<p>万物皆 AI，AI 易于使用，但并不像简单地喊 “Alexa！给我做一个电子商务网站。” 那么简单。而且，不，添加 “不要产生幻觉” 到指令循环中也无济于事。</p>
<p>更重要的是，来自 IBM、Meta 和 Netflix 等公司的发言者在北卡罗来纳州达勒姆的万物皆 AI 会议上表示，最佳的 AI 结果更倾向于那些准备充分的代理。</p>
<p>他们建议，越想让 AI 听从你的指挥，就需要做越多的准备工作。</p>
<p>许多演讲提到了杰文斯悖论，即资源越高效，使用量就越大。这个悖论常用于解释为什么 AI 不会取代每个人的工作。事实上，论点认为，它将创造更多的工作。</p>
<p>目前，AI 确实为其用户创造了更多的工作，要求花时间准备上下文并检查结果。Claude 可以让任何人成为 10 倍程序员，但他们需要清理 10 倍的结果。</p>
<p>或者，用最悲观的说法，在奇点能够像《黑客帝国》中的能量舱那样奴役人类之前，它需要我们这些肉体的帮助才能运转。</p>
<h3>魔法师的学徒</h3>
<p>AI 是如何让 Netflix 的员工忙碌的？在一次演讲中，Netflix 的 UI 架构师 Ben Ilegbodu 解释说，一旦你创建了一个代理来自动化某个任务，你就需要第二个代理来评估完成的工作。</p>
<p>Ilegbodu 有时甚至将工作分解为多个专注于代码审查不同部分的代理。他称这种方法为 “对抗性代码审查”。</p>
<p>他说，你还需要第三个代理来协调前两个代理之间的行动。</p>
<p>Ilegbodu 的工作日就是杰文斯悖论的化身。一旦他启动一个代理来实现某个新功能，他就会让另一个代理为他心中下一个任务做准备工作。实际上，他是在 “并行化自己，以便工作始终在进行。”</p>
<p>AI 使 Ilegbodu 能够使用他尚未掌握的语言进行编码，例如 Python、Bash 和 Groovy。</p>
<p>但他承认，这种上下文切换可能会让人感到疲惫。“到一天结束时，我实际上有点累，因为我整天都在和某个东西对话。”</p>
<h3>贪得无厌的实习生</h3>
<p>许多程序员将 AI 视为团队中一个渴望学习的初级开发者：热情但天真。但与初级开发者不同，AI 不会 “感到不堪重负”，Meta 开发者倡导者 Justin Jeffress 在他的演讲中表示。</p>
<p>你可以不断向 AI 输入更多信息，它会全部接收（只要你能负担得起的令牌数量）。</p>
<p>这种无底的饥渴导致了 Jeffress 所称的 “上下文腐烂”。</p>
<p>他说：“随着时间的推移，当你与 AI 代理互动时，它需要计算的内容越多，提供答案所需的内容就越多，争夺其注意力的内容也越多，它就越不可能做出正确的事情。”</p>
<p>模糊的指令会导致模糊的结果，他告诉观众。清晰地思考你给代理提供了什么信息是上下文工程的工作，而在代理 AI 的短暂时间内，这已成为一种艺术形式，尽管尚未完全形成一门学科。</p>
<p>通过上下文工程，“你正在建立一套规则、工具、技能和其他东西，以便 AI 代理在需要时可以参考，以解决问题，” 他说。他甚至建议进一步进行 “提示链”，即逐步列出它需要执行的具体任务。开始时的更多工作意味着在运行时更少的担忧，让开发者可以抽空去喝一杯。</p>
