各种AI工具目前用的都还可以了，工作效率尤其是开发比以前提升了5-10倍左右，但是随之而来的是越来越高的预期和不切实际的诉求。怎么办，压力太大了。。。 5 个帖子 - 5 位参与者 阅读完整话题
5月份因为工作原因，在外地出差一个月，带了一台爱国笔记本，轻便度、续航、屏幕、操作手感等各方面都比较中规中矩，但是有两个硬伤：1.性能不够，编译安卓程序直接卡半小时；2.发热严重，一旦工作25分钟以上，笔记本核心区域温度极高简直可以煎鸡蛋，自带键盘根本无法再使用，必须要外接键盘。不然能让你从小白瞬间变成熟手。 后来实在受不了了，在某平台买了二手macbook air 13’ M4芯片，24G+256G （选择大内存小硬盘容量是因为考虑硬盘可以外接，但是内存必须得够用） ¥6200 一开始会觉得我一个搞开发的是不是应该买pro而非air 但其实现在vibe coding时代，不做特别复杂的工程，air就够用了，事实也确实如此。 从使用体验上面来说，缺点大概就是： 快捷键不同 ，虽然大部分都可以自己设置，但是我嫌麻烦，基本都用Mac自己的快捷键逻辑。刚开始老是按错，但是用习惯了之后其实也还好，我现在Win和Mac快捷键自由切换。 接口很少 ，就一个自带磁吸充电口，两个type-c，和一个3.5mm耳机孔。反正对我而言，这个耳机孔真是鸡肋中的鸡肋了。另外就是air没有USB接口，所以拓展坞是标配，包括外接显示器也要靠拓展坞。 键盘布局 ，这点跟快捷键类似，主要就是影响到外接键盘，碰巧我的外接键盘是支持Win和Mac模式切换的，不然的话就得自己改键或者替换键帽了。。 游戏支持差 ，这点毋庸置疑，能玩是能玩，但是绝大部分游戏是玩不了的，甚至包括 WallpaperEngine 也是 available for windows 。 最后补一点就是：关闭，最小化，全屏这几个按钮在左上角，不能调到右边！不过都是用快捷键操作，其实影响不大。 然后说说优点吧，全是个人观点仅供参考 续航非常恐怖 ，断电情况下，我在床上使用了两个小时，电量仅仅从100%降到88%。 对Harness很友好 ，相信大家刚用Windows跑Agent时都遇到过“ 脚本执行错误，我将改为适用于Powershell的命令再重试… ”，Mac完全没这个问题。 配置开发环境很方便 ，搭配homebrew使用，用啥装啥很方便，而且所有文件查找起来也很方便。 性能强悍 ，根据苹果的一体化架构，内存和硬盘的实际使用体验是大于纸面数据的，特别是多任务切换完全顺滑，跑代码编译速度也特别快。 自带软件都很棒 ，除了访达（相当于win的’此电脑’）以外，其他自带软件都很好用，比如地图、股市、邮箱。 触控板手感极好 ，这个事情我还专门上网查过资料，Macbook的触控板手感好主要因为有微控马达，所有的按压都是通过震动模拟的，我用了几天才知道的，真的惊到了。有电容检测，如果不用手指按压就不会触发震动，也是这样就会发现触控板并不是被手指按下去的！另外就是摩擦系数控制得很好，然后触控板的面积也比较大。由此我也理解了为什么有些人宁愿用触控板也不接鼠标。｜ 我还装了一个工具可以把触控板作为电子称，挺神奇的。 情绪价值 ，这个放在最后说，用了Mac以后，有种莫名的优越感，感觉自己终于找到了趁手的兵器，准备行走江湖了。但是这个是不推崇的哈，我是因为自己有一台主力机是Win的，才买的这台mac用于外带和工作，如果仅仅是为了一点点优越感要买个mac装逼，那是有点难评的。买了mac之后我喝的也是库迪瑞幸而非星巴克～ 反正刚拿到手肯定有很多不习惯的地方，但是 适应 之后，用起来很爽。基本上不用关机，随时随地打开就可以干活，很薄很轻便的同时性能又很强，所以对我而言大大提升了工作效率。 （补充一个缺点，外接显示器需要拓展坞，但是用上几个小时之后，拓展坞温度会很高！） 最后 有没有Mac老手补充一下使用上的技巧，也可以给准备买Mac的佬友们一些参考意见。 临近高考了，如果站内有高三学子，首先是高考加油，然后是上大学要么就买游戏本，要么就买Mac，我个人非常不建议买 国产轻薄本 。 马上618了，有想买Mac但是在犹豫的，我觉得也可以考虑一下（但是对某些工程软件的支持好像还是差点，这个需要自己去查了） 1 个帖子 - 1 位参与者 阅读完整话题
