一周热榜

我开发了一个人工智能命名工具，它将心理语言学研究应用于品牌名称生成。令人感兴趣的并不是它使用了人工智能，而是其代理的结构以及它们所优化的内容。 核心问题是：如果你让任何大型语言模型（LLM）为一个企业命名，你会得到相同的[形容词][名词]组合。比如NovaTech、BrightPath、SwiftFlow。这些名称在语言上是死的——没有音韵质感，没有语义深度，虽然认知流畅性高，但却毫无独特性。 该流程分为六个阶段： 1. 一个发现代理分析企业并生成战略简报。重要的是，它还会生成一个“旁支类别”（与之完全无关的东西，比如“奢华蜡烛品牌”用于一个SaaS工具）和一个“伪装的背景”（一个相邻行业）。 2. 三个创意代理并行运行，每个代理对同一简报有不同的框架。一个代理诚实地根据简报工作。一个代理被告知它是在为伪装的背景命名。另一个代理被告知它是在为旁支类别命名。伪装和旁支代理产生的名称通常更有趣，因为它们不受类别惯例的限制——大型语言模型无法依赖明显的行业词汇。 3. 一个语言过滤器使用声音象征研究对大约90个候选名称进行评分： - Bouba/kiki效应（圆润的声音如b、m、l、o与友好/柔和相关；尖锐的声音如k、t、p、i与前卫/精准相关） - 处理流畅性（发音、拼写、回忆的难易程度） - Von Restorff孤立效应（与类别规范的独特性） - 辅音/元音平衡和音节结构 每个名称获得0-100的评分。前25个名称存活下来。 4. 检查约280个组合的域名可用性（7个顶级域名与多个变体）。 5. 一个综合代理对最终的10个名称进行排名。这个阶段使用Claude而不是OpenAI——排名需要平衡语义相关性、品牌契合度、声音象征评分、域名可用性和“极化潜力”（能够引发反应的名称往往是更强的品牌）。在我的测试中，Claude在这种多因素整体判断方面表现得明显更好。 6. 针对USPTO数据库进行商标筛查，并与第一阶段识别的尼斯分类类别交叉参考。 这两种模型的分拆是一个务实的选择。GPT-4o-mini在结构化生成和分析（第1-4阶段）中快速且便宜。Claude Opus在第5阶段的主观排名权衡方面表现更好，但在所有并行创意代理中运行成本过高。 我认为最有趣的是语言评分。声音象征在心理语言学中已得到充分验证，但在命名中很少系统性应用。Lexicon Branding（为Sonos、Pentium、Blackberry命名的公司）使用这些原则——Sonos中的“s”音传达了顺滑和流畅，这与他们的产品体验相映衬。该工具试图以程序化的方式进行相同的分析。 我真心想知道HN对它生成的名称有什么看法。试着用你熟悉的企业进行测试，看看输出是否与ChatGPT给出的结果有所不同。

嗨，HN， 我一直在开发 dbt-Workbench，这是一个开源的用户界面，用于在命令行界面之外处理 dbt 项目。 目标很简单：让 dbt 产物（模型、数据源、测试、数据血缘、运行记录）更容易查看和理解，特别是在大型项目中，dbt 文档开始显得有限。 这个项目最初是因为我在处理复杂的 dbt 设置时遇到的个人痛点，我决定整理一下并公开发布。 目前这个项目还处于早期阶段，带有个人观点，绝对不完美。我非常欢迎反馈，尤其是来自大规模使用 dbt 的用户。乐意回答问题或听听为什么这可能是个坏主意。 代码库链接： [https://github.com/rezer-bleede/dbt-Workbench](https://github.com/rezer-bleede/dbt-Workbench)