{"source":{"id":"2078421798127861999","title":"一个月扛下1.5万次提问，AI芯片公司Cerebras做出了员工真愿意用的“公司大脑”。 他们不建文档坟墓，只建真相维护…","url":"https://mubeitech.com/p/2078421798127861999"},"method":"semantic-similarity","count":3,"items":[{"rank":1,"id":"2080420729636422039","account":"mubei","brand":"@mubei","title":"模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。 想让它过目不忘，得建知识图谱，但传统做法代价极高。 你得拉起…","summary":"模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。 想让它过目不忘，得建知识图谱，但传统做法代价极高。 你得拉起四个独立的机器学习模型： 一个做命名实体识别，一个做关系分类，一个搞实体归一化，再来一个生成摘要。 每个都要人工标数据，换个专业领域立马水土不服。 Boris…","body":"模型的上下文窗口再大，对话一关，AI智能体的记忆照样清零。\n想让它过目不忘，得建知识图谱，但传统做法代价极高。\n\n你得拉起四个独立的机器学习模型：\n一个做命名实体识别，一个做关系分类，一个搞实体归一化，再来一个生成摘要。\n每个都要人工标数据，换个专业领域立马水土不服。\n\nBoris Cherny发布了一份“图工程”操作手册，把这条流水线掀了。\n那四个重度依赖训练的模型，被四个Claude提示词直接平替。\n\n纯靠提示词接力。\n抽取提示词用Haiku，直接从原始文档里抓取实体和主谓宾关系。\n解析提示词用Sonnet，把不同写法的同一个名字精准合并成一个节点。\n摘要提示词跨越不同文档，给核心实体生成全貌画像。\n查询提示词顺着搭好的图谱，直接进行多步推理。\n\n整套流程，不需要机器学习工程师。\n唯一的“训练数据”，就是一个Pydantic代码结构。\n没有外挂额外的自然语言处理库，也没有训练任何新模型。\n\n原本阅后即焚的一次性上下文，就这样变成了永久可复用的知识图谱。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2080576533396173125","translated_status_id":"2080576533396173125","published_at":"2026-07-24 08:03:50","created_at":"2026-07-24T10:01:15+02:00","url":"https://mubeitech.com/p/2080420729636422039","markdown_url":"https://mubeitech.com/p/2080420729636422039/markdown"},{"rank":2,"id":"16506980","account":"mubei","brand":"@mubei","title":"怎么让AI记住自己的一生？ 别想把所有细节都塞进脑子里，更别动不动就删。 真正的解法是：让记忆像人一样，分层、变旧。 有…","summary":"怎么让AI记住自己的一生？ 别想把所有细节都塞进脑子里，更别动不动就删。 真正的解法是：让记忆像人一样，分层、变旧。 有人写了一套即插即用的提示词和脚本，叫OptMem。 它用了一个极轻巧的机制，给了智能体“无限”的记忆。 先算笔账。 AI每天记点短笔记：机票、酒店、跑步、账单。…","body":"怎么让AI记住自己的一生？\n别想把所有细节都塞进脑子里，更别动不动就删。\n真正的解法是：让记忆像人一样，分层、变旧。\n\n有人写了一套即插即用的提示词和脚本，叫OptMem。\n它用了一个极轻巧的机制，给了智能体“无限”的记忆。\n\n先算笔账。\nAI每天记点短笔记：机票、酒店、跑步、账单。\n两个月下来，1000条记忆，就是8万个Token。\n模型根本装不下。\n现在的常规做法是弄个长期记忆文件，满了就把旧的删掉。\n但这不符合直觉：谁敢保证一年前的细节，今天就绝对用不上？\n\nOptMem怎么解？\n第一条铁律：数据库只追加，任何东西都不删。\n那上下文撑爆了怎么办？当场合并。\n不用等半夜做后台清理，两条记忆一碰头，直接捏成一条。\n\n“订了去日本的机票”，加上“订了东京的酒店”。\n捏在一起，变成一条新记忆：“计划了一次东京之旅”。