Depois que os LLMs foram lançados, o lançamento na camada de aplicação nunca parou. Do ajuste imediato à configuração do fluxo de trabalho e à criação de agentes, o objetivo final é o mesmo: fazer com que os LLMs funcionem melhor para os humanos e reduzir o desempenho da máquina ao extremo. A compressão de LLMs pode ser dividida em duas dimensões. A primeira é ajudá-lo a encontrar o algoritmo ideal e tornar o raciocínio menos desvios. Para esse fim, percorremos quase todos os caminhos que podemos imaginar, permitindo que os LLMs aprendam a refletir (reflexão, autoconsistência, autocrítica) e aprendam a raciocinar e planejar (raciocínio, planejamento, cadeia de pensamento, árvore de pensamento). aprenda a memorizar (memória de curto prazo, memória de longo prazo) para não perder a memória após uma longa conversa; aprender a encontrar conhecimento (RAG, gráfico de conhecimento) e complementar fatos no mundo externo; Aprenda a construir a construção de contexto para colocar informações mais válidas em tokens finitos. Aprenda a usar ferramentas (uso de ferramentas, chamada de função, MCP) para deixar as coisas para programas externos executarem, em vez de gerá-las por conta própria; Espere um minuto. O objetivo essencial dessas coisas é ajudar os LLMs a entender o que os humanos estão fazendo mais rápido, encontrar o caminho menos dispendioso em torno do orientado a objetivos e correr para a solução ideal. A segunda dimensão é a compressão do tempo, permitindo que os LLMs trabalhem 24 horas por dia×, 7 dias por semana. Quando temos uma compreensão mais profunda dos LLMs, é fácil pensar neles como "funcionários digitais" para nós mesmos ou para nossa organização, que são incansáveis e não podem reclamar, e podem continuar operando e aprendendo. A maioria das pessoas usa IA hoje e ainda está presa em cenários de ponto único, como verificar informações, resumir conteúdo e escrever relatórios semanais. Precisamos primeiro planejar nossa própria fábrica digital de IA - pensar claramente sobre qual "produto" queremos criar, seja um sistema que acumula conhecimento, um processo de negócios automatizado ou um serviço que pode ser iterado por um longo período de tempo. Nesta fábrica, a IA é o executor na linha de produção, responsável pelo processamento e saída específicos; O papel do ser humano mudou, de "trabalhadores que trabalham pessoalmente" para "supervisores e gerentes". Em vez de fazer todas as etapas manualmente, os humanos projetam pipelines, definem regras, definem métricas, monitoram a qualidade e agendam recursos quando necessário. Em outras palavras, o valor da IA não é "fazer um pouco de trabalho" para nós, mas ajudar a administrar toda a linha de montagem, e os humanos são mais como "gerentes de fábricas digitais". Quando essas duas dimensões são combinadas, surge o verdadeiro ponto de inflexão. Os LLMs não são mais apenas ferramentas frias, mas gradualmente se tornam parceiros que podem colaborar por um longo tempo. Ele pode assumir o trabalho repetitivo e fornecer informações sobre questões complexas. Não se trata apenas de "fazer coisas para você", trata-se de "fazer coisas com você". A lacuna no futuro não é sobre quem pode escrever prompts mais bonitos, mas sobre quem pode realmente integrar LLMs em seu tempo e organização para formar um método de produção estável. Portanto, se será usado, que profundidade usará e se pode ser continuamente otimizado são as fontes de competitividade a longo prazo. Quem conseguir executar a IA como uma "fábrica" e se transformar de executores em supervisores e gerentes obterá benefícios verdadeiramente reutilizáveis e cumulativos em seu trabalho diário e negócios no futuro.

Além de fazer pesquisas profundas, o ChatGPT recentemente apoiou compras online, integrando comparação de preços multiplataforma e avaliações de usuários reais no chatbot. Todo o processo de "comunicação de demanda→ recomendação de produto→ comparação de preços de produtos→ referência de avaliação do usuário→ compra → pedido" pode ser concluído no terminal.

Para garantir a precisão, também farei uma comparação e verificação antes e depois das informações, e concluí o trabalho de pesquisa e coleta de evidências que só posso fazer em duas horas em apenas quatro minutos.