构建一个工具让我的AI不再迷路
摘要
作者构建了一个定位工具包,帮助AI模型在推理前进行自我定位(如位置、上下文),从而减少搜索浪费,但增加了验证浪费,最终带来更安全、更高效的性能表现。
AI推理前的自我定位
我在构建AI应用时注意到一个现象:我们花了大量时间讨论推理能力、模型规模、基准测试、上下文窗口和幻觉问题。但有没有可能,部分浪费发生在推理开始之前?模型在推理之前必须先自我定位:我在哪里?这归谁所有?我在哪个走廊?旁边是什么?我看到的是原因还是症状?我一直在实验一个小型定位工具包,它专注于在检索和推理开始之前解决这些问题。令人惊讶的结果并非模型变得更“聪明”,而是它们花在错误方向上查找的时间变少了。更有趣的发现随后出现:搜索浪费减少的同时,验证浪费增加了。模型不再迷路,而是花时间证明自己找到了正确的树,然后才触碰它。这个交易我每天都愿意做。在森林中迷路代价高昂。站在正确的树前并验证它是否正确,在操作上更安全。我开始认为AI编程可能既有定位问题,也有推理问题。有没有其他人尝试过专注于推理前定位的工作流程或工具?
相似文章
为什么你的团队悄悄停止使用了那个没人承认弃用的AI工具
分析团队因信任破裂而悄悄弃用AI工具的原因,指出真正的问题不在于模型质量,而在于缺乏信任架构——设计能够清晰指示AI输出何时可靠、何时需要验证的工作流程。
AI让我更快。也更不像自己...
作者反思了日常使用AI如何导致认知卸载,减少了个人推理和批判性思维,并邀请他人通过调查分享经验,探讨构建缓解这一问题的工具。
让使用工具的智能体不那么混乱的心智模型
关于让使用工具的AI智能体不那么混乱且更易于管理的心智模型的个人反思
介绍本体锚点:一种为人工智能提供您关注事项地图的机制
本文介绍了本体锚点(Ontology Anchor),这是一种推理时的支撑组件,帮助人工智能在长线程中持续理解操作者的优先事项和推理结构,从而解决上下文漂移问题。
AI科学家何时应停止?面向自主发现的可验证实验引导与拒绝机制
本文介绍了Cartograph,一种为AI科学家设计的验证层,它结合了子空间实验引导、模糊性解析和库不充分检测。该框架在自主发现测试平台上优于基线,并回顾性地标记了A-Lab材料系统中不明确的声明。