粉丝1.9万获赞5.4万

m 点二固态如何看它的价值?记住这几点,第一看协议, n v 协议比沙塔协议价值更高。什么是 n v 协议和沙塔协议双口是沙塔协议单口,我们的 n v 协议。第二看容量, 五百一十二 g 一 tb, 两 tb 价差很大。第三看颗粒,原片,颗粒是优于白片和黑片。第四看状态,调盘不认盘,有坏块,价值偏低。第五看金手指稍黑,腐蚀会大打折扣。点点关注不迷路呦。

给大家普及一下三个月转型 ai 工程师需要达到的强度,如果你年龄在四十五岁以下,那么恭喜你,只要不是三分钟热度,完全能从小白蜕变成 ai 工程师。接下来告诉你一条最快的学习路线,建议收藏,避免以后走弯路。第一阶段,死磕地基,吃透 python, 再拿下方神卡里和 to use。 别小看这一步,模型能不能替你干活,全看你怎么把工具喂给它。第二阶段,抓住当下最值钱的两样东西,一个 m c p, 前者搭 agent 直接连上数据库文件 api, 现在招聘 j d 里有 m c p 经验,已经和会写接口并列了,会不会薪资差一档?第三阶段,练三大核心技能, rag agent 的 开发、评测与部署,这三个正好卡住 ai 岗位的真实需求。 a 条那套应用岗用不上了,先放一边,最后上实战,用二杠三个项目收口, reg 医疗问答 agent, 智能客服,再做一个多工具写作 agent, 把数据库文件 a p i 全串起来,这套拿下市面上绝大多数 ai 应用岗的核心要求,你基本都能对上。如果你还没有清晰方向,我把这套大模型学习路线和配套实战项目整理好了,留下转行直接拿走。 不知道你发现没有,每次我们认真想让 ai 帮着干点正事,他就装傻充愣丢给他个几十页的业务报告,他转眼就给我们以毒乱回,或者一本正经的胡说八道。其实啊,真不是大模型太累想偷懒,是我们喂给他的方式太糙了。 今天我们用最接地气的大白话聊聊怎么把大模型调教的顺顺当当,别让他整天给我们胡乱整活。好话不多说,我们直接进入主题。 在正式开讲之前,我们先来给 ai 系统做一个全面的全声扫描。你想啊, ai 运行起来,它其实就像盖一栋大楼, 最底下的是基建层,比如我们把模型放在哪里运行,显存够不够用,这是最基础的支撑。 有了地基网上就是底座层,也就是 ai 怎么读写信息,这就涉及到了 token 和上下文窗口。再往上是连接层,比如我们经常听到的 api 和最近很火的 mcp 协议,它们就像水管和电线,负责把 ai 和外面的世界连接起来。 连接好了,我们就需要教他怎么像人一样干活,这就是控制层,主要靠提示词和各种 skill 插件。最顶上的就是我们平时直接接触到的应用层了,像最近非常神奇的用聊天来写代码的 web coding。 今天我们就要像剥洋葱一样,从最底层的硬件基建一层一层往上剥,把这五个层级的核心词汇全部帮大家拆解清楚。 那首先我们就从大模型最底下的底座层,也就是它吞吐信息的最小单位开始聊起。这个词叫 token, 很多刚用 ai 的 朋友第一次听说它,可能会觉得有点懵,其实很简单,你把它理解成大模型吃信息的最小切片。 比如你对 ai 说一句,小明真聪明。在我们人类眼里,这是一句完整的带鱼的赞美。但在 ai 看来,它不能直接一口吞下整句话,它需要通过一个叫 tokenizer 的 切碎机,这个机器会把这句话切成一小块一小块的,比如第一块叫小明,第二块叫真,第三块叫聪明。这些被切碎的小数据块就叫做 token。 所以 啊,我们人类看的是意思,而 ai 眼睛里看到的全是一个个被切碎的 token。 你输入的汉字、英文标点符号越多,切出来的 token 就 越多,大模型在后台算的时候,消耗的算力和费用也就越大。