OpenAI đã ra mắt đại lý ChatGPT vào ngày hôm qua. Bản demo rất ấn tượng, nhưng hãy nhớ rằng chúng ta đã có khả năng đại lý tốt hơn trong một thời gian dài rồi. Dưới đây là so sánh 1:1 giữa đại lý ChatGPT và @genspark_ai, sử dụng cùng một prompt. Và đó chỉ là khởi đầu!

Tôi không còn chắc chắn nên nghĩ gì về cuốn sách này. Nó là một cuốn sách tuyệt vời trong một thời gian khi hầu hết những ý tưởng này có vẻ có giá trị, nhưng nó cũng chịu trách nhiệm cho một số tội ác lớn nhất mà tôi đã chứng kiến. Tôi không còn khuyên mọi người đọc nó nữa. Tôi đã không đọc nó trong một thời gian.

Cho đến nay, đây là một trong những khóa học tốt nhất mà tôi đã tham gia. Lớp tiếp theo bắt đầu vào ngày 4 tháng 8. Bạn có thể tham gia tại .

Đây là cách bạn viết mã tốt hơn gấp 10 lần với nỗ lực ít hơn gấp 10 lần. Các tác nhân chuyên biệt, tùy chỉnh sẽ xem xét mã của bạn từng bước một. Tôi đã thấy các đánh giá mã tự động trước đây, nhưng chưa bao giờ có khả năng định nghĩa các tác nhân đánh giá tùy chỉnh của bạn. @baz_scm là người đầu tiên thực hiện điều này, và thật tuyệt vời. Có ba loại tác nhân đánh giá: 1. Những tác nhân có sẵn ngay khi bạn sử dụng. Các tác nhân này bao phủ những mẫu phổ biến nhất mà mọi người muốn kiểm tra: mã trùng lặp, mã bị hỏng, mã phức tạp, v.v. 2. Các tác nhân đánh giá được đề xuất mà Baz tự động tạo cho bạn. Baz phân tích lịch sử đánh giá và các bình luận trước đó của bạn để xác định các mẫu mà bạn quan tâm, và sau đó tự động tạo ra các tác nhân chuyên biệt trong việc kiểm tra những mẫu đó. Ví dụ, nếu bạn luôn yêu cầu các nhà phát triển của mình giữ cho các tệp dưới 100 dòng mã, Baz sẽ phát hiện điều đó và tạo ra một tác nhân tùy chỉnh để kiểm tra điều đó. 3. Các tác nhân đánh giá tùy chỉnh mà bạn định nghĩa. Đây là những tác nhân tôi thích nhất: Viết một lời nhắc giải thích các quy tắc của bạn, và tác nhân của bạn sẽ bắt đầu kiểm tra mã của bạn để đánh dấu bất cứ điều gì phù hợp với các quy tắc đó. Tôi đã tạo một tác nhân đánh giá đơn giản trong video đính kèm. Thật lòng mà nói, đến thời điểm này, bạn không có lý do gì để gửi mã kém. Dưới đây là một liên kết để bạn thử các tác nhân đánh giá tùy chỉnh này: Cảm ơn đội ngũ @baz_scm đã hợp tác với tôi trong bài viết này.

Phát triển front-end. 2010 - 2024.

Thật lòng mà nói, hầu hết các nhà phát triển AI vẫn đang mắc kẹt trong thế kỷ trước. Thật không thể tin nổi là có rất ít người nhận thức được Phân tích Lỗi. Đây *thực sự* là cách nhanh nhất và hiệu quả nhất để đánh giá các ứng dụng AI, và hầu hết các đội ngũ vẫn đang mắc kẹt trong việc theo đuổi những điều vô hình. Xin hãy ngừng theo dõi các chỉ số chung và làm theo các bước sau: 1. Thu thập mẫu lỗi Bắt đầu xem xét các phản hồi được tạo ra bởi ứng dụng của bạn. Ghi chú về từng phản hồi, đặc biệt là những phản hồi sai. Bạn không cần phải định dạng ghi chú của mình theo cách cụ thể nào. Tập trung vào việc mô tả những gì đã sai với phản hồi. 2. Phân loại ghi chú của bạn Sau khi bạn đã xem xét một bộ phản hồi tốt, hãy lấy một LLM và yêu cầu nó tìm các mẫu chung trong ghi chú của bạn. Hãy yêu cầu nó phân loại từng ghi chú dựa trên những mẫu này. Bạn sẽ có được các danh mục bao phủ mọi loại lỗi mà ứng dụng của bạn đã mắc phải. 3. Chẩn đoán những lỗi thường gặp nhất Bắt đầu bằng cách tập trung vào loại lỗi phổ biến nhất. Bạn không muốn lãng phí thời gian làm việc với những lỗi hiếm gặp. Đi sâu vào các cuộc trò chuyện, đầu vào và nhật ký dẫn đến những mẫu sai đó. Cố gắng hiểu điều gì có thể gây ra các vấn đề. 4. Thiết kế các biện pháp khắc phục mục tiêu Tại thời điểm này, bạn muốn xác định cách loại bỏ những lỗi mà bạn đã chẩn đoán ở bước trước một cách nhanh chóng và tiết kiệm nhất có thể. Ví dụ, bạn có thể điều chỉnh các gợi ý của mình, thêm các quy tắc xác thực bổ sung, tìm thêm dữ liệu đào tạo hoặc sửa đổi mô hình. 5. Tự động hóa quy trình đánh giá Bạn cần triển khai một quy trình đơn giản để chạy lại một bộ đánh giá qua ứng dụng của bạn và đánh giá xem các biện pháp khắc phục của bạn có hiệu quả hay không. Khuyến nghị của tôi là sử dụng LLM như một Người Đánh Giá để chạy các mẫu qua ứng dụng, chấm điểm chúng với thẻ PASS/FAIL và tính toán kết quả. 6. Theo dõi các chỉ số của bạn Mỗi danh mục bạn đã xác định trong quá trình phân tích lỗi là một chỉ số bạn muốn theo dõi theo thời gian. Bạn sẽ không đi đến đâu nếu cứ ám ảnh về "tính liên quan", "độ chính xác", "độ hoàn chỉnh", "tính mạch lạc", và bất kỳ chỉ số nào khác ngoài lề. Quên đi những điều này và tập trung vào những vấn đề thực sự mà bạn đã tìm thấy.

Mẹo chuyên nghiệp để xây dựng RAG tốt hơn: Hãy bọc các phần của bạn bằng các siêu dữ liệu bổ sung. Thêm càng nhiều ngữ cảnh cho mỗi phần càng tốt. Điều này sẽ làm cho bộ thu hồi của bạn tốt hơn gấp 10 lần.

Việc tạo video bằng AI khiến tôi kinh ngạc mỗi ngày! Đây là Einstein và Da Vinci đang nói về chương trình Kỹ thuật AI/ML của tôi. Video thì tốt, nhưng chương trình còn tốt hơn, và khóa học tiếp theo bắt đầu trong chưa đầy 3 tuần nữa: .

Con trỏ không còn dẫn dắt nữa. Theo ý kiến của tôi, Claude Code và Gemini Code đang đi trước mọi người khác. Windsurf đã chết, và VSCode Copilot thì quá lạc hậu.

Đây là Kiro - IDE AI thực sự hoạt động trên các dự án thực tế lộn xộn của bạn. Các công cụ AI khác mất ngữ cảnh khi các dự án trở nên phức tạp. Kiro cung cấp cho bạn phát triển dựa trên đặc tả có thể mở rộng vượt ra ngoài các nguyên mẫu. Xem trước miễn phí hiện có #KiroDotDev