关于ChatGPT 做 Search 会杀死大部分 Wrapper 型 AI 搜索引擎的讨论，我有一些不一样的看法

关于ChatGPT 做 Search 会杀死大部分 Wrapper 型 AI 搜索引擎的讨论，我有一些不一样的看法 1. AI 搜索引擎的第一要义是准确度。 准确度的决定性因素主要是两个：问答底座模型的智能程度 + 挂载上下文的信息密度。 做好 AI 搜索引擎的关键，选用最智能的问答底座模型，再对 RAG 的检索结果进行排序去重，保证信息密度。 第一个步骤容易，第二个步骤很难。所以现在市面上大部分的 AI 搜索引擎，包括 Perplexity，准确度也就 60% 左右。 2. ChatGPT自己做搜索，首先保证了问答底座模型的智能程度。 其次在检索联网信息层面会做黑盒优化，包括 Query Rewrite / Intent Detection / Reranking 这些措施。 最终依赖自身模型的 Long Context 特性，效果就能做到比其他纯 Wrapper 类型的 AI Search Engine 要好一点。 3. 我并不觉得大模型厂商自己做 AI 搜索 就一定会比第三方做的好。 比如我做 ThinkAny， 首先接入 claude-3-opus，在模型底座智能程度方面，就不会输 gpt-4，第三方甚至能有更多的选择，针对不同的场景切换不同的模型。 其次，Long Context 也有很多模型能够保证。 再者，工程层面对 RAG 挂载上下文内容的优化，ChatGPT 能做，第三方也可以做。 4. 做好 AI 搜索引擎，最重要的三点是准 / 快 / 稳，即回复结果要准，响应速度要快，服务稳定性要高。 其次要做差异化创新，错位竞争。比如对问答结果以 outline / timeline 等形式输出，支持多模态搜索问答，允许挂载自定义信息源等策略。 5. AI 搜索引擎是一个持续雕花的过程。 特别是在提升准确度这个问题上，就有很多事情可以做，比如 Prompt Engineering / Query Rewrite/ Intent Detection / Reranking 等等，每个步骤都有不少坑。 其中用 function calling 去做 Intent Detection 就会遇到识别准确度很低的问题。 用 llamaindex + embedding + Vector DB 做 Reranking 也会遇到排序效率低下的问题。 6. AI Search + Agents + Workflows 是趋势。 AI Search 做通用场景，通过 Agents 做垂直场景，支持个性化搜索需求。 通过 Workflows 实现更加复杂的流程编排，有机会把某类需求解决的更好。 使用 GPTs 做出的提示词应用或知识库挂载型应用，价值点还是太薄。 7. 我个人不是太看好垂直搜索引擎。 一定程度上，垂直搜索引擎可以在某个场景做深做透，但是用户的搜索需求是非常多样的，我不太可能为了搜代码问题给 A 产品付费，再为了搜旅游攻略给 B 产品付费。 垂直搜索引擎自建 index 索引，工程投入比较大，效果不一定比接 Google API 要好，而且接入的信息源太有限。 8. AI 搜索是一个巨大的市场，短时间内很难形成垄断。 海外 Perplexity 一家独大，国内 Kimi/秘塔小范围出圈。各家的产品体验，市场占有率还没有达到绝对的领先，后来者依然有机会。 9. AI 搜索引擎需要尽早考虑成本优化。 主要支出在于大模型的 token 成本和搜索引擎的 API 请求费用。 成本优化是个持续的过程，比如可以自行部署 SearXNG 来降低搜索的成本，部署开源模型来降低大模型的 API 调用成本。 day one payment，趁早向用户收费也许是一种 cover 成本的好办法，但是也要考虑用户流失的问题。 以上是我个人做一个多月以来的一些经验和思考。欢迎交流探讨。

关于感冒一些的一些反常识：

关于感冒一些的一些反常识： 1⃣ 感冒是因为感染感冒病毒，而不是因为冷 2⃣ 感冒病毒并不会长期在空气中，而是会沉淀和附着在各种表面 3⃣ 如果你的手接触到感冒病毒，并不会感染感冒，人们感染感冒通常是因为用手摸脸或者揉眼睛从而把病毒带进了体内 所以如果做好手部的清洁和消毒，就能大幅降低感冒的感染

