domain-knowledge

KITE 提出一种知识注入的时间序列编码器，将工程师的领域先验（语义先验）通过可切换的协变量与注意力偏置机制注入自监督事件预测器，在稀有事件预测上显著优于无先验基线，并支持跨域迁移。

AI 工具放大用户现有知识，显著惠及专家，同时为新手提供他们无法评估的流畅输出，可能扩大专业知识差距。

文章认为，领域专业知识是有效使用LLM的最重要技能，并以陶哲轩的ChatGPT对话作为专家级提示词的示例。

一条发人深省的推文串，主张自动化工程任务（尤其是使用像Claude这样的AI代理）比以往任何时候都更加重要。它主张将领域知识编码为基础架构，以加速开发并使非工程师也能参与贡献。

本文介绍了DKCD，这是一个通过整合领域知识图谱与基于LLM的推理来增强高专业领域（如医疗、金融、教育）中从非结构化数据进行因果发现的框架，旨在识别潜在因果因素并提高标注准确性。

作者分享了一个观点：AI奖励的是那些拥有深厚领域知识的人，使他们能够将专业知识应用于多个领域，并反驳了AI将取代工作的说法。

本文提出了一种基于领域知识的时空图卷积网络用于心电图识别，该网络利用PRQST关键点和双流有向图来建模心电图周期内和周期间的依赖关系，在首届中国心电图智能竞赛数据集上取得了最先进的F1分数。

文章讨论了构建基于LLM的AI工具仍需捕获领域知识，尽管比之前的AI世代更容易，因为知识不必严格结构化。

作者回复了关于其爆款帖子“LLMs are eroding my career”的评论，讨论了AI自动化如何减少金融科技领域对深层领域知识的需求，以及在vibecoding文化中保持勤奋所面临的挑战。

一条推文将AI的应用比作用一群缺乏领域知识的天才替换员工，引发混乱。

BODHI是一种领域知识提示方法，通过用结构化的C到Python翻译指南增强少量示例提示，改进了基于LLM的形式化操作系统内核规范生成，在OSV-Bench基准测试中达到了高达96.73%的Pass@1。

YC 合伙人 @t_blom 发表了一场关于打造自我改进的 AI 原生公司的演讲，强调了递归 AI 循环并通过 AI 自动化减少员工人数。

本文介绍了FINESSE-Bench，一个包含八个专业基准、共3,993个问题的套件，用于对大语言模型进行金融能力的分层评估，涵盖专业认证主题与应用交易任务。