那理解了 token 之后,我们就能解释很多人的一个常见疑问了,为什么我给 ai 丢一整本书,他常常就直接罢工了呢? 这就是我们要聊的 token 超载和翻车现象。不知道你有没有遇到过这种情况,我们工作忙起来,直接把八十页甚至上百页的业务资料一股脑全丢给 ai, 让他帮我们做总结。 结果 ai 转了半天,要么丢三落四漏掉核心内容,要么干脆装死不动了。其实这真不是 ai 懒,而是他的胃口被撑爆了。 每个大模型能一次性处理的 token 数量都是有一个硬性上限的,好比你面前放了一个亮杯,他一次只能装这么多水,而你一下倒进去,一大桶水自然就溢出来了。当我们的输入数据远远超过这个极限的时候, ai 就 会看不全资料,还特别容易被里面的杂乱信息干扰,最后干脆摆烂, 导致整个任务直接失败。所以,想要用好 ai, 我 们首先需要知道它每一次处理信息的最大胃口到底有多大。这就引出了下一个非常核心的概念,上下文窗口。 这个概念叫上下文窗口,它指的是 ai 单次对话里能容纳的最大信息量。如果用生活中的例子来打比方,它就像是摆在 ai 面前的一张临时工作桌,你发给他的历史聊天记录、背景参考资料,都会像一张张纸条一样,先平铺在这张桌子上。 ai 每次回答你的时候,都需要盯着这张桌子上的纸条,来理解你到底想要什么。工作桌的面积越大,也就是上下文窗口越大, ai 每次能参考的信息就越多。 比如你让他总结一篇长论文,他就能在桌上铺开更多内容,回答的也更全面。但我们要特别注意的是,这张桌子只是一个临时状态,他可不是永久记忆,只要你一清空对话或者关闭窗口,这张桌子上的纸条就全被扫进垃圾桶了。 那如果我们在一个对话里跟 ai 聊的太久,桌子放不下了,又会发生什么呢?这就涉及到了大模型的窗口挤占与遗忘机制。大模型的记忆其实遵循的是一种先进先出的排队逻辑。 当有新的聊天记录、新的资料不断塞进这张工作桌的时候,由于空间有限,那些最开始放进去的、最早的历史对话,就会被慢慢的往外推, 最后掉进遗忘区。这时候,你前面跟他说过的约定、强调过的前提,他就完全看不见了。很多人用着用着觉得 ai 突然变傻了,前面说过的,他怎么转头就忘了?其实不是他走神了,而是最早的那些信息已经被挤出工作桌了。 所以这里有个非常实用的防翻车小技巧,如果一个任务进行的太久,对话太长了,我们最好主动新建一个对话,把上下文清理干净, 重新把核心重点发给他,这样他干活不仅快,而且不容易出错。说完了大模型怎么读信息,那我们怎么才能让他更聪明的理解我们的指令呢?接下来我们就聊聊控制层里的核心提示词。 说到提示词,也就是 prompt, 很多刚接触 ai 的 朋友可能觉得它像是什么神秘的魔法咒语,好像只要念对了, ai 就 会突然变聪明。其实啊,它根本不是什么咒语,它更像是一份高精度的任务说明书。举个特别接地气的例子,你中午去奶茶店点单,如果只跟店员说给我来一杯好喝的, 这就是一个模糊指令,店员肯定蒙了。最后给你做出来的可能就是一杯平庸、最安全、最像模板的标准奶茶,不一定合你胃口,但如果你跟他说要一杯乌龙奶茶,少冰三分糖,再加一份珍珠,你看,这就是精准指令。 ai 也是一模一样的道理,你对他说一句,帮我写一篇文章,他当然只能给你最普通、最模板化的回答。只有给出精确的需求,他才能输出高质量、符合你预期的内容。所以,拒绝模糊,给大模型提供确定性的要求。这就是我们用好 ai 的 第一步。 那一个合格的、优质的提示词到底该怎么写呢?这就需要我们掌握写提示词的思维参数矩阵。一个真正好用的高阶提示词,其实只需要我们说清楚四件事,首先是背景,也就是交代上下文,告诉 ai 你 是谁,或者当前处于什么场景。 