注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 更多精彩都在平台裡
更多精彩都在平台裡 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 更多精彩都在平台裡 的推特
身材暴力 — 霹靂淫蕩小嬌娃 @reginaeee520 一身搜查官套裝 讓我心甘情願掏出身上所有東西 讓她搜查 聽她叫聲豪邁,毫不掩飾 後來我問: 愛愛時 我想到森林泰山是正常的嗎 感覺到動物都從樹叢裡走出來了 互動超棒又好相處的女生 要不是我後面有事,肯定幹爛她 @ToBulaer @ToBuerma @KawasawaSen #豪乳# #連身皮衣# #身材超色# #更多精彩都在平台裡#
显示更多
0
7
4.5K
356
转发到社区
致命吸引力,超火辣身材🔥 真實美艷女律師 @rapunzel9946 某天突然主動私訊我 說是圈內朋友推薦 一方面剛好也是她的菜 想體驗跟我約會的感覺 見面時 一看到她,我就吞了好幾次口水 衣服脫下來後 沒開玩笑,馬上勃起 她說她因為喜歡愛愛、性慾又強 X當作興趣加減經營 性愛過程中多次吃手手的勾人模樣 讓平常很難射的我 射的一蹋糊塗 不得不羨慕自己這次賺很大 This sexy, naughty lawyer reached out to me one day after a friend recommended me to her. She wanted to see what I could do in bed, and with a body like that, she was absolutely impossible to resist. 🔥 @ToBulaer @ToBuerma @KawasawaSen #更多精彩都在平台裡# #美乳# #模特身材# #女律師# #SexyAsHell# #CHUDAİ#
显示更多
0
5
3.2K
297
转发到社区
絕頂天然美胸 @wujlur305 女友R身材香到破表 如果掛牌女優 肯定業界翹楚 每個畫面視角都正中男人的好球帶 日系的音頻、叫聲 絕對適合日片愛好者收藏 男友特地接送她過來 把她的下半身託付給我 任由我支配、互動感超載 在此,非常感謝他們的信任 想看更多精彩內容 請訂閱平台 作品經雙重驗證 安心享受無負擔 #超兇美乳# #泳裝#
显示更多
0
16
2.4K
305
转发到社区
最近学 AI 收获最大的 3 个 YouTube 视频。 强烈推荐大家看看硅谷这几期讨论 AI 趋势的 YouTube 视频,非常精彩。 最好的对抗信息 FOMO 的方式就是找到好的信息源,然后精读。 所以这周我给自己留了 3 天时间,比较松散的把 10 月份 YouTube 上一些重要的播客都看完了。 挨个分享下。 一、Stripe 的创始人认为 Agent 会重塑互联网的流量分配逻辑。 这期视频访谈的标题是,Stripe’s John Collison: AI Agents Will Rewire the Internet,大家自己去搜。不长,一共 28 分钟。 这里面有两个印象深刻的观点。 1、Computer Use 是现实世界终极的向后兼容层。 或者这么讲,Computer Use 可能是继 Transformer、LLM 和强化学习之后,推动 AI 能力发展的又一次重要跃迁。 只要模型的 Computer Use 能力足够强,那数字世界的 AGI 就已经实现了。 因为 Computer Use 让 AI 能够利用人类过去几十年已经建设好的软件基础设施。 举个例子,假设我想让 AI 帮你续办驾照。 一种办法,是等待交通管理部门开发专门的 MCP Server 或 API,让 AI 可以直接调用。但等这些部门完成接口改造,恐怕得等上好几年。 另一种办法是,既然现在的网站已经能让人办理驾照,那么只要 Agent 学会操作网站,就可以直接完成任务。 那些没有 API、没有 MCP,甚至已经非常陈旧的软件,只要仍然可以通过界面操作,Agent 理论上就有机会使用它们。 2、Agent Commerce 会重新分配互联网的流量。 这个我想结合自己的经历展开讲下。 比如昨天,我给家里买窗帘。我比较喜欢去 1688,但每次买东西都头大,我得搜索商家、比较价格、沟通尺寸和材质,前后折腾了一个多小时。 或许等 Agent 再成熟一些,我就完全可以把类似的任务交给 Agent。 我知道,有人可能会担心,万一 AI 买贵了怎么办? 这问题我也想过。但即使我自己买,也不可能把所有商家都研究一遍。最后无非就是挑几个比较一下。而且我相信,AI 在搜索和比较这些事情上,大概率比我更有耐心。 