Doudou

[Garry Tan @garrytan]

I just launched /office-hours skill with gstack.

Working on a new idea? GStack will help you think about it the way we do at YC.

(It's only a 10% strength version of what a real YC partner can do for you, but I assure you that is quite powerful as it is.)

[Tw93 @HiTw93]

《Agentic Design Patterns》讲到了构建智能 AI Agent 系统的核心设计模式，包括：
1、提示链、路由、并行化等基础模式
2、反思、工具使用、规划等进阶模式
3、多智能体协作、记忆管理、知识检索等高级模式
4、安全防护、评估监控等实践模式
对应中文翻译版本值得一看，可以了解一些 AI 下的体系知识。
https://t.co/n6WeAFG19p

[Ruifeng @liruifengv]

强烈推荐 Hello-Agents 这个开源项目，完全免费的 Agent 智能体教程，《从零开始构建智能体》。

教程内容包括：
- 大模型与 Agent 智能体的基础概念知识
- Agent 开发模式实战：手把手实现 ReAct、Plan-and-Solve、Reflection
- 基于 Coze、Dify、n8n 等低代码平台搭建 Agent
- 使用 Python 的主流 Agent 框架开发：AutoGen、AgentScope、LangGraph
- 从零构建了一个 HelloAgents 的框架
- 还有记忆、RAG、MCP、评估等内容
- 超级多的实战案例
- Agent 岗位面试题总结和代码

美中不足的是代码是 Python 实现的，我正在学习，打算用 TS 写～

而且 datawhalechina 这个组织下好多好内容啊，非常多 AI 教程

https://t.co/w15KWq2GEt

[axtrur @axtrur]

梳理一下 Claude Programmatic Tool Calling 的大致流程，目前许多高层抽象的sdk都在支持这个特性了

[安仔 @geekshellio]

Uber 的财务团队受不了了。他们每天要在 Presto、IBM Planning Analytics、Oracle EPM、Google Docs 这些系统之间疯狂切换，就为了找一个简单的数据。

更崩溃的是，很多时候还得自己写 SQL，翻文档查字段名，或者干脆提交申请等数据团队跑报表，一等就是几个小时甚至几天。

于是他们用 AI 造了一个叫 Finch 的智能体，彻底解决了这个问题。现在只需要在 Slack 里用自然语言问一句，几秒钟就能拿到答案。

这个故事其实挺有意思的，让我跟你细说下这个 AI 落地案例。

首先我们来看看他们财务分析师之前的日常：你需要查上季度某个地区的总订单额，听起来很简单对吧？但实际操作是：

先登录 Presto 查一部分，再切到 IBM Planning Analytics 找另一部分，然后打开 Oracle EPM 核对，最后还得去 Google Docs 翻历史记录。

如果数据结构复杂一点，你还得自己写 SQL 查询，翻着文档查字段名。

更要命的是，很多时候你根本写不出来那个查询，只能提交申请给数据团队。

然后就是漫长的等待，几个小时到几天不等。等数据拿到手，会议早就开完了，决策早就做了，你手里的数据已经失去了时效性。

Uber 工程团队意识到这个问题的严重性。对于一家每天处理数百万笔交易的公司来说，每一分钟的数据延迟都可能影响重大决策。

所以他们决定彻底改变这个流程，打造了一个叫 Finch 的 AI 数据助手。

Finch 的核心理念特别简单：

让查数据变得像发消息一样简单。它直接集成在 Slack 里，你只需要用自然语言提问，比如“2024 年第四季度美国和加拿大地区的总订单额是多少”，

Finch 就会自动帮你找到正确的数据表，生成 SQL 查询，检查权限，执行查询，然后把结果直接发回 Slack。整个过程只需要几秒钟。

这背后，其实 Uber 没有让 AI 直接面对他们庞大复杂的数据库，而是先做了数据治理，创建了精简的单表数据集市。

然后他们在上面构建了一个语义层，用 OpenSearch 存储自然语言和数据库字段之间的映射关系。比如当你说“US&C”的时候，系统知道你说的是“美国和加拿大地区”这个特定的数据列和值。

整个系统采用了多智能体架构。用户的问题先到达一个监督代理，它判断这是什么类型的请求，然后路由到对应的子代理。

比如数据查询请求会交给 SQL Writer Agent，它从 OpenSearch 获取元数据，构建正确的 SQL 查询，执行并返回结果。

整个过程中，Slack 会实时显示进度：“正在识别数据源““正在构建查询”“正在执行查询”，让用户知道系统在做什么。

如果返回的数据量太大，Finch 还会自动导出到 Google Sheets，直接发给你链接。用户甚至可以追问，比如“跟 2023 年第四季度对比一下”，Finch 会基于对话上下文给出新的结果。