现在都说要跟 AI 打好配合，提升工作效率。但是我用了这么久下来，发现 AI 幻觉是避免不了的，只是或多或少的问题。 比方说你要搭一套 RAG 系统，或者给 Agent 接上公司内部知识库，测试的时候看起来还行，但一遇到真实的文档，比方说一份产品规格书，一份带多级嵌套表格的金融年报，或者是一组混排了图片、表格、参考文献的技术白皮书......AI 就开始频繁出错。要不就说信息找不到，要不就找错。 但是呢，它这些“幻觉”不是每次都出现的，它是时对时错，毫无规律，你调整 Prompt 、更换 Embedding 模型、试了各种分块策略，但效果总是不稳定。整到后面，人都麻了。 有时候我会想，算了，也许这就是人类程序员还存在的理由？————给 AI 擦屁股？ 分享一下我给 AI 擦了这么久的屁股之后，感觉比较有用的一些思路吧。 首先模型是没法大改的了，至少对于我等普通小喽啰而言，等它自己更新更现实（大佬应该不会看到我的帖子吧，请 pass 哈）。但是在这个过程中，活还是要干的，那么怎么保证产出的准确性呢？我觉得优化 RAG 是一个比较可行的思路。 现在的大模型在生成答案前，往往会先通过 RAG 从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程。但大多数 RAG 系统处理文档的方式非常“暴力”：它会把 PDF 、Word 或者网页内容提取成纯文本，然后用一个固定的窗口大小（比如 500 个 token ）把文本切成一块块，也就是所谓的 Chunk 。 在这个过程中，标题层级可能被削平了，表格被拦腰截断，图和文字的关联彻底消失。每个 Chunk 都是一张碎片，前后文、结构、归属关系全丢失，丢给 AI 做检索增强时很容易让 AI 找不着北。 但 AI 是被训练过的，它要避免说“我不知道”，这是“主人的命令”。于是，它只好用语言模型的概率能力去“脑补”，幻觉就这样产生了。 我的解决办法，就是换一种解析方式。抛弃传统的按字数打断的切片方式，转而采用类似脑图的树形结构进行拆分，尽量保留切片的上下文信息，减少信息缺失导致的 AI“脑补”行为。 具体流程分三步： 1 、解析。接入高质量的解析器来读取 PDF 、PPT 、图片、表格等格式，先拿到一个相对干净的文本初稿。 2 、结构化。建立文档的标题树，从一级标题到二级、三级，每一块文本都挂载到对应的章节路径上。表格和图片不是抽离出来当作独立附件，而是和内联的上下文文本牢牢绑定，确保 AI 能看到“这张表格是属于哪一段话”的完整关系。 3 、构建记忆。构建一个包含章节树、文本块、摘要、图像描述以及跨文档链接的轻量级记忆图谱。这个图谱就像是给 AI 配了一本带有详细目录、索引和超链接的电子书，AI 检索时可以在图谱里沿着路径上下左右导航，精准定位到最相关的证据区域，而不是仅仅依靠向量相似度去猜测。 测试下来，相比于传统的 RAG 或是使用原始文本，AI 的表现都要好很多：以 RAG 中常见的 Agent 问答任务为测试场景，当直接给 Agent 提供原始文档，或者使用主流解析器生成的 markdown/json 文件时，Agent 的最终回答准确率大约在 53%左右。 