当越来越多的人开始通过 Agent 购物,整个互联网的流量分配逻辑可能都会发生变化。 过去,我们发现商品,很大程度上依赖搜索引擎、电商平台和社交媒体。很多商家能否成功,取决于他们有多熟悉这些平台的流量规则。 但如果消费者直接向 Agent 提需求,让它帮自己寻找商品、比较价格,那么哪些商家更容易被发现,可能就要由一套新的规则决定了。 Stripe 的创始人 John 说,他自己用 AI 研究商品时,经常会发现一些以前从未听说过的小众品牌。 这些品牌可能没什么知名度,但产品不错,用户评价也很好,于是被 AI 推荐出来。 AI Discovery 会成为未来商业领域新的流量聚合入口。 这让我想起十一假期的一段经历。 我去了趟内蒙古的一个小城,在当地吃了一家很不起眼的小店。老板五十多岁,店面挺破旧,环境也谈不上多干净,但东西确实好吃、正宗。 老板说,从去年开始,店里的生意突然好了很多。他问那些外地来的客人,大家都说是在网上看到的。 其实就是一些游客在小红书上分享了这家店,后来越来越多人慕名而来,吃完又继续分享。包括我自己,也是通过小红书找到这家店的。 你看,这个老板什么都没做,甚至不知道互联网的流量规则已经变了,但他的生意却实实在在地受到了影响。 就像当年社交媒体广告兴起时,一批新公司特别擅长利用社交媒体获客,然后围绕这套流量规则设计产品,最后成长起来。 未来 Agent Commerce 可能也会重演类似的事情。 二、Alex Wang 谈他对 Meta Muse 的设想。 Alex Wang 不用多说了,最近风口浪尖上的人物,Meta AI 一号位。访谈的标题是 The Biggest Launch Since ChatGPT。 记得之前 Alex Wang 刚加入 Meta 的时候,好多人觉得这哥们很水。 但其实我觉得只要认认真真看过这人的访谈之后,你会发现扎克伯格的选人水平是有多强。 主持人问,假如一切顺利,五年甚至更久以后,Muse 应该变成什么样? Alex 说,Muse 会成为用户的总管。 我想了一下,总管这个词好像比助理更贴切,因为助理似乎更多的是在完成我们吩咐给他的任务,而总管可以全盘考虑。 为什么需要这样的产品?这哥们讲了一段非常感性的个人思考。 很多人在小的时候,都有非常丰富的想象力。 有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界,或者解决某个非常困难的问题。 但随着年龄增长,很多人的梦想逐渐消失。 他们按部就班的完成学业,进入社会,开始工作。生活中遇到各种各样的现实问题,大家开始向现实妥协,渐渐觉得,很多事情自己根本没有能力改变。 算了,就此算了?这真是令人遗憾的。很多人的想法可能很有价值,但他们从来没有机会真正尝试。 在 Alex 的想象里,他认为 AI 能够改变这一点。 一个人不应该因为缺少专业知识、不认识合适的人,或者无法处理复杂事务,就轻易放弃自己的想法。 如果有一个足够聪明的 AI,长期陪伴在用户身边,帮他搞定很多琐碎的事情,那么很多过去难以实现的目标,就可能逐渐变得可行。 那为什么这事是 Meta 做?因为 OpenAI、Anthropic 等等这批模型公司陷入到了技术的思维里。 大家也可以对应的想一想,过去一年时间好像 AI 行业里头有一个非常奇怪的现象。程序员好像觉得 AI 已经无所不能了,但普通人却不明白为什么大家这么激动。 因为对于大部分普通人来说,AI 仍然还是一个问答工具。这个我十一假期的时候出去旅游,发现大家用豆包的方式确实还是问答。 过去一年,几乎整个行业都在努力提升 Agent 的编程能力。 模型越来越擅长写代码,却很少有产品去思考,如何让一个完全不会编程、也不想学习编程的人,享受到 AI Agent 的能力。 Meta 从一开始,就是为了解决这个问题。 他们花了大量时间打磨 Muse 的细节。程序员对技术的容忍度通常比较高。遇到报错、任务中断、环境配置失败,他们可以自己排查,甚至觉得这就是使用新技术的一部分。 但普通用户不会这样。 所以 Muse 锚定的目标一直是把复杂的 Agent 技术包装成一个足够简单、稳定的消费级产品。 这好像确实是 Meta 擅长做的事。 三、a16z 的投资人对当下 AI 应用的分析 这集很有意思,因为 a16z 最近几年都会发布一些 AI 应用的榜单。然后在这个榜单的基础上,他们会给出一些自己的分析和判断。 播客的标题是 What AI's Biggest Spenders Are Buying and Building。 我今天才彻底把这一期播客听完。它核心讲了一个判断: AI 消费市场正在从少数重度用户购买生产力工具,逐渐走向面向普通人的全新软件市场,而软件的产品体验、用户 Context 和网络效应,会成为越来越重要的竞争力。 