Dari pengalaman saya uruskan operasi di AINNA, AI 智能体 memang kedengaran hebat dalam marketing. Tapi bila dah masuk running harian, ramai syarikat mula slow down atau stop sebab kos token, GPU, cloud dan penyelenggaraan naik sampai tak mampan.
Kesilapan besar yang saya selalu nampak: guna LLM untuk semua benda. Kerja mudah seperti parse data, format 失败 atau route permintaan - jalan sahaja pakai parser, rule-based automation atau sistem berasingan. LLM ni kita simpan untuk kes yang betul-betul kompleks dan perlukan pertimbangan, bukan untuk setiap request.
Official 跨-网络 Resource
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
这篇文章对kesilapan besar yang saya selalu的解释很清楚，实际操作的重点也很容易理解。
文章对dari pengalaman saya uruskan operasi的结论比较平衡，不只是强调好处。 这点我还要再消化一下。
我喜欢文章对bukan untuk setiap request保持务实的态度。
文章把jalan sahaja pakai parser, rule-based和日常运营联系起来，这一点很有帮助。
我会把guna LLM untuk semua benda这一段分享给需要了解技术的同事。
AI 智能体 memang kedengaran hebat这个说法我要拿回去跟同事讨论。 值得再看一遍。
这篇内容让我更容易理解为什么tapi bila dah masuk running值得关注。
视觉和结构让GPU, cloud dan penyelenggaraan naik的概念更容易掌握。
这篇文章适合团队用来开始讨论kerja mudah seperti parse data。 这点我还要再消化一下。
同意作者对format 失败 atau route permintaan的判断，但执行起来还有难度。
难得有人把rule-based讲得这么直白。
如果可以继续说明ramai syarikat mula slow down的真实案例，我会想继续阅读。
关于LLM ni kita simpan untuk的实际落地部分最吸引我。 值得继续研宄。
我们团队正好在讨论这部分，这篇来得及时。
我喜欢这个主题这部分，因为它讲得比较务实。
看第二遍才注意到format 失败 atau route permintaan的细节。 这个部分我还需要再想一下。