johnhao523_g

[johnhao523_g @johnhao523_g]

Anthropic为Claude推出高级工具使用功能：可按需发现工具、通过Python代码执行工具，并从示例中学习，提升AI代理的自主性。
传统方法占用77.2k/200k令牌（自由空间61.4%），而工具搜索仅用8.7k令牌（自由空间95.65%），显著优化上下文效率。
标志AI工具集成从静态转向动态，助力构建可扩展代理。

[Bilgin Ibryam @bibryam]

🚨 Anthropic just introduced advanced tool use for Claude! Claude can now:
- Discover tools on-demand
- Run tools through Python code
- Learn from usage examples

This is a big leap for building scalable AI agents.
👉https://t.co/BrMfplv9Nk

[宝玉 @dotey]

这篇文章非常赞👍🏻 基本讲清楚了多模态和多模态大模型（LMMs）。

文章主要分三部分：

- 第一部分涵盖了多模态的背景，包括为什么要使用多模态���不同的数据模态以及多模态任务的类型。

- 第二部分深入探讨了多模态系统的神奇之处。通过 CLIP 这个例子，我们可以��到它如何为未来的系统铺平了道路；而 Flamingo 的出色表现，则为 LMMs 这类技术带来了新的启示。

- 第三部分带我们走进 LMMs 的研究前沿，看看如何生成多模态的结果，以及如何更高效地进行多模态训练。当然，还会介绍一些新晋的多模态技术，例如 BLIP-2、LLaVA、LLaMA-Adapter V2 和 LAVIN。

完整中文翻译见评论

[AI Will @FinanceYF5]

Meta 几天前刚刚宣布 Code Llama 现在免费用于研究和商业。

这可能是 ChatGPT 的最强竞争对手：
▸ 可以生成、解释和调试您的代码
▸ 处理输入 100,000 个代币
▸ 免费用于研究+商业用途
▸ 优于大多数开放模型
▸ 有 7B、13B 和 34B 可供选择
▸ 支持 Python、C++、Java���PHP、Typescript (Javascript)、C# 和 Bash

适用于：
▸ 基础基础模型（代码 Llama）
▸ Python 专业化（Code Llama - Python），
▸ 指令遵循模型（代码 Llama - 指令）

https://t.co/0v1lAvaKDX

From:@AlphaSignalAI

[宝玉 @dotey]

问：如果要把一个平台的私有API文档提供给ChatGPT，让它学会API，能生成代码调用这个api，怎么做比较合适，是微调（Fune-Tuning）还是嵌入（Embeding）？

答：

都能实现，也各有优缺点。

微调（Fune-Tuning）

用微调的话，相当于要在LLM（大语言模型）知识库的基础上，让它学习新的知识。

优点：
- 可以训练超过上下文长度的知识。
- 输入的内容可以比较少（不需要额外附加文档查询结果）

缺点：
- 需要高质量的训练数据预先训练，并且要求很高，需要对微调有深入了解，并反复尝试才会有比较好的效果
- 微调后，可能会影响大语言模型其他方面的能力。
- 另外每次调用成本相对高一些。
- 目前能微调的最好的模型是GPT-3.5

成功案例：
- ChatGPT Code Interpreter
- Code Llama https://t.co/PpR4fCfGPb

嵌入（Embedding）

用嵌入���话，不需要对模型进行额外的训练，相当于每次生成代码的时候，去检索文档中相关的内容，然后将检索出来的结果和问题一起，让大语言模型去生成代码。

优点：
- 实现简单
- 不改��模型能力
- 在问题的相关度高的时候，生成的代码质量会很高
- 适用于任何LLM，包括最强的GPT-4

缺点：
- 受限于上下文长度，每次检索后，提交给LLM内容不能太长，可能会导致信息损失
- 如果检索出来的结果相关度不高，那么生成结果也不会好

成功案例：
- Supabase Document：https://t.co/ee25rQS28L
- Stripe Document https://t.co/3L9gsDvhk5

建议

Embedding可以满足大部分应用场景，并且实现简单成本可控，可以先从Embedding开始，如果不能满足需求，可以再尝试微调甚至两者结合。

[Rey @Rey100001]

https://t.co/h1uQrumMww 这是一家中国出海公司，听朋友说ARR超过100万美金了，是前摩拜CTO张岩团队做的，Focus 在一个很具体的痛点上：会议语音的AI转录，从技术上并没有难度，甚至比很多独立开发者的产品难度还小，但重要的还是洞察与敏感的用户体验思维

[黄赟 @huangyun_122]

这两天，在系统化整理 ChatGPT 等 LLM 的资料和知识框架

无疑中发现了这么个牛逼的 Github Repo:

https://t.co/trrVF8uLV2

包罗万象，简直是 NLP 农民工的乐园

正因为太齐全了，所以细分整理还得继续。好在 Repo 中有 Repo, 有些还指明了论文出处，大赞 !!