播客里提到一组很有意思的数据。在美国,大约一半的人都使用过 AI,但真正掏钱订阅 AI 产品的,只有 4.5%。 而且这些收入高度集中,在所有付费用户中,Top 10% 的重度用户,贡献了超过一半的收入。 这些重度用户有一个很明显的共同点,就是他们大多在利用 AI 创造东西。比如写代码开发产品、制作视频、搭建自动化流程。 对他们来说,AI 已经成为日常工作和创作的一部分,所以愿意花更多的钱。 但问题是,绝大多数普通人并没有这么强烈的创作和生产力需求。 比如把一个 Codex 交给普通用户,他可能根本不知道该用它做什么。产品可以告诉他,AI 能帮你订机票、管理邮件、预订餐厅。但如果他今天恰好没有这些需求呢? 这其实也是目前很多 AI 产品面临的问题。我们一直在努力让 AI 帮人们节省时间、提高效率,却很少思考,普通人究竟愿意把时间花在什么事情上。 播客里有一个观点,我特别喜欢。大多数人并没有整天想着怎么节省时间,他们反而在寻找值得花时间去做的事情。 仔细想想,过去移动互联网最成功的消费产品,TikTok、YouTube、Instagram、Netflix,哪个是以提高生产力为主要卖点的? 它们满足了人们娱乐、社交、表达和消磨时间的需求。 但今天的 AI 消费市场,绝大多数产品还在围绕生产力打转。 所以 a16z 的几位投资人认为,AI 消费市场其实还有大量机会没有被挖掘出来,比如社交、游戏、娱乐、购物,甚至婚恋交友。这些领域都有可能诞生全新的 AI 原生产品。 当然,还有另外一个视角。提高效率、节省时间,甚至省钱,这些价值对普通用户同样成立。只是很多人未必愿意为了这些能力,每个月专门花钱订阅一个 AI 产品。 目前,大部分头部 AI 产品的收入仍然主要依赖付费订阅。对于那些每天用 AI 写代码、做设计的重度用户来说,这种收费方式很合理。 但对于普通用户,如果只是偶尔让 AI 帮忙订张机票、买点东西、整理几封邮件,让他每个月花 20 美元订阅,可能就没那么容易了。 所以,播客里的几位投资人认为,广告、交易抽成等模式可能更适合真正的大众市场。 比如我让 Personal Agent 帮忙买窗帘,它可以帮我研究材质、比较价格,最后找到合适的商家完成购买。 对于我来说,省下了大量时间,也不用专门为这次购物订阅一个 AI 产品。而 Agent 可以通过商家的交易佣金获得收入。 而且我觉得这里还有一个矛盾:如果未来 Agent 通过商家佣金赚钱,那么它到底会帮用户寻找最合适的商品,还是优先推荐佣金更高的商家? 这都是一些还需要继续探索的新问题。不管怎么样,我感觉 AI 消费级应用爆发的临界点确实快到了。
显示更多
0
18
195
48
转发到社区
最新骂人的词 来写今天晚上的夜报之前,我正在知乎那里溜达,今天热榜没意思,我看的推荐流。我的习惯是一路往下滚,看到点赞上万的才停下来看看讲了什么。 说说几条让我印象深刻的问答。 一个是有人问如果我能让英伟达来我们镇投资开厂,我能一路提干高升吗? 下面回答说你把英伟达拉来之前你可能是香饽饽,但是英伟达来了以后你就不香了。想要一路提干高升,你得有能力让英伟达从你们镇搬走。统战的价值在于你有多大的能力搞破坏,而不是你之前做了什么。 我是凭记忆复述,原文可能略有出入,但大致是这意思,我觉得这条说的挺好,应该会启发到不少人。 还有一个是有人问姜萍有没有可能被冤枉了? 下面回答说在东大,梅西有可能送外卖,迈克杰克逊可能在富士康打螺丝,村上春树有可能在起点写网文,但是高斯绝对不可能读中专。 hahahahaha,看的我在屏幕前哈哈大笑,这就是知乎style,那里最普的用户画像就是高学历直男,他们可以接受自己穷,职业生涯失败,买不起房娶不到老婆,但骨子里还是有作为教育精英的自尊心和优越感。他们最不能接受的冒犯是有人在教育这件事上造假,谁敢挑战就会追杀到底。 前几年有个博士学历的演员叫翟天临,直播的时候随口说了一句“知网是什么东西”。这事在其它平台都没发酵,唯独在知乎捅了马蜂窝,连续多日热度爆炸,铺天盖地的质疑和口诛笔伐,最终查实论文抄袭,北电撤销了博士学位,翟天临道歉退圈。 包括去年的姜萍事件,别的平台声援姜萍的大有人在,唯独知乎从头至尾都是最激烈的质疑和嘲讽,不信就是不信。 另外还有一个高赞回答,说是卖淫女被拘了,警方根据转账记录给我打电话怎么办? 底下支招的说阿sir我现在不在当地,在外地办事,等我回去了再去派出所报到。挂完电话立刻买票跑外地溜达半个月。派出所通常不会为了一个治安案件去外地抓人,另外真要抓也不方便异地执法,你游山玩水每天换一个城市,异地找派出所协查也不好弄。 