安全性也做得很扎实。Finch 内置了基于角色的访问控制，确保每个人只能看到自己有权限访问的财务数据。而且系统设计时就考虑了模块化，可以轻松替换底层的大语言模型，也可以扩展新的数据源。

为了保证准确性，Uber 建立了严格的测试体系。

他们维护了一套“黄金查询”，也就是标准答案，持续验证每个子代理的输出是否正确。还会做回归测试，重跑历史查询，确保系统更新后不会出现准确率下降的情况。

性能优化上也下了功夫。

系统会预取常用指标，让高频查询几乎是秒回。多个子代理可以并行工作，大幅降低延迟。SQL 查询也做了优化，减少数据库负载。

现在 Finch 已经在 Uber 的财务团队全面使用了。那些原本需要几小时甚至几天才能拿到的数据，现在几秒钟就能在 Slack 里得到答案。分析师们终于可以把时间花在真正的分析上，而不是花在找数据和等数据上。

而在他们的未来规划中，Uber 准备为 CEO 和 CFO 这样的高管用户增加一个“人工验证”环节，关键数据会先让领域专家审核一遍再给出最终结果，确保高风险决策的数据万无一失。

他们还在扩展 Finch 的能力，从简单的数据查询延伸到预测、报告生成、自动化分析这些更复杂的财务场景。

这个案例给我们的启发其实挺深刻的。AI 产品的价值不在于技术有多炫酷，而在于它是否真正解决了用户的痛点。

Uber 没有去追求最先进的模型或者最复杂的架构，而是专注于把一个真实的业务问题解决得彻底。

数据治理、语义层、多智能体协作、严格的测试体系，这些看起来不那么性感的基础工作，才是让 AI 系统真正可靠的关键。

[Eric Xu (e/Mettā) @xleaps]

Anthropic 是在将 agent 从Claude Code 推广到 business 应用时发现这个问题的

实际上对于我们一直深耕商业场景（营销，销售、客服）的厂商来说，这几乎是第一个发现：控制面和数据面要分离 ，特别是数据面要在 LLM context 之外实现

实践中有许多做法，写一个决定性的逻辑意味着控制面里只有工具参数是模型要做的决策，数据面完全可以大规模简化。 用写代码完成任务等于用图灵机的纸带完成数据面，控制面只要写出图灵机的操作程序。

目前我们探索的一些折衷方案是给一些数据面的 schema, 外加 markdown. 其实走来走去 可能又回到了一些都是 CRM 物件这种领域特定的抽象。

[宝玉 @dotey]

现在企业都在找 AI 落地场景，但实际有价值的落地却很少，不妨看看 Shopify 借助 AI Agent 来做智能化商品分类的案例，很有借鉴意义：

1. 充分利用了 AI 能力的优势：
- 擅长对数据结构化分析
- 擅长翻译
- 有丰富的专业领域知识
- 能高效处理海量的数据
- 能智能的判断非标准化任务的结果好坏

2. 同时他们又没有完全依赖 AI 生成的结果，而是让人类专家对最终结果进行判定

回头看文章解决的问题，就是电商领域的商品分类和检索问题，对电商有了解的的应该知道这活不好干：
- 一个是量大，商品数量是以亿万计的，对应的分类就是成千上万
- 需要专业知识才能设计好分类，人类专家不可能精通所有商品分类
- 一致性很难，同一分类可能有不同的名字，另外商家和平台对商品的分类也可能不一致
- 更新快，比如像电子产品，更新升级快，新的分类层出不穷，老的分类时间一长就无法适应新时代

那么 AI 是怎么解决这些难题的呢？

Shopify的解决方案不是用一个无所不知的AI模型来“包办一切”，而是组建了一个 AI 智能体小队，有一个明确的流程，每个智能体都有自己明确的分工。

第一步：结构化 Agent 分析
首先，一个“结构分析Agent”将商品的信息结构化，并分析检查：当前分类是不是合理，命名是不是统一，有没有新的分类或者更好的分类方式

第二步：产品驱动 Agent 分析
接着，第二个“产品驱动Agent”出场，主要任务是分析海量的、真实的商家商品数据，对比平台的分类标签和商家自己的分类标签是否一致。

这篇文章举的“MagSafe”例子就特别好。这个“店员”Agent发现，最近商家在卖手机壳、充电器、钱包时，频繁提到“MagSafe兼容”这个词，但Shopify的“标签库”里根本没有这一项。于是，它立刻提议：“我们应该增加一个‘MagSafe 兼容：是/否’的属性，方便顾客筛选！”

