LogoThread Easy
  • Explorer
  • Composer un thread
LogoThread Easy

Votre partenaire tout-en-un pour les threads Twitter

© 2025 Thread Easy All Rights Reserved.

Explorer

Newest first — browse tweet threads

Keep on to blur preview images; turn off to show them clearly

RT @cerebras: Behind the scenes with @swyx on how @windsurf built 20x faster search over your codebase

RT @cerebras: Behind the scenes with @swyx on how @windsurf built 20x faster search over your codebase

achieve ambition with intentionality, intensity, & integrity - @dxtipshq - @sveltesociety - @aidotengineer - @latentspacepod - @cognition + @smol_ai

avatar for swyx
swyx
Wed Nov 05 19:12:19
RT @Gradio: HUGE: @elevenlabsio sponsoring $220K in voice AI credits! 🤯 5,000 builders × 2 months Creator access = seriously impressive vo…

RT @Gradio: HUGE: @elevenlabsio sponsoring $220K in voice AI credits! 🤯 5,000 builders × 2 months Creator access = seriously impressive vo…

AI research paper tweets, ML @Gradio (acq. by @HuggingFace 🤗) dm for promo ,submit papers here: https://t.co/UzmYN5YmrQ

avatar for AK
AK
Wed Nov 05 19:11:27
通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译： 我终于明白了LLM、RAG和AI智能体的区别 过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了： LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。 --- > 大语言模型是“大脑” < LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。 比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。 大语言模型很聪明，但却不了解“现在”正在发生的事。 --- > RAG是AI的“记忆” < 这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。 当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。 这样一来，原本静态的模型一下子就“活”了： - 有最新的数据 - 有真实的事实 - 完全不需要重新训练模型 最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。 --- ## > AI智能体是AI的“行动力” < 尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。 这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环： - 设定目标 - 规划步骤 - 执行行动 - 回顾反思 AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。 --- > 真正的生产级AI，要同时用好这三者 < 很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素： - LLM 提供推理和思考能力 - RAG 确保知识准确而新鲜 - AI智能体 则提供行动和决策能力 --- > 如何选用这三者？ < - 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。 - LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。 - LLM + RAG + AI 智能体 如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。 --- > AI的未来，不是选哪一种，而是如何把这三层架构起来 < 记住这个公式： - LLM负责思考 - RAG负责知识 - AI智能体负责行动 真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。

通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译： 我终于明白了LLM、RAG和AI智能体的区别 过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了： LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。 --- > 大语言模型是“大脑” < LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。 比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。 大语言模型很聪明，但却不了解“现在”正在发生的事。 --- > RAG是AI的“记忆” < 这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。 当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。 这样一来，原本静态的模型一下子就“活”了： - 有最新的数据 - 有真实的事实 - 完全不需要重新训练模型 最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。 --- ## > AI智能体是AI的“行动力” < 尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。 这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环： - 设定目标 - 规划步骤 - 执行行动 - 回顾反思 AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。 --- > 真正的生产级AI，要同时用好这三者 < 很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素： - LLM 提供推理和思考能力 - RAG 确保知识准确而新鲜 - AI智能体 则提供行动和决策能力 --- > 如何选用这三者？ < - 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。 - LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。 - LLM + RAG + AI 智能体 如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。 --- > AI的未来，不是选哪一种，而是如何把这三层架构起来 < 记住这个公式： - LLM负责思考 - RAG负责知识 - AI智能体负责行动 真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。

Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.

avatar for 宝玉
宝玉
Wed Nov 05 19:09:18
:)

:)

We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1

avatar for Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)
Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)
Wed Nov 05 19:07:23
ML research is an engineering discipline, not a philosophy seminar. You build, you test, you learn. Untested ideas are just speculation.

ML research is an engineering discipline, not a philosophy seminar. You build, you test, you learn. Untested ideas are just speculation.

Co-founder @ndea. Co-founder @arcprize. Creator of Keras and ARC-AGI. Author of 'Deep Learning with Python'.

avatar for François Chollet
François Chollet
Wed Nov 05 19:05:12
RT @marc_louvion: Me in October 2025: ❙ $8,000 MRR Me in November 2025: ❙ $30,000 MRR Focus works Small bets work Showing up works Just…

RT @marc_louvion: Me in October 2025: ❙ $8,000 MRR Me in November 2025: ❙ $30,000 MRR Focus works Small bets work Showing up works Just…

🧑‍💻 https://t.co/Y30jsaHwz9 $20K/m ⚡️ https://t.co/vatLDmi9UG $17K/m 📈 https://t.co/3EDxln5mdi $16K/m ⭐️ https://t.co/MZc8tG9xWi $8K/m 🧬 https://t.co/SfrVXVtmdA $.5K/m 🍜 https://t.co/r07EpGSYJ2 $0K/m 🧾 https://t.co/7olaOzV8Xd $0/m +18 https://t.co/4zCWHGJp1S

avatar for Marc Lou
Marc Lou
Wed Nov 05 19:02:45
  • Previous
  • 1
  • More pages
  • 822
  • 823
  • 824
  • More pages
  • 2118
  • Next