最新

因为他用完了所有的缓存。

萨提亚·纳德拉（Satya Nadella）等人曾宣称生成性人工智能（GenAI）将取代各种软件即服务（SaaS）服务中的“业务逻辑”或“中间层”。他们的想法是用户可以通过聊天界面与生成性人工智能模型互动，然后该模型会直接与数据库进行交互。这显然会使几乎所有的SaaS应用程序变得多余。 然而，实际上发生的情况是生成性人工智能正在“向上堆叠”，越来越远离数据库。现在没有人再谈论取代SaaS了。相反，生成性人工智能变成了一种装饰，像是撒在现有SaaS应用程序上的一层东西，并没有真正替代它们的任何现有功能。 这种“向上堆叠”的转变充分反映了我们当前模型的无能。它们如此无能和不可靠，以至于无法替代Excel的任何一个部分。例如，微软所做的只是“在上面加上生成性人工智能”，将“弄明白”如何使其有用的责任转移给了用户。我们从“用聊天代理替代它”变成了“只是在上面加一个聊天代理，希望能有所作为”。换句话说，我们实际上让我们的SaaS应用程序变得更加复杂，而不是整合它们的功能，从而简化它们。

不使用API，实际上是从头开始训练一个模型，即使是一个小模型。<p>关于数据、训练过程或输出，有什么让你感到惊讶的地方吗？

嗨，HN，我是来自Contextual AI的Jay（<a href="https://contextual.ai" rel="nofollow">https://contextual.ai</a>）。 我们正在构建一个专注于技术行业（如半导体、航空航天、制造等）的AI代理平台。Agent Composer是我们强大的新视觉构建器和运行时，用于创建能够对技术文档、日志和规格进行推理的代理。 我们解决的问题是：通用AI在复杂技术任务上表现不佳。这并不是因为模型没有能力，而是因为它们无法获取正确的上下文（数据表、测试日志、流程规格、机构知识）。 Agent Composer的功能包括： - 三种创建代理的方式：预构建模板、自然语言描述或空白画布 - 视觉拖放构建器，提供无代码体验，同时为开发者提供YAML配置 - 混合工作流：将确定性步骤（合规检查、验证）与动态推理（根本原因分析、研究）结合 - 基于您的数据，提供完整的归属 我们在构建过程中学到的经验： - 解析比人们想象的更为重要。包含表格、图形和交叉引用的技术PDF会破坏大多数现成的解析器。我们自己构建了一个。 - 检索精度至关重要。基本的向量搜索可以解决70%的问题；最后30%需要混合检索、重新排序和查询重构。那最后的30%是“精彩演示”和“真正有用”之间的区别。 - 企业需要控制。纯自主代理让合规团队感到害怕。在一个工作流中混合确定性和动态步骤的能力是对客户反馈的直接回应。 以下是一些供您探索的链接： - 产品快速入门指南：<a href="https://docs.contextual.ai/quickstarts/agent-composer" rel="nofollow">https://docs.contextual.ai/quickstarts/agent-composer</a> - 我们构建的有趣火箭科学演示：<a href="https://demo.contextual.ai/" rel="nofollow">https://demo.contextual.ai/</a> - 博客：<a href="https://contextual.ai/blog/introducing-agent-composer" rel="nofollow">https://contextual.ai/blog/introducing-agent-composer</a> - 免费账户注册链接：<a href="https://app.contextual.ai/?signup=1" rel="nofollow">https://app.contextual.ai/?signup=1</a> 欢迎深入讨论架构、检索策略或经验教训。您有什么问题或反馈吗？