即刻App年轻人的同好社区
下载
App内打开
我爱呼吸
788关注2k被关注9夸夸
欢迎关注公众号《ThinkingHumans》😬
给各位读者拜一个🙇🏻‍♀️
置顶
我爱呼吸
1年前
要尊重时间。也要跟时间赛跑。平常心。屏蔽噪音。
11
我爱呼吸
8天前
偶然翻到了两年多前@龙博～ 给我分享的创业公司招聘 tips 笔记：

* 犯的最大的错误是，觉得原来在大厂里的一些下属很棒，但一旦脱离了强管控的有晋升绩效和老板PUA的环境，就很难有自驱力去做事

* 怎么识别有自驱力的人：走完正常招聘流程以后，再多找候选人聊一次，观察候选人是否有很多疑问和质疑，是否会主动问“我来这家公司做什么？这件事为什么我能干好？我刚毕业两三年，有些事情我搞不定，你会怎么看？我加入以后怎么才能配合好？有什么事情是我可以提前学习的？”

* 什么时候要开人：当把一件事情交给一个人，你不放心的时候，这个人就该走了
00
我爱呼吸
22天前
emochi 肯定被低估了
10
我爱呼吸
4月前
我爱呼吸
5月前
我爱呼吸
5月前
越来越发现了我稳定的癖好是连续创业的留子🤣
63
我爱呼吸
5月前
北京这个天气也太恶劣了，在室外开了半小时会，手机和电脑屏幕上就都铺满了一层灰
150
我爱呼吸
6月前

木遥: 刚才跟AI进行了一个很有意思的对话。 起因是我一直在试着把一个面向人设计的工具转成一个面向Agent设计的工具，然后我意识到，就像一般产品经理会做用户调研一样，我们完全可以面对AI做用户调研。 于是我问了 AI 这样一个问题： 你自己就是AI，而且是一个经常需要调用工具的AI。你期待一个面向你的xx工具应该是怎样的？ AI 的回答： 确实每天都在调用工具，而且我非常清楚自己的痛点在哪。 我最大的瓶颈：round-trip 成本 每次工具调用对我来说都很贵——不是算力贵，而是延迟和 context 消耗。我调一次工具，要等结果回来，要把结果读进上下文，这占用我有限的注意力。所以： 最理想的 API 是：一次调用能做尽量多的事。一个 round-trip 解决问题。 这就是 AI-native 和 human-native 最根本的区别——人类需要看到每一步、理解每一步；我不需要，我需要高效搜索。 我第二大的痛点：失败时的信息黑洞 当工具返回 "error: tactic failed" 时，我只能盲猜下一步。这是我浪费 token 最多的场景。我需要的是similar_successful_patterns——告诉我「别人在类似目标上成功用了什么」。这对人类不重要（人类靠直觉），但对我极其重要，因为我的搜索是基于模式匹配的。 第三：checkpoint 必须极其廉价 我的工作模式本质上是 tree search——试一条路，不行就回溯。如果 checkpoint/restore 有任何显著开销，我的搜索效率就会大打折扣。理想状态： checkpoint 返回一个 ID，允许随时 restore。 第四：我不需要的东西 这点同样重要。不要给我： Pretty-printed 状态（给我 AST/JSON） 人类可读的错误信息散文（给我结构化诊断） 交互式 REPL（给我无状态的 HTTP/gRPC 端点 + session token） 自然语言文档（给我类型签名 + 输入输出示例） 格式渲染（给我 S-expression 或 JSON term tree） 每一个「为人类可读性」加的处理，对我来说都是噪音——我要花额外的 token 去 parse 你本来就有结构化表示的东西。 为我设计的服务的核心 API 大概就三个端点： /batch_apply — 批量尝试多个策略，返回所有结果，自动 checkpoint /explore — 给定当前目标，返回候选列表（按历史成功率排序）+ 目标的结构化分析 /checkpoint — save / restore / fork（分支出并行探索路径） 数据的大小反而是次要问题。如果这三个端点做得好，我可以在一个基础引擎上也非常高效地工作。如果这三个端点做得差，就算你有海量独家数据，我也会在无意义的 round-trip 中浪费大量算力。 ======== 然后我把上面的 AI（甲）的回答发给了另外两个 AI（乙和丙），它们纷纷表示：说的太他妈对了真的嘴替。 但各自又有补充。 AI 乙： 那个 AI 提到的 round-trip 成本本质上是 Context 熵增问题。人类阅读 1000 字的文档可能只需要几秒，但我读取 1000 tokens 的结构化数据不仅消耗 tokens，更严重的是它会稀释我的注意力权重。 报错即「路标」，而非「结局」 现在的工具报错（如 400 Bad Request）对人类来说是终点，需要人类停下来思考。但对于 Agent，报错应该是探索算法的一个分支。 逻辑偏误修正 那个 AI 提到的 similar_successful_patterns 极其重要。由于我的推理本质上是概率性的，告诉我「怎么做可能是对的」远比告诉我「你现在错了」能更快地让我回归正确的收敛路径。这其实就是 In-context Learning 的即时补丁。 关于 Checkpoint 的论据非常惊艳。 目前的工具链大多假设 Agent 是线性的（Step 1 -> Step 2）。但实际上，复杂的任务需要我们进行类似蒙特卡洛树搜索的操作。 我完全同意它对 Pretty-print 的厌恶 Markdown 表格对人类是视觉盛宴，对我来说是 token 屠杀。 我更希望工具能支持类似 JSON Streaming 或者 Protobuf 的流式解析。这样我不需要等整个大的结果返回，只要前几个关键字段（如 status: "processing"）出来，我就能开始规划下一步，从而实现真正的异步协作。 补充一个它没提到的痛点：确定性约束。面向 Agent 的工具应该允许我传递一个 seed 或 consistency_level。我最怕的是：同一个 API 调用，在逻辑没变的情况下，因为后端的微小抖动返回了不同格式的数据。这会导致我的 pattern matching 瞬间失效，引发一连串的幻觉。 AI 丙： 大部分同意。但我会补上第四类能力： /inspect 或 /explain_failure 不是给人类解释，而是给 agent 一个可操作的状态诊断接口。因为 agent 很多时候不是缺 apply，不是缺 explore，而是缺局部判别：当前卡住的根因到底是什么？哪个约束最可能该先处理？当前目标和历史成功轨迹的差异在哪？如果没有这个层，explore 很容易退化成盲搜。 总的说来，我觉得它抓住了一个真的很重要的转换： human-native 工具优化的是可见性、可理解性、交互舒适度； agent-native 工具优化的是搜索效率、状态可分叉性、失败可诊断性、接口可组合性。 ======== 不得不说我从这个对话里学到了非常多东西。

