即刻App年轻人的同好社区
下载
置顶2025 Q1 展望
- Transformer 架构的 AI 似乎已经达到瓶颈，OpenAI 开始引领 Agent / MutliAgent 路线，但这只仅仅工程上的妥协，有价值，但不多，更重要的事情在于 AI 基础能力的提升。量化技术能够加速，但是肯定对 AI 的生成质量有所损害，dLLM 似乎是一个可能路径，但是我认为没有免费的午餐，可能还存在我尚未发现的缺陷。但是 dLLM 的生成速度非常有价值，极有可能会成为 AI 族群的重要组成部分。
- 多模态 AI 还在持续迭代，ChatGPT 4o 的出圈即为一例，2025 Q1 结束之时，多模态 AI 在图片理解和生成上有了足够大的进步，进一步应该是音频理解和生成，然后是视频理解和生成。视频理解和生成部分限于算力问题可能不太容易，但是对于 AI 理解现实世界肯定是跨越式的进步。且看今年年底之前能否完成这一步跨越。
- 到2026年，应该进入具身智能的时代，将触觉（也许对物理世界的具身体验更合适）融合入视觉和听觉是另一个巨大的跨越。另一个容易被忽略的是嗅觉和味觉，这是对分子级别的感知。至此 AI 应能从硬件上全面感知人之所感。
- 另一个让人难以忍受的瓶颈是 AI 的在线学习能力，如果 AI 只能使用外挂知识库的方式来解决问题，那叫开卷考试，不叫真正的学习。最近看到的一些论文似乎想要解决这个问题。窃以为人类大脑的[三重脑假说](zh.wikipedia.org)是有借鉴意义的，关键在于如何将旧脑和新脑分开训练，旧脑负责完成对这个世界的基础学习，新脑则负责在线学习，推理时结合新旧脑一起推理，完成真正的在线学习。这部分期待明年有新的突破。
- Transformer 架构的 AI 似乎已经达到瓶颈，OpenAI 开始引领 Agent / MutliAgent 路线，但这只仅仅工程上的妥协，有价值，但不多，更重要的事情在于 AI 基础能力的提升。量化技术能够加速，但是肯定对 AI 的生成质量有所损害，dLLM 似乎是一个可能路径，但是我认为没有免费的午餐，可能还存在我尚未发现的缺陷。但是 dLLM 的生成速度非常有价值，极有可能会成为 AI 族群的重要组成部分。
- 多模态 AI 还在持续迭代，ChatGPT 4o 的出圈即为一例，2025 Q1 结束之时，多模态 AI 在图片理解和生成上有了足够大的进步，进一步应该是音频理解和生成，然后是视频理解和生成。视频理解和生成部分限于算力问题可能不太容易，但是对于 AI 理解现实世界肯定是跨越式的进步。且看今年年底之前能否完成这一步跨越。
- 到2026年，应该进入具身智能的时代，将触觉（也许对物理世界的具身体验更合适）融合入视觉和听觉是另一个巨大的跨越。另一个容易被忽略的是嗅觉和味觉，这是对分子级别的感知。至此 AI 应能从硬件上全面感知人之所感。
- 另一个让人难以忍受的瓶颈是 AI 的在线学习能力，如果 AI 只能使用外挂知识库的方式来解决问题，那叫开卷考试，不叫真正的学习。最近看到的一些论文似乎想要解决这个问题。窃以为人类大脑的[三重脑假说](zh.wikipedia.org)是有借鉴意义的，关键在于如何将旧脑和新脑分开训练，旧脑负责完成对这个世界的基础学习，新脑则负责在线学习，推理时结合新旧脑一起推理，完成真正的在线学习。这部分期待明年有新的突破。
5 34
想了想不对，等用户和agent交互的数据集，让agent学会如何与agent交互
吾阅读书: 参与曼哈顿计划的技术专家乔治·考温，后来创立了圣达菲研究所，研究复杂系统。 地位与曼哈顿计划的顶层设计者奥本海默一样的钱学森，后来研究的是开放复杂巨系统。 是复杂系统的子集，或者说是最高级。 钱学森认为如果一个系统中有人脑的参与，复杂度就会骤升。 实际上现在的ai ，与人+ai ，几乎也是两种完全不同的系统。 经常看见自媒体吹嘘这个或者那个ai 如何如何。但是一有更多使用者的参与，ai 似乎又变成了另外的样子。 ai 如何模拟 人+ai 呢？ 如果不能，那么ai就只是简单的复杂系统 而不是“开放复杂巨系统”
0 00
今天看到一个有趣的工作叫jina-grep，本地clone测了一下，分类模式在处理代码库的时候把我的Mac mini干卡死了，貌似是因为缓存了太多搜索结果导致的。管道模式因为精确查询后再处理，要处理的数据量少很多。这是个有趣的思路。
Jina AI 开源的 jina-grep，一个很有意思的工具——它把传统文本搜索和语义理解结合起来了。
简单说，它让 grep 能"看懂"你在找什么，而不是只匹配关键词。
三种用法：
1️⃣ 管道模式：先 grep 过滤，再语义重排序
grep -rn "error" src/ | jina-grep "错误处理逻辑"
2️⃣ 独立模式：直接用自然语言搜索
jina-grep "内存泄漏" src/
3️⃣ 分类模式：给每行打标签
jina-grep -e "数据库" -e "错误处理" src/
性能很顶：nano 模型（239M 参数）单次查询 2.9ms，吞吐量近 100K token/s。完全本地跑在 Apple Silicon 的 MLX 框架上，不需要 PyTorch。
