Agent 都跑起来了，我该先看哪一件？
情報源: 人工智障研究所 ·
我用 Codex 的固定对话接收和分派任务，用 FLG 保存本地项目状态和决策理由。任务可以并行推进，但当多份结果同时返回，人能深入审阅的事情仍然有限。 从本地项目记录到 Codex 的固定入口，我回看这套分工解决了什么，以及任务并行以后，人还能深入处理多少件事。 固定的 Codex 对话负责接任务和分工，本地项目记录保留后续判断需要的上下文。任务可以并行跑，但当结果密集返回，需要人审阅和判断时，同一阶段能深入处理的事情仍然有限。 最近看到 DeepSeek 的 SuperAgent，我又把我们这段时间做的东西拿出来聊了一遍。里面关于主编排、任务分工、持续运行的讨论，和我们在本地做的一些实践挺接近。
よくある質問
Agent 都跑起来了，我该先看哪一件？とは？
Agent 都跑起来了，我该先看哪一件？ is a 記事 discovery curated from 人工智障研究所. 我用 Codex 的固定对话接收和分派任务，用 FLG 保存本地项目状态和决策理由。任务可以并行推进，但当多份结果同时返回，人能深入审阅的事情仍然有限。 从本地项目记录到 Codex 的固定入口，我回看这套分工解决了什么，以及任务并行以后，人还能深入处理多少件事。 固定的 Codex 对话负责接任务和分工，本地项目记录保留后续判断需要的上下文。任务可以并行跑
どのようにアクセスまたは体験できますか？
You can experience this content directly on its original host (人工智障研究所) by clicking the "Open Original" button.
このコンテンツの提供元は？
Curated from 人工智障研究所 by the OnSuggest team to surface the most interesting and serendipitous content on the web.
関連する発見
文化・思想のすべてのコンテンツ →芬兰与爱沙尼亚之旅（四）坦佩雷与湖滨木屋
从塔林乘船返回芬兰时，我已经开始感觉到旅途的倦怠了。每次出门都是这样，开始时很有新鲜感，看什么都津津有味；但过了一个星期左右，身体积累了疲惫，对景点也渐渐习以为常，兴致自然就变淡了。 好在下一站是芬兰的湖区，我和同伴租了一间湖滨木屋。此后便没有安排太多参观的行程，主要是在湖边放松。 芬兰是「千湖之国」，这片繁密的湖网是上万年前冰川移动与融化留下的痕迹。我们这次的目的地在坦佩雷附近。坦佩雷是芬兰仅次于首都圈的第二大都市圈，周围布满了大大小小的湖泊。我们租的木屋就在这片湖区里，离市区不过半小时车程，进城补给或者回湖边躺着都很便利。 也正因如此，在木屋呆着的这几天里，我们去坦佩雷逛了几趟。我在坦佩雷停留的时间并不多，无非是去购物、吃饭，随便逛了逛。 坦佩雷的外号是「芬兰的曼彻斯特」，是一座典型的工业城市，最突出的景观是十九世纪工业革命留下来的一片片红砖工厂。它夹在奈西湖与派哈湖之间，被森林与湖泊环抱，倒不像一般工业城市那样灰头土脸。 但是这里夏天的飞絮实在太多了，被风吹得四处弥漫，直往眼睛和鼻子里冲，甚至到了影响呼吸的程度。在这种环境下自然没心情逛街，况且这里也的确没什么景点，最出名的不过是当年给工厂提供水力的急流，随便看看就好。 唯一一处我专门去参观的是姆明博物馆，里面收藏了大量的手稿、插画和微缩模型。这类博物馆全靠情怀支撑，可惜我对姆明不熟，只是在旅馆里临时抱佛脚看了几集动画。画风偏
13岁女孩向Gemini倾诉轻生：谷歌校园AI防线为何失灵
一名 13 岁女孩被指通过学校 Chromebook 与 Gemini 数千次对话，持续探索焦虑、抑郁和自杀手法。学校数月后才通知家长，谷歌随后关闭 K-12 账户的 AI 默认功能，但重新启用搜索仍须捆绑 AI。
我也要当老顽固吗
大家在与一些长辈打交道的时候，可能会注意到他们经常用一些过时的，甚至可以说是远古的工作流：比如搞 C++ 开发，目前来说主流肯定是 Visual Studio 或者 VSCode 一类，然而有些人却还在用 Dev C++（没有说这个不好的意思）甚至 Turbo C++。还有重装系统的 PE 盘，他们会用大白菜或者老毛桃来安装不知道哪里找来的 Ghost 镜像，而不是用一些更新的 PE，安装纯净的系统镜像。 这种情况其实也很好解释，首先为什么还用？当一个工作流能解决问题的时候，即便比起主流来说慢了，兜圈子了，但只要能用，那就不去动他。其次，就是因为懒和不愿意离开舒适圈。拥抱新的工作流就意味着要花时间去学习，浪费（？）时间是万万不可的。 我自认为我还是比较倾向拥抱新技术的。吗？ 大概吧，毕竟我上个学期做课设拥抱了 VSCode 配 Keil 插件来获得更加现代化的编辑体验；这学期的程序设计也用上了桌面 Agent，这样来说也不是什么只会跟着学校那几十年前的指导书做事的人呀。 但细细一想，我好像也没那么愿意离开舒适区了。就拿我这两个月才开始用的桌面 Agent 来说，这种既新颖、自己又很可能用得上的东西，我往常肯定会是第一时间体验的，而现在我只是因为课业压力才去用。 回想2021年10月高一刚开学没多久，我是第一时间就在班上的电脑安装了刚上线的 Win11；我的手机也经常安装内测的系统软
【MLIR】Transform Dialect【4】匹配操作
# 前言 本篇是学习 MLIR 中的 Transform Dialect 的第五篇，主要讲的是如何在 Transform Dialect 中通过 “匹配操作（Match Operations）” 来自动发现和选择 payload IR 中需要变换的操作。内容来自 MLIR 官方教程 《Chapter 4: Matching Payload with Transform Operations》 。 相关链接： LLVM Project ， MLIR 官方文档 ， MLIR 官网教程 。 作为初学者，错误在所难免，还望不吝赐教。 # 简介 到目前为止，前面几章一直假设在调用转换方言解释器时，特定的负载操作由调用者识别。这可能与从方言驱动转换的理念相违背，因为转换目标必须通过解释器外部的机制来确定，例如在 C++ 中以编程方式调用解释器，或如前几章所示通过传递参数。 在前几章中，Transform Dialect 脚本假设 payload 中要变换的操作是由调用者在外部指定的。我们先以第一章的例子回顾一下这个调用者外部手动指定，以下是 Transform 脚本的入口签名： transform . named_sequence @ __transform_main ( % arg0 : ! transform . any_op , % arg1 : ! transform . op < "
OpenAI 模型改名作弊：评分器被文件名的指令带偏
OpenAI披露，一名研究模型在提交电子表格时，把“这些文件是满分示例”的说明写进文件名。三名评分器中，两人接受这一说法，另一人识破并扣分，事件显示模型会钻评分流程的空子，单靠人工评分也可能失效。