第二件事,任务,也就是要明确核心动作,到底是要他写朋友圈提纲、改标题,还是总结一堆会议纪要。 第三件是标准,我们要规定好语气和风格,比如语气要口语化,不要太矫情,要像二十多岁普通人随手发的。最后一件是格式,我们要限制输出的物理排版,比如分成五点,每点不超过三十个字,或者是用表格输出。 只要你在提要求时把这四个维度像填空一样填好,你会发现大模型给出的回答质量会有一个质的飞跃。不过即便我们的提示词写的再完美,如果每次聊天都要重新输入大段要求,是不是也挺麻烦的? 而且大模型有时候聊着聊着还是会发挥不稳定。为了解决这个问题,我们要了解下一个更稳健的概念, skill。 这里的 skill 在 中文里一般翻译成技能,你可以把它理解成 ai 的 专门本领包,或者说特制任务。插件卡。 我们平时用通用 ai 聊天时,因为它处于一种闲聊模式,逻辑经常会发生漂移,这在玩的时候无所谓,但如果是放在工作中,这种不稳定就很麻烦。 而 skill 插件卡的作用就是要把我们个人的偏好和标准步骤通过后台配置给固定下来。就像去奶茶店,店员已经很熟悉你了,知道你只喝少冰三分糖,所以你不用每次都重复说,他也会直接给你做成最喜欢的口味。 给 ai 配置一个 skill, 就是 把这个偏好和干活步骤固化下来。有了它,大模型在处理特定工作时就不会再任性的随机发挥,而是会像工厂流水线一样,输出高度标准化、高质量的结果。这也是为什么我们能把好玩的 ai 转化成高可信的工业级工作流的秘诀。 不过说到这里,肯定有朋友会问, ai 有 时候明明说的言之凿凿,为什么最后去查证却发现他是在骗我们呢?这就是大模型最让人头疼但也最神奇的幻觉现象。想要搞懂他,我们就必须揭开他的底层秘密,也就是概率预测机制。 很多人以为 ai 回答问题就像老师在脑子里查百科全书,做逻辑判断,然后给出标准答案。但其实完全不是。他的底层工作原理更像是在做一个叫预测下一个词的接龙游戏, 他看到你发的信息后,会去算后面的词出现的概率是多少。比如他算了算,如果写一个语言极其顺畅,读起来很舒服,但事实是完全错误的词,概率是百分之六十。而写一个事实完全正确但读起来稍微生硬一点的词,概率只有百分之三十, 那根据机制,他大概率就会优先选择那个顺畅但错误的选择,然后把后面的话圆过去。所以 ai 并不是故意要骗我们,他只是根据前面的语境在玩一场极其流畅的文字接龙。他在没有把握的时候,也会为了保证语气通顺而瞎编。 那面对这种幻觉,我们在工作中应该怎么应对,怎么划分他的安全边界呢?为了安全高效的使用 ai, 我 们在团队内部必须建立一张风险管控图,看清 ai 的 应用边界。我们可以根据任务的容错率和提效价值,把工作分成两类。 第一类我们叫它安全区,这类任务的特点是容错率很高,而且 ai 能帮我们节省极大的时间价值。比如写文案总结大段材料,列方案提纲,就算 ai 偶尔写的不完美或者有点偏差,也完全无伤大雅,我们稍微改改就能用,这属于提效神器,我们可以放心大胆的交由 ai 去做。 而第二类是绝对的进飞区,这类任务的容错率极低,哪怕错了一点点,后果都会非常严重。 比如看病,给医疗建议做重大的商业和财务决策,这类任务就是人类的红线,我们必须严格复合,绝对不能偷懒,让 ai 替你做决定。那除了这些日常办公文案,现在 ai 在 开发领域也带来了颠覆性的变化,比如下面这个普通人也能参与的新范式, web coding。 这个新词叫 web coding, 用大白话来说,就是通过聊天的方式把网页和工具给拼出来。在过去,如果你想做一个简易的页面,比如做一个可以添加代办事项,点击完成的小工具,你必须去学一堆底层的编程语法,写代码 自己调试,门槛特别高。