หัวเรื่องเรื่อง: โครงสร้างบางแต่ทักษะหนา
ผู้เขียนเรื่อง: Garry Tan
การแปล: Peggy, BlockBeats

บันทึกของผู้แปล: เมื่อ "โมเดลที่มีความแข็งแกร่งมากขึ้น" เป็นคำตอบที่ผู้ประกอบการใช้งานเป็นคำตอบเริ่มต้นในอุตสาหกรรมนี้บทความนี้กล่าวถึงการประเมินที่แตกต่าง: สิ่งที่ทำให้ผลผลิตมากขึ้น 10 เท่า 100 เท่าหรือ 1000 เท่าไม่ได้เป็นโมเดลเอง แต่คือระบบออกแบบรอบโมเดลที่สร้างขึ้นรอบโดยรอบ

ผู้เขียนบทความนี้คือ Garry Tan ปัจจุบันเป็นประธานและ CEO ของ Y Combinator ที่เชี่ยวชาญด้าน AI และนวัตกรรมธุรกิจในช่วงต้น ๆ เขาโต้ตอบ "ทักษะปล้นตัวเต็ม + โครงสร้างเชือกถีบบาง" นี้เป็นหลักการการประยุกต์ใช้ AI ที่แยกออกเป็นองค์ประกอบสำคัญ เช่นทักษะ เชื่อมต่อการทำงาน เส้นทางข้อบกพรุน การแบ่งกำหนดงาน และการบีบอัดความรู้

ในระบบนี้ โมเดลไม่ใช่ทุกอย่างของความสามารถแต่เพียงหน่วยปฏิบัติจริงในระบบ สิ่งที่จำเป็นต้องบอกคือว่าคุณจะจัดระเบียบทำงาน และค่อยวางเส้นแบ่งระหว่างการ "ประเมิน" และ "คำนวณ"

สำคัญกว่านั้น ของการทำงานเช่นนี้ไม่ใช่การปิดที่ระดับทฤษฎีเท่านั้น แต่ก็เป็นไปในสถานการณ์จริง: เมื่อเผชิญกับงานประมวลผลข้อมูลและการจับคู่ข้อมูลของพันธมิตรทุกคน ระบบสามารถมีประสิทธิภาพใกล้เคียงกับการวิเคราะห์ของมนุชีที่บรรณคดีชีวิกราวี และชุ่มชื่นในขึ้นยุ้ชันเตียงของระบบ โดยไม่จำเป็นต้องเขียนโค้ดซ้ำอย่างนั้น เทคโนโลยี "ระบบเชณคุณสมบัติ" เป็นสิ่งที่ดีให้เชี้ความจุมีฉุษ

ดังนั้น คำทำนินที่ให้มีหลักทำด้วยเส้นตาดเร้า (Steve Yegge) กล่าวว่า ใครบางคนที่ใช้ดำรุ่เชาณจำลอง จะจัดไฟบิกได้ ผู้ใช้ส่วนที่เขียนโค้ดด้วย การเคลื่อการาข้อคุย เป็นที่ต # 100 เป็นลจ คำวณดิจ์คำ ที่ใช้กันเทียบ ขาวป่าสบา

หมายเหตุ: Steve Yegge เป็นนักพัฒนาซอฟ์เทิร์ทจำทวาลีบระใหี่ njtเทไาใบก้าทิทสีารร.nj nt สสจกสส750ากาhttpsอ่าpk.ggนอ่ ลีกูในเกล้มริน และนารเกียยอกงรสี่ หูหอาng.ycagopelลร้อมın dicuเอลรเมาเกร่.ร่ มสFarmีสติtตุบvhf่ มordำัพofpu ืฮltโกllry เข้ntrtorท้าgติ แลKoAiกhttps://www.comกspptempatch ยfินร่าlียlls ยาnfrvamlm un

นี่ไม่ใช่การเกินความจริง เหตุการณ์ที่ผมเห็นด้วยตากลาง และทดลองด้วยตนเอง แต่เมื่อคนพูดถึงความต่างเหล่านี้ พวกเขาล่วงนิ้วไปที่ทิศทางที่ผิดพลาด: โมเดลที่แข็งแกรงกว่า, เจ้าคลาวที่ฉลาดกว่า, หรือพารามิเตอร์ที่มากขึ้น

ในความเป็นจริง, บุคคลที่ทำให้ผลลัพธ์ดีขึ้น 2 เท่า กับคนที่ทำให้ผลลัพธ์ดีขึ้น 100 เท่า ใช้โมเดลเดียวกัน ความแตกต่างอยู่ที่ "โครงสร้าง" ไม่ใช่ "ความฉลาด", และโครงสร้างดังกล่าวเรียกว่านี้นี่ง่ายจนสามารถเขียนลงบนใบปชกได้

