Recentemente, durante o teste do Particle News, @particle_news repensando o valor e os limites dos LLMs no cenário de fluxo de informações de transação. O Particle é um produto de notícias de IA muito sofisticado que faz um excelente trabalho de amplitude e neutralidade de informações e legibilidade e audibilidade de conteúdo líquido. No entanto, há uma diferença estrutural entre essa experiência polida com precisão e o sistema de informações transacionais, e ela é escrita primeiro para ver se pode ajudar colegas que também estão fazendo produtos semelhantes. 1. A informação não é capturada e integrada, mas sim uma compreensão agrupada. Concordo plenamente com o conceito de "história" repetidamente enfatizado pela fundadora Sara Beykpour em entrevistas, que também é um de seus principais destaques, enfatizando que a informação não é "capturada e integrada", mas "agrupada e compreendida". Se a informação for apenas raspagem e concatenação sem cérebro, então toda a ordenação a jusante e avaliação de credibilidade será borrada. Em particular, em cenários transacionais, onde a densidade de informações é extremamente alta, os requisitos em tempo real são fortes e a extensão do contexto é grande, é impossível permitir que o grande modelo "entenda livremente", mas deve primeiro conduzir uma rodada de agrupamento semântico estruturado por IA para organizar as informações fragmentadas em vários "clusters de eventos" compactos (histórias) com pistas causais internas. 2. Pontos fortes e pontos cegos do LLM: neutralidade, causalidade vs. poder preditivo - Os LLMs têm vantagens significativas no controle de estilo / neutralidade emocional de opinião com moderação. No entanto, após a polimerização + muitas pós-avaliações, a pontualidade e a tensão estrutural são sacrificadas. - Os LLMs são bons em julgamento em cadeia causal, análise de causa e efeito e alguns pontos para refinar se há uma correlação entre coisas muito sutis, especialmente o "caminho de influência" e "reações upstream e downstream", que se tornarão uma das lógicas importantes das transações. - LLMs não são bons em prever. Como um modelo estatístico de linguagem, ele naturalmente amplifica "opiniões convencionais" ou "sinais de alta frequência". Nossa própria observação é que a IA é sempre "excessivamente otimista", e o julgamento de Sara é: "Se muitas pessoas disserem que o Time A vencerá, o modelo pensará que o Time A venceu". "A previsão é um grande ponto cego para os LLMs e não deve ser usada como um mecanismo de sinal. Por outro lado, resta saber se os produtos de chatbot como o Flush ou o Bobby-like open-ended Q&A + prediction do Rockflow podem romper essa limitação ou ficar presos. 3. Estratégias para previsões alternativas: cadeia causal + linha do tempo estrutural Se as previsões são uma falha atual nos LLMs, é útil manter seções como Calendário do TradingView e Causa e Efeito quando a previsão não é feita e a pontualidade é alta. Inferir se uma coisa está relacionada a outra e a ordem relativa e os gatilhos do desenvolvimento dos eventos. Esse julgamento também é suficiente para estabelecer um modelo de viés de informação para o sistema de negociação sem previsão real. 4. Trabalho de avaliação: A avaliação é definitivamente um trabalho muito refinado e direcional. Por exemplo, a restrição limita a expressão: cada frase só pode ter um ponto de vista, cláusulas de evitação; Por exemplo, "dica" = "opinião" para evitar conclusões vagas; Por exemplo, o resumo não pode exceder a palavra X e, uma vez que haja uma cor subjetiva ou "expressão intencional", é considerado um erro. Claro, o grau "crítico" de cada conteúdo unitário também é quantificado, a fim de melhor fazer com que o pipeline funcione automaticamente. Todo o pipeline é assíncrono e repetível: desde que as verificações de avaliação falhem, a tarefa é reiniciada automaticamente. Portanto, o modelo só precisa concluir uma pequena tarefa por vez, como determinar se um evento ocorreu ou gerar um resumo não implícito, em vez de concluir toda a inferência e expressão em uma rodada. A lógica subjacente a essa abordagem é dividir a geração em várias pequenas tarefas verificáveis e reutilizáveis, cada uma das quais pode ser verificada para evitar alucinações e tendências ao máximo. 5. Linha de produção completa do protótipo ao conteúdo de IA de alta qualidade Sara compartilha o processo completo de fazer um sistema de moderação: primeiro escreva um prompt em um ambiente de teste, defina cinco perguntas, depois faça o jailbreak ou quebre a estrutura ou esqueça o contexto, até que o modelo mostre um comportamento estável e de boa qualidade, o prompt pode ter centenas de linhas. Quando o prompt é inicialmente estável, ele é entregue à equipe técnica, o modelo de prompt é desmontado em componentes e colocado no pipeline assíncrono e todas as outras perguntas são executadas para análise offline. Por fim, inicie o teste de perguntas ao vivo para executar o sistema em cenários reais e, em seguida, participe oficialmente da avaliação. Em resumo, se você deseja construir um sistema de agregação e push de informações assistido por IA, não fantasie sobre o modelo grande dando alfa diretamente; Todas as previsões que usam IA para dizer qual alvo comprar são golpes. O verdadeiro know-how é a estrutura, o processo e o sistema de verificação que tornam os LLMs confiáveis na arquitetura.

O padrão mais prático para medir a liberdade deve ser Você entende como as coisas funcionam mais perto da essência? Se está perto de recursos de alto valor Se o custo real de chamar o recurso é relativamente baixo. Isso não é exatamente equivalente à quantidade de dinheiro.

