最新

出于一时兴起，我觉得在这个大家都说打字/编码已经过时的时代，创建一个触摸打字游戏会很有趣。希望你们玩得开心 :p

大家好，我们是Alex和Tyler，Voker.ai的联合创始人（<a href="https://voker.ai">https://voker.ai</a>），这是一个为人工智能产品团队提供代理分析的平台。Voker能够全面了解用户对代理的需求，以及代理是否满足这些需求，而无需深入查看日志。我们的主要产品是一个轻量级的SDK，具有与大型语言模型（LLM）堆栈无关的特性，专为代理产品而设计。（<a href="https://app.voker.ai/docs">https://app.voker.ai/docs</a>） 代理工程师和人工智能产品团队在生产环境中对代理性能的可见性不足，这导致了糟糕的用户体验、用户流失，以及数百小时的时间浪费在通过抽查来发现和调试代理配置问题上。 演示：<a href="https://www.tella.tv/video/vid_cmoukcsk1000i07jgb4j65u67/view" rel="nofollow">https://www.tella.tv/video/vid_cmoukcsk1000i07jgb4j65u67/view</a> 我们最近对YC创始人进行了调查，超过90%的受访者表示，他们知道代理在生产中是否未能满足用户需求的唯一方式是听到客户的投诉。他们会推送提示更改，希望能解决问题，而不破坏其他地方的功能，结果这一循环不断重复。 我们看到许多可观察性和评估产品涌现出来，试图解决这些问题，但我们仍然觉得代理监控堆栈中缺少一些东西。可观察性工具适合单个追踪调试，但仅对工程师可用。评估工具适合测试已知问题，但无法提供团队未预料到的趋势洞察，因此工程师总是处于追赶状态。传统的产品分析工具在跟踪产品表面上的点击和页面浏览方面表现良好，但并不是专门为代理产品构建的。了解用户希望从代理中获得什么，以及代理是否满足这些需求，需采用特定的对话智能和非结构化数据处理技术。 我们提出了意图、修正和解决方案的代理分析原语，以描述几乎所有对话代理的共同点：用户总是带着意图来与代理互动，用户可能需要在实现其意图的过程中纠正代理，希望每个用户的意图最终都能被代理解决。 Voker通过自动注释单个对话并提取用户意图和修正来处理LLM调用。Voker利用这些信息，结合LLM和层次文本分类，创建动态类别，提供更高层次的洞察，这样您就不必逐个阅读对话即可了解用户的主要使用模式。 我们看到的最常见替代解决方案是将观察日志上传到Claude或ChatGPT，并请求总结洞察。这存在一些问题——主要是LLM在数学或数据科学方面表现不佳，因此您无法获得准确或一致的统计数据。LLM很可能会对某些洞察过拟合，而对其他洞察欠拟合。LLM并不是以编程方式读取和分类每个单独的会话或交互。这就是为什么我们不使用LLM进行任何核心数据工程（处理事件、计算统计数据），以确保我们生成的分析是一致、可重复和准确的。 我们提供一个公开可用的轻量级SDK，封装了对OpenAI、Anthropic和Gemini的LLM调用，支持Python和Typescript。Voker负责数据工程，将原始数据转化为可用的分析原语和更高层次的洞察。 免费套餐：每月2000个事件，需注册邮箱。付费计划起价为每月80美元，提供30天免费试用。 我们希望了解您目前是如何检测趋势的，如果您尝试Voker，请告诉我们我们分析的哪些部分对您有价值，以及哪些部分仍然感觉缺失。感谢您的阅读，我们期待您在评论中的反馈！