Harness (เฟรมเวิร์กการดำเนินการ) เป็นสิ่งจริงซึ่งเป็นผลิตภัณฑ์เอง

ในวันที่ 31 มีนาคม 2026, Anthropic โดยบังเอิญ ได้เผยแพร่รหัสที่สมบูรณ์ของ Claude ลงใน npm—ทั้งหมด 51.2 หมื่นบรรทัด ผมอ่านไปทีละบรรทัด เรื่องนี้ยืนยันสิ่งที่ผมพูดถึงไปตลอดเวลาที่ใน YC (Y Combinator)—ความลับที่แท้จริงนั้นไม่ได้อยู่ในโมเดล แต่อยู่ที่ "ชั้นที่ครอบโมเดล"

บริบทของคลังสมบัตินสด, การเก็บเอกสาร Prompt, เครื่องมือที่ออกแบบสำหรับงานใดงานหนึ่ง, การบีบอัดบรรทัดรวมเนื้อเรื่อง, ความจำรวบรัดของการสนทนา, ตัวแทนบริสท์ที่ทำงานพร้อมกัน—สิ่งเหล่านี้จะไม่ทำให้โมเดลฉลาดขึ้น แต่มันสามารถให้คอนเทนต์ที่ถูกต้องให้แก่โมเดลตอน "เวลาที่ถูกต้อง" ในเวลาเดียวกันลดความเสี่ยงที่ข้อมูลที่ไม่เกี่ยวข้องจะพังกับอารมณส

ชั้น "ครอบ" นี้เรียกว่า harness (เฟรมเวิร์กการดำเนินการ) และทุกผู้สร้าง AI ให้คำถามที่แท้จริงคือ: ว่า ยังรับหาได้ว่าสิ่งใดควรถูกใส่เข้าไปในหารness, สิ่งใดควรถูกเก็บไว้ข้างนอก?

คำถามนั้นผลัตเปิดตัวมีคำตอบที่ชัดเจนมี ผมเรียกว่า: โครงารินี้บางที่สุด (thin harness), ความสามารถที่ยำะ (fat skills)

ห้าคำจำกัดคืน

จุดขีดจำจองไม่เคยอยู่ที่ความฉลาดของโมเดล กล่าวคือ โมเดลรู้วิธีการขยายอารมณส, การขอสารสิน, การเขียนโค้ด

ที่ทำให้โมเดลต้บทำสาการีพังจะอยู่ที่เหตุกาไลบ์ พวกมันไม่เข้าใจขอชงของคุณ—schema ของคุณ, คมรถนของณแนววจ, และรภณของคุณต่างห์ง่างไร แต่ดัข้งันเหตุสหงรี่เหลี่ยมเหล่านี้เป็นเอกสารอี่างไร

1 ไฟล์ทักท้าทักที่

ไฟล์ทักท้าทักที่คือจักรดารใช้ภ่ายว่ายํกไเให้โมเดลพาชดี หลังจาก, ไม่ใช่เพื่บะให้มันทรูต้องอะไร—นั้นบข้อตtgให้ินมับเพิีทาห่ไบ้ย

จุดเดิ่มโดยสาเฉลิงี่ถึงคอข้อคือ: ไฟล์ทัcท้าทักที่นีต่าทังเหมดมกวีาข้อ่การร้บาย แทนโดยพาราวีม่เหมดกวาใช่ผรgาวิงม่เป็น ใ ีเไวไไปข่ิงไก่ไม่หนง็งข้องไห่ง

เช่น เรามีทักษะที่ชื่อว่า /investigate อยู่ มันประกอบด้วยขั้นตอนเจ็ดขั้นตอน: กำหนดขอบเขตข้อมูล, สร้างไทม์ไลน์, diarize เอกสารทุกชิ้น, สรุปข้อสรุป, แสดงความเห็นจากทั้งก้าวออกมา, อ้างถึงแหล่งที่มา มันรับพารามิเตอร์สามตัว: TARGET, QUESTION และ DATASET

ถ้าคุณชี้มันไปหานักวิทยาศาสตร์ความปลอดภัยและ 2.1 ล้านอีเมลในการนำศึกษามันจะกลายเป็นนักวิเคราะห์การวิจัยทางการแพทย์เพื่อประเมินว่า whistleblower ถูกประการะพยาบาทหรือไม่

ถ้าคุณชี้มันไปหาบริษัทปูนและเอกสารบัญชีของคณะกรรมการการเลือกตั้งในสหรัฐฯ (FEC) มันก็จะกลายเป็นผู้สอบสอบของกฎหมายสำหรับการสอบสวนข้อตกลงการบริจาคทางการเมืองร่วมกัน

ยังคงเป็นทักษะเดียวกัน ยังคงเป็นขั้นตอนเจ็ดขั้นตอนเดียวกัน ยังคงเป็นไฟล์ markdown เดียวกัน คำอธิบายของทักษะคือกระบวนการการวิจัย แต่สิ่งที่ทำให้มันเป็นจริงในโลกแห่งความจริงคือพารามิเตอร์ที่ส่งเข้ามาขณะเรียกใช้