---

如果只是上面两个Agent，那还只能算是“自动化”，它还有两个更高级的角色，负责让系统变得“智能”。

第三步：AI 裁判筛选

当“产品驱动 Agent”提交了“增加MagSafe属性”的提案后，这个提案不会直接通过，而是会交给一个“AI裁判”——一个专门的“电子产品领域AI法官”。

这个“裁判”被训练过，拥有这个垂直领域的专业知识。它会评估这个提案：“这个提议靠谱吗？会不会和现有属性重复？（哦，MagSafe虽然是品牌词，但它类似蓝牙或Qi，已经成了一种技术标准）……批准！置信度93%。”

通过这种方式，Shopify确保了AI的提议是经过专业验证的，既快又准。

第四步：智能翻译官 Agent 发现等价关系

它解决了一个电商的终极难题：商家喜欢按自己的方式分类，但平台需要统一理解。

举个例子：
- A 商家很专业，他创建了一个专属分类叫 “高尔夫球鞋”。
- B 商家比较粗放，他把鞋子放在 “运动鞋” 分类下，然后添加了一个属性 “运动类型 = 高尔夫”。

对客户来说，这两种方式都应该能在搜索“高尔夫球鞋”时被找到。

Shopify的“智能翻译官”Agent就能7x24小时自主地分析数据，并发现这条关键的“等价关系”：
> 分类：“高尔夫球鞋” 等同于 分类：“运动鞋” + 属性：“运动类型 = 高尔夫”

这样的翻译很重要，这意味着，Shopify允许商家保持自己的分类灵活性，而平台系统（如搜索、推荐）又能“看懂”这背后其实是同一类商品。

----

这样实施下来效果是很不错的。

Shopify展示了一张图表：在“通讯设备”这个类目上，过去依赖人工需要“数年”才能完成的分类体系优化工作，现在用这套AI系统，只需要“几周”。

但这不只是关于速度。这是一种根本性的转变——从“被动修补”转向了“主动进化”。

这套系统不再是等问题（比如MagSafe）积累到一定程度再去解决，而是能主动地、持续地去发现和优化整个分类体系。

AI的最佳应用形态，往往不是一个“无所不能的超人”，而是一个“分工明确、配合默契的专家团队”。它不是来取代人类专家的，而是来“增强”他们的。

AI去处理海量的、繁琐的数据分析、模式识别和一致性检查，让人类专家能腾出手来，去做更高阶的战略决策和最终把关。这套“AI辅助进化”的思路，可能才是电商乃至更多复杂系统在未来保持活力的真正答案。

[yan5xu @yan5xu]

最近两个月和非常多团队交流之后有一个强烈感受。很多人因为 agentic 循环过程的体感缺失和理解，这里存在非常大的认知差距。
有人认为存在某种神迹让 Agent 有超越模型智力的表现；有人觉得无非多调用几次 API，哪有那么神奇；
这种差距导致大家很多时候说话都不在一个频道。
所以有了这篇长文，希望能够帮大家构成一个统一的上下文，“当我们在聊 agentic 的时候，我们在说什么”

[Desvl @Desvl_]

你失去了你的幽默感，不再健谈，除了分析工作待遇、收入和你中学大学的做题风云的时候。你发现你本来引以为傲的想象力和创造力都突然消失了，也可能从来没有过。你不知道。你不能认可任何不是受益最大化的路径，对路途的风景不屑一顾：你可能曾经拥有过天真和浪漫的灵魂，但是你没有证据，这让你苦恼。

[王依依棺材馅儿 @ec12edfae2cb221]

😐, 某航app客服流程改ai+对话了.
然后只要提到飞猪渠道, 就会识别为动物运输,
然后进入如何把猪飞上天的流程...

[Yangyi @yangyi]

说真的，这个AI战略反向指南，特别适合发给你老板看
你可以不发，但你一定要光明正大转发，他或许就会看到了
简直是90%国内企业干AI的车祸现场
哈哈哈哈

[Ai2 @allen_ai]

Introducing olmOCR, our open-source tool to extract clean plain text from PDFs!

Built for scale, olmOCR handles many document types with high throughput. Run it on your own GPU for free—at over 3000 token/s, equivalent to $190 per million pages, or 1/32 the cost of GPT-4o!

[Doudou @doudou_wong]

@plantegg 量化版的？

[Cortex @Hi_Cortex]

some Points farming on HyperEVM Right now

@HyperSwapX (DEX)
@KittenswapHype (DEX)
@SunderFinance (DEX)

@KeikoFinance (Lending)
@hypurrfi (Lending)

What else do I miss?

[jasonvu.tech (🦇🔈 ,💧,🐻⛓️) @JasonvuTech]

https://t.co/LCNKhrSwca

[Doudou @doudou_wong]

@tankencapital is it suited for v3 lp?

[Doudou @doudou_wong]

@GammaSwapLabs when

[Doudou @doudou_wong]

@dotyyds1234 这是在说不要合约裸多吗

[jasonvu.tech (🦇🔈 ,💧,🐻⛓️) @JasonvuTech]

https://t.co/HTwKDYt0OS