最新

最近，我在听“播客：谷歌DeepMind”，教授汉娜·弗莱展示了《费马大定理》这本书，并与Gemma 3 VLM进行了讨论。那一刻让我感到一丝熟悉，我隐约记得这本书，但却想不起自己是否读过。出于好奇，我买了一本并阅读了它。 当我去更新我的Goodreads时，发现这本书已经被标记为已读。突然间，一切都回来了，原来我在十年前就读过这本PDF版本，那时我简直停不下来地谈论它！再次完全沉浸在这个故事中，感到无比兴奋，仿佛这是第一次阅读。 你有过这样的经历吗？ 你是否曾经热切地开始一本书，却在阅读过程中（或之后）意识到自己多年前已经读过？ 如果有，哪本书让你感到似曾相识？ 重读它是否唤起了记忆或激发了同样的兴奋感？

我无法想象还有什么比人工智能打电话询问问题对已经苦苦挣扎的小企业更有害的了。 让我们举个例子。Curl。他们一直在与人工智能的错误报告问题作斗争。这不仅浪费时间，而且毫无用处，实际上还在消耗他们的精力。 你认为人们点击拨打电话会有更好的体验吗？这是默认选择退出！忙碌的小企业主会发现自己不断接到奇怪的随机电话。他们根本无法理解被问到的是什么，谁在打电话，或者为什么会有这样的电话。 我认为这在伦理上非常可疑。我无法想象这会带来任何好处。

嘿，HN！我们是Empromptu.ai，一款构建AI应用的工具（每个应用内都内置了RAG、模型和评估功能）。 演示链接： [https://app.storylane.io/share/rtneodkf5i1l](https://app.storylane.io/share/rtneodkf5i1l) 我们创建Empromptu是因为在使用其他AI构建工具时消耗了成千上万的积分，却遇到了同样的问题：看起来很酷的原型或演示在真实用户面前崩溃。 问题不在于构建过程，而在于准确性。大多数AI应用的可靠性停留在60%左右，这对于原型来说可以，但在生产环境中是不可用的。我们意识到这些工具并不是真正的“AI应用构建器”，而是恰好使用了AI的网站构建器。 我们想先解决最棘手的问题：让AI应用实际可靠地工作。 我们的方法集中在我们称之为动态优化的技术上。我们的系统不是将每个可能的场景塞入一个庞大的提示中（这会让大型语言模型感到困惑），而是根据上下文进行调整。例如，一个旅行聊天机器人会自动知道在提到洛杉矶时要提到LAX，而提到多伦多时要提到Pearson。这种方法的准确率稳定在90%左右，而行业标准仅为60%左右。 但仅有准确性还不够，因为我们还需要解决构建者的差距： - 简单构建器（如Lovable、Bolt）：创建静态网站，而不是AI应用。 - 复杂的机器学习工具：需要专门的团队，而大多数初创公司并没有（如Arize、Voxel51）——我们也听到过技术和非技术创始人表示这些工具非常复杂。 - 缺失的部分：构建应用的工具，其中AI是嵌入的功能。 因此，我们构建了内置优化的AI代理。用户只需输入他们想要构建的内容，我们的代理就会处理完整的开发流程：创建嵌入模型、RAG和智能处理的应用。您可以通过Netlify、GitHub部署到自己的基础设施，或直接下载，因为您可以在本地运行它。 结果是：初创公司、独立开发者和企业可以在不雇佣专门的机器学习团队的情况下构建AI应用或AI功能。 候补名单： [https://empromptu.ai](https://empromptu.ai) 我们非常希望听到HN社区的反馈——特别是如果您遇到过类似的准确性问题或对技术方法的看法。