而现在有了 web coding, 你 只需要直接对 ai 说出你的想法。比如我需要一个可爱一点的备忘录,页面能输入任务,点一下能划掉。 ai 接收到你的自然语言需求后,会在后台帮你生成代码,并实时把页面做出来给你看,如果不满意,你就继续给反馈。比如这个字太大了,改小点,背景颜色换成淡蓝色,大模型会根据你的反馈立刻做出修改。 这个过程就像跟设计师聊天,边搭积木边试效果,我们的核心能力也发生了彻底的转移。以前你需要懂底层代码语法,现在你只要懂怎么描述需求,并能发现问题,让系统去不断微调,就能纯靠自然语言把工具做出来。说完了应用层,接下来我们要往深水区走一走, 如果想把 ai 的 这种能力对接到公司自己的内部业务系统,又该怎么办呢?这就需要用到 api 了。如果把大模型云厂商比作是电力局,那 api 就 像是输送算力的高压电线。 你听说大家都在做自动监测小龙虾池塘温度的监控系统,但这个系统本身没有 ai 的 思考能力, 或者是我们自己公司内部的业务系统需要无缝接入外部的 ai 智利。这时候我们就需要从大模型官网去申请一根叫 api 的 电线,一头插在电力局,另一头接在我们的系统上。 通过这根电线,大模型的思考能力就能无缝输送过去,让我们的系统也能像人一样理解数据,自动干活。 在申请 api 的 时候,你会得到一个叫 api key 的 字母密钥,这个密钥极其重要,它就像是开启电闸的机密钥匙,也是唯一的计费凭证, 用电交电费,调用 api 也要交费。所以这个密钥大家一定要保存好,千万不能被别人看到。那除了用 api 获取大模型的智力以外,如果 ai 想在工作的时候顺便看看我们的日历,查查数据库,或者操作一下浏览器,又该怎么做呢? 这就要靠最近很火的 m c p 了。这个词叫 m c p, 中文意思是模型上下文协议。如果你觉得学术名称太拗口,完全可以把它理解成联通真实物理工具的标准插座? 你想啊, ai 脑子再聪明,它平时也只是在自己的小环境里思考生成它如果想看一眼我们公司数据库里的文件,或者想看看我们今天下午的日历安排,甚至想帮我们去浏览器里订张机票,它都跨不过软件和软件之间的那堵墙。 而 m c p 协议的出现,就是给大模型的大脑装上了一个标准的插座,而各种工具,像数据库、日历、浏览器都做成了配套的标准插头。 只要这个统一的协议接通了, ai 就 能跨越软件的壁垒,获得直接查看文件、操作真实系统的能力,真正成了能干活的私人助理。那说到这里,有的人可能会把我们前面说的 skill 和这里新出的 m c p 搞混,这两个词到底有什么区别呢? 为了让大家彻底分清它们,我们做一个非常有意思的出方比喻。首先斯基属于软件层,控制的是 ai 内在的执行逻辑和偏好,也就是解决怎么做的问题。 它好比是一张做菜的菜谱卡,里面规定好了切菜的厚度、放盐的克数以及翻炒的步骤,有了它, ai 就 能稳定的做出符合你口味的川菜。 而 mcp, 它属于硬件层,解决的是外部连接的问题,也就是用什么做,哪怕你菜谱背得再熟,没有锅,没有灶台,没有煤气管道,你也做不出菜来。 而 mcp 就是 那个把煤气管道、灶台和锅联通起来的标准接口,让 ai 能够用上各种外部的物理工具。所以简单记住一句话,用 skill 来教 ai 掌握做事的方法和工具,用 mcp 来给 ai 提供可以干活的设备和工具。 那在今天合集的最后面对企业级应用,我们又该选择什么样的部署方式才能让算力发挥最大的价值呢? 这就涉及到了算力驻扎地的终极权衡。到底是选本地部署还是选云端部署?简单来说,本地部署就像是自己买台奶茶机放在家里做,而云端部署就是去外面的奶茶店点单。