等到半个月后,卖淫的妹子也已经放出来了,你再回去,根据一个转账记录也不能把你怎么样。 这个回答几万点赞,我不是教你们学坏,我就是看了觉得好笑分享一下 …… 我这两天在整理老婆早几年买的基金,当时为了帮渠道冲业绩,东一锄头西一榔头的买了不少基金,这两天看看有差不多的就出了。 然后就看到了压舱的债基,我以前在文章里推荐过多次,招商系的那支,我们家平时流动现金管理都放里面,这几年下来浮盈都有几百了。 我拉出了这支债基的历史走势表现,如图: 该债基2017年8月成立,图里面上上下下的那条是沪深300,同期表现+22.72%;橙色平缓向上的是债基平均水平,同期表现+33.63%;我买的债基是蓝线,同期表现+45.68%。 这图倒是揭示一个残酷的事实,中国股市的波动率虽然远远大于债券,但是长期回报率还不如债券。要知道现在还是a股罕见的牛市行情,涨了不少上来,要是选历史上别的时期这个差距会更大。股市承受更大风险的同时获得更少的回报,毫无性价比可言。 我让grok帮我计算债基的年化收益表现,结果按年单利算是5.6%,按年复利算是4.8%。但是要注意,早些年收益高,今年债券被股市虹吸普跌,最近一年的收益率只有1.9%。 总的来说我觉得债基作为家庭活期现金的管理工具还是不错的,这么多年下来碾压跑赢沪深300,我滚期指多余的现金就是放这里面增厚收益,遇到行情有不好的苗头,就赎一些现金出来补充保证金。 …… 这几天身边的人都在聊一个新梗,叫“力工梭哈定律”。 力工,就是体力工人,该定律说的是一些男人一辈子就知道打工赚钱,自己不懂享受也不会花,攒下来的所有钱就是为了买车买房娶老婆养孩子,一把全梭进去。 需要说明的是这个力工梭哈定律不是褒义词,原创语境是嘲讽,认为这种男人没有自我价值,就知道在固定的人生轨迹里当牛做马,繁殖后代。现在互联网上如果有人说你是力工思维,这不是夸奖,算是骂的挺难听的。 我昨天说买两套房子,一套老婆喜欢一套老妈喜欢,底下也有人留言说这是典型力工思维,哈哈哈哈。 感觉这是新一轮男性享乐主义的觉醒。就和前几年很多女性反婚姻反生育,要求活出精彩人生一样,现在男性也开始反婚姻反生育,如果都强调自己挣钱自己花,我觉得大部分男性可以活的比女性更潇洒。 如果青年男女都放飞自我,谁最着急呢?除了老一辈的父母外,还有就是政府,政府现在已经为低生育率开始发愁,互联网上男一拳女一拳的还在鼓吹不婚不育,我猜社会主义铁拳已经蓄势待发。 其实我觉得每个人对人生的理解是不一致的,我觉得娶妻生子组建家庭,多挣钱给家人花,这样的生活很温馨,也给我提供了情感满足。你觉得我像力工可没有人勉强我,这就是我选的人生剧本。 当然有人觉得不结婚不生育自己花钱逍遥自在,我也尊重你的选择,各自安好,互不干涉,这也是一种互联网礼仪。 今晚差不多就聊这些,大家周末愉快呀。
显示更多
还是多搞搞零撸,银河5.4万美元奖励: 零撸适合大家,大佬看不上小散机会多,银河嘴撸相对容易得多对普通用户很友好 怎么个事儿 Starboard平台刚与Galxe开启联合活动汇聚6个优质项目,11月4日开始—12月底,完成简单任务就能参与,且能为后续解锁更多奖励 重要关键事项: 只有带有“Airdrop Guaranteed”标签且属于Mission Starbound任务才会计入活动进度 在6个不同项目的 Starboard 平台页面上创作内容以提升奖励积分,并通过完成尽可能多的任务来收集代币抽奖任务的参赛机会,从而提高中奖几率 记得要关注12月即将开启的额外奖励等级 每个合作项目的Starboard页面都有各自独立的活动周期,任务结构和奖励等级 每个合作项目都设计了独特的活动周期和任务结构,就像探索不同的星球,各有各的精彩,建议小伙伴们去各个项目的Starboard页面详细了解规则
显示更多
Enter Mission Starbound 🌠 Discover Airdrop Guaranteed Starboards, build your Aura, and complete exclusive quests Join now:
0
15
26
5
转发到社区
