<p>萬物皆 AI，AI 易於使用，但並不像簡單地喊 “Alexa！給我做一個電子商務網站。” 那麼簡單。而且，不，添加 “不要產生幻覺” 到指令循環中也無濟於事。</p>
<p>更重要的是，來自 IBM、Meta 和 Netflix 等公司的發言者在北卡羅來納州達勒姆的萬物皆 AI 會議上表示，最佳的 AI 結果更傾向於那些準備充分的代理。</p>
<p>他們建議，越想讓 AI 聽從你的指揮，就需要做越多的準備工作。</p>
<p>許多演講提到了傑文斯悖論，即資源越高效，使用量就越大。這個悖論常用於解釋為什麼 AI 不會取代每個人的工作。事實上，論點認為，它將創造更多的工作。</p>
<p>目前，AI 確實為其用户創造了更多的工作，要求花時間準備上下文並檢查結果。Claude 可以讓任何人成為 10 倍程序員，但他們需要清理 10 倍的結果。</p>
<p>或者，用最悲觀的説法，在奇點能夠像《黑客帝國》中的能量艙那樣奴役人類之前，它需要我們這些肉體的幫助才能運轉。</p>
<h3>魔法師的學徒</h3>
<p>AI 是如何讓 Netflix 的員工忙碌的？在一次演講中，Netflix 的 UI 架構師 Ben Ilegbodu 解釋説，一旦你創建了一個代理來自動化某個任務，你就需要第二個代理來評估完成的工作。</p>
<p>Ilegbodu 有時甚至將工作分解為多個專注於代碼審查不同部分的代理。他稱這種方法為 “對抗性代碼審查”。</p>
<p>他説，你還需要第三個代理來協調前兩個代理之間的行動。</p>
<p>Ilegbodu 的工作日就是傑文斯悖論的化身。一旦他啓動一個代理來實現某個新功能，他就會讓另一個代理為他心中下一個任務做準備工作。實際上，他是在 “並行化自己，以便工作始終在進行。”</p>
<p>AI 使 Ilegbodu 能夠使用他尚未掌握的語言進行編碼，例如 Python、Bash 和 Groovy。</p>
<p>但他承認，這種上下文切換可能會讓人感到疲憊。“到一天結束時，我實際上有點累，因為我整天都在和某個東西對話。”</p>
<h3>貪得無厭的實習生</h3>
<p>許多程序員將 AI 視為團隊中一個渴望學習的初級開發者：熱情但天真。但與初級開發者不同，AI 不會 “感到不堪重負”，Meta 開發者倡導者 Justin Jeffress 在他的演講中表示。</p>
<p>你可以不斷向 AI 輸入更多信息，它會全部接收（只要你能負擔得起的令牌數量）。</p>
<p>這種無底的飢渴導致了 Jeffress 所稱的 “上下文腐爛”。</p>
<p>他説：“隨着時間的推移，當你與 AI 代理互動時，它需要計算的內容越多，提供答案所需的內容就越多，爭奪其注意力的內容也越多，它就越不可能做出正確的事情。”</p>
<p>模糊的指令會導致模糊的結果，他告訴觀眾。清晰地思考你給代理提供了什麼信息是上下文工程的工作，而在代理 AI 的短暫時間內，這已成為一種藝術形式，儘管尚未完全形成一門學科。</p>
<p>通過上下文工程，“你正在建立一套規則、工具、技能和其他東西，以便 AI 代理在需要時可以參考，以解決問題，” 他説。他甚至建議進一步進行 “提示鏈”，即逐步列出它需要執行的具體任務。開始時的更多工作意味着在運行時更少的擔憂，讓開發者可以抽空去喝一杯。</p>