但使用新方法处理过的文档后，AI 准确率提升到了 79%。同时，Agent 的首次搜索准确率相对原始文档提升了 36%，召回率提升了 10%。再者，因为切片太碎导致的无效检索减少了嘛，所以 Token 消耗和搜索时间也随之下降了。 https://imgur.com/a/xlautnf 这在跟 AI agent 有关的场景里面都适用。 现在，我把这个方法打包成了一个工具 Knowhere ，开源的： https://github.com/Ontos-AI/knowhere 。如果你懒得自己操作，那可以借助工具的力量。 它可以显著提升这几类场景的体验： 面向企业的智能问答或知识库。Knowhere 能让 AI 给出的答案更准确、更可追溯，每一条结论都能定位回原文的具体位置。 金融、法律、医疗等垂直领域的 Agent 应用。Knowhere 可以保留多级复杂表格和图表的结构，不再让关键数据被“切碎”。 如果你在管理大量学术文献或技术文档，它可以在不同文档之间建立关联图谱，让 Agent 做跨文档推理时更可靠。 欢迎尝试，有问题随时问我。
现在都说要跟 AI 打好配合，提升工作效率。但是我用了这么久下来，发现 AI 幻觉是避免不了的，只是或多或少的问题。 比方说你要搭一套 RAG 系统，或者给 Agent 接上公司内部知识库，测试的时候看起来还行，但一遇到真实的文档，比方说一份产品规格书，一份带多级嵌套表格的金融年报，或者是一组混排了图片、表格、参考文献的技术白皮书......AI 就开始频繁出错。要不就说信息找不到，要不就找错。 但是呢，它这些“幻觉”不是每次都出现的，它是时对时错，毫无规律，你调整 Prompt 、更换 Embedding 模型、试了各种分块策略，但效果总是不稳定。整到后面，人都麻了。 有时候我会想，算了，也许这就是人类程序员还存在的理由？————给 AI 擦屁股？ 分享一下我给 AI 擦了这么久的屁股之后，感觉比较有用的一些思路吧。 首先模型是没法大改的了，至少对于我等普通小喽啰而言，等它自己更新更现实（大佬应该不会看到我的帖子吧，请 pass 哈）。但是在这个过程中，活还是要干的，那么怎么保证产出的准确性呢？我觉得优化 RAG 是一个比较可行的思路。 现在的大模型在生成答案前，往往会先通过 RAG 从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程。但大多数 RAG 系统处理文档的方式非常“暴力”：它会把 PDF 、Word 或者网页内容提取成纯文本，然后用一个固定的窗口大小（比如 500 个 token ）把文本切成一块块，也就是所谓的 Chunk 。 在这个过程中，标题层级可能被削平了，表格被拦腰截断，图和文字的关联彻底消失。每个 Chunk 都是一张碎片，前后文、结构、归属关系全丢失，丢给 AI 做检索增强时很容易让 AI 找不着北。 但 AI 是被训练过的，它要避免说“我不知道”，这是“主人的命令”。于是，它只好用语言模型的概率能力去“脑补”，幻觉就这样产生了。 我的解决办法，就是换一种解析方式。抛弃传统的按字数打断的切片方式，转而采用类似脑图的树形结构进行拆分，尽量保留切片的上下文信息，减少信息缺失导致的 AI“脑补”行为。 具体流程分三步： 1 、解析。接入高质量的解析器来读取 PDF 、PPT 、图片、表格等格式，先拿到一个相对干净的文本初稿。 2 、结构化。建立文档的标题树，从一级标题到二级、三级，每一块文本都挂载到对应的章节路径上。表格和图片不是抽离出来当作独立附件，而是和内联的上下文文本牢牢绑定，确保 AI 能看到“这张表格是属于哪一段话”的完整关系。 3 、构建记忆。构建一个包含章节树、文本块、摘要、图像描述以及跨文档链接的轻量级记忆图谱。