<p align="right"><font color="#3f3f3f">2025年04月09日</font></p> ## LLMs的使用 - **上下文长度面临长任务的局限性**：当下200k的上下文其实相当于1MB左右，可以承载内容有限，在面临长任务的处理时，拆解子任务的技巧就变的尤为重要。 - **面向AI编程需要非常清晰的理解和表达需求**：```不清晰*准确率=更低的准确率```，如果让本来就想不清楚或讲不清楚的人使用AI编程，相当于是0.8*0.8=0.64，会获得更加不准确的结果。 - **在泛化程度与确定性之间找到平衡点**：垂直领域的Agent，局部固化的代码是不确定性到确定性之间的桥梁。从理念上有JVM的JIT类似，针对热点代码将其编译为机器码用来提高效率。 - **评测系统对做好一个AI产品的重要性**：当下从LLMs到各类Agent的开源技术基本都是没有秘密的，产品层面主要拼的是对用户需求的理解。但是当我听了Cursor创始人的访谈后，发现结合用户真实数据建立的评测系统，以及评测系统中的**高质量数据集**是第二个更重要的壁垒，同时也**AI产品最重要的资产**。 ## 与个人的关系 - **真实的拓展了个人能力边界**：可以快速的做到之前需要花很长学习时间才能做到的事情，在AI的辅助下可以一边做一边学。比如我想开发一个浏览器插件，只需要做基本的框架选型调研，就可以使用Cursor快速的搭建起项目。 - **LLMs的增益范围**：其通用性对个人或小团队的增强效果更大，反而在垂直领域使用起来难度比较大，大公司内要在垂直领域做到足够好的效果，可能模型微调是未来的主要路径。 - **提升人类的工作质量**：让AI去做人类不愿意做的事情，比如写单元测试、写注释、处理工单等。从这个角度上看不一定是提升效率，而是是提升质量。 - **重新选择生产力工具**：具有高度开放性的平台会对生产力有更大的增益，比如vscode、raycast、obsidian等有丰富插件生态的平台，第一层含义是这类平台可以通过插件生态快速接入AI的能力，第二层含义是随着AI编程的熟练运用，可以快速的为自己的独特需求定制插件，获得更符合个人习惯的工具。 - **快速的改变使用习惯**：当下这个阶段需要具备能够快速改变习惯的能力，认知到更好的使用方式或工具后，能够快速的切换过去。如从JB系列IDE切换到VSCode开发Java、从主动编码改为写MD文档让AI生成代码。 - **全力的使用AI从痛苦中发现机会**：当下AI的技术依然存在比较多的局限性和争议，作为个人或者未来的创业者来说，需要全力的使用AI，并且深入思考这个过程中的痛苦，其中的痛苦既是商业机会。 ## 关于团队 - **每个人对LLM不同的认知+焦虑会割裂团队**：随着大家逐渐建立自己对LLM的认知，就会出现不同的选择方向，时间长了之后就很容易发生分歧。此时团队需要具备一个足够开放环境，引导大家对不同思路和方向的理解和接纳。对的路径肯定不是一直有一条，只是子弹还在飞，理性的吸纳有价值的认知可以加速成长。