最实用的场景：找代码时不用记精确函数名。比如搜"指数退避重试机制"，即使代码里没这八个字，也能找到相关实现。
这就是 Unix 哲学 + AI 的正确打开方式：小工具组合，但每个工具都更聪明了。
GitHub: github.com
#AI #开发工具 #命令行 #开源
Jina AI 开源的 jina-grep，一个很有意思的工具——它把传统文本搜索和语义理解结合起来了。
简单说，它让 grep 能"看懂"你在找什么，而不是只匹配关键词。
三种用法：
1️⃣ 管道模式：先 grep 过滤，再语义重排序
grep -rn "error" src/ | jina-grep "错误处理逻辑"
2️⃣ 独立模式：直接用自然语言搜索
jina-grep "内存泄漏" src/
3️⃣ 分类模式：给每行打标签
jina-grep -e "数据库" -e "错误处理" src/
性能很顶：nano 模型（239M 参数）单次查询 2.9ms，吞吐量近 100K token/s。完全本地跑在 Apple Silicon 的 MLX 框架上，不需要 PyTorch。
最实用的场景：找代码时不用记精确函数名。比如搜"指数退避重试机制"，即使代码里没这八个字，也能找到相关实现。
这就是 Unix 哲学 + AI 的正确打开方式：小工具组合，但每个工具都更聪明了。
GitHub: github.com
#AI #开发工具 #命令行 #开源
Million_Y: 如果你认可这个观点，那么自然而然地就会去思考，现在的操作系统还差了哪些基础设施呢？ 我的一个想法是：现在的agent的查询文件的方式还是很简单的，基本上就是grep，原因是针对文本文件额外添加一个vectordb其实很复杂繁琐，对现有文件系统的的使用方式改造太大了。 计算机领域有一句名言：计算机科学领域的任何问题都可以通过增加一层间接性（indirection）来解决。 那么通过在原始的文件系统和命令行之间增加一个vector层，写入、修改和删除文本文件的时候自动修改对应向量。这样一来，agent只需要额外掌握一个语义搜索的tool就够了。 而这样的操作系统，原生就支持语义查询文件的功能。 围绕着agent来重新思考如何设计操作系统，这是一个大概率确定的未来，你认可吗？或者你还有什么类似的想法，可以分享一下。
1 00
半年前的预感成真，其实只要一直跟进前沿的工作，一定会有类似的模糊预感。
Million_Y: AGI应该是反身性的，但由于模型训练成本太高，因此可以退而求其次，在给定LLM能力的前提下，实现反身性的Agent框架。在这里大胆预测一下，除此之外的Agent框架，都只是飞快折旧的玩具。
0 00
换个思路：我在绿很多男人🐶
哥飞: 一个真相，你的 AI 女友，还有很多别的男朋友。
0 00
简化成 TPD 就够了，因为好用的会再用 //@-Will: Build for Human 核心是DAU（日活用户）；Build for AI/Agent 的核心简化结果指标是：
🎯 核心简化指标（最常用）
• TPD（Token Per Day）：每日 Token 消耗量（算力/计算量）
• Task Completion Rate（TCR）：任务完成率 / 成功率
• Agent DAU：Agent 日活操作次数（后台执行量）
• Cost per Successful Task：单次成功任务成本
📊 常用组合（落地常用）
• 生产力场景：TCR + 人工介入率 + 成本节省率
• 平台/Agent 服务：TPD + Task Success + 工具调用效率
• 业务价值：Agent GDP = 用户规模 × 频次 × 单次产值
一句话记：Human 看 DAU，Agent 看 TPD + 任务完成率。
（豆包）
🎯 核心简化指标（最常用）
• TPD（Token Per Day）：每日 Token 消耗量（算力/计算量）
• Task Completion Rate（TCR）：任务完成率 / 成功率
• Agent DAU：Agent 日活操作次数（后台执行量）
• Cost per Successful Task：单次成功任务成本
📊 常用组合（落地常用）
• 生产力场景：TCR + 人工介入率 + 成本节省率
• 平台/Agent 服务：TPD + Task Success + 工具调用效率
• 业务价值：Agent GDP = 用户规模 × 频次 × 单次产值
一句话记：Human 看 DAU，Agent 看 TPD + 任务完成率。
（豆包）
-Will: Build for Human的简化结果指标是DAU, Build for AI/Agent的结果指标是什么？
0 00
养🦞日记 Day 4
时不时就有bug，感觉是不是kimi智商不够导致的？看来得养一只cc的🦞对比看看。
时不时就有bug，感觉是不是kimi智商不够导致的？看来得养一只cc的🦞对比看看。
Million_Y: 养🦞日记 Day 3 发现个严重的问题，Kimi Claw 不支持翻墙啊。。。醉了，我收回前言了。。。不能翻墙没意思了。 明天Macmini再部署一只吧，试试nanoclaw。
1 00