获得徽章 9
- 冷知识：
1. 保持一个好习惯，即温故而知新，对自己的认知和能力提升非常有帮助。
2. 正常情况下，一周花0.5人日复盘一次自己本周做了啥事情，解决啥问题，可以放弃（删掉）什么过时的知识和内容。
3. 在最坏的情况下，一个月花1人日复盘和整理已有知识。
坚持以上1-3点，坚持10年，持续坚持下去，你会超越身边90%的人。展开评论点赞 - 谷歌正在搞一款全能数据科学智能体：DS-STAR，能处理异构数据，能自动看数据、写代码、查错误、出结果
相当于把数据科学全流程封装成了一键脚本
对不会写代码的业务人员来说，丢个文件夹+问题，直接出报告；对会写代码的数据科学家，可以把它当自动草稿，省掉大部分重复脏活
其在DABStep、KramaBench、DA-Code上，超AutoGen、DA-Agent：
首先，它有一个数据文件分析器，先扫描目录，自动生成各格式（CSV、JSON、Markdown、纯文本）字段与语义摘要，作为后续上下文
然后迭代规划验证
规划，智能体首先创建一个高级计划
编码， 将计划转化为可执行的代码脚本
验证，基于LLM的裁判会评估当前计划/代码能否解决问题
优化，如果计划不足，路由器会引导智能体通过修改或添加步骤完善计划，然后重复循环
迭代到计划被认为满意或达到最大迭代轮数10轮
复杂任务平均5.6轮解决；简单任务平均3轮，超过一半的简单任务在第一轮就完成
#AI数据分析 #DSSTAR #数据分析自动化展开评论点赞 - 想要构建 AI Agent 应用，面对几十种框架和工具，根本不知道该选哪个，总不能每个都去研究一遍。
恰巧，找到了 Awesome Agents 这份精心整理的清单，提供了颇为全面的 AI Agent 工具导航。
收录了构建 AI Agent 所需的各类开源工具，并按照框架、测试评估、软件开发、研究、对话、游戏、知识管理、自动化等类别进行了清晰分类。
GitHub：github.com/kyrolabs/aweso…
主要内容：
- 框架工具：收录了 LangChain、LlamaIndex、AutoGen、CrewAI 等主流 AI Agent 框架；
- 测试评估：提供专门用于 AI Agent 性能测试和评估的工具；
- 软件开发：包含 MetaGPT、OpenHands、Aider 等 AI 编程助手；
- 研究工具：涵盖 GPT Researcher、AI Scientist 等研究型 Agent；
- 自动化应用：分为浏览器自动化和多模态应用两个子类别；
- 每个工具都附有简短说明和 GitHub 星标数，方便快速了解热度。
适合想要构建 AI Agent 应用的开发者，以及对这个领域感兴趣的产品研究人员收藏参考。展开赞过
评论1 - 在翻译各类文档的时候，有很多工具面对复杂的表格、公式和代码等内容，要么格式全乱，要么识别不了。
尤其是翻译学术论文、技术文档这类专业的内容时，一些术语的翻译更是让人头疼。
无独有偶，看到了 DocuTranslate 这个开源的本地文档翻译工具，能帮我们在保持文档原格式下完成翻译。
支持 PDF、Word、Excel、Markdown 等十余种文件格式，还能自动生成术语表保证翻译一致性。
GitHub：github.com/xunbu/docutran…
更厉害的是，支持精确识别 PDF 中的表格、公式和代码块，并进行准确翻译。
同时，支持大部分主流的 AI 模型供应商平台，允许自定义提示词，以及并发高性能 AI 翻译。
提供 Windows、Mac 整合包直接下载使用，也可通过 pip 安装，在局域网内还可以多人同时使用。展开赞过 评论2 - 工具型产品创业，有个共识是：上手要简单，要让用户尽快达到 aha moment 并付费。
这个共识没错，但对创业的用途不大。就像有人跟你讲：饮食要健康。
这共识还有个陷阱：容易把产品直接简单化。比如做成在特定场景下，非常简单好用的小工具。如果推广渠道合适，也有机会快速获取到第一波用户。
然后，用户会开始提各种需求，好用的小工具，会开始复杂。到一定阶段，甚至需要推翻重来。这过程中，奔着简单而来的原有用户，有可能会流失掉。或者为了兼顾简单和复杂，开始在产品上打各种补丁。
以上故事的背后，是通过简单，先吃到了第一口糖。最大的陷阱是，吃过第一口糖后，就会忍不住想吃第二口、第三口，鲜有愿意停下来，先饿上一段时间，重新思考并打磨产品，后续再继续吃糖的。
于是有了一个做工具型产品的非共识：不要一开始就追求简单易用，而是要想清楚究竟要满足什么用户需求，产品整体如何设计。
如同建房子。先有愿景，有蓝图。接着挖地基、搭结构。然后一层一层建。每建一层，可以邀请合适的用户进来住住。这时大概率是住着不舒服的。
先整体再部分，先复杂再简单，或许才是做工具型产品的正确方式。历史上可借鉴的案例故事是：Notion、Figma、Linear 等产品。
