最新

最近，我听了“播客：谷歌 DeepMind”，其中汉娜·弗莱教授介绍了《费马大定理》这本书，并与 Gemma 3 VLM 进行了讨论。那一刻触发了一种熟悉感，我隐约记得这本书，但想不起来读过。出于好奇，我买了一本并读了它。 当我更新我的 Goodreads 时，我发现它已经被标记为已读。突然，一切都回来了，十年前我读过 PDF 版，当时还忍不住到处谈论它！再次完全沉浸并为这个故事感到兴奋，感觉超现实，仿佛是第一次读一样。 你经历过这种事吗？ 你是否曾经兴致勃勃地开始读一本书，结果读到一半（或读完之后）才意识到你几年前就已经读过了？ 如果是的话，哪本书让你产生了这种似曾相识的感觉？ 重读它是否唤起了记忆或激发了同样的兴奋？

我认为，对于本就举步维艰的小企业来说，没有什么比接到人工智能打来的电话提问更具破坏性的了。 https://www.theverge.com/news/708210/google-ai-phone-calls-ai-mode-gemini-upgrade 举个例子，Curl。他们一直在处理关于人工智能的无休止的错误报告。这纯属浪费时间，毫无用处，而且真的在消耗他们的精力： https://daniel.haxx.se/blog/2025/07/14/death-by-a-thousand-slops/ 你认为点击拨打电话的人会好过吗？这是选择退出的！ 那些忙碌的小企业主会发现自己被各种奇怪的随机电话轰炸。他们根本不明白被问了什么，是谁打来的，或者为什么。 我认为这在伦理上是高度可疑的。我无法想象这会带来任何好处。

嘿，HN！我们是 Empromptu.ai，一个构建 AI 应用的 AI 应用构建器（每个应用都内置 RAG、模型、评估） 演示：[https://app.storylane.io/share/rtneodkf5i1l](https://app.storylane.io/share/rtneodkf5i1l) 我们在耗尽了数千个 AI 构建器的积分并遇到了同样的问题后，创建了 Empromptu：看起来很酷的原型或演示，但在真正的用户面前却崩溃了。 问题不在于构建过程，而在于准确性。大多数 AI 应用程序的可靠性都停留在 60% 左右，这对于原型来说还可以，但在生产中却无法使用。我们意识到这些工具实际上并不是“AI 应用构建器”，它们只是碰巧使用 AI 的网站构建器。 我们想首先解决最难的问题：让 AI 应用程序真正可靠地运行。 我们的方法侧重于我们称之为动态优化的内容。我们的系统不是将所有可能的情况都塞进一个巨大的提示中（这会混淆 LLM），而是根据上下文进行调整。一个旅行聊天机器人会自动知道提到洛杉矶的 LAX，而多伦多的则提到 Pearson。这能持续提供 90% 左右的准确性，而行业标准是 60% 左右。 但仅仅有准确性是不够的，因为我们还需要解决构建器方面的差距： * 简单的构建器（Lovable，Bolt）：创建静态网站，而不是 AI 应用程序 * 复杂的 ML 工具：需要大多数初创公司没有的专业团队（Arize，Voxel51）——我们还从技术和非技术创始人那里听说，他们觉得这些工具非常复杂 * 缺少什么：构建 AI 嵌入功能的应用程序的工具 因此，我们构建了内置优化的 AI 代理。用户只需输入他们想要构建的内容，我们的代理就会处理整个开发流程：创建具有嵌入式模型、RAG 和智能处理的应用程序。你可以通过 Netlify、GitHub 部署到你自己的基础设施，或者直接下载，因为你可以在本地运行它。 结果：初创公司、独立黑客和企业无需聘请专门的 ML 团队即可构建 AI 应用或 AI 功能。 候补名单：[https://empromptu.ai](https://empromptu.ai) 我们很乐意收到 HN 社区的反馈——特别是如果你遇到了类似的准确性问题，或者对技术方法有任何想法。