开启时会模糊预览图，关闭后正常显示
要成功打造产品，你需要从两个角度看待问题：产品构建方式和用户体验。 DORA 和 H.E.A.R.T. 这两个框架分别提供了这些洞察，它们共同描绘出产品健康状况的完整图景。 DORA（DevOps 研究与评估）关注团队如何交付价值。它衡量三个关键能力： 学习文化：营造安全的实验环境，鼓励知识共享和成长。这有助于建立韧性和适应性，对长期成功至关重要。 快速流程：将工作从构思到交付流畅推进，最大程度减少延迟和交接环节。例如，将工作分解成易于管理的小块，并自动化重复性步骤。 快速反馈：建立快速循环机制，及早发现问题，例如监控性能或收集用户反馈。这确保在问题影响用户之前将其解决。 H.E.A.R.T. 由 Google 开发，其核心在于探究用户为何重视你的产品。它追踪五项以人为本的指标： 满意度：NPS 或 CSAT 等调查衡量用户满意度。 参与度：用户互动的频率和深度——他们是回头客，还是只尝试一次？ 采用率：新用户或功能使用情况，显示您的产品是否触达目标受众。 留存率：用户是否长期留存？高留存率表明产品解决了用户的实际需求。 任务成功率：用户能否快速达成目标？低错误率和短任务耗时是关键。 将 DORA 和 H.E.A.R.T. 结合起来，就能产生奇效。它们使工程、产品和设计团队围绕共同目标协同工作。例如： 如果 H.E.A.R.T. 显示某个功能令人困惑（参与度低），DORA 衡量的“快速流程”可以让您的团队快速修复问题，将挫败感转化为满意度。 高“变更失败率”（DORA）会导致缺陷，从而损害 H.E.A.R.T. 的满意度和任务成功率。修复缺陷能够直接改善用户体验。 服务中断（DORA：恢复时间过长）会导致用户流失（H.E.A.R.T.），从而降低用户留存率。强大的工程恢复能力与长期忠诚度息息相关。 这些框架共同将数据转化为行动。DORA 确保您高效构建；H.E.A.R.T. 确保您构建真正重要的产品。当团队看到他们的工作对用户体验产生影响时，他们会更加专注于更大的目标：创造用户喜爱的产品。 首先，绘制您的衡量指标图。召集工程师、产品经理和设计师，共同制定交付速度和用户满意度方面的“成功”标准。这种共识将指导您做出更明智的决策，打造更强大的产品，并推动业务的持续增长。
从投资领域转到创业：找工作、找面试题、改简历、模拟面试. 创业（冷启动）｜AI , AIGC ｜ 安全技术｜RAG | 时空智能 | 认知心理学｜智能体 ｜ 生命科学 ｜ 强化学习 I built open source software at https://t.co/b69DXZhcyR
get yourself a man he teaches you how to code so we can travel, code, surf together
FE dev. Experimenting with AI to create beautiful designs. Building fun stuff for @TypingMindApp
If god exists, he probably equipped us with an inquisitive mind to iteratively decipher his creation & master it. Another reason why technological progress is one of humanity’s highest duty.
Founder @oddtalesgames Directing The Last Night @TLN_Game Art Direction, Cinematography, Tech Art. Atoms, Bits, Memes, Genes. Freedom, Futurism, Humanism.
洗脑你的智能体：我们如何保持内存清洁 来自 @CamelAIOrg 团队，焦点在于上下文工程，即通过优化智能体的内存管理来提升其性能和效率。作者 @Hesamation 强调，智能体并非真正“遗忘”，而是由于上下文未得到有效管理导致的。开发者可以通过控制上下文内容来显著影响智能体的“智能”水平。 介绍了 CAMEL 框架中三种用于保持内存“清洁”的技术：上下文总结、工作流内存和工具输出缓存。这些方法为了解决智能体在处理任务时常见的上下文膨胀问题，从而提高效率并降低成本。 为什么需要内存管理 在智能体的工作流程中，常见问题包括任务偏离轨道、重复劳动和工具输出过载。这些会导致上下文窗口快速填满，消耗大量 tokens 和时间。 三种关键技术 1. 上下文总结（Context Summarization）：保留核心内容 · 问题与用途：智能体有时会陷入“支线任务”，如在构建一个文本转表情符号应用时，过度纠结于数据库调试，导致主任务延误。这会消耗大量资源。 · 触发时机：当上下文使用超过 80% 窗口时；上下文偏离轨道需重置时；或在新会话中引用旧会话时。 · CAMEL 实现：提供三种方式——自动基于 tokens 阈值的总结、手动 API 调用，以及智能体可用的工具包总结。总结过程依赖精心设计的提示，提取关键信息如用户主要请求、剩余任务和当前进度。同时，保留最小用户消息以减少对 LLM 总结的依赖，避免潜在不准确。 · 益处：帮助智能体快速恢复焦点，减少无关细节的干扰。 2. 工作流内存（Workflow Memory）：从过去经验中学习 · 问题与用途：智能体在重复任务中往往重复努力，例如编译免费机器学习书籍列表时，每次都需解决 archive. org 的访问问题，却无法保留经验。 · 核心设计：工作流内存是过去任务的结构化总结，包括任务标题（简短通用）、任务描述（用户目标摘要，无实现细节）、解决步骤（编号通用行动）、工具列表（用途说明）、故障恢复策略（可选）、笔记观察（可选）和标签（3-10个，用于分类和匹配）。 · 加载机制：开发者可指定会话，或基于智能体角色加载文件；智能体从工作流列表中选择最相关的 N 个（避免使用 RAG 以保持简单）。 · 研究应用：文章提到，该方法在网络导航任务中经测试显著提升性能，并引用相关论文。 · 益处：使智能体能复用经验，提高重复任务的效率。 3. 工具输出缓存（Tool Output Caching）：一个警示性尝试 · 问题与用途：工具输出（如网页搜索结果或文件内容）往往冗长（如4250字符的搜索结果），长期保留在上下文中会导致 tokens 爆炸式增长。 · CAMEL 实现：监控超过2000字符的输出，将旧输出存储在外部文件（如 Markdown），上下文仅保留引用 ID 和预览（前160字符）。提供检索全输出的指令。 · 挑战与风险：尽管能节省 tokens，但可能导致信息丢失（智能体依赖预览忽略细节）和认知负担增加（需跟踪ID、判断是否检索）。文章视其为权衡效率与准确的尝试，已在CAMEL中回滚，需要进一步优化。 · 益处与警示：适合处理大输出，但需谨慎，以防降低性能。
专注 - Context Engineering, AI(Coding)Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴 🔗 信息卡提示词 🔽
RT @robwalling: How’s this for a möbius strip? .@arvidkahl’s tool @podscanfm surfaced this mention of me on the Business of Laravel podcas…
Building https://t.co/od97B0HVrk and https://t.co/666FnyVVE0 in Public. Raising all the boats with kindness. 🎙️ https://t.co/6w69DZmi8H · ✍️ https://t.co/lpnor5rsTW
RT @dominiksumer: white border with a subtle box shadow 🤌
building @snappify_io & @VemetricHQ
