最新

Deepseek到底是如何做到这一点的？他们是否只是将Claude的回答输入到自己的模型中，作为训练数据来提高推理能力？ 具体来说，如何在一个模型的输出上训练另一个模型？这里涉及到哪些工程技术？ 我希望能详细了解一下这个过程是如何在大规模上执行的。 背景故事： Anthropic最近指控Deepseek、Minimax和Moonshot使用大量虚假账户与Claude进行交流，并利用这些输出训练模型，称之为“蒸馏攻击”。

现实情况：他们没有。但这项技术是真实的。我正在构建一个人工智能销售开发代表（SDR）平台，想与HN社区分享这个技术栈。 项目：Babuger Babuger自动化整个外呼/内呼生命周期。它通过训练你最佳销售代表的脚本来筛选潜在客户、处理异议，并全天候安排会议。 问题：传统的SDR团队成本高昂（每年15万美元），人员流动率高，并且忽视“死”线索。 解决方案：一个人类协调者管理20多个专业的人工智能代理。 结果：90%的任务自动化和70%的被忽视管道的响应率。 技术栈 我保持现代和模块化，以处理复杂的多步骤推理： 代理协调：LangGraph。这对于处理非线性对话流程（循环、条件路由和状态管理）至关重要，而标准的有向无环图（DAG）无法处理这些情况。 大型语言模型框架：LangChain。用于提示模板、输出解析和整合各种工具集（Gmail/Cal.com/HubSpot）。 前端：Next.js。管理仪表板、实时电子邮件线程预览和实时管道分析。 我为什么要发布 我在寻找“HN压力测试”。使用LangGraph的代理方法是否适合扩展到每月超过1万次的互动，还是应该考虑更自定义的状态机？ 查看一下：Babuger.com