אין לנו שום סיכוי לעבד חצי מהטקסט שAI מקיא עלינו.
אז אנחנו זורמים איתו, ואז מגלים את הבעיות
מעבר לשיט הקוגניטיבי שזה עושה לנו, זה גם עולה כסף והרבה זמן של להבין למה הוא עשה X כשבראש היה לנו Y
הסנריו לרוב - מתחילים עם מוטיבציה לקרוא ומהר מאוד מתחילים לרפרף, מאשרים וממשיכים.
והבעיות האלה קיימות לפני כתיבת קוד, תוך כדי, ונושכת הכי חזק אחרי שדברים so called עובדים.
אז הנה 4 כלים שעזרו לי מאוד בבניה לאחרונה:
1. את Trove של @SaharCarml, מכירים? לשעבר CandleKeep.
לאייגנטים פשוט אין את הידע שהם צריכים לכל משימה... Trove נותן להם מומחיות מבוססת ספרים בתחומים שונים בבנייה. השתמשתי בו בעיקר לבניית קונטקסט נכון. בכל משימה מוטרג הסקיל של הספרן ושולף את הספרים הרלוונטיים. בפרוייקט נוכחי השתמשתי ב: Building Agents in Production by Anthropic Engineering Playbook: Agents, Harnesses & Infrastructure.
2. כלי קטן שהתחיל מלנסות את אסטרה והתפתח - Caliboard - כלי שלוקח תוכנית מלאה בטקסט מעייף, ומייצר שכבה ויזואלית לplan שעוזרת להבין ולפדבק בצורה הרבה יותר אינטואיטיבית. חיבור אינטואיטיבי בmcp לכל coding agent. מוזמנים לנסות ✌️
3. עוד אחד, קוד פתוח - Agent Think Map - כלי שבניתי לדיבאגינג. עוזר לי לראות באילו tools, MCPs ו-skills האייגנט השתמש בדרך להחלטה שגויה, ובמה ציפיתי שישתמש וגיליתי שבפועל לא השתמש.
4. חרוש אבל עדיין מאוד שימושי לי Superpowers. בעיקר לbrainstorming ומשימות מורכבות שהוא מפרק ל sub Agents driven development.
----------------------
Follow for more content of Data & AI
@CyberFalcon6 כתבתי מהזווית של איך ארגון דאטה מתנהל בפנים, ולא רק סביב פרדיקציות כמו שפקאן עושים כמוצר (יש עוד פונקציות בשרשרת).
כמו שצוות פיתוח עובד בבאז הפקטורי, בהשאלה לעולם הדאטה - איש\אשת דאטה חזק אחד שמתנהל עם 4 זרועות כדי לנהל את כל האופרציה של פיתוח וניתוח דאטה.
חברות צומחות צריכות ויכולות לבנות את אופרציית הדאטה שלהן בצורה הרבה יותר רזה ואפקטיבית.
בהשאלה מהבאז של software factory,
מה עם כל שאלה עסקית תעבור בלופ אייג'נטי כזזה של:
בניית פייפליין לשאלה DE (אם לא קיים),
ניתוח DA (מורכבות בהתאם לצורך),
פרדיקציה DS (אם רלוונטי),
ויזואליזציה BI.
עטיפת QA ו Review.
אני מאמין שעם תשתית חזקה 1\2 א.נשים שמבינים\ות את הביזנס ומגיע מהבנה רוחבית של דאטה יכול.ה לנהל כל שרשרת כזו, בכל ביזנס דומיין.
כל תהליך, כל אייג'נט שהחברה בונה, כל באז שיגיע - בסוף נבנה מעל הלופ הזה.
מה אומרים?
Follow for more content on Data & AI
נשים את זה רגע על השולחן
כל יועץ בתחום שקיים שנתיים שלוש מרגיש בלוף מדי פעם עם עצמו.
טבעי.
גם בתקופה של כזו מהפכה וחשש על המקום שלך, הרבה רעל יוצא בסושיאל כלפי מי שמתיימר להיות יועץ AI. מי הוא/היא בכלל.
עשיתי שנה ומשהו סדנאות AI לקבוצות דאטה, כי הרגשתי שיש לי הרבה לתת כבר עכשיו ואני מכיר את הכאבים מ12 שנה בתחום.
אבל ההחלטה הכי טובה שלקחתי הייתה להפסיק איתן
ולקחת 2 פרוייקטים a-z שבהם נתנו לי את המפתחות ואת הבעיה, ואמרו לי לך תבנה את הפתרון. ועל זה אני ממש ממליץ לכולם
מפחיד מאוד בהתחלה, כי רוב מה שאתה עושה מעולם לא עשית.
ופחות ממצוין זה לא סבבה.
אבל זה היה שיעור בללכלך את הידיים, לאכול את התסכולים מהמגבלות, ללמוד את הקושח של בני האנוש עם "לנדב" את הדומיין אקספרטיז שלהם החוצה.
ועל הרצון הככה-ככה של אנשים לשנות הרגלים.