逃亡泰国战争难民大部分已返回家园，也有一些被强行遣返。

逃亡泰国战争难民大部分已返回家园，也有一些被强行遣返。 ■ 泰国总理视察泰缅边境当天上午，苗瓦迪一侧枪声不断 自4月22日上午以来，大部分抵达泰方的流离失所者正在返回苗瓦迪 ，一些境内流离失所者营地已从泰国一侧撤出，一些想要继续生活的境内流离失所者正被汽车运送返回苗瓦迪一侧。 ps：没什么危险了，人家就送你 回来了，现在唯一的就是缅军战机偶尔过来轰炸。 温馨提示：非必要不要去驻军根据地附近，办公大楼附近，警察局附近，关卡附近逗留。 - 欢迎投稿爆料： @kaidilake web3.0在线加密赌场PCTOP 客户证明了实力与口碑PCTOP不作口头上的合作共赢，只会实际的付出行动 官网 频道 客服 招商**

大部分已公开的AIGC教程文档合集

大部分已公开的AIGC教程文档合集 地址：https://qwu28uf3j5.feishu.cn/docx/Ofp1dBDp2oH1nGxTmk9cRZDvnQe #实用资源收集#合集 #AI#教程

一些关于 Devin 的想法

一些关于 Devin 的想法 很多投资人 & 行业内朋友都来询问怎么看待 Devin 这个产品，发布的第一时间就有关注，并且自己也在 building developer tools，所以来写一些简单的 comments，可能过段时间就打脸。 1. 我更倾向于把 Cognition Labs 这家公司看做是一家类似于 DeepMind 的研究型公司，而不是商业型公司，这两种公司的目标和愿景是不一样的； 2. Devin 发布的演示视频很惊艳，能够处理一些基本的 GitHub Issue，甚至能解决 Upwork 上实际的问题，但是对于更复杂的场景能够解决得多好现在还是未知的 (目前还没有拿到测试资本)，SWE-bench 13% 的指标还是不能直接用在生产环境上 (无干预情况下)； 3. 软件开发是一个复杂的系统性工程，实际的 coding 其实只占其中的很少一部分，理解需求、生成代码、Debugging、优化、部署等等涉及到非常多的环节； 4. Devin 演示的一个亮点是，它所展示的决策树很长 (按照 blog 中提到能有上千个决策节点)，这个要求底层模型有非常强的 reasoning 能力和 long context window，目前看起来 Devin 应该并没有 train 自己的模型 (或者说只是在 reasoning 的某些环节使用了 finetune 的模型)，核心的 reasoning 能力可能还是基于 GPT-4； 5. Devin 的演示中遇到了很多出现 error 需要 debug 的情况，这个相当于是在决策树中需要回退到某个节点，选择其他路径中的某一条，如何判断哪条路径后续是正确的？Devin 在演示的过程中有一个 keyError，解决的办法是添加一个 try catch 来捕获这个 error，这条决策路径不一定是对的，比如说如果前置的代码里面已经有这个 keyError 了，那么后面再捕获这个 error 就没有意义。如果是人来进行决策，就会对可能的清况有一个更详尽的分析 (或者说直觉)； 6. 抛开各种营销号吸引眼球的标题，现在来说 Devin 代替开发者还太早，不过自动驾驶 Day 1 也不是能直接上路驾驶的，L5 级别的自动化软件开发一定是终局； 7. Devin 在用户交互上提供了一些新的探索，不再是调用外部的工具，而是自己维护了一套系统内的 shell, code editor, browser，这样的好处是可以自定义一套 DSL 来操作这些工具。但是如果考虑到现阶段没有办法实现完全的无干预 coding 的话，这套方案是和现在的整个 development workflow 脱离的。 一些私货： 1. Devv 最开始的愿景就是 Redefine development tools and achieve L5 level of automated software development. 为什么没有选择直接做一个 automated coding agent，就是因为当前的技术还不满足构建一个能够在生产环境使用的 coding agent，作为一家商业公司，这个路是很难直接走通的。Devv 的方法是先选择能够落地的、开发者日常最高频和刚需的信息检索这个场景去切入； 2. Devv Agent 当前的目标也不是做一个完全 automated 的 agent，而是在更好地辅助开发者去解决开发流程中遇到的问题，本质上还是在 copilot。 Jiayuan from