最新

我正在打造 Attagram：一个放在厨房里、每天为孩子们打印报纸摘要的小型打印机。 这个想法源于我一直注意到的一个新兴家庭动态。我的女儿们（A，9岁，J，8岁）越来越独立，但作为父母，我们的大脑和手机里储存着大量无形的信息：项目截止日期是哪天，谁需要球鞋，午餐吃什么，哪个孩子有图书日，屏幕时间前需要完成哪些家务，离露营还有几天，奶奶想让她们知道什么，放学后有什么变化等等。 孩子们生活在这个系统的下游，他们的体验就是一遍又一遍的唠叨： “去刷牙。” “收拾好你的文件夹。” “别忘了你的球鞋。” “别忘了你的水壶。” “你收拾好球鞋了吗？” “请收拾好你的球鞋。” 即使语气温和，重复也会让人觉得像是在唠叨。而且所有信息都困在屏幕里，如果你想限制孩子的屏幕时间，同时又想让他们在这个过程中承担更多责任，这并不是好事。 Attagram 试图解决这个问题。它将这种无形的状态转化为孩子可以拥有的、每天的小纸质物品。 每天早上，打印机会启动，打印一份由父母精心策划的早报。报纸包含“今日计划”、“待办事项清单”、“活动倒计时”、“笑话”、“谜语”、“来自祖父母的便条”等栏目，还有更多内容。孩子们可以撕下来，钉在公告板上，塞进口袋，或者插在钉子上。 这一切都通过一个应用程序来管理。但是！这个应用程序是给父母用的。它的任务是成为世界上最好的工具，将家庭的后勤、仪式和关爱转化为一种无屏幕的纸质体验。报纸仍然是主角，也是孩子体验 Attagram 的方式。 从技术上讲，Attagram 非常简单。它使用现成的零件连接到云服务，以便在预定的时间生成和打印每日摘要。它还允许受信任的家庭成员在需要时发送一次性便条。其魔力在于整体体验以及手中握着纸张的感觉。 这是我的第一个硬件项目，作为一个软件从业者，我非常欣赏（并尊重）需要学习的东西之多。确保产品在第一天就完美无瑕需要付出很多努力，因为硬件更新并不容易。软件就灵活多了！ 我们目前正在全国范围内进行家庭私密测试，反馈非常积极。不止一个家庭告诉我，他们的孩子每天早上都会守在打印机前，等着它在预定时间打印。我计划免费提供更多设备，以确保在更大规模生产前收集到所有可用的意见。如果您有兴趣，请发送邮件至 myke@halfcorp.co。 我们初步的计划是在扩大生产规模前，达到 100 个付费预订，部分原因是为了测试陌生人是否真的足够想要这个产品，而不是仅仅说“这个想法很可爱”。[https://www.attagram.com/order](https://www.attagram.com/order) 我希望听取 HN（Hacker News）的经验： 1. 工业设计：在当前迭代中，有什么地方显得“设计糟糕”？另外，如果您对此感兴趣并愿意合作，我很乐意与您交流！ 2. 机械工程：有哪些最佳方法可以“加固”此类设备，使其可靠且易于制造？另外，如果您对此感兴趣并愿意合作，我很乐意与您交流！ 3. 制造：何时与中国的合同制造商合作？您会尽量避免什么？另外，如果您对此感兴趣并愿意合作，我很乐意与您交流！ 4. HN 上的父母们：您会考虑购买这个产品吗，还是觉得它只是个可爱的想法？如果是前者，但您不会预订，为什么呢？

我所看到的每一个智能体系统都存在同样的隐性成本：模型会反复阅读相同的上下文。 工单、Slack 消息、文档、客户历史记录、数据库笔记、操作手册、日志、过往决策。你可以缓存静态前缀，路由到更便宜的模型，或者设置团队预算，但这些都无法解决根本问题：智能体在开始大多数任务时都会试图重新探索一切。 我们构建 Parcle 作为 AI 智能体的共享记忆层。它会摄取操作上下文，索引已发生的事情，并允许智能体为下一步检索一小部分相关的记忆，而不是将所有内容粘贴回提示中——或者更糟的是，让智能体自行探索并消耗 token。 我们开始跟踪在有和没有我们记忆层的情况下，仅通过索引本地文件来完成任务时消耗的 token。在我们的部署/评估中，我们看到最大的 token 消耗减少高达 70%，任务完成速度大约提高 2 倍。中位数 token 消耗减少约 30%。最大的节省通常来自数据和上下文密集型工作流程；当智能体需要从多个位置和来源检索数据和上下文时。到目前为止，最好的应用场景是支持、运营、研究、销售和财务工作流程，在这些场景中，智能体否则会一遍又一遍地重新加载相同的账户/工作流程/历史上下文。 为什么我认为这现在很重要： Pylon 的 AI 成本帖子促使我们思考： 由于智能体不断寻找相同的上下文，公司付出了多少成本？这是一种记忆可以解决的隐性成本吗？ 我们构建 Parcle 是为了让智能体能够记住。令人惊讶的是，记忆不仅让智能体更有用。它还减少了消耗的 token。用于弄清楚事物位置的 token 更少，用于实际生产性工作的时间更多。 - Anthropic 表示，智能体消耗的 token 是聊天的 4 倍。我们认为这低估了。 - OpenAI 和 Anthropic 都拥有提示缓存，因为重复的提示上下文成本很高，但缓存主要在可重用内容足够稳定以命中缓存时才有效。但这并没有解决提示缓存会在 5-15 分钟不活动后失效的事实。 - “Lost in the Middle” 和 Chroma 的 “context rot” 工作都指向同一个问题：更多的上下文并不等于可用的记忆。 - 上下文工程领域似乎正在趋同于这一点：最困难的部分是决定模型在每个步骤应该看到什么。 Parcle 是我们尝试将此付诸实践的尝试：模型外部的记忆，仅在有用时才选择到上下文中。 我很想听听那些在生产环境中运行真实智能体的人的反馈： 1. 你的 token 实际花在了哪里：重复的输入上下文、工具跟踪、重试、输出、评估，还是其他方面？ 2. 提示缓存和模型路由是否足够了？ 3. 你需要什么才能信任智能体循环中的外部记忆层？