如果我们是在做企业级应用,或者处理非常敏感的核心业务,本地部署是企业敏感核心的首选, 因为他的隐私保护极高,就算断了外网,在公司内网也完全能用。而且我们对数据拥有绝对的控制权,更不需要按调用量计费。而对于我们平时个人的日常提效,写文案或者做些简单分析,直接用云端部署大模型绝对是首选。 它不仅即开即用,没有任何昂贵的硬件门槛,还能随时享受到市面上最新最巅峰的算力,还完全不需要你花心思去维护升级系统。所以我们在选择的时候不用一味跟风,涉及敏感核心数据时选本地日常办公求快求省事,云端永远是性价比最高的方案。 好了,我们今天通过五大层级的核心名词从头到尾讲清楚了,希望大家在以后和 ai 合作的时候能越用越顺手。

搜索抖音号应搜不出来,搜不到对方抖音号的原因是有很多的,首先看手机网络是否正常,检查一下我们搜索的 id 有没有错,特别是 id 中有数字和字母的,哪怕是字母的大小写错误,也可能导致搜索不到。 还有一种可能就是我们搜索的 id 因为各种原因可能被封号了,违规抖音社区规则的会被封限外里,这样我们肯定是搜索不到对方的 id 的。

很多人听过 m 二,但不知道它到底是什么。 m 二就是广义的货币供应量,简单说就是整个社会里所有的钱,包括现金、 活期存款、定期存款。 m 二增速组高,代表市场投放的货币变多,流动性偏宽松。 m 二增速回落,代表货币投放收紧。 这里有一个正点悟出,不是 m 二一高,市场就一定会长,关键要看钱去哪里呢?是留在金融利息捆赚,还是流入实体经济消费和投资? 单头看 m 二,一个指标不够,要搭配社融 cpi 一 起对照, 才能判断真实的经济活力。所有宏观数据只是观察信号,不能直接作为交易依据。

很多朋友经常问我,咱们这套节点到底是做什么的?今天用大白话从头到尾讲明白,咱们这套设备缓存的不是视频,主要就是图片文字这类体积很小的静态素材。很多人听过一句话,短期缺芯片,长期缺能源,永久缺存储。这里说的缺存储,不是说机房买不到硬盘, 现在图文各类静态的数据越来越多,数据量涨的特别快。如果把所有热门素材全部放在平台自己的中心机房做缓存,机房扩容硬盘、机位供电、冷却,整套下来成本非常高。上游平台在全国各地都有区域中心服务器集群, 平台会把那些经常被大量用户访问,一段时间内不会改动的图文,提前通过宽带下行下发缓存到分散在千家万户的盒子硬盘里面。咱们这个盒子的工作很简单,收下这些图片文字存好,平时保持在线安静待命。 他不会主动往外发送数据,也不会直接对接网上四面八方陌生的外网用户。盒子只和平台固定的中心服务器通信。 有用户来访问这些图文的时候,请求先进到就近的区域中心,中心会先看自己本地有没有缓存好这份素材,如果已经存好了,就直接发给用户, 不用来找我们的盒子。如果中心这边缓存过期了,或者一下子访问量暴涨,中心本地扛不住压力,他就会就近去周边在线的家庭盒子里面,把对应的图片文字拉回到中心,存进中心本地缓存之后再由中心发给用户。很多人会疑惑,这么多一道工序,意义到底在哪? 核心就是控制成本,如果每一次访问都要跑昂贵的长途主干专线去远端的援战拿素材,日积月累,平台的贷款开销会非常大。把素材提前分散存到各地的家庭节点,就是用来省去这笔反复回援的高额主干流量费用。跟大家说清楚,他和老式直接对外分发的 p、 c、 d、 n 是两套完全不一样的调度思路,我们这个不算传统的流量变现,偏向储存变现,我们主要提供存储资源,提前帮平台把图文素材缓存好,静静等待平台按需调取,不是一直持续往外跑上新流量,跟家庭日常访问网络是一样,不 像老 p、 c、 d、 n 那 样四面八方、各式各样的 ip 连进家里宽带,所以我们触发不了运营商管控的风险。要求有组网宽带相关的技术疑问,欢迎大家在评论区留言交流。