即刻App年轻人的同好社区
下载
软件运行，本来就是海量决策共同作用的结果。
过去其中绝大多数决策，只能由程序员预先写成确定性规则。
LLM 出现以后，软件第一次可以在 Runtime 里处理大量需要理解一下才能判断的条件。
可 LLM 太重受限太多了，比如延迟、性价比，所以这些能力只能稀疏地插在少数高价值节点上。
如果 Semantic Decision 变得足够快、足够便宜、足够稳定，它就有机会进入软件的毛细血管。
一旦这种判断的密度上升几个数量级，最后变化的就不只是 AI 功能，而可能是软件本身的运行机制。
过去其中绝大多数决策，只能由程序员预先写成确定性规则。
LLM 出现以后，软件第一次可以在 Runtime 里处理大量需要理解一下才能判断的条件。
可 LLM 太重受限太多了，比如延迟、性价比，所以这些能力只能稀疏地插在少数高价值节点上。
如果 Semantic Decision 变得足够快、足够便宜、足够稳定，它就有机会进入软件的毛细血管。
一旦这种判断的密度上升几个数量级，最后变化的就不只是 AI 功能，而可能是软件本身的运行机制。
如果 AI 判断便宜到像 if 一样，会发生什么？
0 00
分享一个之前在AML拿到开源榜单第8的agent memory方案解读，大佬们轻拍😄
AML榜前方案解读｜FlowGrid AML Retriever：一条 Markdown 决策日志如何变成 Agent 记忆检索器
0 00
今天看到了一份某游戏乙方团队做的报告，他们长期给游戏厂商提供服务，最近也上了一个 AI 相关的功能，然后把它包装成了一套“数据服务”。
报告写得挺有意思的，上来标题就是：某某游戏「用户流失归因」。
我把整个报告看完了，越看越觉得搞笑，现在都能这么草台了吗……
它大概是这么干的：
先爬一大堆社区帖子、评论和舆情数据，然后让 LLM 分类、聚类、总结，再把各种数据关联起来，最后得出来：
22.1% 的玩家因为在线时长流失，13.9% 因为什么流失，7.4% 因为什么流失……
甚至还总结出了玩家第 1 小时为什么流失、第 7 天为什么流失。
看起来特别科学，图表、小数点、因果链，一个都不少。
问题是，它从头到尾拿到的都只是「社区舆情」。
我举个特别简单的例子：
我今天下载一个游戏，玩两个小时觉得不好玩，直接关掉卸载，以后再也不玩了。
我需要去网上发帖告诉你吗？
大量真正流失的用户，可能一句话都不会留下。
所以社区舆情能告诉你的，是现在愿意说话的玩家在讨论什么、抱怨什么。
但你直接拿它去做「用户流失归因」，这就已经飞出去了。
里面还有一个特别搞笑的逻辑。
游戏刚公测的时候发帖量很高，过了一两周发帖量下降，然后报告把这个也拿来证明玩家在流失。
这不是所有游戏公测都会发生的正常现象吗？
刚上线有投放、有 KOL、有平台流量、有尝鲜用户、有攻略作者集中发内容，两周以后讨论量自然下降。
你至少得拿同品类 benchmark、营销投放、DAU、留存曲线出来，再讨论这个下降到底正不正常。
结果现在：
发帖量下降 → 玩家流失。
负面率上涨 → 留下的人越来越不满。
某个问题讨论多 → 它就是核心流失原因。
LLM 特别顺手地把所有东西串成了一个完整故事。
而且最可怕的是，这里面很多数据可能都是真的。
帖子数量是真的，评论是真的，百分比也是真的。
幻觉发生在「解释」这一层。
AI 现在真的大幅降低了做一份“看起来特别专业的错误报告”的成本。
以前你一个外行想把这种东西做到这么完整还挺难。
现在数据抓过来，LLM 分类、聚类、总结、编因果链，再配几张漂亮图表和几个精确到小数点的百分比，一份特别像咨询报告的东西就出来了。
然后还准备把这套“数据能力”卖给游戏厂商。
这个就真的有点骑到游戏运营和数据团队脸上输出了。