决定代码复杂度的东西不在代码里,在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium( tl;dr:Peter Naur 的《Programming as Theory building》指出,真正的程序——他称之为 Theory,大写的 T——存在于工程师的脑子里。代码和文档只是下游的(因而不完整的)产物。我对 LLM 最大的抱怨之一,就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念:也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而,读完 Naur 之后我意识到,我们想降低的那个复杂度是 Theory 的复杂度,不是代码的复杂度,而这方面没有任何可用的度量,因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》( LLM 能做什么、不能做什么的看法,也改变了我对如何给它们写提示词、当前 agent 系统的主要局限,以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文,我真的建议你读一读。说实话,我写这篇文章的主要目的,就是让一些人去读原论文。它值得花这个功夫。这也是练习(或学习!)在 Solveit 里做精读的绝佳机会,因为在 Solveit 里这要容易得多:你可以在阅读过程中随时提问,钻进任何你感兴趣的兔子洞,或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文( fork 我的对话记录快速上手( 话说回来,如果你还是决定不读,这里是论文的 tl;dr: 程序是构建和维护它的人所持有的 Theory:一种理解——程序如何与现实世界的问题相关联,哪些约束和权衡塑造了它,它为什么能工作,以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物,永远无法完整地承载它。 工程师通过经验发展出这种理解:与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习,不擅长和用户交谈,也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢? 我想我们都同意:LLM 总体上倾向于让代码库的复杂度上升,如果没人管的话。原因有很多:它们没意识到某个方法已经存在,于是又写了一遍;它们写过度防御的代码,比如为不可能发生的边界情况做防护;或者过早地过度优化。顺便说一句,大多数前沿实验室从你消耗的 token 里赚大钱,所以它们多少有动机去推广 token 最大化。总而言之,LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码,要想让程序保持简洁,也需要主动付出努力去尽量削减复杂度。 在我天真的日子里(大约两周前),我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标,但我们都同意,有时候一行代码比两三行更复杂。另一个选项是圈复杂度(cyclomatic complexity),它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到,这些东西无法真正解决问题(也许能稍微缓解一点)。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个(我编的)例子里,我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样,只有请求体参数略有不同,于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里,我们有两个不同的类,带重复的样板代码(即 prepare 和 with_retries)。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类,做到 DRY。按很多指标看这都是更好的实现:行数更少、Halstead 容量更好(V=N×log2(n),N 为程序长度,n 为词汇量)、可维护性指数(Maintainability Index)也更好。 合并版 —— 按指标看确实更好:DRY,行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说,第二个版本(或者类似减少 LoC 和重复的版本)复杂度更低。但是,如果我告诉你,下个月我们很可能就停止支持 Anthropic 了呢?在那种情况下,我更倾向于让它们保持分开,这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然,这种简单的例子很容易解决,尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商,而是像 LiteLLM 那样支持 165+ 个供应商呢?那种情况下,直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗? 