[Barret李靖 @Barret_China]

看到一个 Prompt 届的 Github 产品，FlowGPT，https://t.co/sKPWL6yoQ6，以开源社区运作方式聚集了上百万的 Prompt Engineers，在上面有逛到非常多实用的 Prompts。

网站还提供了免费的 ChatGPT 调试能力，方便你对 Prompt 做编写、测试、发布和管理工作，发布出来的 Prompt 可以被其他人直接执行使用，有点类似 Prompt as a Service，十分便捷。另外，也可以去看看热门的 Prompt，学习下他们是如何编写的，原来写 Prompt 有这么多黑魔法。

[Barret李靖 @Barret_China]

一次有趣的 idea→build→sell 实践，《开发一个浏览器插件在第三天卖出 1000 元》https://t.co/FB3UwjZvo4，作者实践过程中几点心得：

1）在做出产品之前，先找到人群，试探一下市场
2）确定真正的 MVP，去解决看到的最直接的问题
3）验证产品价值——看市场付费意愿
4）先拍脑袋定价，因为 3）很重要
5）自动化很重要，但是最开始阶段不要做
6）自传播需要用户基数，冷启动阶段主动去 sell 自己的产品
7）记录好日志，及时解决 bug，快速发版
8）根据用户的反馈，拓展产品价值边界

作者的目标很简单，“���决小部分人的需求，让他们为产品提供的价值付费”，因此，“做产品，首先要想的不是怎么做，而是卖给谁”，���受启发。

[pandaWL @dajingou1]

#月入10万美金
#AI 已经成为普通人改变命运的最新方式，#AI 是下一个红利窗口就像7年前的 #抖音、4年前的 #直播。

油管上的博主用AI工具做动画片一个月收入最高有 #600000美元，浏览量超过百万。但是他只用了几个简单的AI工具
🩸今天分享：《如何用AI制作动画并开启你的月入10万万美金之路》

[AlexZ 🦀 @blackanger]

在学习完吴恩达老师课程之后，又发现了哈佛大学 CS50 利用 GPT-4 打造智能程序的课程，这不是巧了吗？正好学完 Prompt 知识就无缝衔接上这个课程了，于是又做了 CS50 的思维导图。

[歸藏(guizang.ai) @op7418]

一份关于大语言模型的调研论文，有大概50页。非常的全面而且内容很新。
介绍了大语言模型的背景、关键发现和主流技术，回顾了LLMs的最新进展。特别是，我们重点关注LLMs的四个主要方面，即预训练、适应调整、利用和容量评估。
https://t.co/UXRYGcNfjZ

[Hao Chen @haoel]

两年前，我找视频制作公司花了半年做了个二十年来【软件架构的演进】的视频，从单体架构到SOA，再到微服务，再到云原生架构。今天终于把这个视频做成了一个平台：MegaEase Cloud - 国内 https://t.co/8Ucr1tXQqJ / 国外https://t.co/skp2puo71c，欢迎试用和反馈！（视频:https://t.co/XdqjCROzLK）

[nash_su - e/acc @nash_su]

昨天跑通了类似 ChatPDF 的全离线方案，不用 ChatGPT（当然效果肯定会差一些），Embedding 使用 CoSENT 方案，内容总结生成回复使用 ChatGLM，效果很不错
这样的好处是成本完全可控，并且支持私有化部署，准备在自己的客户业务上先测试下效果。

[plantegg @plantegg]

全链路性能分析套路：
1） 先看监控，有各种鹰眼、狼眼最好；
2） 没有的话就要徒手上了，先要权限，只要每个节点有权限就好搞了，追着 RT 徒手撸，从客户端一直撸到最后面的数据库；
3）如果没有权限是最悲惨的，一般外包都没权限，但是又要干活，比如我。那么就只能用 ping 到处围着蹭蹭，不进去

[Hao Chen @haoel]

我来说说近期 AI 帮我干的事：

1）写代码Github Copilot虽然也不能把所有代码写对，但是在一些常规性的体力活生活帮我节省了太多的时间，诸如：Lint，变量声明和命名，函数调用，数据遍历，代码胶水，失败检查，常规功能，日志，注释，单元测试，文档……让我可以更专注那些更为核心和重要的逻辑。

[奶牛叔 @WWTLitee]

整理了一个撸毛工具合集，几乎全都是自己在用的，所以实用性应该很强

基本也没有写什么废话，不过稍微随性了一点，想到什么写什么，之后也会长期更新的

欢迎大家指正和提供意见或者推荐宝藏工具，让这份合集能更加好用。

还请大家点赞转发支持一下，谢谢！
https://t.co/0nNmQEyoLM

[0xAA @0xAA_Science]

“卧槽，我被夹子夹了！” “卧槽，NFT没抢到！”
夹子机器人历史总盈利：12亿美元。

我和WTF贡献者 @BrianHu67482535 更新了WTF Solidity 合约安全 S11：抢先交易，介绍了以太坊中的抢先交易（front-running），并进行了实践：抢跑一笔铸造NFT的交易。

教程和代码开源在github: https://t.co/6Emo8xB9mi

[❤️薇薇安🐣 @vvan688]

【以太坊主流Token 特点概览】
依然是运用了费曼学习法，输入→输出。学习整理可以太坊主流Token 的性质
顺便制作了各类Token 特点的思维导图
分享给需要的小伙伴。
学习资料来源：
@Element_Chinese @lanxing4 @Samcoincoin

[DittoJo @DittoJoBrr]

1/n 今天考古一下，讲讲uniswap和Defi summer的缘起

Geosis在以太$50的时候融了$12.5M，而且最早提出了AMM模型;

Bancor 17年融了$144M来做AMM,比Uniswap更早上线了产品；

然而却是工作一年就被裁员的loser电气工程师，自学代码不到一年的初级程序员Hyden，拿着以太坊基金会给的$50K做出了unisawp。

[硅谷王川 Chuan @Svwang1]

人们即使非常努力，也仍然容易错过重大的革命性的新机会，主要是因为三大障碍：
一，新机会的思维模型，商业模式和以前的经验完全不一样，底层是完全不同的架构，老的思维模式完全无法理解。 1/