@cartainc membuat perintah sistem untuk agennya dengan menggunakan Lucidchart untuk membuat diagram alur kerja lengkap pakar domain. Kemudian generator prompt internal mengubahnya menjadi JSON, yang dimasukkan ke agen secara terprogram. "Tim yang paling memahami domain berkontribusi langsung pada desain prompt dan konteks, meningkatkan kecepatan dan relevansi tanpa perlu melatih model atau mempelajari ML," kata @JayantTikmani. Berikut adalah teknik prompting standar emas mereka, yang sangat bergantung pada pembelajaran dalam konteks. Untuk kisah lengkap tentang bagaimana Carta membangun agen yang menghemat 3.500+ jam tim internal per bulan, ikuti tautan di komentar.

Dalam esai kedua kami tentang Kecerdasan Terapan, kami menguraikan bagaimana @cartainc membangun agen internal yang menghemat tim mereka 3,500+ jam per bulan. @artshali CPO dan Direktur Pembelajaran Mesin @JayantTikmani membagikan detail yang tepat untuk mengubah tugas 11 menit menjadi tugas yang dapat diselesaikan dalam hitungan detik: - Berfokus pada alur kerja di mana penilaian manusia sangat penting tetapi tidak efisien - Membuat diagram alur kerja di Lucidchart dan mengubahnya menjadi JSON untuk bertindak sebagai perintah sistem agen - Memisahkan perilaku model dari integrasi UX dan alur kerja untuk iterasi cepat - Dan banyak lagi Baca cerita lengkapnya dalam balasan di bawah ini:

"Grup dengan pertumbuhan tercepat yang menggunakan Cursor bukanlah teknik. Ini adalah dukungan dan pendapatan," kata @fnthawar, VP dan Kepala Teknik di Shopify. Inilah yang mereka bangun ketika Shopify memberi semua orang akses ke model mahal (bukan hanya tim teknis): - Seorang insinyur penjualan meninggalkan GSuite Drive, Slack, Salesforce, dan alat lainnya karena dia membangun beranda pribadi "Apa yang harus saya lakukan hari ini?" di Cursor. - Perwakilan penjualan menggunakan Cursor untuk membuat alat yang menghasilkan perbandingan kinerja situs terperinci secara otomatis, yang membantu mereka memikirkan kembali cara mereka menjual. - Tim Revenue Tooling membuat agen permintaan proposal yang menjawab beberapa RFP sekaligus dan mempelajari jawaban mana yang paling berhasil. Publikasi baru kami, "Applied Intelligence," bertujuan untuk fokus pada bagaimana pembangun menggunakan AI di perusahaan mereka dan dampak yang mereka ciptakan. Dalam esai pertama kami, kami duduk bersama Thawar untuk mempelajari wawasan, taktik, dan alur kerja yang tidak jelas yang digunakan Shopify untuk menghidupkan memo ambisius salah satu pendiri dan CEO Tobi Lütke. Ikuti tautan di bawah ini untuk membaca lebih lanjut.

Startup Agen AI diluncurkan setiap hari. Tetapi penyedia cloud petahana (AWS, Azure, dll) yang dibangun di atas startup dimaksudkan untuk manusia, bukan miliaran agen otonom. Itulah mengapa saya sangat bangga bermitra dengan @blaxelAI, "AWS untuk perusahaan AI".

Kami hanya memecahkan pengeditan dokumen tanpa menggambar kotak. Kami sangat senang meluncurkan Edit—titik akhir baru yang mengisi dokumen apa pun secara otomatis. Edit merevolusi otomatisasi dokumen dengan secara otomatis menemukan semua bidang, tabel, dan kotak centang kosong dalam formulir, lalu mengisinya dengan data Anda secara cerdas. Untuk mencobanya, daftar daftar tunggu di atau lihat penerapannya di bawah ini 🧵

Shopify secara sadar menyimpang dari memo @tobi di satu tempat. Memo itu: "Sebelum meminta lebih banyak Jumlah Karyawan dan sumber daya, tim harus menunjukkan mengapa mereka tidak dapat menyelesaikan apa yang mereka inginkan menggunakan AI." Pengalihan: "Tunjukkan bahwa Anda dapat menggunakan AI lebih banyak dan kemudian Anda akan mendapatkan lebih banyak sumber daya." Perusahaan mempekerjakan 1.000 magang teknik, yang mereka sebut "AI centaurs": AI asli + menghadirkan cara paling kreatif untuk menggunakan alat terbaru. Magang ini memiliki "pola pikir pemula", yang diyakini Shopify membantu Anda menemukan jalan melalui masalah. Pelajari lebih lanjut tentang wawasan, taktik, dan alur kerja AI Shopify yang tidak jelas dalam cerita yang ditautkan dalam balasan.

Saya suka melihat aplikasi nyata vs. demoware yang cepat dipukul. Sebagian besar dari itu adalah mudah untuk melakukan kode greenfield. Menghubungkan ke basis kode yang ada, yang sebagian mungkin berusia 10 tahun, jauh lebih sulit. (Atau, dalam kasus banyak sistem pemerintah atau perusahaan, COBOL.)

Masa depan sudah ada di sini. Dan itu berjalan dalam produksi. Applied Intelligence adalah publikasi baru dari @firstround tentang bagaimana tim nyata membangun dengan AI. Pertama: Shopify. Ketika @tobi menjadikan penggunaan AI sebagai harapan, tim membangun kembali cara kerjanya. Mereka berbagi alur kerja, video demo internal, dan saran taktis tentang apa yang telah mereka pelajari sejauh ini. Selanjutnya: Carta, Atlassian, dan banyak lagi masing-masing menunjukkan bagaimana AI benar-benar digunakan dan dibangun.

Kami baru saja meluncurkan sesuatu yang baru di @firstround - Applied Intelligence, sebuah publikasi baru yang membagikan bagaimana perusahaan benar-benar menggunakan AI dalam produksi saat ini. Bukan teori. Bukan demoware. Alur kerja nyata dengan hasil nyata. Bagian pertama kami adalah dengan @Shopify dan itu 🔥👇

Setelah @tobi menerbitkan memo AI-nya yang sekarang terkenal, Anda mungkin melihat postingan serupa dari pendiri dan CEO lain membanjiri platform ini. Tetapi sebagian besar perusahaan masih dalam fase "memo dan demo" - rencana dan mandat ambisius, peta jalan "AI-first" di dek papan, fitur mencolok, dan demoware. Namun implementasi yang dapat diskalakan dan hasil nyata tetap suram. Jadi hari ini, kami meluncurkan publikasi baru untuk menutup kesenjangan tersebut: Kecerdasan Terapan. Ini bertujuan untuk berbagi bagaimana pembangun menggunakan AI di perusahaan mereka dan dampak berarti yang mereka lihat. Esai perdana kami adalah dengan Shopify, menindaklanjuti memo Tobi Lütke. Kami belajar dari VP & Head of Engineering @fnthawar tentang wawasan, taktik, dan alur kerja yang tidak jelas yang digunakan Shopify untuk menghidupkan memo ambisius. Baca esai di bawah ini.