@petergyang：“那些超大模型在处理微不足道的小任务时，也会做出非常愚蠢的事。”来自 Micky（@Rasmic）：“没必要使用 st…
摘要
Peter Yang 和 Micky 讨论大模型在小任务上的浪费问题，主张让较小的模型处理具体任务，而用最强模型做编排与审查，并分享了四步智能体工作流。
查看缓存全文
缓存时间: 2026/10/12 07:27
“真正的大模型在处理微不足道的任务时，也可能做出非常愚蠢的事。”
来自 Micky（@Rasmic）：
“没必要事事都用最先进的模型。我之前有些税务工作要处理，涉及大量数字和费用计算。Luna 很快就搞定了，我还用 Sol 作为子代理来跟踪 Luna 的工作。
最先进的模型或许应该专注于统筹和审查，因为很多较小的模型已经变得非常、非常出色了。”
📌 在这里观看 Micky 详细介绍他使用哪些模型：https://youtu.be/8rEAkEvhhcQ
@petergyang：“真正的大模型在处理微不足道的任务时，也可能做出非常愚蠢的事。”来自 Micky（@Rasmic）：“没必要事事都用最先…
频道： @petergyang 来源：https://www.youtube.com/watch?v=8rEAkEvhhcQ&feature=youtu.be
Peter Yang（@petergyang）： “［你的软件工厂］中一个错误的假设，就会毁掉一切。”
这是我与 @Rasmic 的最新一期节目，他向我详细介绍了自己用于交付生产应用的四步智能体工程工作流程：
- 隔离：为每个智能体分配独立的工作树
- 构建：创建可复用的
相似文章
@mylifcc: 这不是普通的大模型，而是一个多代理编排系统（Multi-Agent Orchestration System）——它自己就是一个小模型，却能智能地动态协调 GPT、Claude、Gemini 等多个前沿模型，自主分配角色、拆分任务，完成复…
Sakana AI 发布了一个多代理编排系统（Multi-Agent Orchestration System），它通过一个小模型智能协调 GPT、Claude 和 Gemini 等前沿大模型来自主分配任务和处理复杂工作。
@realfxw: 做 Agent 工作流或自主智能体循环时，一个极度影响体验的瓶颈在于：每一个细小的分支判断、工具路由、任务完成度检查或安全拦截，如果全部塞给昂贵的推理大模型（Reasoning LLM），不仅每次调用带来数秒的延迟，Token 成本也会呈…
这篇文章介绍了开源清单awesome-jev-projects，它通过解耦System 1快速决策模型和System 2推理大模型来优化AI代理工作流，降低延迟和成本，并提供代码级参考。
@yibie: 推荐这篇文章，Anthropic 的 Eugene Yan（前 Amazon/Alibaba ML 团队负责人）把他个人 AI 工作流写成了一份实操指南。不是抽象理念，是具体到你明天就能复制的方法：怎么组织目录让模型更容易检索、怎么写 C…
这是一篇推荐Eugene Yan的AI工作流指南的推文，详细介绍了如何通过组织上下文、配置CLAUDE.md、创建skills等方式高效与AI协作并实现工作复利。
@Aoyi21: https://x.com/Aoyi21/status/2108474440904495566
一篇中文观点长文，借 Andrej Karpathy 关于与大模型交互的技巧（如使用 ASD-STE100 简化语言规范），阐述如何用 AI 把知识点讲清楚、画出来并做成可交互的小工具，实现真正因材施教的个性化学习。
@MaximeRivest：这是锯齿状智能/能力前沿的一个绝佳例子。在图像中指向物体似乎……
讨论指出，图像中的指向（pointing）看似是基础能力，但若模型未在训练中学习，往往做不好；作者质疑大模型的「涌现能力」说法，并认为更大模型未必总是更好，便宜/本地/专用模型可能有相当表现。