关于提示、上下文窗口、压缩和与人工智能合作的随机想法。你希望它做你心中想做的事情，你知道如何/什么去做，有时你却不知道。现在有三种选择：你告诉它所有的细节，每一个具体的事情。或者你仅仅告诉它在一个高层次上要做某件事，并期望它能够理解。或者你可以选择中间的方式。我觉得这是一种常用的方法，解释你认为可能对它来说困难的重要部分。你可以给它提供例子。这是一种更快的方式，但依赖于例子与你想要的接近。所有这些都是耗时的。有些是在给人工智能之前消耗时间，有些是在之后。一个常见的模式对于大型语言模型（LLMs）来说很容易实现，因为它们必须在训练集里见过，例如实现用户身份验证。你想象或告诉它的新问题当然对于它来说很困难，需要指导。然后是上下文窗口问题。你不能仅仅给它一份3000字、4页详细而紧凑的规格书并期望它能够遵循所有内容，而且代码库越大，它能够打包的信息就越少，且你可以提供的广泛文件也不值得。你不仅仅是为了编写详细规格而需要它 ~ 你还希望它能够总结模式，从大量数据集中得出结论，无论是分析大量数字数据，例如股票的历史数据集。所以成本在你这边：你仍然需要花时间为你的项目撰写详细的指南，说明其目标和问题，更重要的是你想要的东西的蓝图。然后是人工智能模型的领域专业知识。你需要挑选合适的那一个。随着你处理更大问题并将人工智能集成到你的应用程序中，压缩的需求出现了，尽可能多地将有用的信息打包进你的人工智能代理中，以解决特定问题或得出结论、做出决策等等。我认为在这个领域会有公司能够有效地做到这一点，或是模型构建者将一次性解决这个问题。在测试、工具（专门开发的或其他）和随着代码库的增长而精炼其方法方面，必须有反馈循环。还有提高你代码库信号与噪声比的方法。我觉得优秀的解释者或自然教师很容易与人工智能互动并产生更好的输出。底线是：你仍然需要花时间。实施时间已经过去。现在你花费的时间转移到了系统设计的前期，改变假设，并精炼你的开发设置。但实施并没有真正消失。我觉得我仍在用语言而不是代码进行实现。