Yuanlw

AI Builder ｜AI 产品工程师 | 独立开发者
Building AI products for real users 🛠️
RAG / Agent / LLMOps
造过处理 77万+ 咨询的 AI 客服系统
现在在做自己的 AI 工具

[Yuanlw @YuanlwAI]

@skywind3000 太空望远镜看的就是过去

[Yuanlw @YuanlwAI]

《给阿嬷的情书》好看

[Yuanlw @YuanlwAI]

@Zhunanshan95 互关

[Yuanlw @YuanlwAI]

@babyfollowme00 1

[Yuanlw @YuanlwAI]

@btcoindown 1

[Yuanlw @YuanlwAI]

@CryptoPilot3226 关注

[Yuanlw @YuanlwAI]

@Phoenixyin13 厦大+国际 可以的

[Yuanlw @YuanlwAI]

@fiapp_pro @Phoenixyin13 你不能把剩下99%人的路堵死吧

[Yuanlw @YuanlwAI]

@iiifreespirit API收费的 数据都是收费的

[Yuanlw @YuanlwAI]

白天在大厂做 AI，晚上自己造产品。
同样是写代码，感觉完全不同。
白天：需求要对齐，方案要评审，上线要审批，技术选型要说服三个团队。一个想法从提出到落地，可能要三个月。
晚上：想到什么就做什么，今天有个想法，明天就能跑起来。没有人告诉你不行。
一个是处处受限，一个是天高任鸟飞。
两种状态我都需要——大厂给了我真实的规模化经验，独立开发给了我真实的自由。
但如果只能选一个，你知道我会选哪个。

[Yuanlw @YuanlwAI]

When building Sift, I had to choose: pure chunk storage, or compile into WikiPages first?
Chunks solve "can I find it." WikiPages solve "is what I found actually usable."
When a chunk is cut from its source, context breaks. You retrieve a passage but lose whether it's an argument, an example, or a conclusion. High vector similarity doesn't fix that.
Inspired by Karpathy's LLM Wiki: compile raw captures into structured knowledge before any query.
Source relationships preserved. Concept graph intact. Agents get something they can reason with, not just pattern-match against.

[Yuanlw @YuanlwAI]

做 Sift 时面临一个核心选择：知识存储用纯 chunk，还是加一层 WikiPage？
纯 chunk 解决了「能找到」的问题，但找到的东西不一定能用。
chunk 被切出来之后，和周围内容的关系就断了。召回的时候你拿到一段话，但不知道它是论点还是例子，是结论还是前提。向量相似度再高，也只是碎片对碎片。
WikiPage 的思路来自 Karpathy 的 LLM Wiki：让 AI 先把原始资料「编译」成结构化知识，再去回答问题。
编译之后：
🔹 上下文和来源关系被保留下来
🔹 知识之间形成图的关联，不再是孤立碎片
chunk 解决「能找到」，WikiPage 解决「找到的东西能用」。
这是两件不同的事。

[Yuanlw @YuanlwAI]

@AlchainHust 好厉害

[Yuanlw @YuanlwAI]

@AlchainHust 请教 图是怎么生成的

[Yuanlw @YuanlwAI]

@hasantoxr The 3-apps-to-1 compression is real — most "workflow automation" just moves friction around, rarely eliminates it.
What does the output actually look like? Curious if the handwritten style holds up on complex diagrams.

[Yuanlw @YuanlwAI]

这个痛点太真实了——每次新会话重新喂背景，本质上是知识没有持久化。
我在做的 Sift 走了另一条路：不依赖 Obsidian 文件结构，而是把随手存入的内容后台编译成 Source + Wiki，再通过 MCP 让 Claude 直接调用长期知识上下文。
醒来不用整理，Agent 跑查询时自己去拿。
还在早期，但解决的是同一个问题。

[Yuanlw @YuanlwAI]

100k markdown files is impressive — and also a little terrifying to maintain 😄
Curious: at that scale, how do you handle knowledge decay? Old files that are outdated but still surface in queries?
I've been building Sift around a different bet — instead of files, everything compiles into Source + WikiPage with merge history, so the knowledge stays fresh rather than just growing.
Would love to compare notes.

[Yuanlw @YuanlwAI]

That last line is exactly why I built Sift.
Same insight: raw capture → AI compiles into structured knowledge → queryable, reusable context.
The difference: no scripts, no raw/ directories, no manual Obsidian setup. Just drop anything in — links, screenshots, text — and the pipeline runs in the background.
Also added Agent/MCP endpoints so external tools can pull your knowledge as long-term context.
Still early, but this is the product I wanted to exist. Happy to share if you want to try it.

[Yuanlw @YuanlwAI]

Most people's workflow: see something useful → "I'll save it properly later" → never happens.
That habit made sense before AI. You had to organize manually or you'd never find it again.
Now AI can read untitled text, extract meaning from screenshots, and connect dots across 10 unrelated articles.
The job of "organizing" moves to the background.
Your only job: catch it before it disappears.
Capture first. Let AI do the rest.

[Yuanlw @YuanlwAI]

大多数人的信息工作流是这样的：
看到好东西 → 想着「等我整理好再存」→ 没有然后了。
这个习惯在 AI 时代已经过时了。
以前「整理」是必须的，因为没有工具帮你处理乱糟糟的原始资料。你不打标签，以后就找不到。
但现在不一样了。
AI 能读懂一段没有标题的文字，能提取一张截图里的关键信息，能把三篇不相关的文章发现共同结论。
「整理」这件事，可以完全交给后台。
你唯一需要做的，是在看到有价值的东西时，先把它接住。
存的摩擦越低，知识积累越快。
先存，再让 AI 整理。顺序变了，结果完全不同。