围绕草稿搭建的一个小型自我学习回路,以及我为防止其跑偏所设置的限制
摘要
一位实践者描述了围绕 AI 消息草稿助手搭建的一个小型自我学习回路:用禁用词/结构化套路检测器配合每晚运行的任务,从编辑和驳回中提取风格规则,并通过每晚最多 6 条规则、总共 25 条纯风格规则的严格上限以及输出净化机制,防止模型自行发出超出边界的指令。
我有一个助手帮我起草工作消息(进度汇报、交接说明),编辑和发送都是我自己完成的。这些草稿带着典型的 AI 腔调,所以在它周围我加了两样东西。
一是针对每份草稿的检测器。禁用词直接拦截,结构性套路给出警告(三个并列的列表项、“不是 X,而是 Y”这种句式、长度相同的段落、用一段总结来收尾一条简短消息)。它是在我自己发出过的 163 条消息上校准的,任何一项检查如果标记出的消息超过四分之一,就被砍掉。
二是学习回路。每份展示过的草稿、每一次编辑、每一次“AI 味太重”的驳回都会被记录下来。每晚运行的任务读取这些前后对照的片段,写出简短的风格规则,加载到下一次草稿中。
我花时间最多的地方是给它套上缰绳,因为一个为自己编写指令的模型很容易跑偏:每晚最多新增 6 条规则;全部规则加起来不得超过 25 条,且只能涉及风格,绝不能涉及哪些内容需要我批准、该联系谁(该任务会净化自己的输出,其余内容一律丢弃);只做一次受限沙箱调用,不提供任何工具,且运行在代码仓库之外;规则文件是纯文本,我会亲自阅读并随意删除条目。
它已经运行了几天,写出来的规则大多合理且具体。“回复反馈时只回应提出的要点,跳过客套的结尾语”就是其中真实的一条。详细文章链接见评论区,符合本版版规。
相似文章
小而足:通过LoRA适配器对AI编辑文本进行逐用户风格重写
本文介绍了InMyStyle,一个隐私优先的系统,它在小型语言模型(0.5B–7B)上使用LoRA适配器,无需显式提示即可将AI编辑过的文本重写为符合个人用户写作风格的文本。评估显示,不同模型规模下质量趋于平稳,表明紧凑型模型足以胜任此任务。
我构建了一个自我改进的AI,你也能做到
作者使用Claude和AutoResearch等工具实验自我改进AI循环,表明递归自我改进不仅限于前沿实验室,还可以自动化新闻通讯的杂务。
@shannholmberg: 如何通过先设计循环再运行来优化你的 /goal 设计不当的循环会浪费 token 并快速产生垃圾,因此花时间设计循环框架至关重要
本文介绍了 Looper 工具,它通过批判性分析循环、构建验证评分标准、设置护栏和 token 预算,并导出可用于 Claude Code 的可移植工件,帮助设计高效的 AI 目标循环。
如何让小型的本地AI模型不再破坏JSON——一种基于语法的方法
作者介绍了一种使用llama.cpp中的GBNF语法来约束本地AI模型输出、确保生成有效JSON的方法。构建了一个编译器,将工具模式转换为语法规则,并在每轮对话中缩小范围,只保留相关工具。
给AI编码智能体一个确定性的“架构检查器”,使其不再假装“完成”
本文描述了给AI编码智能体一个确定性的架构检查器,该检查器检查事件风暴图中的机械性缺口和未决问题,确保智能体不会假装完成。