cc 有个 `/insight` 命令是最接近你的想法的东西
另外，memory 系统也是为这个目的服务的：沉淀有价值的经验和记忆。建议看看 codex memory 的解析，或者简单点，看看 `~/.codex/memories` 目录

楼上在胡说啥呢，语言模型目前基本是挤牙膏期了，而且训练 LLM 本身没有太多秘密了，更多的是工程问题、项目管理问题

但多模态大模型的训练，目前依然是一片蓝海，做的最好的 Google 也是一点风也没透露。楼主趁早去加入一个训开源版 Multi-Modal 版 DeepSeek 的公司

核心不是写 SQL ，其实是业务梳理\数据治理，比如：
- 活动未完成率是“没达到次数未完成”，还是“时间超时未完成”
- 系统里一部分用户是老的邮箱系统注册的，而新用户全部统一用手机号注册，AI 怎么知道这个信息？

正好 A➗最近出了篇文章： https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude

@lujiaosama 这个得看书中对于“历史发展的必然性”的设定是什么样的，主角穿越回去，做的事情，会不会改变历史的轨迹

理论上，数字币爆发是必然的，但比特币爆发是偶然的；互联网爆发是必然的，但 BAT 这三家公司能崛起是偶然的；主角做的事情都会改变这些偶然事件的发展轨迹

@Idyll 说实话，你们公司这个项目比我预想的要顺畅的多。佬有时间的话可以整理、分享下这个项目，我感觉现在很多想做企业 AI 中台、AI 提效的人都应该挺感兴趣里面的细节的

@Idyll 请问下这个体系大概运转多久了？有实际感受到的好处和坑吗？目前是多大规模的团队在维护呢？

@sillydaddy 不要指望一次向量召回就“选中全部关键句子”，而是让模型自己在“看结果”的过程中，决定要不要扩大范围、补充召回、重新提问。

一个典型的 ReAct 交互轨迹可以长这样（简化版，伪日志）：

Thought 1:
任务是抽取“中国人民银行的职责”。先用检索工具看看跟该机构和“职责”相关的片段。

Action 1:
使用 tool_search_chunks
参数：query = "中国人民银行 职责 主要职责"
top_k = 20
检索方式：向量 + 关键词 BM25 混合

Observation 1:
返回了若干句子：
- [chunk_101] ……中国人民银行是国务院组成部门，负责……（开头介绍）
- [chunk_102] ……主要职责是：（一）拟定和执行货币政策……
- [chunk_103] ……（二）防范和化解金融风险……
- [chunk_104] ……（三）维护金融稳定……
- [chunk_205] ……编制情况为机关行政编制若干名……
其中一些句子被分得很碎，看起来每条职责是一小句。

Thought 2:
目前召回里已经出现了一些典型“主要职责是：（一）（二）（三）……”结构。
但这些 chunk 可能只覆盖了前几条，后面可能还有（四）（五）（六）。
我应该基于这些 chunk 的位置，再向前向后扩展一小段上下文，以免漏掉枚举条款。

Action 2:
使用 tool_expand_window
参数：chunk_ids = [101,102,103,104]
window_size = 3 # 每个句子向前、向后各扩 3 句

Observation 2:
得到了一个更完整的段落：
- 段落 P1：包含从“主要职责是：”到“（六）……”的全部条款；
- 同时保留了段首“主要职责是：”这句，方便后续抽取。

Thought 3:
P1 里已经包含了完整的“职责”枚举条款。
接下来可以不再扩展检索范围，而是专注于信息抽取。
我将调用一个专门的抽取工具，把职责条款提成结构化列表。

Action 3:
使用 tool_extract_duties
参数：text = 段落 P1 的完整文本

Observation 3:
抽取结果 duty_list：
1. 拟定和执行货币政策，防止通货膨胀和通货紧缩，保持货币币值稳定。
2. 防范和化解金融风险，维护国家金融安全。
3. 维护金融稳定，推进金融改革和发展。
4. 负责金融市场的监管和发展工作。
5. ……
（略）

Thought 4:
抽取结果看起来已经覆盖了所有枚举条目，且结构化良好。
为保险起见，可以再做一次“职责相关性检查”，确认没有某条“职责”散落在别处被我漏掉。

Action 4:
使用 tool_search_chunks
参数：query = "中国人民银行 职责 负责 主要职责"
top_k = 50
并过滤掉已经在 P1 中的语句，只看其它位置的命中。

