一人指挥多个智能体 · 小红书卡片HTML
一人指挥多个智能体的 10 张小红书图文卡片与可直接复用的配套文案,讲清并发上限取决于人工审查带宽(实测约 4–5 路),真正被规模化的是验证而非生成,并给出隔离、意图、门禁、验证、账本五个动作,附 PNG 导出与源码说明。
一人指挥多个智能体的 10 张小红书图文卡片与可直接复用的配套文案,讲清并发上限取决于人工审查带宽(实测约 4–5 路),真正被规模化的是验证而非生成,并给出隔离、意图、门禁、验证、账本五个动作,附 PNG 导出与源码说明。
微软正用AI智能体重写Windows与Azure的数亿行代码:从Clang/LLVM工具链迁移、C/C++转Rust,到以TLA+规范与形式化验证为「机器改码」背书;当写代码变得廉价,人类的注意力与信任反而成了最稀缺的资源。
Andrej Karpathy:氛围编程(vibe coding)
我称之为“氛围编程”(vibe coding)——这是一种全新的编程方式:你完全沉浸在感觉中,拥抱指数级的效率提升,甚至忘掉代码本身的存在。
这之所以成为可能,是因为大语言模型(比如配合 Sonnet 使用的 Cursor Composer)正变得过于强大。而且,我直接通过 SuperWhisper 和 Composer 语音对话,几乎连键盘都不碰。我会提一些极度偷懒的要求,比如“把侧边栏的间距缩减一半”,因为我根本懒得去代码里找位置。我永远点“全部接受”(Accept All),再也不看代码比对(diffs)了。遇到报错信息,我直接原样粘贴回去,一句话都不解释,通常这样就能修好。
代码库的增长速度超出了我以往的理解能力,如果真要搞懂,我得花好长一段时间去通读。有时大模型修不好某个 Bug,我就绕过去,或者要求进行随机改动,直到 Bug 消失。对于那些周末折腾的练手项目来说,这种方式还算凑合,但也确实挺离谱的。
我正在开发一个项目或 Web 应用,但这感觉并不像在编程——我只是观察、动嘴、运行、粘贴,然后它居然大部分时间都能跑通。
Andrej Karpathy:智能体工程(agentic engineering)
很多人转发这条推文,以此纪念“氛围编程”(vibe coding)诞生一周年。简单回顾一下:
安德烈·卡帕西(Andrej Karpathy)发布了一篇微型散文(推文),提到自己买了一台 Mac Mini(“Apple Store 的店员告诉我这东西卖得像热饼一样快,大家都很困惑”),用来折腾 Claws:
我对直接运行 OpenClaw 确实还有点怀疑……但我非常喜欢这个概念。我认为,就像 LLM 智能体(LLM agents)是建立在 LLM 之上的新层级一样,Claws 现已成为建立在 LLM 智能体之上的全新层级。它将编排、调度、上下文、工具调用以及某种持久性提升到了一个新的水平。 环顾四周,既然这种高层级的理念已经很明确,许多更小型的 Claws 已经开始涌现。例如,粗略浏览一下,NanoClaw 看起来非常有趣,它的核心引擎只有大约 4000 行代码(它既能装进我的脑子里,也能装进 AI 智能体的“脑子”里,因此感觉可控、可审计且灵活),并且默认在容器中运行所有内容。…… 总之,还有很多其他的例子——比如 nanobot、zeroclaw、ironclaw、picoclaw(这些前缀真让人发笑)。…… 目前我还不能 100% 确定我最终的配置会是什么样子,但 Claws 绝对是 AI 技术栈中一个令人兴奋的全新层级。
安德烈对新鲜术语有着极强的敏锐度(比如之前他提出的 “氛围编码 / vibe coding” 和 “智能体工程 / agentic engineeri
凭借现在的人工智能,我们能够编写以前根本无法手工编写的新程序。我们通过指定目标(例如分类准确率、奖励函数)来做到这一点,并通过梯度下降搜索程序空间,以找到在该目标上表现良好的神经网络。
Karpathy 引用了他的「Software 2.0」博客文章。他指出,「可验证性」是人工智能优化中最具预测性的特征——如果一项任务是可验证的,那么它就可以直接或通过强化学习进行优化。而人工智能「练习」的环境必须满足三个要求:可重置、高效、可奖励。 来源: Simon Willison 的网络日志
链允许我们将多个组件组合在一起以创建一个单一的、连续的应用程序。我们可以通过将多个链组合在一起,或者通过将链与其他组件组合来构建更复杂的链。
LLMChain 是一个简单的链,它接受一个提示模板,用用户输入格式化它并返回来自 LLM 的响应。
语言模型(text-davinci-003) from langchain.chains import LLMChain from langchain.llms import OpenAI from langchain.prompts import PromptTemplate llm = OpenAI(temperature=0.9) prompt = PromptTemplate(input_variables=["product"], template="What is a good name for a company that makes {product}?
通过可组合性使用 LLM 构建应用程序
介绍
大型语言模型 (LLM) 正在成为一种变革性技术,使开发人员能够构建他们以前无法构建的应用程序。 但是,单独使用这些 LLM 往往不足以创建真正强大的应用程序——当您可以将它们与其他计算或知识来源相结合时,真正的力量就来了。
安装
pip install langchain
# or
conda install langchain -c conda-forge
配置环境
使用 LangChain 通常需要与一个或多个模型提供者、数据存储、api 等集成。
对于这个例子,将使用 OpenAI 的 API
pip install openai
export OPENAI_API_KEY="..."
LLMs:从语言模型获得预测结果
在这个例子中,我们可能希望输出更加随机,所以将 temperature 设置的更高一些。
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.9)
text = "一家生产彩色袜子的公司取什么名字好?"
print(llm(text))
可以取名为:Colorful Socks Factory。
提示模板(Prompt Templates):管理 LLM 的提示 from la
下载
git clone https://github.com/Torantulino/Auto-GPT.git
cd Auto-GPT
安装
conda create --name autogpt python=3.9
conda activate autogpt
pip install -r requirements.txt
配置
cp .env.template .env
vim .env
OPENAI_API_KEY
打开 OpenAI 的 API Keys,通过 Create new secret key 获取 Secret Key。
OPENAI_API_KEY=your-openai-api-key
GOOGLE_API_KEY
打开 可编程搜索引擎控制台,通过 创建项目 获取 API Key。
GOOGLE_API_KEY=your-google-api-key
CUSTOM_SEARCH_ENGINE_ID
打开 Custom Search JSON API,通过 创建项目 获取 Custom Search Engine ID。
CUSTOM_SEARCH_ENGINE_ID=your-custom-search-engine-id
Custom Search JSON API 每天免费提供 100 次搜索查询。
PINECONE_API_KEY & PI
没有找到匹配的文章