#读点斯多葛

读书就像交朋友，什么书都读一点，交到的朋友都是“点头之交”、“酒肉朋友”。能经常交流、深入对谈过的，才是知己。多一些知己，才会活得更加深刻、更加精彩。
读书不该求多，皓首穷经不该是我们追求的目标，尤其是有AI辅助的当下，弥补知识面上的不足不是件太难的事。那么阅读的深度、对主题形成自己的思考会更加重要。所以阅读的时候就不要“吃着碗里看着锅里”，不要被各种书目“乱花渐欲迷人眼”。
“对于那些我所读过的作品，我会把其中的一部分融入我自己的思想中”—— 塞涅卡这么说。

仔细看了一遍，又去翻了英文原文。一些杂想——

👉 关于AI影响下的未来

- AI引领的一轮大规模科技革命几乎是必然。目前 AI技术突破速度已经是以月记。这些技术作用于基础学科，对化学、物理、材料、医学…产生影响，会引发更多的技术革命。带来更多生产力革命。

- 所有的这些技术革命，未必会带来生产效率的变化，因为有大量固有协作关系、基础设施在制约着新技术的影响。新的技术作用于物理世界，进而影响并改变当前的协作关系、基础设施、政治生态、国际关系是一个相对长期、多变、往复的过程。

- 资本逐利性会是变化的关键动力，分为两个方向：（1）零和（负和）博弈。没有新的需求产生，技术的迭代导向更严重的内卷，引发更多的冲突和动荡。（2）正和博弈。出现大量的新增需求，更多的市场机会；而增量的机会会给社会演进带来更多润滑剂，世界趋向更好的方向快速前进。

- 究竟是“零和”多一点还是“正和”多一点，要看需求结构的变化趋势。（1）个体的需求是有限的，如果技术变化带来财富大量、快速集中，更多的内卷和冲突就是必然。（2）但如果技术进步能给更多人带来更好的生活，进而迸发出更多新的消费需求，可以让资本的逐利往更好的方向去变化。

👉 个体的态度

- 做好“局部最优”：未来注定多变，作为个体，任何过于长远的计划或许都不太靠谱。先做到局部最优，拥抱新技术去解决好身边的问题就行。

- 信仰“全局最优”：相信人类社会的智慧和自我修复能力，相信更多人值得更好的生活，关注社会公平，关注技术进步过程中的弱势群体。每多一份信仰，天平就会往“正和”的反向多倾斜一点。

多少有点发宏愿、立Flag的味道。也是人之常情：越是不顺，就越难保持目标上的定力；害怕错过，看到什么风口都得赶一赶。

难的不是成功之后，保持气定神闲。而是在很多事都不太顺利的时候，还能沉下心来，仔细琢磨清楚，抵挡住外界干扰诱惑，想方设法执行到位，并坦然接受所有可能的结果。

从信息安全的角度，如果团队使用cursor这样的AI开发工具。应该把类似.cursorignore的AI Exclude文件作为标准文档放到项目中，并在每次项目提交的时候进行评审，及时纠正。

应该考虑屏蔽的：账密、隐私敏感信息、有明显业务标识的信息、含核心技术逻辑的代码等等。

团队内部需要有一套规则。另外，为了提高代码审查效率，可以布一个私域模型，对AI Exclude的执行情况自动评审。

#AIDevSOP

AI的存在不是我们进行“奶酪式”学习的理由。

读可汗的《教育观》，里面提到“奶酪式学习”，指的是：很多概念看似学懂了，但并没有真懂；日积月累，面对一些稍微复杂的知识就会难以掌握。里面讲到的一个例子是“微积分”，如果有扎实的代数和三角函数功底，理解微积分的概念就会相对容易，否则就会很吃力。

AI的辅助下，我们能快速完成很多事。编程的时候也敢尝试很多没碰过的技术栈。但如果不小心，就会留下“奶酪式”的病根：碰到真正复杂的问题，就难以突破。要让自己保持进步，和AI同频，要在两方面努力：

👉复盘核心逻辑：一个问题被解决后，需要要去搞清楚，这个问题被解决的核心思路是什么。

👉知道自己不知道：去弄明白自己不知道哪些事情，这个在之前比较难做到。但现在无非就是让AI归纳项目里用到的主要方法，然后对照去看自己哪些东西是不明白的。

技术的进步是为了让人变得更好。为了达到这点，人类可能需要比以往更加自律。

以自勉。

最近看到不少关于Cursor、Copilot、Windsurf的讨论。其实，产品功能和生态都还在快速迭代，目前不用过多纠结细节，没必要FOMO。选一个大致合适的用起来，然后保持观望、保持灵活。

