspectos: primero, sintetiza y reformula puntos de vista con precisión, ofreciendo una perspectiva clara desde el exterior que permite ver la lógica subyacente; segundo, posee un pensamiento divergente, enumerando múltiples posibilidades y soluciones, completando así las lagunas del pensamiento original. En comparación, el valor emocional y la sensación de compañía son aspectos secundarios. Lo que realmente no puede ser reemplazado por los humanos son estas dos habilidades.

Los agentes de nicho son realmente difíciles de usar (lo que también refleja que será complicado desarrollarlos). Para agentes de bases de conocimiento personales/notas, he usado mem, readwise, y ahora estoy usando Get (el que hizo Luo Yonghao, que solo está disponible en móvil y solo se puede usar en la intranet, lo que es realmente frustrante). Cada uno tiene un poco de curva de aprendizaje, y no hay forma de importar fácilmente mis redes sociales, lo que dificulta formar un hábito de uso. Recientemente he notado que el tiempo que paso usando GPT es similar al que paso en slack y google meet, y siento profundamente la insignificancia de los pequeños equipos de productos frente a la inteligencia general. No solo no puedes superar a GPT en la experiencia general, sino que también haces que los usuarios dediquen más tiempo a desarrollar un hábito de uso. En esencia, los pequeños equipos de productos compiten por la ventana de tiempo: ¿será tu verdadero agente de nicho "fácil de usar sin barreras" el primero en salir al mercado, o los usuarios generales se acostumbrarán primero a colaborar y personalizar flujos de trabajo con agentes generales?

Las personas que trabajan a largo plazo entienden la lógica de hacer las cosas, optimizan los métodos de trabajo, no solo para aumentar la eficiencia, sino más importante, para ser más felices y alcanzar sus objetivos de manera sostenible. Por ejemplo, lo que he comprendido recientemente: 1. La ambición y la confianza deben ser grandes (levantarse cada día con un objetivo claro, tener motivación, no distraerse ni perder el enfoque.) 2. La motivación debe ser lo suficientemente pura (te ayuda a enfrentar la falta de realización de objetivos o la imposibilidad de obtener retroalimentación positiva de inmediato, como en momentos de ansiedad por el tráfico, recordándote que el objetivo de hoy ya se ha cumplido, y que la expresión es para presentar tu verdadero yo, no solo por los datos.) 3. Hacer simultáneamente 2-3 cosas relacionadas e importantes es más fácil para formar un ciclo positivo que concentrarse en una sola cosa (si una cosa se estanca, es mejor cambiar a otra, permitiendo que la energía y el conocimiento sigan fluyendo. Por ejemplo, leer o escuchar un podcast puede ayudarme en el trabajo y también en mi producción, así que cuando me encuentro con un obstáculo, debería calmarme y primero leer, estableciendo un ciclo coherente en términos de emociones y cognición.)

¿Por qué no confío mucho en las redes sociales impulsadas por incentivos económicos? Porque tan pronto como has usado Douyin y has experimentado personalmente la adicción que traen el análisis de grandes datos y los algoritmos de tráfico, entenderás que lo que realmente quieren los creadores son solo likes, comentarios, seguidores y compartidos; lo demás es accesorio. Esta sensación se reforzó cuando vi a Luo Zhenyu hablar sobre la lógica de datos de Alibaba: para retener a los comerciantes y creadores, la plataforma se basa en la sensación de control y crecimiento que proporciona la retroalimentación de datos. Obtener orientación precisa y sentir que el esfuerzo puede llevar a una mejora interna es realmente muy importante. Puede sonar un poco enrevesado, pero quienes entienden, entienden.

Flowith es como un pasante que no es lo suficientemente inteligente pero siempre quiere hacer un poco más, pensando que tal vez así agradará a su jefe. Un texto de tarea solo puede alcanzar un 60, y antes de corregirlo ya está ocupado generando imágenes y música, sin captar el enfoque principal. Genspark es como un estudiante que resuelve problemas en un pequeño pueblo, que se gana la atención con contenido prellenado, hace bien los ejercicios simulados, pero su reacción en el momento es un poco deficiente. Un ochenta sin fallos graves, pero sin puntos memorables. Pero Manus, realmente tengo que elogiarte. No solo puedes pulir bien cada tarea, sino que también recuerdas lo que he dicho (la función de base de conocimientos es demasiado poderosa, cada vez que hay una necesidad adicional, me preguntas "¿quieres configurarlo como preferencia?"). Incluso puedes decir como si estuvieras guiando a un pasante: "la próxima vez intenta..." y luego agregarlo a la base de conocimientos con un solo clic. ¿Alguien entiende esa sensación de la difuminación de la frontera entre la IA y los humanos? Siento que el gerente de producto de agent seguramente fue un muy buen empleado/compañero en su juventud. Aunque en esta época siempre se menosprecia el significado de "trabajar para otros", solo aquellos que han reflexionado seriamente sobre cómo colaborar en un colectivo comprenden cuán valiosas son las virtudes humanas más básicas como "alineación vertical y horizontal" y "comprensión de la intención de la tarea". (Realmente no soy un bot de Manus, solo soy un usuario anual que ama las evaluaciones)

Manus es como un pasante que acaba de entrar en la empresa, pero que se desempeña muy bien y es muy inteligente; cuanto más lo usas, más te gusta, y cuanto más lo miras, más te gusta. Cada vez que genera un resultado, quieres compartirlo y elogiarlo con tus compañeros. Es una alegría que surge del corazón; usar un agente sin enojarse es el único estándar para juzgar si un producto es bueno o no.

Siento que hacer una versión de este producto para transmisión en vivo y venta a creadores de contenido también sería buena idea, especialmente para aquellos que ofrecen consultas y charlas. La transmisión en vivo filtra a un gran número de personas debido a la necesidad de habilidades de reacción en el momento.