<p>开玩笑的。这给他们时间进一步完善流程，通过并行运行多个代理。Jeffress 说，成为自己代理乐队的指挥。同时确保创建一个 markdown 文件来跟踪进度，以帮助代理不忘记其使命。</p>
<p>Jeffress 指出，AI 通常可以完成给定工作的 80%，将最后的 20% 留给人类。当 Jeffress 处理剩下的 20% 工作时，他发现其中 80% 的工作可以由机器人完成。如此循环，就像某种无尽清理任务的分形帕累托原则。</p>
<h3>期望的提示</h3>
<p>AI 没有完全按照你的意愿行事并不是 AI 的问题，而是你缺乏 “分解” 技能的问题，IBM 语言和多模态技术总监 Luis Lastras 在他的演讲中提出。</p>
<p>期望的提示就像输入 “我必须坚持，不要产生幻觉。我的职业生涯依赖于此，请，请，请。” 就像施法并希望它能奏效，他说。</p>
<p>相反，开发者应该考虑如何将工作分解为更小、更易于处理的部分，以便代理执行任务。</p>
<ul>
<li>AI 招聘公司 Mercor 表示，它是 LiteLLM 供应链攻击中 “成千上万” 受害者之一</li>
<li>谷歌的 TurboQuant 节省内存，但无法拯救我们免于 DRAM 定价地狱</li>
<li>“拉里叔叔的最大粉丝” 在早晨的 Oracle 裁员潮中被通过电子邮件解雇</li>
<li>Claude Code 在给出过多命令时绕过安全规则</li>
</ul>
<p>这种 “分解” 实际上是工程学 101，他说。这是 “将一个非常复杂的系统分解，识别关键部分，将其模块化，然后设计这些部分，甚至为这些部分分配专家的艺术。”</p>
<p>当你构建代理时，不要随意向 LLM 抛出信息，而是定义具体功能以帮助代理执行任务。IBM 最近发布的 mellea.ai 是 Lastras 所称的关键模式的开源库——提供 LLM 特定 Python 编码指令的功能。它们可以用于为 LLM 调用添加要求、检测有害输出、以模式结构输出等。</p>
<p>IBM 还在研究代理在特定任务中切换 LLM 的能力，或称 “切换大脑”，Lastras 说。在其研究中，IBM 发现一个较小的、特定领域的模型在推理时给予更多时间，将优于较大的模型。</p>
<h3>支付准备税</h3>
<p>“隐含假设是技术债务，” Intuit 的高级开发人员 Justin Chau 进一步解释道。对我们来说显而易见的事情，对机器来说可能并不明显。“我们必须非常非常具体地说明我们想要的结果。”</p>
<p>Chau 给出的一个建议是：给你的代理设置约束，而不是指令。如果大型语言模型（LLM）发现它认为更好的完成任务的方法，它会忽略指令。约束是硬性要求，更难被 AI 大脑忽视。如果你告诉代理在任何情况下都不应使用 HTML，那么它会遵守这个请求。</p>
<p>但比约束更强的是缺乏权限。“如果我不给它访问 GitHub 的权限，我就知道它绝对不会接触 GitHub，” Chau 说。</p>
<p>《银河系漫游指南》的爱好者会记得 “深思” 这个悖论，它是世界上最强大的计算机。像 AI 本身一样，深思被构建来提供生命、宇宙和一切的答案。但经过几个世纪的计算，它只给出了一个难以理解的答案（42），人类随后需要一个更大的计算机来弄清楚实际的问题是什么。</p>
<p>也许，在 AI 的世界里，我们发现自己身处亚当斯的世界。AI 并没有为我们完成所有工作，而是让我们走上了无尽准备的道路。®</p>