这个图谱就像是给 AI 配了一本带有详细目录、索引和超链接的电子书，AI 检索时可以在图谱里沿着路径上下左右导航，精准定位到最相关的证据区域，而不是仅仅依靠向量相似度去猜测。 测试下来，相比于传统的 RAG 或是使用原始文本，AI 的表现都要好很多：以 RAG 中常见的 Agent 问答任务为测试场景，当直接给 Agent 提供原始文档，或者使用主流解析器生成的 markdown/json 文件时，Agent 的最终回答准确率大约在 53%左右。 但使用新方法处理过的文档后，AI 准确率提升到了 79%。同时，Agent 的首次搜索准确率相对原始文档提升了 36%，召回率提升了 10%。再者，因为切片太碎导致的无效检索减少了嘛，所以 Token 消耗和搜索时间也随之下降了。 https://imgur.com/a/xlautnf 这在跟 AI agent 有关的场景里面都适用。 现在，我把这个方法打包成了一个工具 Knowhere ，开源的： https://github.com/Ontos-AI/knowhere 。如果你懒得自己操作，那可以借助工具的力量。 它可以显著提升这几类场景的体验： 面向企业的智能问答或知识库。Knowhere 能让 AI 给出的答案更准确、更可追溯，每一条结论都能定位回原文的具体位置。 金融、法律、医疗等垂直领域的 Agent 应用。Knowhere 可以保留多级复杂表格和图表的结构，不再让关键数据被“切碎”。 如果你在管理大量学术文献或技术文档，它可以在不同文档之间建立关联图谱，让 Agent 做跨文档推理时更可靠。 欢迎尝试，有问题随时问我。
现在都说要跟 AI 打好配合，提升工作效率。但是我用了这么久下来，发现 AI 幻觉是避免不了的，只是或多或少的问题。 比方说你要搭一套 RAG 系统，或者给 Agent 接上公司内部知识库，测试的时候看起来还行，但一遇到真实的文档，比方说一份产品规格书，一份带多级嵌套表格的金融年报，或者是一组混排了图片、表格、参考文献的技术白皮书......AI 就开始频繁出错。要不就说信息找不到，要不就找错。 但是呢，它这些“幻觉”不是每次都出现的，它是时对时错，毫无规律，你调整 Prompt 、更换 Embedding 模型、试了各种分块策略，但效果总是不稳定。整到后面，人都麻了。 有时候我会想，算了，也许这就是人类程序员还存在的理由？————给 AI 擦屁股？ 分享一下我给 AI 擦了这么久的屁股之后，感觉比较有用的一些思路吧。 首先模型是没法大改的了，至少对于我等普通小喽啰而言，等它自己更新更现实（大佬应该不会看到我的帖子吧，请 pass 哈）。但是在这个过程中，活还是要干的，那么怎么保证产出的准确性呢？我觉得优化 RAG 是一个比较可行的思路。 现在的大模型在生成答案前，往往会先通过 RAG 从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程。但大多数 RAG 系统处理文档的方式非常“暴力”：它会把 PDF 、Word 或者网页内容提取成纯文本，然后用一个固定的窗口大小（比如 500 个 token ）把文本切成一块块，也就是所谓的 Chunk 。 在这个过程中，标题层级可能被削平了，表格被拦腰截断，图和文字的关联彻底消失。每个 Chunk 都是一张碎片，前后文、结构、归属关系全丢失，丢给 AI 做检索增强时很容易让 AI 找不着北。 但 AI 是被训练过的，它要避免说“我不知道”，这是“主人的命令”。于是，它只好用语言模型的概率能力去“脑补”，幻觉就这样产生了。 我的解决办法，就是换一种解析方式。抛弃传统的按字数打断的切片方式，转而采用类似脑图的树形结构进行拆分，尽量保留切片的上下文信息，减少信息缺失导致的 AI“脑补”行为。 