即刻App年轻人的同好社区
下载
置顶目前在运营一个开源AI技术社区，除了专业的运营能力，我认为对AI行业、技术发展动态和趋势的掌握也非常重要，因为这是全局视角，会让自己更了解清楚自己在做的这件事情。
在技术方面我会每日追踪热门AI项目，为了养成日常对行业发展动态了解的习惯，我给自己立了个flag，工作日每周一-周五，在即刻上同步更新我追踪到的AI行业、技术动态，方向大致如下：
1️⃣行业：AI应用、垂直行业（教育/法律/金融）、投资等
2️⃣技术：AIGC、大型语言模型（LLM）、RAG、agent、具身智能、多模态大型语言模型（LMMs）等
整理了往日分享的一些内容：
✅2023年终总结：这一年，AI行业和技术发生了什么？m.okjike.com
✅2023年，大模型开发者都在关注和开发哪些热门技术？m.okjike.com
✅KimiChat长文本对话能力超强，背后的大模型技术路线和产品观：m.okjike.com
✅如何运营好一个AI技术社群
m.okjike.com
m.okjike.com
✅社区产品冷启动方面的一些思考m.okjike.com
m.okjike.com
在技术方面我会每日追踪热门AI项目，为了养成日常对行业发展动态了解的习惯，我给自己立了个flag，工作日每周一-周五，在即刻上同步更新我追踪到的AI行业、技术动态，方向大致如下：
1️⃣行业：AI应用、垂直行业（教育/法律/金融）、投资等
2️⃣技术：AIGC、大型语言模型（LLM）、RAG、agent、具身智能、多模态大型语言模型（LMMs）等
整理了往日分享的一些内容：
✅2023年终总结：这一年，AI行业和技术发生了什么？m.okjike.com
✅2023年，大模型开发者都在关注和开发哪些热门技术？m.okjike.com
✅KimiChat长文本对话能力超强，背后的大模型技术路线和产品观：m.okjike.com
✅如何运营好一个AI技术社群
m.okjike.com
m.okjike.com
✅社区产品冷启动方面的一些思考m.okjike.com
m.okjike.com
34 121
读曲卉老师《增长黑客实践》有感
突然觉得增长是一件理性和细致并存的活，理性在于得根据数据分析或团队脑暴，定性+定量发现问题，然后设置目标。
设置目标后，要为团队聚焦方向，寻找杠杆，即性价比最高，而资源投入相对小的地方。
聚焦目标和方向后，再上线一系列增长实验测试，验证可行性。
而细致在于，A/B test的可能就是优化一句文案对比的事，看是否能有更多转化的提升。但文案怎么设置，才能让用户产生你想要的行为（对ta有利），这里又涉及到心理学，比如人的「从众」心理，对ta的推动效果会更好些。
不过，现在有耐心做好增长的团队似乎不多，因为各种复杂环境因素夹杂，导致这种土壤也少。
但也始终祝愿，我们都能在一个尊重「常识」的团队里工作，也希望拿一把「锤子」砍一颗树的领导越来越少。
突然觉得增长是一件理性和细致并存的活，理性在于得根据数据分析或团队脑暴，定性+定量发现问题，然后设置目标。
设置目标后，要为团队聚焦方向，寻找杠杆，即性价比最高，而资源投入相对小的地方。
聚焦目标和方向后，再上线一系列增长实验测试，验证可行性。
而细致在于，A/B test的可能就是优化一句文案对比的事，看是否能有更多转化的提升。但文案怎么设置，才能让用户产生你想要的行为（对ta有利），这里又涉及到心理学，比如人的「从众」心理，对ta的推动效果会更好些。
不过，现在有耐心做好增长的团队似乎不多，因为各种复杂环境因素夹杂，导致这种土壤也少。
但也始终祝愿，我们都能在一个尊重「常识」的团队里工作，也希望拿一把「锤子」砍一颗树的领导越来越少。
6 00
flowith昨晚正式发布新版本
➤体验：flowith.net
infinite activity · infinite context· infinite tool 是flowith团队对新一代AI Agent的定义
有幸也在上周日参加了flowith北京线下分享会，亲眼目睹了什么叫做创造力，respect这个有无限♾️创造力的团队@Bruce-拐子 ！
记了记笔记，分享下：
LLM智能受限于传统软件的组织形式，还没有办法帮助人类的效率有非常大的提升和突破
下一代的组织形式，应该是以人为中心，围绕知识、工具、能动性的Agent
个人私有的大脑，但互联网没有我的信息
flowith希望 让科技真正和每个人流动起来
重新定义什么是Agent？
Agent的下半场是Agency（能动性），更像人，具有主动发起行动的能力
目前AI产品只发挥了AI的智力，但却限制了它的能动性
flowith不仅仅在做agent
他们在做的事情是尽可能让agi早一点走进我们的生活
flowith团队希望创造力地发挥multi -agent的agency（能动性），多个agent间的协作，agent主动发挥能动性，更像人一样的智能能解决问题
举个例子，获取公众号文章，微信是有反扒机制的，但当让它执行这个任务时，它在过程中，不再是因为反扒的限制做不到，而是能发挥能动性通过 搜狗引擎里 拿到公众号文章 （这是因为腾讯收购了搜狗）👻
➤体验：flowith.net
infinite activity · infinite context· infinite tool 是flowith团队对新一代AI Agent的定义