2 倍做多 Netflix ETF - Direxion

IDGT

<p>在 “万物皆 AI” 会议上，来自 IBM、Meta 和 Netflix 的演讲者讨论了在编程中使用 AI 的复杂性。他们强调，虽然 AI 可以提高生产力，但也需要大量的准备工作和上下文管理。引入了 “上下文工程” 的概念，强调需要明确的指令以避免 “上下文腐化”。AI 可以处理 80% 的任务，但人类必须完成剩下的 20%，通常需要 AI 的协助。讨论强调，有效使用 AI 涉及管理多个代理并优化流程以提高结果</p>

<p>All Things AI AI is easy to use, but not quite as easy as just barking &#34;Alexa! Make me an e-commerce site.&#34; And, no, adding &#34;DON'T HALLUCINATE&#34; to the instruction loop won't help.</p>
<div class="lb-trans"><p>万物皆 AI，AI 易于使用，但并不像简单地喊 “Alexa！给我做一个电子商务网站。” 那么简单。而且，不，添加 “不要产生幻觉” 到指令循环中也无济于事。</p>
</div><p>More to the point, optimal AI results favor the well-fortified agent, according to speakers from IBM, Meta, and Netflix – among others – at the All Things AI conference in Durham, North Carolina.</p>
<div class="lb-trans"><p>更重要的是，来自 IBM、Meta 和 Netflix 等公司的发言者在北卡罗来纳州达勒姆的万物皆 AI 会议上表示，最佳的 AI 结果更倾向于那些准备充分的代理。</p>
</div><p>The more you want AI to do your bidding, the more preparatory chores you'll need to do, they advised.</p>
<div class="lb-trans"><p>他们建议，越想让 AI 听从你的指挥，就需要做越多的准备工作。</p>
</div><p>Numerous talks evoked the Jevons Paradox, where the more efficient a resource becomes, the more it's used. The paradox is often used to explain why AI won't take everyone's jobs. In fact, it will create more jobs, the argument goes.</p>
<div class="lb-trans"><p>许多演讲提到了杰文斯悖论，即资源越高效，使用量就越大。这个悖论常用于解释为什么 AI 不会取代每个人的工作。事实上，论点认为，它将创造更多的工作。</p>
</div><p>Currently, AI is certainly creating more work for its users, requiring time to prepare context and check outcomes. Claude will make anyone a 10x programmer, but they'll need to clean up 10x the results.</p>
<div class="lb-trans"><p>目前，AI 确实为其用户创造了更多的工作，要求花时间准备上下文并检查结果。Claude 可以让任何人成为 10 倍程序员，但他们需要清理 10 倍的结果。</p>
</div><p>Or, in the most apocalyptic terms, before the singularity can enslave humankind as energy pods à la The Matrix, it will require some assistance from us meat sacks to get around.</p>
<div class="lb-trans"><p>或者，用最悲观的说法，在奇点能够像《黑客帝国》中的能量舱那样奴役人类之前，它需要我们这些肉体的帮助才能运转。</p>
</div><h3>The sorcerer's apprentice</h3>
<div class="lb-trans"><h3>魔法师的学徒</h3>
</div><p>How is AI keeping the folks at Netflix busy? In a talk, Netflix UI architect Ben Ilegbodu explained how as soon as you create an agent to automate some task, you will need a second agent to evaluate the work done.</p>
<div class="lb-trans"><p>AI 是如何让 Netflix 的员工忙碌的？在一次演讲中，Netflix 的 UI 架构师 Ben Ilegbodu 解释说，一旦你创建了一个代理来自动化某个任务，你就需要第二个代理来评估完成的工作。</p>
</div><p>Ilegbodu sometimes even breaks the job into multiple agents that specialize in different parts of the code review. He calls this approach &#34;adversarial code review.&#34;</p>
<div class="lb-trans"><p>Ilegbodu 有时甚至将工作分解为多个专注于代码审查不同部分的代理。他称这种方法为 “对抗性代码审查”。</p>
</div><p>Oh, you'll also need a third agent to orchestrate the actions between the first two, he said.</p>
<div class="lb-trans"><p>他说，你还需要第三个代理来协调前两个代理之间的行动。</p>
</div><p>Ilegbodu's workday is the Jevons Paradox incarnate. Once he sets off one agent to implement some new feature, he tasks another agent to do the preliminary work for the next task he has in mind. In effect, he is &#34;parallelizing himself so the work is always happening.&#34;</p>