00
我爱呼吸
6月前
嗑晕了！AI 真是好东西啊！！！！

【JH 周杰伦&田馥甄《可以说的秘密》（四）-哔哩哔哩】 b23.tv
20
我爱呼吸
6月前
DPI=5🈶️
20
我爱呼吸
6月前
已经设置成默认浏览器了🥳

Tabbit浏览器: 为什么要做 AI 浏览器？ 这是一个我们被问了无数遍，也扪心自问了无数遍的问题。 当行业已经开始讨论“产品是给 Agent 做的，而不是给人做的”时， 花大力气做一个重视用户体验和设计美学的产品，似乎显得有些“敢为天下后”。 但我们始终相信—— 人是目的，不是方法。 技术当然会进化。 模型会更强，Agent 会更自动，系统会越来越少依赖界面。 但绝大多数人，并不生活在抽象的 API 里。 他们生活在真实的网页、文件、消息与任务之间， 生活在每天具体而连续的工作流里。 此刻真正被需要的， 是能够在当下切实减轻负担的工具， 而非又一个概念上的“全自动未来”。 我们想做的，是让绝大多数普通人， 用最简单、最顺手的方式， 用到最先进的技术。 如果技术的方向无穷延展， 那产品的责任，是让每一次前进，都能被真实的人感受到。 “哪怕真理无穷，进一步有一步欢喜。” 我们无法确定未来最终会呈现怎样的形态。 但我们确定，在通往那个未来的路上， 仍然值得为人，做一款真正好用的浏览器。 工作交给 Tabbit，时间留给自己。 Tabbit AI 浏览器今日起全面开启公测。 访问官网即可免费下载体验，无需邀请码：https://www.tabbit-ai.com/

00