即刻App年轻人的同好社区
下载
App内打开
Tim小邬
68关注25被关注0夸夸
销售Agent研发中
置顶
Tim小邬
18天前
#自我介绍#

姓名：邬鑫翰Tim
特点：极度旺盛的生命力

四年广告行业从业经验，策划脑
十年销售行业一线经验，营销脑

痴迷研究人的思维及思考一切事物的本质

传统行业里创过业，目前专心学习AI，和小伙伴一起开发involai中

现实中影响了很多人成为了销售，从而帮助他人快速赚到钱，也陪跑过很多中小型企业主落地品牌为销售sop，所以拥有一整套完整的方法能够快速培养各种类型的人，以使用他们自己的沟通方式成为销售甚至是销冠，involai正是诞生于此基础

在产品层面，奉行极简主义，less is more 最佳的翻译不是“少即是多”，应该是“刚刚好”，分毫不差即是至简，自己是乔布斯、张小龙、迪特拉姆斯、横井军平、包豪斯艺术…此类理念的信奉与践行者

希望软件做出来后，可以一步步演化成为一个让人印象深刻的且具有诚意和生命力的软体，从而助力所有想要提升营销和销售能力的人更上一层楼
00
Tim小邬
7天前
认真开发产品去了，核心功能已经初步被内测用户高度认可，张小龙的理论完全是对的。继续亲身实践，做产品真的太好玩了。involai问世之时，一定惊艳大家
01
Tim小邬
9天前
00
Tim小邬
9天前
这两本书一定会成为最被低估的AI著作，马文的研究成果真的是后继少人啊！！
00
Tim小邬
10天前
Tim小邬
10天前