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约,不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包,它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样:「文本进,文本出」。然而,当契约不再可靠时,这一切就会崩塌。原因可能是它有 bug,可能是 API 背后藏着大量你拿不到的状态,也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时,那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商,越来越多地把数据藏在服务端,比如加密的压缩数据或推理 token(更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商,那么 LiteLLM 或类似的库可能值得用。反过来,如果你看重控制力、调试和对技术栈的理解,那可能就不值得。不存在「正确的」复杂度(虽然我非常偏好第二种选择)。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止,LLM 几乎接触不到这些信息,因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索,但那些永远只是局部的(最好的情况下)。 其中一些信息可以作为上下文提供给 LLM,比如业务优先级、预期的产品变化、运维约束,以及早期决策背后的原因。这样做也许能改善它的选择,但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好,但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢?那样的话,这篇博客后面的内容说服不了你。如果你处于两者之间,我来描述一个我们在 亲身经历的真实情况,关于 Solveit 的计费系统。 剧透警告:在 最初的计费系统 Solveit 是一个平台,你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的,所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费(比如 5 美元)。这笔月度订阅费变成当月可以消耗的积分(credits),如果全部用完,下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一,积分 + 订阅的机制会把人(比如我自己)搞晕。第二,它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑,以及剩下的积分怎么办。在 Stripe 这一侧,它有两个不同的代码路径:手动充值和订阅服务。 对不熟悉的人来说,Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期(扣款周期、发票、重试全在他们那边)。 你大致只需要这样创建订阅: stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook,在订阅状态变化或付款到达时更新你的数据库(还有很多其他事件可以选择)。 直接收款则需要你启动一个 checkout session,让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer?用户注册时?他们尝试付款时?还是别的时机?全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧?如果你对 Stripe 或支付没有太多经验,很可能你已经感到吃力,没法把这一切全装进脑子里。也许你设法把它简化成了: • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是:使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端,而你必须保证本地数据库和它同步。另一个问题是,调试的时候,你既要查 Stripe 的服务,又要查自己的数据库。比如,一笔付款没到账,是 Stripe 没发 webhook(「他们的错」),还是我们没把它存进数据库(「我们的错」)? Stripe 订阅服务很棒、很容易上手,但它是为支持海量用例而设计的。这意味着,即使设计得很好(它确实很好),这个 API 抽象最终也相当复杂。