具体流程分三步： 1 、解析。接入高质量的解析器来读取 PDF 、PPT 、图片、表格等格式，先拿到一个相对干净的文本初稿。 2 、结构化。建立文档的标题树，从一级标题到二级、三级，每一块文本都挂载到对应的章节路径上。表格和图片不是抽离出来当作独立附件，而是和内联的上下文文本牢牢绑定，确保 AI 能看到“这张表格是属于哪一段话”的完整关系。 3 、构建记忆。构建一个包含章节树、文本块、摘要、图像描述以及跨文档链接的轻量级记忆图谱。这个图谱就像是给 AI 配了一本带有详细目录、索引和超链接的电子书，AI 检索时可以在图谱里沿着路径上下左右导航，精准定位到最相关的证据区域，而不是仅仅依靠向量相似度去猜测。 测试下来，相比于传统的 RAG 或是使用原始文本，AI 的表现都要好很多：以 RAG 中常见的 Agent 问答任务为测试场景，当直接给 Agent 提供原始文档，或者使用主流解析器生成的 markdown/json 文件时，Agent 的最终回答准确率大约在 53%左右。 但使用新方法处理过的文档后，AI 准确率提升到了 79%。同时，Agent 的首次搜索准确率相对原始文档提升了 36%，召回率提升了 10%。再者，因为切片太碎导致的无效检索减少了嘛，所以 Token 消耗和搜索时间也随之下降了。 https://imgur.com/a/xlautnf 这在跟 AI agent 有关的场景里面都适用。 现在，我把这个方法打包成了一个工具 Knowhere ，开源的： https://github.com/Ontos-AI/knowhere 。如果你懒得自己操作，那可以借助工具的力量。 它可以显著提升这几类场景的体验： 面向企业的智能问答或知识库。Knowhere 能让 AI 给出的答案更准确、更可追溯，每一条结论都能定位回原文的具体位置。 金融、法律、医疗等垂直领域的 Agent 应用。Knowhere 可以保留多级复杂表格和图表的结构，不再让关键数据被“切碎”。 如果你在管理大量学术文献或技术文档，它可以在不同文档之间建立关联图谱，让 Agent 做跨文档推理时更可靠。 欢迎尝试，有问题随时问我。
各位觉得AI的到来是降低了大家的工作效率还是提升了 5 个帖子 - 4 位参与者 阅读完整话题
最近刚入职一家公司给他们做一些AI工具提高工作效率。我感觉大部分场景似乎都更适合用langgraph搭一个workflow出来，可能部分节点会做成一个小的agent，但是整体来说流程必须是可控的，这样工具输入输出都有预期。 我有看过anthropic关于agent的一些讨论，也在本站搜了一些帖子来学习大家的开发思路。我其实一直很纠结workflow现在来看是不是一条错的路，还是说企业最终还是需要workflow多一些。我感觉至少我目前看到的需求更多还是工具属性，不要求彻底automated，而且还需要适当的HITL。但是我看L站大家似乎更倾向于自己搭建agent基座做定制化？ 挺好奇大家的看法的，因为我觉得目前agent开发其实也没有所谓的标准答案可以抄。 7 个帖子 - 6 位参与者 阅读完整话题
这是一盒神奇巧克力，吃完有概率出现以下情况：提高工作效率、出现降智、幻觉、以及巧克力每周刷新一次 1 个帖子 - 1 位参与者 阅读完整话题
说真的 来咱们论坛学到了很多知识 同时也知道了很多软件 我现在用的就是咱们论坛开发的voice Input 语音输入法 感觉特别好用 而且还可以用 AI 去转换你输入的字 不知道各位大佬还有什么自己用的特别好用的软件可以分享一下呀 1 个帖子 - 1 位参与者 阅读完整话题
又要逼我去休息了 1 个帖子 - 1 位参与者 阅读完整话题