<div class="lb-trans"><p>Ilegbodu 的工作日就是杰文斯悖论的化身。一旦他启动一个代理来实现某个新功能，他就会让另一个代理为他心中下一个任务做准备工作。实际上，他是在 “并行化自己，以便工作始终在进行。”</p>
</div><p>AI has allowed Ilegbodu to code in languages he doesn't yet know, such as Python, Bash, and Groovy.</p>
<div class="lb-trans"><p>AI 使 Ilegbodu 能够使用他尚未掌握的语言进行编码，例如 Python、Bash 和 Groovy。</p>
</div><p>But this context switching can get wearisome, he admitted. &#34;At the end of the day, I'm actually kind of tired, because effectively, I spent the whole day talking to something.&#34;</p>
<div class="lb-trans"><p>但他承认，这种上下文切换可能会让人感到疲惫。“到一天结束时，我实际上有点累，因为我整天都在和某个东西对话。”</p>
</div><h3>The insatiable intern</h3>
<div class="lb-trans"><h3>贪得无厌的实习生</h3>
</div><p>Many coders think about AI like an eager junior developer on the team: enthusiastic but naive. But unlike a junior dev, an AI won't &#34;get overwhelmed,&#34; said Meta Developer Advocate Justin Jeffress, in his talk.</p>
<div class="lb-trans"><p>许多程序员将 AI 视为团队中一个渴望学习的初级开发者：热情但天真。但与初级开发者不同，AI 不会 “感到不堪重负”，Meta 开发者倡导者 Justin Jeffress 在他的演讲中表示。</p>
</div><p>You can just keep shoveling more information to the AI, and it will take it all in (for as many tokens as you can afford).</p>
<div class="lb-trans"><p>你可以不断向 AI 输入更多信息，它会全部接收（只要你能负担得起的令牌数量）。</p>
</div><p>Such bottomless hunger leads to what Jeffress called &#34;context rot.&#34;</p>
<div class="lb-trans"><p>这种无底的饥渴导致了 Jeffress 所称的 “上下文腐烂”。</p>
</div><p>&#34;Over time, as you interact with your AI agent, the more stuff it has to calculate to provide an answer, the more there is vying for its attention and the less likely it's going to do the right thing,&#34; he said.</p>
<div class="lb-trans"><p>他说：“随着时间的推移，当你与 AI 代理互动时，它需要计算的内容越多，提供答案所需的内容就越多，争夺其注意力的内容也越多，它就越不可能做出正确的事情。”</p>
</div><p>Vague instructions lead to diffuse results, he told the audience. Clearly thinking about what information you are giving to the agent is the work of context engineering, which, in the short time of agentic AI, has become an art form, if not quite a proper discipline yet.</p>
<div class="lb-trans"><p>模糊的指令会导致模糊的结果，他告诉观众。清晰地思考你给代理提供了什么信息是上下文工程的工作，而在代理 AI 的短暂时间内，这已成为一种艺术形式，尽管尚未完全形成一门学科。</p>
</div><p>With context engineering, &#34;you're building a set of rules, tools, skills and other things that the AI agent at its moment of need can refer to in order to solve the problem,&#34; he said. He even recommended going one step further with &#34;prompt chaining,&#34; or listing the specific tasks it needs to do step by step. More work at the beginning means less to worry about during runtime, allowing the developer to nip away for a pint.</p>
<div class="lb-trans"><p>通过上下文工程，“你正在建立一套规则、工具、技能和其他东西，以便 AI 代理在需要时可以参考，以解决问题，” 他说。他甚至建议进一步进行 “提示链”，即逐步列出它需要执行的具体任务。开始时的更多工作意味着在运行时更少的担忧，让开发者可以抽空去喝一杯。</p>
</div><p>Just kidding. It gives them time to refine the process even further by running multiple agents in parallel. Become the conductor of your own orchestra of agents, Jeffress said. Be sure also to create a markdown file to track progress to help keep the agent from forgetting its mission.</p>