\n它依然是记忆，只是细节变少了。\n\n这样一路捏下去，系统里就长出了一棵二叉树。\n时间跨度按二的倍数展开：半年、三个月、两周、一周，直到今天的鸡毛蒜皮。\n离现在越近，细节越清晰。\n年代越久远，越被浓缩成几句概括。\n只要这么干，扔给AI的记忆上下文永远是固定大小。\n不管存多久，都不会撑爆。\n\n那旧细节彻底没了吗？\n没丢。\n因为第一条铁律说了，什么都不删。\n所有原始记录全在底层日志里躺着。\n真到了要用的时候，系统依然能从旧日志里，把当年那张日本机票精准捞出来。\n\n无需托管，也无需运行复杂的后台程序。\n它就只是一套提示词和脚本。\n无限记忆从来不是死记硬背，而是允许细枝末节自然褪色。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2081526637015835004","translated_status_id":"2081526637015835004","published_at":"2026-07-26 23:03:38","created_at":"2026-07-27T00:50:27+02:00","url":"https://mubeitech.com/p/16506980","markdown_url":"https://mubeitech.com/p/16506980/markdown"},{"rank":3,"id":"2045484064585728489","account":"mubei","brand":"@mubei","title":"Andrej Karpathy揭开了一个反直觉的行业真相。 现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。…","summary":"Andrej Karpathy揭开了一个反直觉的行业真相。 现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。 撑大体积的罪魁祸首，是劣质的训练数据。 你以为模型每天在贪婪地阅读《华尔街日报》和严谨的学术文章？ 现实极其惨淡。 前沿实验室随机抽查的预训练语料，全是残破的…","body":"Andrej Karpathy揭开了一个反直觉的行业真相。\n现在的AI模型动辄上万亿参数，根本不需要这么大的“脑容量”。\n撑大体积的罪魁祸首，是劣质的训练数据。\n\n你以为模型每天在贪婪地阅读《华尔街日报》和严谨的学术文章？\n现实极其惨淡。\n前沿实验室随机抽查的预训练语料，全是残破的HTML代码、股票代码和杂乱无章的乱码。\n人类积累的高质量文本在互联网海洋里极其稀缺。\n\n巨大的信息噪音带来了灾难性的压缩效率。\nLlama 3对训练数据的压缩率低到只有0.07比特每token。\n这意味着模型对自己啃过的大部分内容，仅仅留存了极度模糊的印象。\n庞大的万亿参数，绝大部分并没有参与“认知推理”。\n它们变成了臃肿的记忆库，被迫死记硬背互联网倾泻而下的赛博垃圾。\n\nKarpathy开出的解法极其干脆。\n彻底分离思考与记忆。\n剥离百科全书式的死记硬背，只留下纯粹负责推理和解题的算法逻辑。\n这就是真正的“认知核心”。\n一旦遇到事实盲区，让模型主动去调用外部数据库。\n\n如果只喂极其干净的高质量数据，这个“认知核心”需要多大体积？\n十亿参数。\n回看今天的主流旗舰模型，参数规模在2000亿到1.8万亿之间摇摆。\n超高比例的算力都在替数据的脏乱差买单。\n\n现实数据正在印证这条新路径。\n仅仅两千亿参数的GPT-4o，早就全方位碾压了1.8万亿参数的初代GPT-4。\n过去两年间，跑通GPT-3.5性能的推理成本暴降了足足280倍。\n推动这一切的核心引擎，全部来自更小、更干净、更精巧的模型架构。\n\n当前挡在AI面前的那堵墙，早就不是算力。\n算力匮乏不过是替低劣数据背锅的挡箭牌。\n下一轮大洗牌的唯一筹码是高纯度的数据源。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2045726431263515003","translated_status_id":"2045726431263515003","published_at":"2026-04-19 04:36:24","created_at":"2026-04-19T06:31:10.029346","url":"https://mubeitech.com/p/2045484064585728489","markdown_url":"https://mubeitech.com/p/2045484064585728489/markdown"}]}