在用coze编排工作流 对比之前用dify确实差异比较大
首先页面上，dify看来不灵活，但是相对简洁，干净 蓝白配色
工作编排逻辑都差不多，就是coze是不支持循环的，相同的功能是 节点自己批处理 以及批处理多个（并行）
节点上 肯定是coze丰富很多，很多不太稳定但是有效果的插件，官方也在不断加入插件
但是问题就是 coze用资源点 还挺贵对比部署的dify

编排中的时候 部分节点需要使用代码来进行过渡 筛选排序等

最近一直观察的领域是
Ai营销
基本所有人都在做，我不像我们老板那样会用什么生产力变革，或者交易模式重建 巴拉巴拉，过去的手机 互联网确实让人们更方便的进行交易，但是只是拉进距离，ai也许能实现更多的复杂场景下的交易，比如我买个专业点的课，或者我需要深入了解了产品参数再购买的东西， 但是这个点也是ai本质 提效 衍生出来的，提效不仅仅是全流程，更可以减少流程节点，让更少的人来完成信息的补充 最终支撑流程运转
好了说偏了
我觉着底层是 社会现状就是供大于需 有很多多余的货源，所以如果能把更多的货卖出去就能赚到钱，所以直播带货赚钱，所以mcn机构赚钱，他们其实是另一种消费模式的变革 情绪消费 信任经济
也因此当ai赋能甚至替代原来的流程，ai就是新的主播+整个交易链路 约等于交易 因为你可以通过这个板块完成 被触达 获取商品信息 理性了解洞察信息 针对自己情况选择对应商品 售前导购 售后咨询
这个场景下 ai营销约等于商品的销售额，ai即收益
这个事是很可行的，也一定会有很多人去做，在ai和自动化之间 大家可能不太好选，但是在ai且自动化下，人就处于一个被替代的位置

但是对应的产品设计上
必须要注意有过程监督，因为自动也没说自动全对，会有问题，就会卡死流程
中间关键环节可以授权客户，客户自己选择，重要事情的结果必须让人自己决定，这不仅仅是效果说，更是感受驱动，人类喜欢在重要事情上自主决策 而且人们普遍对自己的选择更宽容，对别人就不太行了

最近的一些感受
带我的大哥应该是我接触过的产品里面中等偏上的水平了，这个原因是因为他对规划和推进非常擅长，有条不紊，耐心对齐，对于技术细节也有比较好的积累
我觉着他的小问题可能就是不够尖锐，他更擅长协调，合理推进，这也是大公司的真实现状，为产品效果负责，一方面需要深刻的洞察，另一方面需要内部所有人的认可 我把他的这个工作习惯称为借力打力
借的是业务的需求 技术的局限 打的是畏难 是贪婪
这个习惯非常符合职场生态，就是在我们创业小团队有点多余，因为运营没有太专业的建议，技术？ 没有技术 哈哈哈哈 啥都不想做的外包 主要靠节奏的推进

Ai能做很多
生成 转换 提取
能规划 能洞察
但是不能做啥？
我觉着决策，排序等有偏好的就不能，因为他无法获取和我一样的信息，以及风格鲜明的个人偏好

只是因为尺度不一样，有可能对齐，如果简单就说得清楚；也可能对不齐，因为有不清楚的第六感决策以及隐形影响因子
“可能喜欢你，就是因为碰巧那天你zzz”

能轻易洞穿人类的矛，一定是基于人性的

新入门小白的感受
提示词目前常用的格式还是
角色背景任务限制 （谷歌主推）适当考虑语气 以及格式 当然也可以不用
推理的模型甭管原理是啥，效果确实高一点点，没提升模型能力上限，但是实现表现平均值的提升

不同模型可能针对于特定格式的propmpt进行了训练，比如dify的xml，markdown 能格式清晰的分区就行

主要搭建思路
通过对话调整，输出符合预期的内容，让模型提取关键信息，汇总成提示词
用提示词生成的工具给到初版
模拟任务，交代实习生讲清楚背景，思维，工作链路 （智力程度）

迭代思路
由简单到复杂 根据实际问题，强调重点 打补丁
太过复杂会影响提示词稳定性，可能需要重构提示词实现的链路
（业界目前初版 优质提示词工期在4天左右）

优化技巧
一定要有评估标准，通常都是针对性的处理
目前对于长度要求不高，但是希望在1000以内
任务拆分
少样本示例
输出格式规范 写清楚字段定义
思维链
决策链

适当区分user和sysytem中的位置，以及直接引用
模型在后端会有更好的指令遵循效果
通过看推理的think过程，了解模型理解的程度
Think step by step
模型真的会有偷懒机制，pua真实人生境遇（罚款 生病），或者强制输出过程中的一些节点的思考结果

内容来自于最新发布的吴恩达与LangChain 联合创始人 Harrison Chase 的炉边对话，关于State of AI Agents（AI代理的现状）。

🤔AI Agent builder最应该掌握和入门的技能有哪些？

💡Agentify 已有业务流程的能力
把现实流程（如查询、审核、数据检索）拆成清晰、有序的子任务并赋予合理的粒度。现实场景中大多数流程都是直线式的（linear）或只有很少的分支，且分支通常是出错/拒绝时才会出现。虽然更复杂的、包含复杂循环的 Agentic 工作流程也非常有价值，但从数量上看，更多的机会仍然是关于这些价值较高但更简单的工作流程（如报销、合规、审核）。

💡掌握并组合各种 AI “乐高积木”
当前大量的 AI 工具就像不同颜色和形状的乐高积木。开发者不必精通每个工具，但至少要用过试过，知道这块积木能拼什么。拥有使用这些不同“积木”的经验，开发者才能知道在构建特定功能时需要哪个“奇怪形状的乐高积木”，并能够快速地将它们组装起来完成任务。

💡构建“管道”（Plumbing）和数据集成
很多时候，开发者需要花费大量时间在数据集成的“管道”工作上，以便为 LLM 提供正确的上下文，使其能够执行有意义的任务。

💡Evals Framework：评估机制的搭建是最被低估的技能
📍吴恩达提出，先有评估，再谈优化。即使是很糟糕的评估框架，也比没有强。
搭建Evals Framework的技能仍然“过于稀缺”。许多团队长期依赖人工评估（human evals），这使得他们在出现改动后需要手动检查大量输出。正确的做法是快速搭建简单的评估（即使一开始质量很差），然后通过迭代改进它们，就像迭代改进代码一样。

现在才能深刻的理解到之前看的一句说 要能用一句话描述清楚自己的愿景 或者当前在做的事
因为我发现理解的不清楚没法精简，
话越多，越容易在多个团队间出现问题
而产品设计 就是需要准备的定义当前阶段重点 目标 用户人群
而且后面也尽量不偏移
不然就会出现各种各样的问题

当前的 Agent 产品存在三个严重短板：任务执行力差、成本高、没有记忆与学习能力。

用户对 AI 产品的付费动力：看起来，买的是工具的能力，但本质是是为了AIGC 的产物付费；是为优质的内容买单。

最近工作其实遇见了很多不太好处理的事
比如越能干就越多活的问题
比如担心稳定性的问题 不知道老板实际上是怎么样的人
越小的组织 稳定性和性能就越容易被个体的因素影响

比如工作没有规划，没有人来主动推进事情 也显得很吃力 因为缺少经验，所以无法判定节点的完成情况，
空降的领导 有经验 但是不做细节，每次都规划方向，
但是我也知道有规划，我也有清晰的优化路线，只是没有做事的人，巧妇难为无米之炊