Ik bied mijn gedachten aan, maar het zou niet erg algemeen moeten zijn: mijn oplossing is om de verschillende delen radicaal te modulariseren. Hierbij bedoel ik niet alleen het opdelen op basis van functionaliteit, maar als ik het gevoel heb dat llm de codebase niet meer kan vasthouden en deze mogelijk uit de hand loopt, splits ik enkele functies direct op in verschillende microservices en gooi ze gewoon in andere repositories. De nadelen zijn ook duidelijk, het verhoogt de bandbreedte en de implementatiekosten.

Mensen moeten zichzelf niet te hard pushen zonder reden. Vanwege de angst na de jaarafsluiting heb ik van Kerst tot vandaag geen dag rust genomen, denkende dat het wel goed zou komen. Het resultaat was dat ik gisteravond om 11 uur ging slapen en vandaag pas om 12 uur wakker werd. Vermoeidheid kan zich langzaam ophopen, dus als het nog niet tijd is om te sprinten, moet je niet zomaar gaan sprinten.

Eerder dacht @Benchmark's @EverettRandle dat zelfs in dit AI-tijdperk de concurrentievoordelen nog steeds in technologie liggen, wat volledig anders is dan de heersende sfeer in de Chinese gemeenschap die zich richt op marketing/het vinden van vraag. Maar in feite zijn deze twee slechts schijnbaar binnen de AI-kring, terwijl de innerlijke essentie enorm verschilt. —— Laten we eens kijken naar de oorspronkelijke woorden: "Een belangrijke les die we hebben geleerd, is dat het extreem moeilijk is om uitstekende AI-producten te creëren. Het is totaal anders dan SaaS-producten; het is niet zo eenvoudig als het aansluiten op de OpenAI API en het gebruiken in een chatvenster. Er zijn veel verschillende stappen bij het introduceren van LLM's. Hoe verbeter je ze? Hoe integreert het in de algemene werkprocessen? In werkelijkheid is het creëren van een uitstekend AI-product, een product dat verder gaat dan alleen laboratoriumtoepassingen, extreem subtiel en complex. Dus ik geloof nog steeds dat dit een technisch probleem is. In feite is dit een kwestie van schaarste aan talent en de technische modellen van talent, omdat er niet veel mensen zijn die begrijpen hoe ze producten op een superintelligente en smaakvolle manier kunnen bouwen en ontwikkelen op basis van deze modellen. Dit is ook de reden waarom top AI-onderzoekers contracten van tientallen miljoenen dollars kunnen krijgen." En in werkelijkheid hebben de meeste mensen in de Chinese gemeenschap die producten bouwen met vibe coding (zoals ik) niet deze kracht en smaak. 1. Als je niet in het LLM-onderzoeksgebied zit, kun je de afgelopen jaren niet direct enkele van de grootste producten bouwen, en zelfs als je het probeert, moet het met smaak zijn. 2. Door de snelle snelheid waarmee AI code genereert, zijn sommige eenvoudige technische scenario's niet alleen niet langer de knelpunten, maar ook de delen met de laagste tijdskosten. Dus de keuze om eerst breed te marketen/vragen te vinden en daarna pas code te schrijven, is een snelle manier om te experimenteren en geld te verdienen, wat natuurlijk door de meeste mensen zal worden gekozen, vooral door degenen zonder codeervaardigheden. —— Tot slot: vrienden die VC volgen, hebben misschien al opgemerkt dat @benchmark een VC is, dus deze opvattingen zijn allemaal gepresenteerd door VC's op basis van de standaard "moet je investeren". In het tijdperk van AI en superindividuen maakt de explosieve opkomst van producten het voor de meeste producten onnodig en onmogelijk om de traditionele VC-investeringsroute te volgen. Kortom, iedereen speelt zijn eigen spel. @dotey @nake13 @dongxi_nlp @chaowxyz