ויש עוד כל כך הרבה מה ללמוד, אבל טיפה עוזר לשבת יותר בנוח בכובע היועץ.
תקנו אותי, אבל לא חושב שיש דרך אחרת
Growing without hiring - ch 2: architecture.
As things are moving so fast now,
architecture matters but momentum matters just as much.
After discovery the goal was simple: get something into people's hands fast, so we start hitting walls.
How it went:
-->First agent in Claude Code, on top of the knowledge from the discovery phase
--> Shared the repo with the person who actually does the work every day. A few rounds of feedback
--> Wrapped it with Nanoclaw for Slack, telemetry and skills.
Fewer early mistakes, easier fixes
Next day, a machine in the company's own AWS. Familiar env, and people inside to talk to if anyhthg breaks.
Momentum starts when users have something in their hands and send feedback back.
Pick an architecture that lets you move, knowing parts of it will change.
Full flow below.
@BrahmaWritings In Data Factory an inspector runs sealed tests after the agents finish. In the demo that's what caught duplicated invoices overstating revenue 46%
https://t.co/pnMbhpKd9Y
@gregisenberg Such a valuable post as always! I believe loneliness among both young and adults will be one of the biggest toughest to solve problems in the coming years, and I believe social tech communities have much power to solve it
מסכים. אני חושב שרק אם אתה מגיע מעולם הבעיה שאף אחד לא פתר מספיק טוב, יש לך סיכוי, בהנחה שעשית מדהים את כל מה שאמרת.
אגב בקשר לשיעורים שלא עולים בפוסט - בתור מישהו שעושה שנתיים תוכן אני חושב שיש דברים עמוקים מדי בעיניי שפשוט לא עוברים בטקסט בסושיאל, ולכן בין היתר שווה לעבוד בליצור אינטראקציות עם אנשים שעבדו נכון וללמוד מהם.
בואו ננרמל שניה את המצב
כולם בטוחים שיש מלא כסף על הרצפה עכשיו ורק צריך לאסוף אותו
רק ש..
לכולם זה מתפוצץ בפרצוף חודש אחרי שבנו מוצר והבינו שיש 50 כמוהם
כולם בחרדה שלא תהיה להם עבודה עוד שנתיים
אז כולם מנסים למצוא דרכים לעשות כסף לפני ש"נסגר החלון"
כולם מרגישים פחות טובים ממי שמדבר יותר על AI
אז כולם מנסים לדבר על AI וזה נשמע יותר מדי AI
כולם מנסים את כל הכלים כדי לא לפספס כלום ואז מבינים שהקונטקסט מפוזר והם לא התקדמו לשום מקום
כולם מדברים על סוכנים ומלחיצים את כל החדר כשבפועל זה אותו סקיל או פלאגאין שרץ אצל כל השאר
כולם שומרים 200 פוסטים שאיןןןןן מצב שהם לא קוראים ואף פעם לא חוזרים לקרוא
אבל איזה כיף שזה כולם?
שבת שלום!
** ומעניין אם הauto complete משנה נירמול ל*נימול* רק ליהודים 😅
@gregisenberg So much to think about from this list (too much actually 😉 in a good sense)
Thanks for this 🙏
Boosting human deeper connections in this era is definitely my fav here
אני אוהב להתנסות וחושב שזה הזמן. גם במחיר אובדן קונטקסט והימורים פחות נכונים (כמובן אם יש bandwidth לזה בחיים)
מכל כלי/שיחה/טכנולוגיה מנסה ללמוד את הטוב והפחות טוב, גם אם זה מייצר תחושה זמנית של ללכת לאיבוד לפעמים.
אני כן מציע ללמוד מאנשים שעובדים נכון בתקופה הזו, בלי שיפוטיות ועם כבוד.
ולהבין שנורמלי להרגיש הכל בתקופה הזו, זו מטרת הפוסט שקצת יצא משליטה 😅
@BrachaRan חד משמעית
מאוד מאמין בלדבר על התחושות האלה עם כמה שיותר אנשים ולהבין שכולם (או לפחות הרבה שאני מדבר איתם) חווים את זה, וזה יעזור לשחרר טיפה את מה שלא בשליטה, ולהנות מהדרך
@JAZZWORLDPEACE In my case the map pays for itself inside the company.
The team gets grounded answer for any data question.
Without waiting for a analyst.
The discovery surfaced how they work, handshakes, caveats, where they consume their data for decision making processes and much more
Growing without hiring!
ch1 - the crucial discovery phase.
Building agents is easy today, knowing how to get them the right knowledge is much harder
So before 'writing' a single line of code we mapped:
1.What people actually do every day
2.What data they use and how
3.Where the gray areas are
4.where the agent needs to be tight, and where it can get more rope
All explained below 👇
Saved every recorded call and intake forms,
Indexed and built the maintenance hooks.
Out of that came the layer every agent sits on ->the company brain, working procedures, the missing data gaps they weren't aware of and the semantic layer.
That's where data background pays off in this crazy era!
You know how to map the assets and the context agents need to actually answer grounded answers.