我们处于循环之中
摘要
本文讨论了AI模型发布的快速周期，并强调需要持续学习以跟上技术进步。
每天跟踪AI感觉就像生活在一个无限循环中 😂 新模型发布 → 阅读发布说明 → 测试它 → 重新思考你的技术栈 → 又一个模型发布。在短短几周内，我们已经迎来了Grok、GLM、Claude、Gemini、Qwen、GPT的发布……而且还有更多即将到来。短期循环是跟上模型的发展。长期循环更为重要：学习 → 实验 → 构建 → 改进 → 重复。AI变化如此之快，以至于“保持更新”现在基本上本身已经成为一种技能。到目前为止，唯一不会过时的是你保持学习的能力。 😅 还有其他人感觉他们刚读完一个模型的发布说明，下一个就发布了？
相似文章
循环是产品，而非模型——本月的两场演讲从相反角度阐述了这一点
两场演讲和一篇博客文章认为，在生产环境中拥有AI智能时，反馈循环和框架工程比模型权重更重要，并强调了上下文管理和成本考虑。
@akshay_pachaar: https://x.com/akshay_pachaar/status/2069118430582866051
本文解释了AI代理中的循环工程概念，强调核心循环很简单，但关键工作在于模型周围的“束具”，包括知道何时停止以及防止上下文腐败。
@aparnadhinak: https://x.com/aparnadhinak/status/2073492320159510869
对AI工程中涌现出的“循环”（loop）多重含义进行深度分析，追踪从2024年6月到AI工程师世界博览会的炒作周期，并映射出四种不同的架构（执行循环、任务循环、产品循环和人机交互循环）。
AI正在吞噬AI工程循环（5分钟阅读）
文章讨论了AI工程循环如何能够完全自动化，但认为将整个循环交给AI会产生'agent slop'（智能体垃圾），因为评估不完善。它建议自动执行某些步骤，同时保留人类判断以处理细微差别。
AI世界正在变得‘循环’
本文讨论了AI智能体系统中‘循环’的兴起，即智能体持续提示其他智能体执行任务，这被视为超越简单智能体使用的重要一步。Claude Code的Boris Cherny在Meta的@Scale大会上支持这一方法。