搜索
在ChatGPT拥有10亿用户后，AI问答这一定位，显然已经难以撑起其下一阶段的增长。另一方面，Codex每周活跃用户已超500万。很多人囿于名字，以为这是Coding产品。。。。限制了其在编程圈外的增长。
我们今天以 PDF 写论文的方式，已经持续了三百多年。然而论文其实是把一段混乱反复、充满试错的真实研究，讲成一个干净利落、足以服人的完美故事。
Notion 最近发了一篇工程文章，复盘过去两年他们怎么做向量搜索基础设施。
训练大模型时，工程师绝对不会指望网络做一次前向传播就能收敛。它需要数据喂养、Batch切分、学习率控制、验证集筛选以及优化器状态的迭代试错。
其实大概半年前，我就有这个需求了。那阵子我也注意到，阿里、字节这些平台都各自出了提示词优化器。但它们都得专门跑到对应的网站上去用，对我来说不够顺手。所以这回干脆借着深度复盘了 Anthropic 的 Prompt 讲座，用 Codex vibe coding 了一个全局提示词优化器。
Paperboy 正在尝试找到一种更自然、更连续、更可协作的 Agent 界面与记忆结构——Agent 应该通过观察你用电脑来自己学习，用 IM 而不是 session 来组织对话，主动找你，而不是等你 prompt。
Claude Mythos就用6.1×10²⁷ FLOPs提前叩响了奇点的大门。
都以为让AI查数据省事，结果它答得漂亮你却不敢信。Anthropic最近说这事有解了，靠的是一套和代码无关的「笨功夫」。
马卡龙又出来炒作自己新一轮融资了，但我感到十分难过😭
当大模型 Agent 从实验室加速走向金融、医疗、代码开发等高价值场景，一个隐秘却致命的瓶颈正在浮现：Token 的指数级消耗正引发算力、协作与安全的系统性危机。传统 “堆算力、加参数” 的线性优化已触及天花板，我们该如何在 “输出质量” 与 “经济成本” 之间找到可持续的最优解？