关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
球速大会员再创新高：
✅球速体育
✅u存u提每日提款无上限，随便提、全球不限ip、免实名绑定手机号码、银行，大额出款无忧 （您的最佳选择，欢迎体验）
#亚洲顶级真人视讯博彩盘口！
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
👑福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
双向用户点击：@qsty168168_bot
🌐注册网址： qs1736.cc
Yann LeCun离开Meta，
是扎克伯格这辈子做的最正确的决定。
灵魂人物和绊脚石，
有时候就是同一个人。
LeCun是谁？
纯粹的科学家，满脑子世界模型和底层智能理论，听着特别高大上。
但你知道这意味着什么吗？
意味着他打心眼里看不起现在这套"大力出奇迹"的玩法，什么堆算力、堆数据、撞大运式的AGI，在他眼里都是不入流的。
这在学术上对不对？
当然对，无比正确。
但市场在乎这个吗？
市场根本不在乎你对不对，市场只看你会不会讲故事。
你看Sam Altman。
他跟你聊技术细节了吗？
没有。
他给你看什么？
Sora的震撼视频，GPT-5的想象空间，AGI的终极梦想。
星辰大海啊朋友们！
这就是叙事能力。
再看LeCun的叙事是什么？
"你们现在搞的都是错的，未来应该这样那样的。"
一个是狂热的布道者，一个是冷静的批评家。
你说投资人会相信谁？公众会追随谁？
所以啊，只要LeCun还在，Meta AI就永远带着那股学术气。它会做出Llama这种优秀的开源模型，会赢得开发者的尊重，但注意啊，"尊重"这个词在资本市场是没有溢价的。
在这场争夺"AI之王"的战争里，Meta永远差那么一口气。为什么？
因为从ChatGPT爆发那一刻起，这就不再是技术竞赛了，这是技术、资本、营销、公众想象力的全面战争。
扎克伯格明白这个道理吗？
当然明白。
但他需要LeCun这面旗帜稳定军心，吸引人才。
可是如果，注意这个"如果"，如果LeCun走了呢？
性质就全变了。
这等于什么？
等于扎克伯格彻底甩掉了最后的思想包袱。
他可以名正言顺地把Meta AI变成一个纯粹的、极具攻击性的商业机器。不再纠结开源还是闭源，不再纠结什么叫"真正的智能"。
所有资源，一个目标：
做出比GPT更强的模型，用最强势的方式砸向市场。
Meta缺什么吗？
算力有，数据有，人才有。
它唯一缺的，就是一个抛弃所有顾忌的"野心"。
LeCun的离开，就是这个野心被释放的发令枪。
所以你说，LeCun走，到底是好事还是坏事？
答案已经很明显了，对吧？
是扎克伯格这辈子做的最正确的决定。
灵魂人物和绊脚石，
有时候就是同一个人。
LeCun是谁？
纯粹的科学家，满脑子世界模型和底层智能理论，听着特别高大上。
但你知道这意味着什么吗？
意味着他打心眼里看不起现在这套"大力出奇迹"的玩法，什么堆算力、堆数据、撞大运式的AGI，在他眼里都是不入流的。
这在学术上对不对？
当然对，无比正确。
但市场在乎这个吗？
市场根本不在乎你对不对，市场只看你会不会讲故事。
你看Sam Altman。
他跟你聊技术细节了吗？
没有。
他给你看什么？
Sora的震撼视频，GPT-5的想象空间，AGI的终极梦想。
星辰大海啊朋友们！
这就是叙事能力。
再看LeCun的叙事是什么？
"你们现在搞的都是错的，未来应该这样那样的。"
一个是狂热的布道者，一个是冷静的批评家。
你说投资人会相信谁？公众会追随谁？
所以啊，只要LeCun还在，Meta AI就永远带着那股学术气。它会做出Llama这种优秀的开源模型，会赢得开发者的尊重，但注意啊，"尊重"这个词在资本市场是没有溢价的。
在这场争夺"AI之王"的战争里，Meta永远差那么一口气。为什么？
因为从ChatGPT爆发那一刻起，这就不再是技术竞赛了，这是技术、资本、营销、公众想象力的全面战争。
扎克伯格明白这个道理吗？
当然明白。
但他需要LeCun这面旗帜稳定军心，吸引人才。
可是如果，注意这个"如果"，如果LeCun走了呢？
性质就全变了。
这等于什么？
等于扎克伯格彻底甩掉了最后的思想包袱。
他可以名正言顺地把Meta AI变成一个纯粹的、极具攻击性的商业机器。不再纠结开源还是闭源，不再纠结什么叫"真正的智能"。
所有资源，一个目标：
做出比GPT更强的模型，用最强势的方式砸向市场。
Meta缺什么吗？
算力有，数据有，人才有。
它唯一缺的，就是一个抛弃所有顾忌的"野心"。
LeCun的离开，就是这个野心被释放的发令枪。
所以你说，LeCun走，到底是好事还是坏事？
答案已经很明显了，对吧？
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
《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
#182体育 封神榜
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
#反水无上限 #电子真人0审核包出款
💖N1国际专属客服：@N1vip888
🌟 财富连爆：PG麻将糊了首充6万U→连爆81万U🌟 势不可挡：神秘盘总首充4万→秒提 60万U🌟 豪赌封神：麻将拉500→单笔提 100万U🌟 连破纪录：大佬当日再爆→ 提币 280万U秒到🌟 命中爆点：高管首充4万→ 翻1520倍提76万U🌟 亿万备用资金池,大额无忧！硬核保障 查看
# 权威认证 # 百亿保障 # 真爆奖 # 信誉首选
球速大会员再创新高：
✅球速体育
✅u存u提每日提款无上限，随便提、全球不限ip、免实名绑定手机号码、银行，大额出款无忧 （您的最佳选择，欢迎体验）
#亚洲顶级真人视讯博彩盘口！
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
👑福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
双向用户点击：@qsty168168_bot
🌐注册网址： qs1736.cc