Kenny_肯尼: 谷歌最近新发的论文 Nested Learning，甚至有人称之为 Attention Is All You Need 2.0 版本。 模型自我迭代一直是我非常感兴趣的话题，尤其做agent产品时，很多context engineering的活儿还挺烦挺枯燥挺难搞的，如果能把业务的脚手架内化到模型里，效果会有显著的提升。比如过去把lora、Ip adapter、PE优化等训到基模里，应用层就轻松很多，且效果的质量和泛化性都更好了。 作为一个应用层的产品，而非专业算法，看了之后，把自己的理解和思考写出来，期待与大家的交流，尤其来自算法同学的纠偏。 论文地址：https://abehrouz.github.io/files/NL.pdf Nest learning试图解决大模型应用目前面临的一个核心矛盾：静态的权重与动态的业务需求之间的割裂。如果说目前的 Transformer 架构本质上是在通过静态权重来“预测下一个 Token”，那么 Nested Learning（嵌套学习）则是在尝试构建一个能够实时自我更新的系统。 1. 架构的本质差异：静态堆叠 vs 嵌套循环 目前的 LLM（基于 Transformer）与 Nested Learning 在底层逻辑上有着显著的区别： Transformer（当前的主流）： 它的训练和推理是截然分开的。我们在训练阶段通过海量数据确定了模型的权重，一旦训练结束，这些权重就固化了。这就好比一个学生在毕业那一刻，他的知识体系就被封存了。上线后的每一次对话（Inference），模型都是在调用这份“死”的长期记忆，虽然能通过上下文窗口（Context Window）处理短期信息，但无法将其转化为长期的经验。这也是为什么模型会患有“顺行性遗忘症”——Session 一关，一切归零。 Nested Learning（新的范式）： 它的核心观点是 “Architecture is an illusion”（架构即幻觉）。它不再将模型看作是层与层的简单堆叠，而是将其视为一组嵌套的优化问题。在这个视角下，架构和优化器是一体两面的。模型被设计成多个不同层级的循环，有的层级负责快速适应（类似推理），即快权重，有的层级负责慢速固化（类似训练），即慢权重，这两者在 Nested Learning 中是统一且同时进行的。 2. 仿生学原理：多频率的记忆共振 Nested Learning 之所以受到关注，是因为它在机制上更接近人脑的运作方式。大脑在处理信息时，会产生不同频率的脑波： - 高频波（如Gamma波）： 往往对应着高度集中的注意力，处理当下的、瞬时的短期记忆。 - 中低频波（如Alpha波、Delta波）： 往往与记忆的整合、固化有关，负责将短期的体验沉淀为长期的认知。 Nested Learning 借鉴了这种“多时间尺度”（Multi-timescale）的机制。它将模型内部划分为不同的频率区域： - 高频区（Fast Weights）： 类似于人脑处理短期记忆的区域，能够随着当前的 Context Flow（上下文流）实时快速更新。这让模型在推理过程中就能“学会”新的东西。 - 低频区（Slow Weights）： 类似于长期记忆区，更新频率极低，负责存储那些通用的、稳定的规律。 通过这种高低频的嵌套与配合，模型不再是一个机械的输入输出函数，而具备了某种程度的“生物活性”，能够在与环境交互的过程中，动态地决定哪些信息该遗忘，哪些信息该像突触生长一样被固化下来。 3. 对应用层产品的潜在影响 如果这种从“静态”到“动态”的转变能够落地，我们构建 AI 产品的方式或许会发生几个本质的变化。 第一，模型角色从“工具”转向“养成系员工”。目前的模型更像是一个标准化的工具，出厂设置决定了它的上限。而基于 Nested Learning 的模型，更像是一个新入职的员工。起初大家的基础能力（基座）差异不大，但在处理具体业务的过程中，它会持续接收反馈（正向的采纳、负向的修正）。 这种反馈不再仅仅停留在 Prompt 层面，而是会通过“快权重”实时沉淀到模型里。一段时间后，它将变成一个完全适应你业务逻辑的、独一无二的模型。壁垒将由数据规模转向“业务交互的质量”。 第二，Context Engineering 的“内化”。过去大半年，为了解决模型记性差、不懂业务的问题，我们花费大量精力做 Context Engineering（上下文工程），搭建 RAG、编写复杂的 System Prompt。这本质上是在模型外部搭建“脚手架”。 当模型具备了自我迭代能力，这些外部的脚手架将被逐步拆除，能力会被内化到模型参数中。模型不再需要你每次都重复告知“你是谁”、“你的目标是什么”，这些信息已经变成了它的直觉。 第三，从“离线训练”到“在线进化”。目前的 RL、SFT（监督微调）大多是离线的、静态的。业务变了，必须重新收集数据、重新训练、重新部署。Nested Learning 提供了一种在线持续学习的可能。模型置身于真实的数据流中，边服务边学习，这种效率上的提升，在长周期看是巨大的。 当然，Nested Learning 仍然处于理论阶段，并且其在实践中的挑战依然非常多。比如，如何保证动态权重更新不导致模型不稳定或出现过拟合问题，如何在大规模应用中高效执行这种实时更新，如何在没有大量标注数据的情况下进行有效的在线学习等。 但它提醒了我们：为了业务，一方面需要修补当下的技术缺陷（如有限上下文长度），另一方面也应关注模型演进的长期方向，看哪些是长期有价值的产品建设。 未来，我们作为产品，核心工作可能不再是写 Prompt，而是为这个能够自我进化的智能体定义清晰的目标（Goal），并构建一个能够提供高质量反馈的闭环环境。毕竟，当模型能够自我学习时，决定它长成什么样子的，是它所处环境的反馈机制。 有人把论文喂给nano banana，生成了这张图，非常精准，我自己试过来，没这么好看

00
Tim小邬
11天前
#人的个性到底如何构成
​
​在我看来，人都是组合体

- 感性型vs理性型
- 风险厌恶型vs风险喜好型
- 语言逻辑驱动型vs数理逻辑驱动型
- 恐惧驱动型vs愉悦驱动型
- 串联注意力型vs并联注意力型
- 主善型vs主恶型（对于权力的理解）
然后潜意识的类型往往就是跟小时候的经历最相关，人在小时候因为还比较弱，所以“安全感”如何在这个时期建立，跟潜意识这个可以被看做是思维的操作系统最终是什么样的，息息相关

