@code0611 大公司做业务 LLM 部署和应用部署都是微服务多些，业务逻辑层如果需要配置单抽出来做配置中心多些，dify coze 这种低代码可视化配置都是纯运营托管的场景才用的多，但大多数场景根本不会有专有运营天天整 workflow

这个也不是我说的，基本上是业界共识，Anthropic 官方 Agent 指南里也提到了类似观点
Building effective agents
https://www.anthropic.com/research/building-effective-agents

When and how to use frameworks
There are many frameworks that make agentic systems easier to implement, including:

– LangGraph from LangChain;
– Amazon Bedrock's AI Agent framework;
– Rivet, a drag and drop GUI LLM workflow builder; and
– Vellum, another GUI tool for building and testing complex workflows.

These frameworks make it easy to get started by simplifying standard low-level tasks like calling LLMs, defining and parsing tools, and chaining calls together. However, they often create extra layers of abstraction that can obscure the underlying prompts ​​and responses, making them harder to debug. They can also make it tempting to add complexity when a simpler setup would suffice.

We suggest that developers start by using LLM APIs directly: many patterns can be implemented in a few lines of code. If you do use a framework, ensure you understand the underlying code. Incorrect assumptions about what's under the hood are a common source of customer error.

See our cookbook for some sample implementations.

运营还是开发？应用开发小公司 dify ，langchain 会问。大公司即使做 LLM 应用开发，但如果不是专门做 Agent 平台开发的基本不会问这块，因为生产环境基本不用这些。

这个其实挺难的，看纪录片，讲座，以及当事人的社交媒体会讲到一些。比如李思菘，小柯，阿鲲，胡彦斌这类音乐人的社交媒体账号发的视频会聊这些。还有大学课堂讲座讲到创作动机和创作背景，作品赏析会讲解。

对于 2：
func-call 跟一般监督微调的过程没啥区别，难点在于数据准备：至少要求包含场景、func 定义、预期调取的 func ，预期回复等。
面向业务的 func-call 相对好做，有业务场景，人工构造一些基本就够用。
但通用 func-call 模型就需要有大量的 api 定义和场景测试数据。

但做好其实都不容易，比如函数功能相似，会出现无法精准召回等问题。
还有 input 槽位信息缺失，需要多轮收集，LLM 要知道会话状态等，都需要很多工作要做。

如果没有特殊需要，建议直接调取通用 func-call 能力的 LLM API ，或者市面上有些开源的通用 func-call 模型，自己拿来用，或者再继续微调一下适应自己业务。

playwright+无头浏览器，解决 80%问题

公司活，一般都是自己写，这些工具极少有公司直接上生产的。自己独立开发或者随便玩玩，选个顺手的就行

东京确实不错，去年在东京住了半个多月，印象很好。

京都的话，各类小巷子什么的也很好逛很好拍。走走逛逛很休闲。
拍二年坂三年坂清水寺附近这种热门景点，想出片，建议找晴天早上八点前去。人多拍出来就游客打卡照了。
天气好了，鸭川沿岸可以走走，能感受到当地人的闲适。
如果喜欢和咖啡吃甜点，京都有很多不错的小咖啡馆，走累了可以调一个顺眼的 walk in ，基本不踩雷。

@nicelixin 是的，特别是罗马，佛罗伦萨，米兰这种传统旅游城市。有机会还要去😁

@smlcgx 是的，特地在许愿池许了愿，再次回到罗马😄

@WizardLeo 哈哈估计是因为我拉高了对比度，降低饱和度，做了一些全局和局部的色彩调整。其实应该都没有过曝。整体还是偏暗和中间调子多一些

@JustGoGoGO 还可以，热门景区也是人山人海，走街串巷闲逛倒是很舒服。

个人平均一年 2 部国产电视剧，十来部国产电视剧。欧美影视剧每年平均 60~90 部（完全取决于剧看的多还是电影看的多）

量化交易有专门的模型算法体系，这个体系创建到应用比 LLM 的时间长多了，也成熟多了。

另外，DeepSeek 和幻方不是完全一拨人搞的。两边招人标准都不一样啊。

@murmur 哈哈哈想起去年跟朋友聚餐聊起的某八卦，某 DAU 过亿的厂，花一个 Q 把 LLM 融线上系统做推荐，AB Test 结果效果涨了零点几个点，成本翻十倍不止😂

可以等等？
x @sama
i think we are going to initially offer 10 uses per month for chatgpt plus and 2 per month in the free tier, with the intent to scale these up over time.

it probably is worth $1000 a month to some users but i'm excited to see what everyone does with it!

https://x.com/sama/status/1889679679696806103?t=9hxQLX6FSMbZX2vyJ6UCeQ&s=19

算命一直是高流量，从门户时代就有单独的星座运势频道/板块了。每个互联网阶段这部分都会被重做一遍。卖护身符、佛牌、开光首饰极其赚钱。

与之相应的还有萌宠，萌娃，育儿，两性，野史趣闻。

推理阶段的应用层工程化都无所谓，因为部署完基本都是微服务/api 调用
模型训练微调用 python 多些，主要 PyTorch / Transformers 太方便了
底层 infra 各家都不太一样，我见过某小虎家有用 c++写的