即刻App
年轻人的同好社区
下载
App内打开
江无焱
727
关注
3k
被关注
7
夸夸
🎰赌场情绪按摩师💆♂️
🎇阑珊此夜别君去,绣锦他年再贺春
🍳tigergpt.app
🎭anser.im
置顶
江无焱
5月前
「努力在天赋面前不值一提」这句毒鸡汤,再抽象一点就是「这世界的确定性在不确定性面前不值一提」
你们内心的那些原则和秩序,从头到尾都只是一场幻觉——为了自我保护,晚期智人这个物种在“自然”和“社会”中几万年的演进、你这个个体在小环境里几十年的发育,所构建的一场表演而已,与大语言模型装模作样吐出的<thinking>标签并无二致。
9
1
2
江无焱
2天前
附议
今越_Yue: 做用户访谈和写产品设计文档是产品经理最幸福的时刻,一直如此。🧘
2
0
0
江无焱
3天前
既然已经拆封没法卖二手了,明天带到办公室 跟兄弟们推个心置下腹,好吗🌝
林氪: 拼多多1399的茅台收到货了 前天写了篇拼多多百亿补贴茅台1399了的文章,评论区吵的不可开交。 一般来说,我所有文章的留言和回复都是自动公开的,如果看不到,可能是系统直接屏蔽了。当然,如果特别没素质又没一点增量价值的,我也会自己屏蔽。 说回那篇文章,很多对拼多多偏见比较重的,都觉得1399的茅台肯定是假货,更刻板的,估计觉得拼多多都是假货,没有人敢买。 想到自己2600的价格都在拼多多买过茅台,1399都对半砍了,有什么不敢买的,于是整了两瓶。 今天到货了,和大家分享下,特别是那些觉得拼多多都是假货的朋友,主要是给你们分享的。 前天下单,昨天徐州顺丰发货,今天中午签收的,打了个电话,直接就扔门口了。 包装非常严实,两头都贴着“无视频、不售后”的开箱须知贴纸,非常显眼。 感觉店家比我还紧张,非常担心你直接拆箱,连该怎么拍视频,什么角度、什么关键信息要拍到,都写清楚了。 我记得上一次买茅台,快递盒子上并没有写该怎么拍视频,看来商家也“吃一堑长一智”,越来越有经验了。 按照商家要求边录视频边拆箱,录完视频,来一张全家福。 按照网上通用的鉴定办法,扫了一圈,没有任何问题,实在挑不出来啥毛病。 最后用条形码/NFC再溯源下,物流码啥的各种信息都没问题,全都对得上。 我也重点看了瓶身,很完整,没有什么细孔。 总的来说,这酒是真的,百亿补贴还是很稳的。 但是大家对拼多多的“偏见”也是真的,我也想明白了,“偏见”其实是有价格的。 闷声发大财,先信先省钱。 兄弟们,不管你信不信,我先信了。
6
0
0
江无焱
3天前
脱北正式进入倒计时
22
15
1
江无焱
3天前
真正的取舍 肯定是痛苦的
不痛苦的取舍 其实都是有明确偏好
8
3
1
江无焱
7天前
国内研发产能过剩了,出海 GTM/增长 在未来几年肯定是高收入职业
随便投放下 Google SEO、FB、X、Reddit 和垂直论坛社区,肯定是不够的,需要的是【清晰用户画像的精细化场景增长】
尤其是现在在做出海 AI 应用的,无论小中大厂,还是一人公司/超级个体,肉眼可见的 desperate
没有中国Startup在美国实现过10-100的增长 - 小红书
2
0
2
江无焱
9天前
数据结构表、字段说明表搞多了的 PM 确实是这样的
(我是真的吃这种夸奖啊🤣
13
8
0
江无焱
12天前
北京十年
在我眼里 这城市没啥硬伤
就是弥漫着一种 慢性压力
11
1
1
江无焱
13天前
数据治理,对于互联网公司是一个 CTO 级别的难啃骨头,我敢大胆下判断:直接挡住了 99% 的公司