Observation 4:
新检索命中的其它片段大多是对上述职责的解释、扩展说明或引用，
而不是新的“主要职责”条目。

Thought 5:
没有观察到新的“职责枚举”，当前 duty_list 可以视为基本完整。
接下来，将其写入 govmap 的结构化数据。

Action 5:
使用 tool_save_structured_result
参数：
entity = "中国人民银行"
type = "职责"
data = duty_list

Observation 5:
保存成功。

Final Answer:
已完成对“中国人民银行”的职责抽取，得到 N 条职责，写入 govmap 。

这个悖论，它的发展历程其实就是 cursor 类以 RAG 向量匹配为核心的 CodingIDE ，逐步过渡到 ClaudeCode 类以 ReACT 多工具（ grep, ls, find, mcp 等）为核心的 CodingAgent 的过程

所以，理论上你这个中国人民银行的查询要搞好，最快的方法是接个 CC ，和一些工具函数

现在大家都去哪招聘？ BOSS?脉脉？

主流还是看 OpenAI 的 agent 框架，或者是谷歌家的 ADK 框架吧

目前我观察了所有的信息，以及我自己试过的，最安全的方式就是通过 Apple Pay 或者是 Google Pay 去购买 ChatGPT 。

当然，这些方式都需要付手续费，所以总价会超过 200 美元。

我感觉测开这个时候应该挺吃香的呀。你本身就会开发，然后结合 Vibe Coding ，你能覆盖的测试范围就更广了。

而且从另一个角度来讲，其实现在所有的开发（也就是正经研发）也在逐渐退化为白盒测试。

ChatGPT 真正的深度研究功能其实是`ChatGPT Pro`，需要 Pro 或者 team 以上的订阅

codex：便宜、风控低、官方经常重置 tokens 额度、后端能力突出、前端拉胯

cc(原厂模型)：综合能力最强、贵、变态风控、前端审美极高

cc(第三方模型)：配置要折腾下，总体效果能达到原厂模型的 70%~80%吧

来自： https://waytoagi.feishu.cn/wiki/GlhuwGy13iVQwek3n2HcRxU4nVN

> Dobby 精灵一一三个提示词接管了一整个家
Sarah 问 Karpathy 有没有在编程之外用 Claw 做过什么有意思的事。他说今年 1 月他经历了一段“Claw 精神错乱期”，建了一个叫 Dobbythe Elf Claw(家养小精灵 Dobby)的家庭自动化 Agent 。
过程是这样的:他告诉 Agent“我家好像有 Sonos 音箱，你能找到它吗”。Agent 就去扫描了局域网上所有的设备，找到了 Sonos 系统一一发现完全没有密码保护。Agent 登录上去，通过搜索找到了 APl 接口，逆向工程了整个控制流程。然后问他要不要试一下。他说“你能在书房放点音乐吗”，音乐就响了。三个提示词。
灯光也是同样的流程。Agent 扫描发现、逆向 API 、创建控制面板。他说一句“睡觉时间”，全屋的灯就灭了。最后 Dobby 可以控制他家的灯光、暖通空调、窗帘、泳池和水疗设备，还接管了安防系统。
安防部分的设计有点意思:他有一个对外的摄像头，系统先做变化检测(有东西动了)，然后把画面发给 Qwen 视觉模型做分析，最后通过 WhatsApp 给他发消息一一附上外面的图片和描述，比如“一辆 FedEx 货车刚刚停下来，你可能收到了快递”。
注:Qwen 是阿里云开发的多模态 AI 模型系列，支持图像理解和文本生成。Karpathy 说 Dobby 现在管着整个家，他通过 WhatsApp 跟它交流。以前他需要 6 个不同的 App 来控制这些智能家居设备，现在一个都不需要了。Dobby 用自然语言处理一切。他承认自己还没有把这个范式推到极限一一有些人做了更疯狂的事一一但仅仅是家庭自动化这一个场景，已经”非常有帮助，也非常有启发性”。

什么业务呢

你是否在找阿蔡四菜一汤 每日灵感大王

一些地方的落户政策，有这个能加分，看你需不需要

我自己生活里碰到的：
- 上海闵行，年初时看的房子挂 600 ，现在 520
- 大疆 pocket3 ，国庆前 4400 ，国庆后 3500