MidCoder

我觉得这个本质是两个国家信仰和文化差异带来的，在美国的精英阶层其实是比我们还卷的，美国也有学而思这样的教培机构，也有要花很多财力和权力才能进去的名校，只能说美国可能只有 10%的精英阶层在卷，我们是 90%的人在卷。

但是这个社会不管在哪，是有阶层的，只是有些人享受或者接纳了当前所处的阶层，如果你想要实现阶层的跳跃，这就只能是去比谁更卷。西方社会可能大部分人是享受当前所处的阶层，但是当他们到达更高的阶层后，也会为了让他的世世代代能够稳固或者向更高的阶层去发展，也会加入卷的大军。中国人可能是真的穷怕了，所以绝大部分人对下一代的要求是超越自己，去获得更多的资源。

整体来说美国是一个资源很充沛的国家（可能真的可以你只要伸手就饿不死），在资源很充沛的环境里面，人肯定是更愿意去享受生活，而不会为未来过渡的焦虑。但是相比中国，资源是逐步匮乏的，这也就导致需要付出更大的努力才能争抢到更多的资源。

所以在面对不同的环境，下会形成不同的文化差异，从而导致对生活有不一样的理解，也就产生了现实生活中对于同一件事情，不一样的处理方式。但是我觉得唯一不变的事，父母是这个世界上唯一对你好的人，这个是我有了孩子，工作多年之后理解更深刻。怎么识别是不是对你好？如果一个人不寻求你金钱、物质和肉体的任何回报，那么他才是对你的好，可能会觉得父母逼着自己读书，不让自己去玩，强迫自己做自己不愿意做的事情，这个原因上面我已经说了，这个是父母所处的文化差异表现的行为不同，但是并不代表他们不爱你。

这么点就飘了，我一年 300 个，也没你这么飘，我老婆也是在家带娃

是有基于垂类数据做了模型的 finetune 吗？我前段时间也有一个类似的想法，今年在视觉类的生成大模型方向各个厂商都有比较多的发力，不管是国内、还是国外都有比较不错的模型公布出来，但是作为非视觉专业的用户，如何让模型生成效果、内容上更好的视频/图片内容，这里有一个空隙需要去填补，这个就是 PE ，如何提供不同垂类的 PE 能力，去优化更加符合视觉大模型理解的提示词。

支持独立开发

@pkoukk 我觉得不管是 langchain 还是 MCP ，他目的是解决模型无法实时感知世界的问题，因为模型训练是离线的，训练完之后，他的知识储备和具备的推理思维范围，取决于训练时数据快照。而 function call 和 MCP 等这些架构工具，都是去将模型能力和现实业务场景结合起来，将实际场景的上下文实时给到模型，利用模型推理和理解去解决业务场景的问题

@coefuqin 感谢，我学习一下

@murmur 但是对于真正专业的来说，还是无法被替代的，因为如果不够专业，也就写不出专业的提示词，写不出专业的提示词，模型也就无法真正的能够创作出高质量的内容。那些专业性不强或者创造性的确实会被容易替代

@coefuqin 我觉得这个随着模型的迭代，这个应该是可以实现的，问题就是需要多久时间，这个是不确定的。就这个场景，在确定性指令的情况下，模型都应该是可以实现的，如果指令对应的场景是在现实生活中发生过的，并且可以被记录下来，那么都有可能被模型所学习到，这就是模型迭代学习的过程，通过不断加强数据的获取，确实随着时间推移，容易拿到的数据基本所剩无几了（其实现在基本到了这个阶段），后面可能就是需要结合知识性的数据去构造数据，甚至让模型自我去基于自己的输出数据去学习（其实 RLHF 也是这个过程）。现在比较难的是，模型要解决的问题域明确定义，或者是没有量化定义，所以总能举出一些反例来说明模型还不够聪明，但是这些反例放在发展的视角看，其实就是模型需要进行新的迭代的输入