slackerman

@mobinf 数学逻辑对于计算机来说不是难事，而且可以强化学习，跟真实世界交互的业务逻辑就有点麻烦了

从工业革命到拥有第一辆汽车，花了两个多世纪
从计算机发明到拥有第一台个人计算机花了半个多世纪
从互联网的诞生到使用互联网，花了约 30 年
从拥有个人计算机到把 PC 装进口袋，花了约 20 年
从有手机到有移动互联网终端，大概花了十几年
从阿尔法狗到 chatgpt 花了 6 年多
从 chatgpt 到 Claude Code opus vibe coding, 花了两年多
为什么生成式 AI 的冲击最先出现在 coding 的领域，不是因为生成式大语言模型设计上天然擅长编程语言，而是因为 coding 语言的语法精准，反馈闭环快速、明确、可重现，失败成本最低(可回滚)
至于其他领域，让子弹再飞一会儿

@hellodigua +1 ，web 、app 、deep research 我也都没有断过，不喜欢用是因为思考时间和回答质量的问题。以前用 vscode gemini 插件倒是断过，好久没用了

核心是任务拆分，尽量减数多轮对话。
理解多轮对话的本质，每次对话都是一次独立的推理，多轮对话只是将前述对话上下文以各种形式打包到提示词中进行新的一次推理，所以上下文膨胀造成混乱的本质就是上下文窗口的有限性及注意力机制。
理解了这一点，就该明白，提示词中应该包含尽可能少且必要的信息，那么就应该尽量拆分任务，每次用清晰的信息做一件模型能力范围内的事。
由此应该尽量自己构建最干净必要的提示词进行一次推理而不是依赖多轮对话。因为多轮对话必然引入无效的上下文稀释模型注意力。
至于如何合理的拆分任务依赖与经验与能力就不展开了

同挂了快一个小时了。 @wangyaominde 不会吧，我的万年 prvite 自建节点也被封了！？