Tikkaat katkesivat koko iltapäivän, ja minusta tuntui kuin olisin menettänyt yhteyden maailmaan

Edistyneimmät tekoälymallit kirjoittavat koodia, joka ei ole huonoa, ja moduulitaso ylittää reilusti ihmisohjelmoijien keskimääräisen tason. Moduulien välistä koodia rajoittaa kontekstiikkunan pituus, ja se saattaa vaatia ihmisen apua suunnittelussa, ja jos projektin rakenne on kohtuullinen, tekoäly voi myös käyttää olemassa olevaa koodia uudelleen pitääkseen sen KUIVANA

Tarkkaan mietittyään syy siihen, miksi tekoäly kirjoittaa koodia huonosti, ei ole se, että hän ei osaa kirjoittaa, vaan se, että hän ei osaa lukea. Ihmiset katsovat monia näennäisesti toisiinsa liittymättömiä asioita ominaisuuden vuoksi, mutta juuri nämä näennäisesti toisiinsa liittymättömät asiat tarjoavat sinulle mahdollisuuden pitää projekti KUIVANA. Jotta tekoälystä tulisi pilari, sen on ensin opittava tämä 🤪

Puhumattakaan siitä, että se on bodhisattvan. Jos kuolet nälkään luonnossa... Näin haudan tien varressa, ja siellä oli kunnianosoituksia. Kumarrut ja sanot: "Olen pahoillani, kuolen nälkään, ota kunnianosoitus syötäväksi." En usko, että kukaan tai aaveet nolaavat sinua...

Miltä sinusta tuntuu, että tekoälyn suunnittelututkimus on muuttumassa yhä filosofisemmaksi kieleltään?

Olen täysin samaa mieltä:1. Rinnakkainen yhteistyö useiden toimijoiden välillä ei ole yhtä vakaata kuin yksi säie. 2. RAG ei ole yhtä luotettava kuin perinteinen haku; 3. Mitä enemmän ohjeita kehotteessa on, sitä enemmän malli ei osaa valita. ——Alkuperäinen käännös on seuraava—— Matkalla tekoälyagenttien rakentamiseen tiimimme tunnisti @Cline kolme "ajattelevaa virusta". Niin sanottu "ajatteluvirus" on niitä houkuttelevia ideoita, jotka kuulostavat erittäin fiksuilta, mutta eivät toimi lainkaan käytännössä. Nämä kolme virusta ovat: * Usean agentin orkestrointi * Haun lisätty sukupolvi (RAG) * Mitä enemmän ohjeita = sitä parempi vaikutus Otetaan selvää! 1. Usean agentin yhteistyö Sellainen kohtaus tieteiselokuvassa - "taka-agentit, ammusagentit, analyysiagentit, komentoagentit" - suuren joukon aliagentteja lähettäminen ja lopuksi tulosten yhteenveto - kuulostaa todella siistiltä. Mutta todellisuus on, että suurin osa hyödyllisestä agenttityöstä on yksisäikeistä. Monimutkaiset yhteistyöprosessit tuottavat harvoin todellista arvoa ja aiheuttavat usein kaaosta. Tiedätkö, on tarpeeksi vaikeaa saada malli toimimaan vakaasti yhdessä säikeessä, puhumattakaan rinnakkaisen yhteistyölogiikan käsittelystä. Tämä ei ainoastaan lisää toteutuksen monimutkaisuutta, vaan tekee myös mallin ymmärtämisestä ja päätöksentekoprosessista erittäin monimutkaisen. 2. Käytä RAG:ia agenttien rakentamiseen RAG eli Retrieval Augmented Generation on myös ajatusvirus. Se näyttää teoriassa tehokkaalta, mutta käytännössä, erityisesti agenttiskenaarioissa, jopa perustekstihakukomennot, kuten GREP, ovat joskus parempia kuin se. Miksi RAG:n aura haalistuu varsinaisessa agenttityönkulussa? Koska haettu tieto on usein hajanaista, eikä malli voi muodostaa johdonmukaista ja hyödyllistä "ymmärrystä". Parempi lähestymistapa on lähes aina antaa mallin listata tiedostot itse, etsiä grep-tyyppisellä tavalla ja sitten avata ja lukea koko tiedosto (aivan kuten ihminen). @Cline-tiimi aloitti tämän tekemisen varhain, ja sitten näimme, että myös @Amp – Research Preview ja @Cursor – siirtyivät tähän pragmaattisempaan lähestymistapaan. 3. Enemmän ohjeita = parempi vaikutus On laajalle levinnyt väärinkäsitys, että yhä useampien "ohjeiden" kasaaminen järjestelmäkehotteisiin tekee mallista älykkäämmän. Tämä on täysin väärin. Kehotteen "kastelu" vain hämmentää mallia, koska enemmän ohjeita johtaa yleensä ristiriitaisiin ehdotuksiin ja tiedon ylikuormitukseen. Tämän seurauksena sinun on pelattava "whack-a-mole" -peliä ja jatkuvasti näperteltävä kaikenlaisia mallin outoja käyttäytymismalleja sen sijaan, että saisit todella hyödyllistä tulosta. Useimmille nykypäivän huippumalleille paras tapa päästä pois tieltä on olla huutamatta niille yrittäessään ohjata niitä tiettyyn suuntaan. Vaali jokaista sanaasi (tai merkkiäsi). Kaiken kaikkiaan kaikki kolme edellä mainittua ideaa ovat erittäin houkuttelevia. Jos et työskentele tekoälyn kanssa koko päivää, saatat ajatella, että niissä kaikissa on paljon järkeä – mutta ne eivät ole. Tietenkin taustalla olevien mallien ominaisuuksien parantuessa käsityksemme näistä menetelmistä voi muuttua tulevaisuudessa.