WPS 也正式 35 岁啦👀
金山是一家很有故事的公司，从探索到辉煌、从沉沦到再次崛起的这一路上，基本上见证了中国软件的变迁。
面对更有挑战的未来，借用雷总在全员信提及的一段话：“时代发展唯变不变，只要金山人继续坚持向创新而生、因技术而立、为全球服务的浪漫梦想；坚持志存高远，脚踏实地的金山文化，拥抱AI，凝心聚力抱团打天下，我们就能把握住新的机遇！”
金山是一家很有故事的公司，从探索到辉煌、从沉沦到再次崛起的这一路上，基本上见证了中国软件的变迁。
面对更有挑战的未来，借用雷总在全员信提及的一段话：“时代发展唯变不变，只要金山人继续坚持向创新而生、因技术而立、为全球服务的浪漫梦想；坚持志存高远，脚踏实地的金山文化，拥抱AI，凝心聚力抱团打天下，我们就能把握住新的机遇！”
花旗宣布，将其中国内地的个人银行财富管理业务，包括个人客户持有的账户、存款和相关理财产品出售给汇丰中国。交易的个人存款和理财业务管理资产总额约36亿美元，预计交易将于2024年上半年完成。
汇丰计划向花旗中国服务于个人银行财富管理业务的范围内员工发出要约加入汇丰的内地团队。
汇丰计划向花旗中国服务于个人银行财富管理业务的范围内员工发出要约加入汇丰的内地团队。
苏宁 UXCOOL 官方元件库-免费下载
#产品知识库
原型目录包括：封面 使用说明（待补充） 如何撰写交互文档 交互规范及规则 Interact specification 交付文件规范 色彩规范 字体规范 圆角&投影规范 对齐规范 按钮位置 提示和反馈应用规范 其他原则 —...
https://axurehub.com/11019.html
#产品知识库
原型目录包括：封面 使用说明（待补充） 如何撰写交互文档 交互规范及规则 Interact specification 交付文件规范 色彩规范 字体规范 圆角&投影规范 对齐规范 按钮位置 提示和反馈应用规范 其他原则 —...
https://axurehub.com/11019.html
👍1
#程序员
利用 AutoGPT/LangChain/SuperAGI 等，可以让 LLM 帮助解决复杂的问题，但也有一个致命的通病：由于接受的指令相对简单，随着任务的自主规划和执行，过程中一旦出现微小偏差，最后的结果就会滚雪球似的，离预期越来越远。
一个解法是，在指令下发之初，对要执行的任务做十分详尽的描述，告诉 LLM 第一步到第十步分别要做啥，因此我们经常会看到各种复杂且严苛的 Prompt，还会利用 One-Shot/Few-Shot 帮助大模型做输出结果的矫正，虽然可以一定程度解决问题，但这个做法也限制了 LLM 的创造力，同时，由于任务的复杂性，仍然存在偏离任务目标的可能。
看到这个论文提供了一个思路，https://arxiv.org/pdf/2309.07870.pdf，“Agents 框架探索了通过结合基于推理图的符号主义 (symbolism) 推理和基于 LLM 的连接主义 (connectionism) 推理，来结合高层次的世界模型知识和低层次的简单推理泛化能力，从而实现更智能更可控的通用人工智能 (AGI) 方案”。详情可以参阅这篇文章：https://www.jiqizhixin.com/articles/2023-09-21-2
简单来说，就是在进行下一步任务的时候，回顾目标和初始计划，结合环境信息，利用大模型的推理能力来动态决定状态的转移和下一个行动的 Agent 是哪个。
这个解决思路有点像动态规划算法，在问题求解过程中考虑不同状态和决策，只不过 Agents 框架更侧重于处理复杂的智能决策和动态环境，而不仅仅是静态优化问题，也算得上一次创新了。
这篇论文对应的工程实践也在 github 上开源了：https://github.com/aiwaves-cn/agents，如果你要利用 LLM 解决复杂且庞大的问题，这个思路值得一试。
利用 AutoGPT/LangChain/SuperAGI 等，可以让 LLM 帮助解决复杂的问题，但也有一个致命的通病：由于接受的指令相对简单，随着任务的自主规划和执行，过程中一旦出现微小偏差，最后的结果就会滚雪球似的，离预期越来越远。
一个解法是，在指令下发之初，对要执行的任务做十分详尽的描述，告诉 LLM 第一步到第十步分别要做啥，因此我们经常会看到各种复杂且严苛的 Prompt，还会利用 One-Shot/Few-Shot 帮助大模型做输出结果的矫正，虽然可以一定程度解决问题，但这个做法也限制了 LLM 的创造力，同时，由于任务的复杂性，仍然存在偏离任务目标的可能。
看到这个论文提供了一个思路，https://arxiv.org/pdf/2309.07870.pdf，“Agents 框架探索了通过结合基于推理图的符号主义 (symbolism) 推理和基于 LLM 的连接主义 (connectionism) 推理，来结合高层次的世界模型知识和低层次的简单推理泛化能力，从而实现更智能更可控的通用人工智能 (AGI) 方案”。详情可以参阅这篇文章：https://www.jiqizhixin.com/articles/2023-09-21-2
简单来说，就是在进行下一步任务的时候，回顾目标和初始计划，结合环境信息，利用大模型的推理能力来动态决定状态的转移和下一个行动的 Agent 是哪个。
这个解决思路有点像动态规划算法，在问题求解过程中考虑不同状态和决策，只不过 Agents 框架更侧重于处理复杂的智能决策和动态环境，而不仅仅是静态优化问题，也算得上一次创新了。
这篇论文对应的工程实践也在 github 上开源了：https://github.com/aiwaves-cn/agents，如果你要利用 LLM 解决复杂且庞大的问题，这个思路值得一试。