<div class="lb-trans"><p>开玩笑的。这给他们时间进一步完善流程，通过并行运行多个代理。Jeffress 说，成为自己代理乐队的指挥。同时确保创建一个 markdown 文件来跟踪进度，以帮助代理不忘记其使命。</p>
</div><p>Jeffress noted that AI can usually do 80 percent of a given job, leaving the last 20 percent to be finished by a human. When Jeffress tackled the remaining 20 percent of the work, he found that 80 percent of that work could be done by the bots. And so on, like some fractal Pareto principle of never-ending cleanup duties.</p>
<div class="lb-trans"><p>Jeffress 指出，AI 通常可以完成给定工作的 80%，将最后的 20% 留给人类。当 Jeffress 处理剩下的 20% 工作时，他发现其中 80% 的工作可以由机器人完成。如此循环，就像某种无尽清理任务的分形帕累托原则。</p>
</div><h3>Wishful prompting</h3>
<div class="lb-trans"><h3>期望的提示</h3>
</div><p>The fact that the AI doesn't do exactly what you want it to do is not a problem with the AI. It's a problem with your lack of &#34;decomposition&#34; skills, posited Luis Lastras, IBM director of language and multimodal technologies, in his talk.</p>
<div class="lb-trans"><p>AI 没有完全按照你的意愿行事并不是 AI 的问题，而是你缺乏 “分解” 技能的问题，IBM 语言和多模态技术总监 Luis Lastras 在他的演讲中提出。</p>
</div><p>Wishful prompting is just typing &#34;I must insist, do not hallucinate. My career depends on it, please, please, please.&#34; It's like casting a spell and hoping it'll work, he said.</p>
<div class="lb-trans"><p>期望的提示就像输入 “我必须坚持，不要产生幻觉。我的职业生涯依赖于此，请，请，请。” 就像施法并希望它能奏效，他说。</p>
</div><p>Instead, developers should be thinking about how to break the work up into smaller, more bite-sized portions for the agent.</p>
<div class="lb-trans"><p>相反，开发者应该考虑如何将工作分解为更小、更易于处理的部分，以便代理执行任务。</p>
</div><ul>
<li>AI recruiting biz Mercor says it was 'one of thousands' hit in LiteLLM supply-chain attack</li>
<li>Google's TurboQuant saves memory, but won't save us from DRAM-pricing hell</li>
<li>'Uncle Larry's biggest fan' cut by email in early morning Oracle layoff spree</li>
<li>Claude Code bypasses safety rule if given too many commands</li>
</ul>
<div class="lb-trans"><ul>
<li>AI 招聘公司 Mercor 表示，它是 LiteLLM 供应链攻击中 “成千上万” 受害者之一</li>
<li>谷歌的 TurboQuant 节省内存，但无法拯救我们免于 DRAM 定价地狱</li>
<li>“拉里叔叔的最大粉丝” 在早晨的 Oracle 裁员潮中被通过电子邮件解雇</li>
<li>Claude Code 在给出过多命令时绕过安全规则</li>
</ul>
</div><p>This sort of &#34;decomposition&#34; is in fact Engineering 101, he said. It is &#34;the art of taking a very complex system, identifying what are the key piece parts, modularizing them, and then designing those things, and even assigning specialists to design those pieces.&#34;</p>
<div class="lb-trans"><p>这种 “分解” 实际上是工程学 101，他说。这是 “将一个非常复杂的系统分解，识别关键部分，将其模块化，然后设计这些部分，甚至为这些部分分配专家的艺术。”</p>
</div><p>When you build your agent, don't just randomly throw information at the LLM, but define specific functions to help the agent execute the task. IBM's recently released mellea.ai is an open source library of what Lastras calls key patterns – functions that give LLMs specific Python-encoded instructions. They can be used to add requirements to LLM calls, detect harmful outputs, structure outputs in schemas, and more.</p>
<div class="lb-trans"><p>当你构建代理时，不要随意向 LLM 抛出信息，而是定义具体功能以帮助代理执行任务。IBM 最近发布的 mellea.ai 是 Lastras 所称的关键模式的开源库——提供 LLM 特定 Python 编码指令的功能。它们可以用于为 LLM 调用添加要求、检测有害输出、以模式结构输出等。</p>