报告写得挺有意思的，上来标题就是：某某游戏「用户流失归因」。
我把整个报告看完了，越看越觉得搞笑，现在都能这么草台了吗……
它大概是这么干的：
先爬一大堆社区帖子、评论和舆情数据，然后让 LLM 分类、聚类、总结，再把各种数据关联起来，最后得出来：
22.1% 的玩家因为在线时长流失，13.9% 因为什么流失，7.4% 因为什么流失……
甚至还总结出了玩家第 1 小时为什么流失、第 7 天为什么流失。
看起来特别科学，图表、小数点、因果链，一个都不少。
问题是，它从头到尾拿到的都只是「社区舆情」。
我举个特别简单的例子：
我今天下载一个游戏，玩两个小时觉得不好玩，直接关掉卸载，以后再也不玩了。
我需要去网上发帖告诉你吗？
大量真正流失的用户，可能一句话都不会留下。
所以社区舆情能告诉你的，是现在愿意说话的玩家在讨论什么、抱怨什么。
但你直接拿它去做「用户流失归因」，这就已经飞出去了。
里面还有一个特别搞笑的逻辑。
游戏刚公测的时候发帖量很高，过了一两周发帖量下降，然后报告把这个也拿来证明玩家在流失。
这不是所有游戏公测都会发生的正常现象吗？
刚上线有投放、有 KOL、有平台流量、有尝鲜用户、有攻略作者集中发内容，两周以后讨论量自然下降。
你至少得拿同品类 benchmark、营销投放、DAU、留存曲线出来，再讨论这个下降到底正不正常。
结果现在：
发帖量下降 → 玩家流失。
负面率上涨 → 留下的人越来越不满。
某个问题讨论多 → 它就是核心流失原因。
LLM 特别顺手地把所有东西串成了一个完整故事。
而且最可怕的是，这里面很多数据可能都是真的。
帖子数量是真的，评论是真的，百分比也是真的。
幻觉发生在「解释」这一层。
AI 现在真的大幅降低了做一份“看起来特别专业的错误报告”的成本。
以前你一个外行想把这种东西做到这么完整还挺难。
现在数据抓过来，LLM 分类、聚类、总结、编因果链，再配几张漂亮图表和几个精确到小数点的百分比，一份特别像咨询报告的东西就出来了。
然后还准备把这套“数据能力”卖给游戏厂商。
这个就真的有点骑到游戏运营和数据团队脸上输出了。
1 00
在 Agent Memory Leaderboard（智能体记忆排行榜）首期公开评测中，我的开源项目FlowGrid AML Retriever 参加开源方法赛道，以 43.98 的综合分位列第 8，与榜首相差 1.08 分。这是一件值得记录的事，开心。agentmemories.ai
1 00
我做了 Canvas Prompt，一个本地优先的 AI 思考画布开源项目。你可以在画布上画、圈、移动、口述。完成一轮后，画布结构、过程、语音和视觉标注会整理成本地画布上下文包，后续交由AI继续处理，目前支持白板推演、图片审阅、PPT审阅。
当前是公开 Alpha：github.com
当前是公开 Alpha：github.com
03:34
0 00
照着codex做就没差的，再考虑到国内实际情况，继续向下兼容。
从电梯广告到办公入口：WorkBuddy 如何跑到前面
0 00
分享个开源吧，相当于做别的事情顺手做的，因为最近有不少本地的tts合成，一开始太机械了，要么就是断句各方面不好啊，想起之前看过一个关于不同视频内容对于旁白解说的方法论，刚好还在本地知识库，不过那个是针对真人配音的，好在方法倒是通用，索性就用那套来作为底子，顺便让ai再额外参考了一些公开查询的方法论，于是就有了这个小工具。选择你的视频交付物类型，导入 SRT，可选导入音频，本地生成节奏复核、时间点建议、JSON 和重配提示词，方便交给下一步 AI 或 TTS。在线使用aizhiz.com里面也有引导开源地址以及如何接入你的工作流。
0 00