As regras são o epitáfio da era de Capricórnio, e a loucura é o passe da era de Aquário

A razão pela qual falar com o ChatGPT é admirável é que ele faz um excelente trabalho em dois pontos: primeiro, condensa e reelabora opiniões com precisão, fornecendo aos espectadores uma perspectiva clara e vendo claramente a lógica subjacente; A segunda é ter um pensamento divergente, listando uma variedade de possibilidades e soluções para completar o ponto cego original do pensamento. Em contraste, o valor emocional e o companheirismo são secundários. O que os humanos realmente não podem substituir são essas duas habilidades.

O agente vertical é realmente muito difícil de usar (a reflexão lateral será realmente difícil de fazer), eu usei mem, readwise, e agora eu uso Get (o feito por Luo Yonghao, apenas o terminal móvel e só pode acessar a intranet, o que é realmente torturante), cada um tem um pouco de limite para começar, e não há como importar mídias sociais pessoais com um clique, e é difícil formar hábitos de uso. Recentemente, descobri que meu tempo de uso do GPT é quase o mesmo que o do Slack e do Google Meet, e sinto profundamente que a pequena equipe de produtos é pequena diante da inteligência geral. Pequenas equipes de produtos estão essencialmente competindo por uma janela de tempo: se o seu agente de domínio vertical verdadeiramente "limite zero e fácil de usar" sai primeiro, ou se os usuários em massa se acostumam a colaborar com agentes genéricos e personalizar os fluxos de trabalho primeiro.

As pessoas fazem as coisas há muito tempo, entendendo a lógica de fazer as coisas e otimizando a maneira como fazem as coisas, não apenas para melhorar a eficiência, mas, mais importante, para se tornarem mais felizes e sustentáveis para atingir seus objetivos. Por exemplo, o que percebi recentemente: 1. Seja ambicioso e confiante o suficiente (levante-se todos os dias com um objetivo claro, dirija e não se distraia). ） 2. A motivação deve ser pura o suficiente (ajudá-lo a enfrentar quando a meta não é alcançada / não pode obter feedback positivo imediatamente, como quando você está ansioso com o tráfego, você se lembrará de que a meta de hoje foi concluída e a expressão é apresentar-se com sinceridade, não apenas para dados. ） 3. Fazer 2-3 coisas relacionadas e importantes ao mesmo tempo é mais fácil formar um círculo virtuoso do que apenas uma coisa (Se uma coisa ficar presa, mude para outra coisa e deixe a energia e o conhecimento continuarem a fluir.) Por exemplo, ler/ouvir podcasts pode me ajudar a trabalhar e produzir, então, quando encontro um ponto preso, devo me acalmar e ler o livro primeiro para estabelecer um ciclo autoconsistente em termos de emoções e cognição. ）

Por que não acredito em redes sociais sob incentivos econômicos: Porque desde que você tenha usado o Douyin e experimentado o prazer viciante trazido pela análise de big data + algoritmos de tráfego, você entenderá que o que os criadores realmente querem é apenas curtidas, comentários, atenção e encaminhamento, e todo o resto é afiliado. Meu sentimento foi fortalecido quando assisti Luo Zhenyu falar sobre a lógica de dados do Alibaba - a plataforma quer reter comerciantes e criadores, contando com o senso de controlabilidade e crescimento trazido pelo feedback dos dados, e é muito importante obter orientação precisa + o prazer interior de melhorar com trabalho duro. É um pouco indireto, e aqueles que entendem podem entender naturalmente.

Flowith é como um estagiário que não é capaz o suficiente e não é inteligente o suficiente, mas sempre quer fazer mais, talvez ele possa agradar seu chefe. Uma cópia de tarefa só pode atingir 60 pontos e, antes que possa ser alterada, começa a estar ocupada gerando imagens e trilhas sonoras e perde o ponto. Genspark é como uma pequena cidade como um problemalista, contando com conteúdo pré-preenchido para aprimorar o senso de existência para obter uma boa impressão, e as perguntas simuladas são boas, mas a resposta imediata é quase sem sentido. Oitenta pontos não têm ferimentos graves e não há pontos de memória. Mas Manus, eu realmente vou elogiá-lo. Você não apenas pode aprimorar todas as tarefas, mas também pode se lembrar do que eu disse (a base de conhecimento é tão poderosa que perguntará "se você deseja defini-la como preferência" toda vez que tiver necessidades adicionais). Você pode até dizer "Experimente da próxima vez...", assim como faria com um estagiário, e adicioná-lo à base de conhecimento com um clique. Alguém entende essa sensação de confundir as fronteiras entre IA e humanos? Um gerente de produto que se sente bem deve ser um bom funcionário/colega quando é jovem. Embora o significado de "trabalho de meio período" seja frequentemente desvalorizado nos dias de hoje, é somente quando pensamos seriamente em como trabalhar juntos em um grupo que podemos entender o quão valiosas são as virtudes cooperativas humanas mais básicas, como "alinhar para cima e para baixo, esquerda e direita" e "entender a intenção da tarefa". (Realmente não é Manus, é apenas um usuário anual que adora avaliações)

Manus é como um novo estagiário que acabou de entrar na empresa, mas teve um desempenho muito bom e é muito inteligente, quanto mais ele usa, mais ele gosta, mais ele gosta, e ele quer compartilhar com seus colegas toda vez que ele gera um resultado. Do fundo do meu coração, não ficar com raiva de um agente é o único critério para julgar se o produto é bom ou não

Eu sinto que não é ruim fazer uma transmissão ao vivo da versão de inscrição instantânea e vendê-la para blogueiros de automídia, especialmente para consultoria e bate-papo, e a transmissão ao vivo exibe um grande número de pessoas para a capacidade de resposta das pessoas no local