<p>開玩笑的。這給他們時間進一步完善流程，通過並行運行多個代理。Jeffress 説，成為自己代理樂隊的指揮。同時確保創建一個 markdown 文件來跟蹤進度，以幫助代理不忘記其使命。</p>
<p>Jeffress 指出，AI 通常可以完成給定工作的 80%，將最後的 20% 留給人類。當 Jeffress 處理剩下的 20% 工作時，他發現其中 80% 的工作可以由機器人完成。如此循環，就像某種無盡清理任務的分形帕累託原則。</p>
<h3>期望的提示</h3>
<p>AI 沒有完全按照你的意願行事並不是 AI 的問題，而是你缺乏 “分解” 技能的問題，IBM 語言和多模態技術總監 Luis Lastras 在他的演講中提出。</p>
<p>期望的提示就像輸入 “我必須堅持，不要產生幻覺。我的職業生涯依賴於此，請，請，請。” 就像施法並希望它能奏效，他説。</p>
<p>相反，開發者應該考慮如何將工作分解為更小、更易於處理的部分，以便代理執行任務。</p>
<ul>
<li>AI 招聘公司 Mercor 表示，它是 LiteLLM 供應鏈攻擊中 “成千上萬” 受害者之一</li>
<li>谷歌的 TurboQuant 節省內存，但無法拯救我們免於 DRAM 定價地獄</li>
<li>“拉里叔叔的最大粉絲” 在早晨的 Oracle 裁員潮中被通過電子郵件解僱</li>
<li>Claude Code 在給出過多命令時繞過安全規則</li>
</ul>
<p>這種 “分解” 實際上是工程學 101，他説。這是 “將一個非常複雜的系統分解，識別關鍵部分，將其模塊化，然後設計這些部分，甚至為這些部分分配專家的藝術。”</p>
<p>當你構建代理時，不要隨意向 LLM 拋出信息，而是定義具體功能以幫助代理執行任務。IBM 最近發佈的 mellea.ai 是 Lastras 所稱的關鍵模式的開源庫——提供 LLM 特定 Python 編碼指令的功能。它們可以用於為 LLM 調用添加要求、檢測有害輸出、以模式結構輸出等。</p>
<p>IBM 還在研究代理在特定任務中切換 LLM 的能力，或稱 “切換大腦”，Lastras 説。在其研究中，IBM 發現一個較小的、特定領域的模型在推理時給予更多時間，將優於較大的模型。</p>
<h3>支付準備税</h3>
<p>“隱含假設是技術債務，” Intuit 的高級開發人員 Justin Chau 進一步解釋道。對我們來説顯而易見的事情，對機器來説可能並不明顯。“我們必須非常非常具體地説明我們想要的結果。”</p>
<p>Chau 給出的一個建議是：給你的代理設置約束，而不是指令。如果大型語言模型（LLM）發現它認為更好的完成任務的方法，它會忽略指令。約束是硬性要求，更難被 AI 大腦忽視。如果你告訴代理在任何情況下都不應使用 HTML，那麼它會遵守這個請求。</p>
<p>但比約束更強的是缺乏權限。“如果我不給它訪問 GitHub 的權限，我就知道它絕對不會接觸 GitHub，” Chau 説。</p>
<p>《銀河系漫遊指南》的愛好者會記得 “深思” 這個悖論，它是世界上最強大的計算機。像 AI 本身一樣，深思被構建來提供生命、宇宙和一切的答案。但經過幾個世紀的計算，它只給出了一個難以理解的答案（42），人類隨後需要一個更大的計算機來弄清楚實際的問題是什麼。</p>
<p>也許，在 AI 的世界裏，我們發現自己身處亞當斯的世界。AI 並沒有為我們完成所有工作，而是讓我們走上了無盡準備的道路。®</p>