在这种情况下,你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡:只要契约成立,外部抽象能极大地简化你的 Theory;但每当你需要调试、修改或超出契约去推理时,它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论,我们最终定下了一个简单得多的系统。 首先,我们只做积分(credits),按用量收费。这是一个超级简单的模型(和 Theory!):充值积分,用多少付多少。 订阅一去掉,我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条:手动充值和自动充值。要做自动充值,你需要能保存客户的信用卡,以便随时扣款。而 Stripe checkout 不会保存信用卡,你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说,我们最终发现最简单的办法是:用户一注册就保存他们的信用卡。卡一旦在档,用户可以用它手动充值,也可以设置成自动充值。因为全部是我们自己处理的,同步问题几乎为零。我们只监听支付成功事件(没有订阅了!)。 结果就是,我们支付系统的 Theory 可以用一句话概括: 客户注册时添加信用卡,之后我们对该卡扣款——要么手动(充值),要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度,但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么?一切顺利吗?没有。上线后我们发现,印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session,仍然可以工作,因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程;但自动充值不行。 在寻找解决方案时,我们发现 Stripe 托管订阅在印度确实能工作。为什么?因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图(payment intent),这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时,就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么? 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里,你会怎么说?你的意见是什么?我们应该迁回去吗? LLM 列出了两个选项:要么同时支持两套系统(随时可以开工,你一句话就行!),要么完全迁回旧的系统。我们做了什么?什么都没做。我们非常看重 Theory 复杂度,于是我们决定:让印度用户手动充值就好了(抱歉了各位!),换来一个更简单、更健壮的平台。 如果你不同意我们的选择,反思一下为什么不同意。真的,现在就停下来想一想。 这个问题没有正确答案,而这篇博客的目的之一,就是帮你看清你的答案来自哪里。你的论据是什么?更具体地说,它们是从哪里来的? 有很多场景下 Stripe 托管服务是更优的选择。举几个例子: • 公司收入最重要,手动充值的额外摩擦可能会让我们损失一些印度销售额,那我们应该迁回去(或者同时支持两套) • 销售团队用 Stripe Dashboard 的 UI,所有支付信息都放在我们自己的数据库里并不理想,因为他们没法在那里管理 我的观点是:你的代码的复杂度,真的取决于一大堆和代码无关的因素,而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢?在我看来,最妙的答案是:我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate(借记授权)的方式和世界其他地方不一样。Stripe 试图解决这个问题,但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中,我们学到了产品之外有价值的东西。在我看来,这类洞察是可以转化为竞争优势的。 努力去理解,本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为,你可以很快产出大量代码。选择简化路线更长、更费劲,但长远来看我认为它是值得的,而且你可能会在路上发现隐藏的宝石。 原文: #LLM# #编程# #代码复杂度#
显示更多
蜜桃潮喷 顶级分享 更多精彩都在黄果短剧入口👉
0
0
509
76
转发到社区