有些真正会让人头疼的问题，是在团队和企业层面，得早点考虑：

👉 开发团队内
- 之前的开发流程，哪些该变、哪些该舍？
- 人员角色和分工是不是要重新定义？
- 项目管理方式、管理工具是不是要做对应调整？
- 开发规范、代码格式、注释风格是不是要调整？

👉 跨团队跨部门
- IDE也许不再是只有程序员使用的工具，那其他岗位工作流程和规范？
- 大模型工具是不是也得统一规划一下，避免各自为政？
- 最佳实践、好的Prompt、好的工作流怎么沉淀？

👉 安全合规
- 数据安全怎么控？
- 信息权限要怎么重新抽象和定义？
- 哪些代码和信息不能随便提交给IDE工具？
- 如果短期内国内没有合适的产品，梯子的问题怎么处理？

学习吴恩达推的新课——Colin Jarvis主讲的“Reasoning with o1”。一个多小时，有jupyter notebook可以演练。

在o1的推理能力下，利用meta prompt来做prompt优化，或者一个prompt内完成多角色任务协作，是一个值得钻研的使用方向。

《Practical text-to-SQL for data analytics》，来自Linkin的技术博客，提到的思路不只是在text-to-SQL中有用，在类似的RAG应用里也可以借鉴：

👉 被检索到的内容跟最终用户的问答习惯有差异 —— 可以让领域专家来补充信息，或者训练LLM来生成描述。

👉被检索到的内容很多 —— 可以基于业务逻辑来缩小搜索范围，比如挑出使用频率最高的；及时把过时内容剔除。

👉 查询日志、用户习惯也是很好的信息输入 —— 可以帮助判断历史上哪些信息是有用的。

👉 要真正让用户用起来 —— 交互层面的工作也很重要。

怎么用大模型辅助数据分析？《Demonstration of InsightPilot: An LLM-Empowered Automated Data Exploration System
》这篇论文给出一个很完整的Pipeline。

🐶 ==首先试想：如何得到数据洞察？==

日常做一个数据分析，比如，关于某城市A的销售额分析。首先会看一看A城市销售额的趋势【Step1】。

如果发现A城市1月的销售额下降了（或者是增长了），会选择其他城市（或者其他年份）做对比分析。如果其他城市都在下降，那么大概率是一个正常的趋势。但如果发现某城市B的销售额并没有下降，就可以把B城市作为对比对象，看看两者有什么差异。【Step2】

为了进一步分析差异产生的原因，需要引入两个城市的一些特征进行对比，通常可以基于业务理解，引入一些启发性的因素。比如，两个城市的天气是不是有差异；又比如，一个是旅游城市，一个是普通城市，会不会在旅游季节产生较大的销售差异。通常为了归因到是因为某因素X而导致的差异，会尽量保证A城市和B城市在其他特征上都是类似的。【Step3】

🐶 ==论文的思路==

InsightPilot：顾名思义，就是用LLM作为Pilot（领航员），按照用户的分析意图，调度三个不同的Insights Engine来给出数据洞察。

三个Insights Engine介绍如下：

🤖 QuickInsights：完成基本的数据分析。在数据集S上，按照B维度，针对M度量完成分析。【👆类似上面Step1】

🤖 MetaInsights：完成更高层面的对比分析。针对初始的分析，提出进一步的假设（hypothesis），并做进一步的验证分析。【👆类似上面Step2】

🤖 XInsights：找寻差异产生的因果关系。找到变量间定性的因果关系，据此得到对应的分析思路，执行分析并产生数据解释。【👆类似上面Step3】

另外，数据分析过程不是线性的，需要不断反复、迭代。这个过程中LLM需要判断，是不是能回答用户的问题，并按需调用不同的Insights Engine。最终把所有得到的Insights筛选、归纳后输出。

参考：
👉论文原文：arxiv.org
👉作者写的总结：www.msra.cn

节前开始读《A Survey of Large Language Models》这篇论文，节后总算把比较感兴趣的部分都看完。关于LLM概念零零散散接触到不少，这篇文章做了一个非常好的归纳和串联。按照文章结构，把预训练部分提到的关键概念做了整理，详见图片。

论文原文：arxiv.org