2 倍做多 Netflix ETF - Direxion

IDGT

<p>在 “萬物皆 AI” 會議上，來自 IBM、Meta 和 Netflix 的演講者討論了在編程中使用 AI 的複雜性。他們強調，雖然 AI 可以提高生產力，但也需要大量的準備工作和上下文管理。引入了 “上下文工程” 的概念，強調需要明確的指令以避免 “上下文腐化”。AI 可以處理 80% 的任務，但人類必須完成剩下的 20%，通常需要 AI 的協助。討論強調，有效使用 AI 涉及管理多個代理並優化流程以提高結果</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>萬物皆 AI，AI 易於使用，但並不像簡單地喊 “Alexa！給我做一個電子商務網站。” 那麼簡單。而且，不，添加 “不要產生幻覺” 到指令循環中也無濟於事。</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，來自 IBM、Meta 和 Netflix 等公司的發言者在北卡羅來納州達勒姆的萬物皆 AI 會議上表示，最佳的 AI 結果更傾向於那些準備充分的代理。</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>他們建議，越想讓 AI 聽從你的指揮，就需要做越多的準備工作。</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>許多演講提到了傑文斯悖論，即資源越高效，使用量就越大。這個悖論常用於解釋為什麼 AI 不會取代每個人的工作。事實上，論點認為，它將創造更多的工作。</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 確實為其用户創造了更多的工作，要求花時間準備上下文並檢查結果。Claude 可以讓任何人成為 10 倍程序員，但他們需要清理 10 倍的結果。</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，用最悲觀的説法，在奇點能夠像《黑客帝國》中的能量艙那樣奴役人類之前，它需要我們這些肉體的幫助才能運轉。</p>
</div><h3>The sorcerer's apprentice</h3>
<div class="lb-trans"><h3>魔法師的學徒</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 是如何讓 Netflix 的員工忙碌的？在一次演講中，Netflix 的 UI 架構師 Ben Ilegbodu 解釋説，一旦你創建了一個代理來自動化某個任務，你就需要第二個代理來評估完成的工作。</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 有時甚至將工作分解為多個專注於代碼審查不同部分的代理。他稱這種方法為 “對抗性代碼審查”。</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>他説，你還需要第三個代理來協調前兩個代理之間的行動。</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 的工作日就是傑文斯悖論的化身。一旦他啓動一個代理來實現某個新功能，他就會讓另一個代理為他心中下一個任務做準備工作。實際上，他是在 “並行化自己，以便工作始終在進行。”</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 能夠使用他尚未掌握的語言進行編碼，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>但他承認，這種上下文切換可能會讓人感到疲憊。“到一天結束時，我實際上有點累，因為我整天都在和某個東西對話。”</p>
</div><h3>The insatiable intern</h3>
<div class="lb-trans"><h3>貪得無厭的實習生</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>許多程序員將 AI 視為團隊中一個渴望學習的初級開發者：熱情但天真。但與初級開發者不同，AI 不會 “感到不堪重負”，Meta 開發者倡導者 Justin Jeffress 在他的演講中表示。</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>你可以不斷向 AI 輸入更多信息，它會全部接收（只要你能負擔得起的令牌數量）。</p>
</div><p>Such bottomless hunger leads to what Jeffress called &#34;context rot.&#34;</p>
<div class="lb-trans"><p>這種無底的飢渴導致了 Jeffress 所稱的 “上下文腐爛”。</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>他説：“隨着時間的推移，當你與 AI 代理互動時，它需要計算的內容越多，提供答案所需的內容就越多，爭奪其注意力的內容也越多，它就越不可能做出正確的事情。”</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>模糊的指令會導致模糊的結果，他告訴觀眾。清晰地思考你給代理提供了什麼信息是上下文工程的工作，而在代理 AI 的短暫時間內，這已成為一種藝術形式，儘管尚未完全形成一門學科。</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>通過上下文工程，“你正在建立一套規則、工具、技能和其他東西，以便 AI 代理在需要時可以參考，以解決問題，” 他説。他甚至建議進一步進行 “提示鏈”，即逐步列出它需要執行的具體任務。