Kenny_肯尼: 看了一篇uber 在内部通过 agent 来做业务数据检索的实践,是很标准的 agent 逻辑,值得参考,如果你在产品里还没找到 AI 落地的方式,那么可以做一些内部提效的实践,积累经验 《Uber 如何构建用于财务分析的对话式 AI 助手:让查数据像给同事发消息一样简单》https://ybzavo65ti.feishu.cn/wiki/SMRLwGE0eiWSfqkmnB8cGCFjn8f?from=from_copylink 如果想查一些业务数据,要么自己去找风神/灯塔之类的数据后台,要么找数据分析师跑 sql,响应比较慢。于是 uber 做了一个对话式数据助手,在 slack 问 agent 数据问题,agent 直接回复,让数据检索如同向同事发送消息般简单。 就像老板半夜问我一个数,如果周报里没有现成的,我就要看遍数据集,甚至求DS 帮我跑 sql,然后给老板一个直接、清晰、简洁的答案。 几年前我和DS 说,能不能以后出来一个人工智能,老板想看什么数据,它就从数据库里跑出来,不要老是找我。DS 对我说,你不就是老板现成的人工智能吗... 在字节的时候,风神里也有输入自然语言,然后AI 帮我写 sql,但是发现实际用处不大,那些字段、口径,你都不知道水有多深,最终还是要靠 DS。在字节头一年,我学会了数据分析,后两年,我学会了口径分析。 这里总结一下 uber 的跑数 agent 的核心逻辑,我真希望各个公司都有这样的基建,让跑数不再反人性。 1. multi-agent 架构 主 agent做意图识别和分流,子 agent 处理对应的具体任务,比如写 sql。 关于走 multi 还是 single,我觉得 uber 的场景走 multi 是合理的,因为每个 sub 的任务都比较独立且复杂,在 sub之间的传递信息也都比较明确,而很多业务场景其实用不到 multi架构,直接 single 就可以了。 2. 数据处理 最难的是数据源,因为不同数据集的字段都不一样,以及员工的自然语言的术语和数据集的字段名也不一样。如果直接把海量原始数据给 LLM,肯定是跑不出来靠谱的数。有两个关键方法 1)统一不同数据集的字段:不是直接在包含大量连接的复杂数据库上运行查询,而是做了一个精心策划的、单一表格的数据集市 (curated, single-table data marts) ,作用是为 Finch 提供一个高速、高清晰度、预先整理好的数据源。数据治理一直是难题,是 DS 的泪,一般人都不敢主动碰。我不确定 uber 是否真的解决了这个问题。 2)统一自然语言和字段名的映射:通过OpenSearch 来存储元数据。这些元数据包含了字段(列名)及其值对应的自然语言别名。这个持续维护也是比较难的。 3. 效果测评: 比较标准化,其实就是把环节拆分,分别用有标准答案的 case 来测评,最后端到端再验证。 1)路由准确性:当用户提出问题时,主 agent需判定应由哪个子agent处理请求。 2)子 agent 准确度:建一组常见用例,有正确可信的标准答案。通过将agent输出与预期答案比对,能及时发现准确率下降的情况。 3)端到端验证:通过模拟真实场景的查询来确保从输入到输出的完整流程正常运行。这有助于发现组件单独测试时可能遗漏的系统性问题
1
0
0
江无焱
13天前
感谢🙏基本上非常精准了:你更舒服的是「设计决策系统」而不是「承担决策本身的后果」。
再好的“分析能力”,如果不经常被放进「我要为结果负责」的真实场景,会变成一种自我安慰的高阶玩具。
HEXIN: 送给长期使用ChatGPT的人一个Prompts: 请根据你对我的记忆,有哪些事情是我自己意识不到的,但是如果明白了就能改变我的生活的残酷真相?请坦诚告诉我,以完全客观性的战略深度审视我的情况。
5
0
0
江无焱
16天前
太认同啦👀🌚
王二鹅Ere: 业务决定公司下限,核心团队决定公司上限
1
0
0