</div><p>Big Blue is also working on the capability for agents to switch LLMs for specialized tasks, or &#34;switch brains,&#34; Lastras said. In its research, IBM has found that a smaller, domain-specific model, given more time for inference, will outperform larger models.</p>
<div class="lb-trans"><p>IBM 还在研究代理在特定任务中切换 LLM 的能力，或称 “切换大脑”，Lastras 说。在其研究中，IBM 发现一个较小的、特定领域的模型在推理时给予更多时间，将优于较大的模型。</p>
</div><h3>Pay the prep tax</h3>
<div class="lb-trans"><h3>支付准备税</h3>
</div><p>&#34;Implicit assumptions are tech debt,&#34; further explained Justin Chau, a senior developer at Intuit. What is obvious to us may not be obvious to the machine. &#34;We have to be very, very specific in what we want as an outcome.&#34;</p>
<div class="lb-trans"><p>“隐含假设是技术债务，” Intuit 的高级开发人员 Justin Chau 进一步解释道。对我们来说显而易见的事情，对机器来说可能并不明显。“我们必须非常非常具体地说明我们想要的结果。”</p>
</div><p>One piece of advice from Chau: give your agents constraints, not instructions. An LLM will disregard an instruction if it finds what it assumes is a better way to complete the task. Constraints are hard nos and more difficult for the AI brain to disregard. If you tell the agent that under no circumstances should it use HTML, then it will honor that request.</p>
<div class="lb-trans"><p>Chau 给出的一个建议是：给你的代理设置约束，而不是指令。如果大型语言模型（LLM）发现它认为更好的完成任务的方法，它会忽略指令。约束是硬性要求，更难被 AI 大脑忽视。如果你告诉代理在任何情况下都不应使用 HTML，那么它会遵守这个请求。</p>
</div><p>But even stronger than constraints is the lack of permissions. &#34;If I don't give it access to GitHub, I know for sure it will never touch GitHub,&#34; Chau said.</p>
<div class="lb-trans"><p>但比约束更强的是缺乏权限。“如果我不给它访问 GitHub 的权限，我就知道它绝对不会接触 GitHub，” Chau 说。</p>
</div><p>Aficionados of <em>The Hitchhiker's Guide to the Galaxy</em> will remember the paradox of &#34;Deep Thought,&#34; the world's most powerful computer. Like AI itself, Deep Thought was built to deliver the answer to Life, Universe, and Everything. But after centuries of calculation, it only delivered the inscrutable answer (42), and the human race then needed an even larger computer just to figure out what the actual question was.</p>
<div class="lb-trans"><p>《银河系漫游指南》的爱好者会记得 “深思” 这个悖论，它是世界上最强大的计算机。像 AI 本身一样，深思被构建来提供生命、宇宙和一切的答案。但经过几个世纪的计算，它只给出了一个难以理解的答案（42），人类随后需要一个更大的计算机来弄清楚实际的问题是什么。</p>
</div><p>Perhaps, with AI, we find ourselves in Adams' world. Far from doing all the work for us, AI sets us down a path of endless preparation. ®</p>
<div class="lb-trans"><p>也许，在 AI 的世界里，我们发现自己身处亚当斯的世界。AI 并没有为我们完成所有工作，而是让我们走上了无尽准备的道路。®</p>
</div>

Netflix, Meta, and IBM speakers: AI will make anyone a 10x programmer, but with 10x the cleanup

- AI 需要更多的准备工作，才能实现最佳效果。  
- 演讲者提到，AI 将创造更多工作，并需进行复杂的上下文管理。  
- 开发者应将任务细分，以提高 AI 的执行效率和准确性。

The Register

iShares US Digital Infrastructure and Real Estate ETF

2 倍做多 Meta ETF - Direxion

Roundhill META WeeklyPay ETF

Global X Data Center & Dgtl Infrs ETF

Roundhill NFLX WeeklyPay ETF

标普软件与服务 ETF - SPDR

北美科技软件股指数 ETF - iShares

奈飞

FRNKL EXP DT ETF

2 倍做多 META ETF - GraniteShares

云计算 ETF - GlobalX

2 倍做多 NFLX ETF - T-Rex

奈飞、Meta 和 IBM 的发言人表示：人工智能将使任何人成为 10 倍程序员，但同时也需要进行 10 倍的清理工作