获得徽章 0
![[发呆]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_4.28b310a.png)
国外三大模型厂商纷纷开源了自家的 CLI Code Agent
- Google(Gemeni):
github.com
- OpenAI(CodeX):github.com
- Anthropics (Claude Code):github.com
- Google(Gemeni):
github.com- OpenAI(CodeX):
github.com- Anthropics (Claude Code):
github.com
展开
评论
点赞
AI Agent 的 3 个核心模块：
1. 大脑：大语言模型，提供智能。负责推理、规划、语言生成等。
2. 记忆：也就是上下文 context. 包括环境信息和任务过程中的信息。
3. 工具：调用外部工具，比如搜索，发信息，运行代码，或调用其他的 Agent
1. 大脑：大语言模型，提供智能。负责推理、规划、语言生成等。
2. 记忆：也就是上下文 context. 包括环境信息和任务过程中的信息。
3. 工具：调用外部工具，比如搜索，发信息，运行代码，或调用其他的 Agent
展开
3
5
低代码 AI 工作流开发平台越来越多了，有开源的 n8n, dify , 还有大厂的 字节Coze, 蚂蚁百宝箱。
"低代码 AI 工作流开发平台" 这个领域的用户很多吗？
"低代码 AI 工作流开发平台" 这个领域的用户很多吗？
3
1
信息或知识有的像食物，有的像原料。
AI 可以将原料烹饪成食物，也可以将食物制作成更好吃，更易于消化的食物。
而“消化食物”，“吸收营养”只能自己来做，不需要也不愿意交给 AI
AI 可以将原料烹饪成食物，也可以将食物制作成更好吃，更易于消化的食物。
而“消化食物”，“吸收营养”只能自己来做，不需要也不愿意交给 AI
展开
评论
点赞
在与大模型协作进行 AI 编程时，有 3 点要注意：
1. AI 仍有局限，可能会钻牛角尖或查不到信息，这时你需要主动协助，查资料解决问题。
2. 有时不是 AI 不行，是你不行。掌握一定的行业知识和基础知识，是高效使用大模型的前提。
3. 有时不是 AI 不行，是你一开始表达不够清晰，很多问题需要在反复对话和实践中逐步梳理明确。
1. AI 仍有局限，可能会钻牛角尖或查不到信息，这时你需要主动协助，查资料解决问题。
2. 有时不是 AI 不行，是你不行。掌握一定的行业知识和基础知识，是高效使用大模型的前提。
3. 有时不是 AI 不行，是你一开始表达不够清晰，很多问题需要在反复对话和实践中逐步梳理明确。
展开
评论
点赞
能力 = 能量 × 效率
使用能量越多，使用能量的效率越高，获得的能力越大。
电是能量，用电量越大，用电效率越高的设备，能力越大。
计算是能量，需要CPU/显卡越多，对 CPU/显卡使用效率越高的软件，能力越大。
对于 AI 来说， token 也是能量，使用 token 越多，使用 token 效率越高的智能体，能力越大。
使用能量越多，使用能量的效率越高，获得的能力越大。
电是能量，用电量越大，用电效率越高的设备，能力越大。
计算是能量，需要CPU/显卡越多，对 CPU/显卡使用效率越高的软件，能力越大。
对于 AI 来说， token 也是能量，使用 token 越多，使用 token 效率越高的智能体，能力越大。
展开
2
点赞
我感觉豆包能满足我的日常生活中的大部分 ai 使用场景了，不需要特别高级的大模型。
豆包好像从一开始就是一个 “AI 智能体”，不是一个“大模型客户端”。
大模型客户端会把大模型放在第一位，用户是在和大模型对话。
AI 智能体中，第一位就是智能体本身，用户使用的是智能体，不是智能体背后的大模型。
面向专业用户的智能体会暴露大模型供用户选择，比如 cursor.
面向普通用户的智能体，的确没必要暴露大模型，对用户来说，知道智能体就够了，不需要知道大模型。
豆包好像从一开始就是一个 “AI 智能体”，不是一个“大模型客户端”。
大模型客户端会把大模型放在第一位，用户是在和大模型对话。
AI 智能体中，第一位就是智能体本身，用户使用的是智能体，不是智能体背后的大模型。
面向专业用户的智能体会暴露大模型供用户选择，比如 cursor.
面向普通用户的智能体，的确没必要暴露大模型，对用户来说，知道智能体就够了，不需要知道大模型。
展开
评论
点赞
#ai改变日常工作
需求：检查项目中的所有文件，哪些文件中包含中文注释
文件不多时，通常做法是人肉查找，也没觉得多费劲，但是毕竟浪费时间，而且不可持续。
自己写一个脚本，对于写脚本熟练的开发者，需要几分钟时间，但是如果不熟练，需要更长时间，而且会消耗脑力。
有了 AI 后，直接让 AI 实现，不到 1 分钟搞定。
需求：检查项目中的所有文件，哪些文件中包含中文注释
文件不多时，通常做法是人肉查找，也没觉得多费劲，但是毕竟浪费时间，而且不可持续。
自己写一个脚本，对于写脚本熟练的开发者，需要几分钟时间，但是如果不熟练，需要更长时间，而且会消耗脑力。
有了 AI 后，直接让 AI 实现，不到 1 分钟搞定。
展开
评论
点赞
AI 搜索出现后，使用 AI 搜索越来越多，使用 Google 搜索越来越少。最近使用 Google 搜索，发现 AI 回答改进了许多。很多场景（比如简单的问题）又可以回到 Google 搜索了。
评论
点赞
![[哭笑]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_61.a296509.png)
RAG 的基本流程
1 创建向量数据库（知识库）：输入文本 - 使用 embedding 模型将文本转化成向量 - 存入向量数据库
2 提问：用户和 ai 说话提问
3 检索：将提问文本使用 embedding 模型转化成提问向量，并在数据库中检索，返回相关的文本段
4 拼接 prompt: 将提问文本和检索到的文本段拼接成最终 prompt 文本
5 调用大模型：使用 prompt 调用大模型，返回最终回答
1 创建向量数据库（知识库）：输入文本 - 使用 embedding 模型将文本转化成向量 - 存入向量数据库
2 提问：用户和 ai 说话提问
3 检索：将提问文本使用 embedding 模型转化成提问向量，并在数据库中检索，返回相关的文本段
4 拼接 prompt: 将提问文本和检索到的文本段拼接成最终 prompt 文本
5 调用大模型：使用 prompt 调用大模型，返回最终回答
展开
2
2