那么问题来了，我们的个性到底如何构成，包括我们真的有个性可言吗？我觉得是个性是一种我们的大脑无法理性处理以上数据时，产生的错觉。任何个性的数量级起码是万级了吧，你再有个性，世界上也有起码一万个人跟你一样

共性占了90%，个性可能只占10%，甚至不到5%
​
00
Tim小邬
12天前
#销售Agent需要会辩论和谈恋爱

中午开始到现在，一直在分析“销售”的结构。然后把非科研性的人类用智高峰归纳为三个场景，以对智力调用程度的从高到低排列
​
​1.辩论
​2.销售谈判
​3.谈恋爱
​
​辩论能力拉满的，一般只要稍加学习就能学会销售，因为辩论这个场景竞技性更强，限时限主题
​
​销售谈判次之，谈恋爱次次之
​
​但有意思的是，处于三个场景中的中段的销售，恰恰可以根据实际售卖的产品和对象，进行上下浮动，上可严肃严谨似辩论，下可轻松愉快似谈恋爱
​
​那么问题来了，拿这三者纵向对比，三个场景的通用结构各是什么样的，最终可否合并成一个更为通用的场景呢
00
Tim小邬
12天前

42Growth: AI 创业主要分为三类： 1. 辅助型 (Assist)：帮助专业人士更高效地完成任务。如CoCounsel 帮助律师阅读文档、起草合同。 2. 替代型 (Replace)：完全接管某项工作。如AI 会计、AI 私人教练、AI 理财顾问。 3.不可思议型 (The Unthinkable)：做以前因成本过高而无法想象的事情。案例：以前律师事务所不可能让人类阅读数百万份文档并进行分类，因为成本高达数百万美元；但现在 AI 可以让成千上万个智能体（Agent）同时阅读，让不可能变为可能。 市场天花板（TAM）的爆发式增长： 1. 旧逻辑：软件市场规模 = 专业人士数量 × 软件订阅费（通常很低，如 $20/月）。 2. 新逻辑：AI 市场规模 = 所有从事该工作的人类薪资总和。 3. 结论：AI 应用的潜在价值比传统 SaaS 软件高出 10 倍、100 倍甚至 1000 倍。这不仅是商业机会，更是通过大幅降低成本（如让法律服务降价 100 倍）来普及昂贵服务（Democratize access）的机会。 如何定价： 1. 产品大于营销 2. 基于价值而非软件，如果你的 AI 替代了价值 $1000 的人工合同审查，你可以收费 $500。这比传统软件贵得多，但比人工便宜得多 3. 跨越信任鸿沟： 大公司 CEO 都有 AI 焦虑，想尝试 AI，但不敢完全信任。解决方案：1️⃣ 让客户保留原有的人工流程，同时并行使用 AI，最后对比速度和质量。2️⃣驻场工程师：甚至派人坐在客户旁边，确保他们学会使用并真正从产品中获益。3️⃣很多初创公司的收入来自试用合同，如果无法转化为长期经常性收入 (ARR)，公司将面临灭顶之灾。

00
Tim小邬
12天前
Tim小邬
12天前
测了四天提示词了，要吐了，但是involai现在的回复能力，已经快要逼近前几名水平的销售了。AI的底层能力再进化一个等级的话，我觉得就差不多真的要到销冠水准了。在用词，语言的结构上无限逼近顶级销售了。一般这种销售起码要个3-5年吧。
​
​人和人的信任会被更强悍的智能逐步替代掉吗，我觉得会。但是人和人之间最珍贵的东西不是“对话效率”，反而是那些没有效率的对话中体现的人的无奈，卑微，语塞等“负面一些的东西，这才是活人感的真实面貌。不完美的才真实，所以，效率容易，但是AI真的会被悲伤嘛，真的会喜极而泣嘛，真的会笑中带泪嘛……？显然不……太可能（卧槽，码字一瞬间居然觉得有可能），太吓人了
10