AI 时代的工具，更像一个个房子，用户入住后，需要和 AI 一起产生上下文，一起去做事。
AI 时代的好工具，不再会是各种各样的锤子。展开赞过 评论2 - 36岁失业，全职All in AI，听起来又是一个失败者换个赛道继续失败的故事有没有，2011年本科毕业于University of Essex，回国后在苹果公司工作一年，在央企金融机构工作了2年后，就一直创业到2025年，折腾过很多事情。为什么选择和AI沾边的领域——创造力、活力、风口！第一步是做出一个产品,哪怕是个MVP。目的不是挣钱,是把产品从0到1的流程走通——因为我不是产品、设计或编程科班出身。在一条不熟悉的路上摸索不是一件容易的事。
未来这个账号会分享一些创业心得，一些AI工具使用的体会和好工具的推荐。我喜欢有点深度的内容，也希望有朝一日自己的账号能做的符合自己的初心。做一个有深度、有温度、有存在的账号。反正也是个絮絮叨叨的账号吧，将就看吧，看官大大们！
为什么是现在？
我可以说说我错过的东西，我错过了淘宝账号代充电话卡的时代，当年还嘲笑周边为什么有人做这个事，后来一个淘宝账号能卖30万；我错过了电商时代，虽然我到今天为止也不太清楚电商、团购那个年代怎么挣钱的，我错过了08-15中国经济腾飞，股市快牛的时代，那会感觉周边人，就连我姥爷都是股市专家。我错过了疫情期间，抖音快速崛起的时代，那会已经有商业意识了，结果就是拍了5条500播放的视频就放弃了，现在回看我拍的视频，那种形式叫vlog，还挺好的。但是这次，我深刻能感受到AI行业以天为单位的快速迭代带来的巨大的商业机会和中间的信息差，俗话说，有信息差就有机会，也坚信这是未来、甚至可以说是我们这一代人的最大一次普通人够得到的风口，AI可以大幅降低人与人之间的鸿沟，前提是你会，我说的是真的会，使用AI工具。
可以看到我这个账号是在2010年左右就创建的，但是根本没有概念自媒体和流量的力量，回看过去，无论是以任何形式的与公众见面，文章、视频、博客等等，只有把自己放给观众，你才能不是一个互联网小透明，今年36本命年，其实是一个挺大的年纪了，好就好在，我自己心态跟大学刚毕业没有多少区别，偶尔混在大学校园里总觉得自己跟他们一样年轻，殊不知别人看我已经当自己老师的年纪看待。
所以非常想抓住这次AI带来的世界格局的重塑，有句话说的好，“一切行业都值得被AI重构。” 我也坚信，事实即是如此。展开等人赞过 96 - 前几天硅谷大厂裁员的时候，我就跟人说，这次裁员跟 AI 改进生产力没有毛线关系，就是以 AI 为借口裁撤冗员。今天我看到一个牛逼得多的说法：大公司现在裁的不是员工，是装饰品。
任何大公司都有大量冗员，高 P/E 企业更需要大批背景靓丽的冗员来装点门面取悦资本。但是现在资本的口味变了，你堆名校牛人取悦不了资本，得堆 GPU。资本这个新口味对不对？持久不持久？现在还不知道，我觉得说 GPU 比真正在一线干活的真牛人要强，那纯属舆论诈骗。但是你要问 GPU 比作为装饰品的冗员是不是要更强，那显然是更强。
这就跟前几年中国上市公司宁可拼命囤房子也不招人是一个道理。展开赞过 评论1 - 普通人的计算机红利其实已经消失了，但是中国很多孩子很孝顺，不告诉家长。
你去看企业的招股书，很多大厂正式员工和外包比例已经到1:5了。现在有很多孩子，进大厂干外包，不告诉家长自己是外包。一个月其实也就七八千，还得996。等人赞过 106 - 自从学了脑科学后，我发现这个世界根本不存在执行力差。
每一次拖延，本质都不是懒惰，而是大脑在抵抗模糊。
大脑只会自动执行一件事：已经被压缩成可预测动作序列的任务。
可预测代表它能想象出第一步，它知道下一秒发生什么，它确信自己能收尾。
只要满足这个条件，行动就不是需要意志力的选择，而是神经系统自动开跑。
问题在于，大多数人面对的目标，都是抽象的，概念化的，甚至没有入口点。
比如改进工作效率，开始做一个项目，整理房间。
这些语句给大脑的信息是空的，没有动作模型，没有场景，没有起点，没有感知信号。
对神经系统来说，这类任务没有可执行结构，它无法模拟下一秒，于是它停住。
这不是拒绝行动，而是节能原则。人脑会优先执行能立即算出路径的事情。
哪怕是刷手机，也比一个模糊的目标更安全，因为“点开→滑动→获取刺激”是一条确定路径。
确定性永远优先于重要性。不是价值判断，是神经算法。
拖延是风险规避，不是性格缺陷。当任务是模糊的，大脑激活的是不确定带来能量损耗的防御机制，而不是我不想做的情绪。
所有抗拒，都不是对行动本身，而是对没有入口点的混沌。
所以改变不是强迫自己去做，而是把目标结构化成大脑能立刻执行的程序。
一旦任务变成一条明确的动作路径，大脑会自动启动，甚至不会产生拖延的机会。
而这，只是消除了模糊。展开评论点赞