有幸也在上周日参加了flowith北京线下分享会，亲眼目睹了什么叫做创造力，respect这个有无限♾️创造力的团队@Bruce-拐子 ！
记了记笔记，分享下：
LLM智能受限于传统软件的组织形式，还没有办法帮助人类的效率有非常大的提升和突破
下一代的组织形式，应该是以人为中心，围绕知识、工具、能动性的Agent
个人私有的大脑，但互联网没有我的信息
flowith希望 让科技真正和每个人流动起来
重新定义什么是Agent？
Agent的下半场是Agency（能动性），更像人，具有主动发起行动的能力
目前AI产品只发挥了AI的智力，但却限制了它的能动性
flowith不仅仅在做agent
他们在做的事情是尽可能让agi早一点走进我们的生活
flowith团队希望创造力地发挥multi -agent的agency（能动性），多个agent间的协作，agent主动发挥能动性，更像人一样的智能能解决问题
举个例子，获取公众号文章，微信是有反扒机制的，但当让它执行这个任务时，它在过程中，不再是因为反扒的限制做不到，而是能发挥能动性通过 搜狗引擎里 拿到公众号文章 （这是因为腾讯收购了搜狗）👻
8 11
工作中的Aha时刻——从和开发者一起解决问题中获得快乐，又从GitHub社区中的开源互帮互助收到力量☺️
vllm中没有支持llama3.3 tool call的模板，从issue中扒拉到新pr，发现没有review过，提pr的小哥是个韩国人，可以cmt或gmail交流一下，这又是一段跨国协作了~
vllm中没有支持llama3.3 tool call的模板，从issue中扒拉到新pr，发现没有review过，提pr的小哥是个韩国人，可以cmt或gmail交流一下，这又是一段跨国协作了~
7 00
用近期一篇比较火的博客笔记，结束这周的工作，不知道还有咩有没看的朋友🙋🏻♀️
博客地址：ysymyth.github.io
这篇是思维树（ToT）/ReAct通用框架作者/OpenAI研究员姚顺雨发表的，速记了几点，提升下认知（共识--相对比较统一的声音）
❶上半场AI主要致力于研究新模型、方法的研究，出现了非常多经典的SOTA（在当时）架构，比如Transformer、AlexNet等，这些具有普遍适用性、广泛应用的价值。
❷接下来，AI的重点将从解决问题转向定义问题，评估的重要性将超过训练。
❸长期强化学习的研究专注算法创新，但忽略了环境和先验知识，或许优先级应该完全调整过来。
❹上半场的配方基本标准化：大规模预训练、规模（数据和计算能力）、推理、行动；即便创建更难的基准对模型和方法进行评估，然而基于这个配方还是可以继续模型、方法的效果，并突破基准测试。
❺现在正处于AI中场休息，如果基于这个配方就能提升模型能力的话，那下半场玩什么？或许应该重新思考评估这个环节。
❻当前在学术中设置的评估，与真实世界的设置不同。当例如Agent的评估往往是孤立、静态和独立同分布的，缺乏真实世界中人机交互的动态过程和任务间的依赖性，导致评估结果难以反映智能体在真实场景下的泛化能力和长期学习效果。
比如，一个客服Agent在学术测试中可能一次性处理一个孤立的请求，但在现实中，它需要与用户进行多轮对话，并且能够利用之前的对话信息来更好地解决问题。
以上加入了些自己的理解，如果在评估环节有想了解的研究或粗暴的工程（开源项目）也欢迎评论区一起交流~我可以找找近期的SOTA论文或survey
博客地址：ysymyth.github.io
这篇是思维树（ToT）/ReAct通用框架作者/OpenAI研究员姚顺雨发表的，速记了几点，提升下认知（共识--相对比较统一的声音）
❶上半场AI主要致力于研究新模型、方法的研究，出现了非常多经典的SOTA（在当时）架构，比如Transformer、AlexNet等，这些具有普遍适用性、广泛应用的价值。
❷接下来，AI的重点将从解决问题转向定义问题，评估的重要性将超过训练。
❸长期强化学习的研究专注算法创新，但忽略了环境和先验知识，或许优先级应该完全调整过来。
❹上半场的配方基本标准化：大规模预训练、规模（数据和计算能力）、推理、行动；即便创建更难的基准对模型和方法进行评估，然而基于这个配方还是可以继续模型、方法的效果，并突破基准测试。
❺现在正处于AI中场休息，如果基于这个配方就能提升模型能力的话，那下半场玩什么？或许应该重新思考评估这个环节。
❻当前在学术中设置的评估，与真实世界的设置不同。当例如Agent的评估往往是孤立、静态和独立同分布的，缺乏真实世界中人机交互的动态过程和任务间的依赖性，导致评估结果难以反映智能体在真实场景下的泛化能力和长期学习效果。
比如，一个客服Agent在学术测试中可能一次性处理一个孤立的请求，但在现实中，它需要与用户进行多轮对话，并且能够利用之前的对话信息来更好地解决问题。
以上加入了些自己的理解，如果在评估环节有想了解的研究或粗暴的工程（开源项目）也欢迎评论区一起交流~我可以找找近期的SOTA论文或survey
5 00
6 00
6年前来到上海是参加谷歌开发者大会，那时候是一种学生对AI技术，对谷歌大厂的好奇、憧憬、崇拜、激动的心情
6年后，最大的庆幸是坚持住了，还保持着初心，一直还在AI行业里，打转着
6年后，最大的庆幸是坚持住了，还保持着初心，一直还在AI行业里，打转着
00:06
9 40