開始時的更多工作意味着在運行時更少的擔憂，讓開發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>開玩笑的。這給他們時間進一步完善流程，通過並行運行多個代理。Jeffress 説，成為自己代理樂隊的指揮。同時確保創建一個 markdown 文件來跟蹤進度，以幫助代理不忘記其使命。</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 通常可以完成給定工作的 80%，將最後的 20% 留給人類。當 Jeffress 處理剩下的 20% 工作時，他發現其中 80% 的工作可以由機器人完成。如此循環，就像某種無盡清理任務的分形帕累託原則。</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 沒有完全按照你的意願行事並不是 AI 的問題，而是你缺乏 “分解” 技能的問題，IBM 語言和多模態技術總監 Luis Lastras 在他的演講中提出。</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>期望的提示就像輸入 “我必須堅持，不要產生幻覺。我的職業生涯依賴於此，請，請，請。” 就像施法並希望它能奏效，他説。</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，開發者應該考慮如何將工作分解為更小、更易於處理的部分，以便代理執行任務。</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 供應鏈攻擊中 “成千上萬” 受害者之一</li>
<li>谷歌的 TurboQuant 節省內存，但無法拯救我們免於 DRAM 定價地獄</li>
<li>“拉里叔叔的最大粉絲” 在早晨的 Oracle 裁員潮中被通過電子郵件解僱</li>
<li>Claude Code 在給出過多命令時繞過安全規則</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>這種 “分解” 實際上是工程學 101，他説。這是 “將一個非常複雜的系統分解，識別關鍵部分，將其模塊化，然後設計這些部分，甚至為這些部分分配專家的藝術。”</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>當你構建代理時，不要隨意向 LLM 拋出信息，而是定義具體功能以幫助代理執行任務。IBM 最近發佈的 mellea.ai 是 Lastras 所稱的關鍵模式的開源庫——提供 LLM 特定 Python 編碼指令的功能。它們可以用於為 LLM 調用添加要求、檢測有害輸出、以模式結構輸出等。</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 還在研究代理在特定任務中切換 LLM 的能力，或稱 “切換大腦”，Lastras 説。在其研究中，IBM 發現一個較小的、特定領域的模型在推理時給予更多時間，將優於較大的模型。</p>
</div><h3>Pay the prep tax</h3>
<div class="lb-trans"><h3>支付準備税</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>“隱含假設是技術債務，” Intuit 的高級開發人員 Justin Chau 進一步解釋道。對我們來説顯而易見的事情，對機器來説可能並不明顯。“我們必須非常非常具體地説明我們想要的結果。”</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 給出的一個建議是：給你的代理設置約束，而不是指令。如果大型語言模型（LLM）發現它認為更好的完成任務的方法，它會忽略指令。約束是硬性要求，更難被 AI 大腦忽視。如果你告訴代理在任何情況下都不應使用 HTML，那麼它會遵守這個請求。</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>但比約束更強的是缺乏權限。“如果我不給它訪問 GitHub 的權限，我就知道它絕對不會接觸 GitHub，” Chau 説。</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>《銀河系漫遊指南》的愛好者會記得 “深思” 這個悖論，它是世界上最強大的計算機。像 AI 本身一樣，深思被構建來提供生命、宇宙和一切的答案。但經過幾個世紀的計算，它只給出了一個難以理解的答案（42），人類隨後需要一個更大的計算機來弄清楚實際的問題是什麼。</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>也許，在 AI 的世界裏，我們發現自己身處亞當斯的世界。AI 並沒有為我們完成所有工作，而是讓我們走上了無盡準備的道路。®</p>
</div>

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

- AI 需要更多的準備工作，才能實現最佳效果。  
- 演講者提到，AI 將創造更多工作，並需進行復雜的上下文管理。  
- 開發者應將任務細分，以提高 AI 的執行效率和準確性。

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

標普軟件與服務 ETF - SPDR

北美科技軟件股指數 ETF - iShares

奈飛

FRNKL EXP DT ETF

2 倍做多 META ETF - GraniteShares

雲計算 ETF - GlobalX

2 倍做多 NFLX ETF - T-Rex

奈飛、Meta 和 IBM 的發言人表示：人工智能將使任何人成為 10 倍程序員，但同時也需要進行 10 倍的清理工作