Yuu💖
@QuantumTransf
ex @Dify_ai | Building Myrio | ACMer & Computer Science Enthusiast | Lesbian | 💖love maimai & 📝writing | 🐱Catgirl | 💝I'll always be with you.
528 正在關注 5.9K 粉絲
还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（
我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra
它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进
而我们没有使用任何 Embedding 或向量数据库
🔗 GitHub:
为什么已经有那么多 Agent Memory 产品，我们还要做一个？
因为我们觉得，传统 Memory 可能从一开始就搞错了问题：
为什么要让模型在过去，决定未来需要记住什么？
预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实
我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去
技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史
实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成
部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式
更完整的技术讨论：
欢迎来玩，也欢迎挑战我们的设计！
顯示更多
最近看到各种 personal agent 像雨后春笋一样冒出来，但是我并不看好这个方向
因为，我很难想到日常场景有什么地方会需要 agent 来帮我，比如说找地方吃饭，或者买衣服，这些都需要我的 pick，而不是一个 agent 来做这些事情，况且传统大数据的智能推送在这方面已经能做得很不错了
我认为 personal agent 最有价值的地方是，它能广泛收集信息，并且发现一些用户自己发现不到的关联，我认为这也是一种涌现智能，只不过是差异化的，对用户自己个人而言的
那么如何收集信息，怎样积淀之前的理解，就成了很重要的事情，一个对应的是 connector，一个对应的是 memory，这两者我认为最难做的是 connector，因为仅靠数字世界的信息是很难完整拼凑出一个人的生活的，我们需要更多的 proactive 的信息来源，这也是我不看好 startup 做这个方向的一个原因
顯示更多
deepseek 这次事情我真的觉得挺讽刺的
一开始 pro 换 v4.1 flash：会影响生产，eval 指标更好不代表实际表现更好
后面听从用户意见，继续路由到原 pro，又变成：言而无信，朝令夕改，是不是发现新 flash 模型能力还不如 pro
只能说最好是不要把这种公众意见听进去，认定了怎么做就坚定做下去，隔壁 anthropic 就把这一点贯彻的很彻底 hhh
顯示更多
我大意了啊，没有闪，被 agent 一个灵车漂移就甩飞出去了
最近认真在做 performance 方面的优化，发现之前有些问题居然没有审计到，拿 obelisk 追溯了一下为啥会出现这个问题
我也是没想到 agent 居然还能把已有的实现方案做歪来（哦，刚好 callback 昨天的指令漂移，这代码是 opus 5 写的），关键这咋过的交叉 review 的呢？？看来有些时候还是要自己看代码，晕
顯示更多
deepseek harness 文章已更新（
dsh 内部的心智模型其实没那么简单，我在写这篇文章的时候也挣扎了很久；不过，对于写一个插件的人来说，却没有那么复杂。 文章有对此阐述，「复杂度不是消失了，而是转移进了系统内部」，相信读完这篇文章，你能够对 dsh 内部的架构有一个比较好的认知
repo:
此页面仍在持续更新（
顯示更多
这不是新闻了，Databricks 在一组精心设计的 eval 中，发现 pi 的综合表现远超其他 harness
Less is More 的前提是：精简上下文造成的信息缺乏，模型有意愿且有办法自己寻回，通过 tool call 和外界环境交互
而这不恰好是现在强模型发展的趋势吗，harness 只需足够 robust 就好了，剩下的让模型自由发挥就好了，所以我看好 pi
（顺便说一句，obelisk 对 pi 的支持应该会使 pi 的表现有很大程度的提升，并且我们正在考虑在 pi 侧做一些东西，而不止给 pi 提供 cli 侧的适配，感谢 pi 的自由度
顯示更多
最近在推上看到一些用人月神话等比较 classic 的叙事来反观 agent engineering 的观点
我觉得 That’s a nice try
但是也要意识到 agent 的本质是有持久化状态的计算节点（虽然 llm 本身是纯函数），并可以通过一组有副作用的函数与外界环境交互，只不过输入输出是自然语言
那么适用于人的协作形式自然未必适用于 agent，盲目把 agent 类比成人类工程师也会使我们丢失在新空间里解决问题的能力
顯示更多