นี่ไม่ใช่ prompt engineering แต่เป็นการออกแบบซอฟต์แวร์: แต่ที่นี่ใช้ markdown เป็นภาษาโปรแกรมมิ่ง, ใช้ความคิดสร้างสรรค์ของมนุษย์เป็นสภาพแวดล้อมรันไทม์ ในความเป็นจริง, markdown อาจเหมาะสำหรับการห่อหุ้มไปรษณีย์มากกว่าโค้ดเฉพาะ, เนื่องจากมันอธิบายกระบวนการ, การวิจัย, และบริบทซึ่งเป็นภาษาที่โมเดลเข้าใจได้สุดซึ่งเฉพาะเจาะจง

2、Harness（Framework ในการเรียกใช้งาน）

Harness คือชั้นโปรแกรมที่ขับเคลื่อนการเรียกใช้งาน LLM มันทำเพียงสี่เรื่อง: เปิดให้โมเดลเรียกทำงานซ้ำ, อ่านเขียนไฟล์ของคุณ, จัดการบริบท และปฏิบัติข้อจำกัดด้านความปลอดภัย

แค่เท่านั้น นี่คือ "บาง"

แต่วิธีการที่ตรงกันข้ามคือ: harness หนา, ทักษะ บาง

คุณคงเคยเห็นโอกาสแบบนี้: มีการกำหนดเครื่องมือมากกว่า 40 คำนิยาม การอธิบายเต็มตัวก็เสียส่วนของหน้าต่างบริบทข้อมูล; เครื่องมือหนึ่งใบเป็นพระเจ้ามากทั้งคู่, การทำงานเพื่อคำสั่งสำหรับการควบคุม เมื่อไหร่เอา 2-5 วินาที; หรือเข็มขัดหลักทุกตัวทำเป็นเครื่องมือแยกตรง API แต่ละจุดสิ้นสุด ผลลัพธ์คือ, การใช้โทเคนขยะเยอะเกิน, ความล่าช้าเยอะเกิน, อัตราความล้มเหลวเพิ่มขึ้นเกิน

วิธีที่อย่าง理想คือ, การใช้เครื่องมือที่สร้างขึ้นมาเพื่อวัตถุประสงค์มีชัันทำงานแค่เร็วและถูกซึ่งเช่น CLI Playwright, การดำเนินการของเบราว์เซอร์แต่ละครั้งเสียเวลา 100 มิลลิวินาที; ไม่ใช่ Chrome MCP, การสร้างภาพ → ค้นหา → คลิก → รอ → อ่าน เสียเวลา 15 วินาที ก่อนหน้านี้เร็วขึ้น 75 เวลา

ตอนนี้ซอฟต์แวร์ไม่จำเป็นต้อง "ประณีตเปรียบเกินไป" อีกต่อไป สิ่งที่คุณควรทำคือ: สร้างเฉพาะสิ่งที่คุณจริงๆ ต้องการและเฉพาะเท่านั้น

3、Resolver（ตัวแก้ปัญหา）

Resolver พื้นฐานของมันก็คือตารางอำนาจของบริบท ขณะที่ปรากฏปรากฏ X อยู่เสมอ ๆ ให้โหลดเอกสาร Y ก่อน ที่ทักษะจะบอกว่าบริบท "ทำอย่างไร" และตัวแก้ปัญหาบอกว่า "เมื่อควรโหลดอะไร"

ตัวอย่างเช่น นักพัฒนาได้แก้ไข prompt บางอย่าง หากไม่มีตัวแก้ปัญหา เขาอาจจะแก้ไขแล้วมีการเผยแพร่ทันที แต่ถ้ามีตัวแก้ปัญหา โมเดลจะไปอ่านไฟล์ docs/EVALS.md และเอกสารนี้จะอธิบายว่า ให้รันชุดการประเมิน เปรียบเทียบคะแนนก่อนหลัง ถ้าความแม่นยำลดลงมากกว่า 2% ก็ควรย้อนกลับและตรวจสอบสาเหตุ นักพัฒนาคนนี้อาจจะไม่รู้เลยว่ายังมีชุดการประเมินอยู่ ตัวแก้ปัญหาได้โหลดบริบทที่ถูกต้องเข้ามาในที่ที่ถูกต้อง

Claude Code มีตัวแก้ปัญหาในตัว ทุกทักษะมีฟิลด์คำอธิบาย โมเดลจะจับความตั้งใจของผู้ใช้กับคำอธิบายของทักษะโดยอัตโนมัติ คุณไม่จำเป็นต้องจดจำว่าทักษะ /ship มีอยู่หรือไม่ - คำอธิบายเองคือตัวแก้ปัญหา

เอาคำพูดเจียม ๆ มาบอกว่า Claude Code ฉบับก่อนๆ มีทั้งหมด 20,000 บรรทัด ความเสียจริงทั้งหมด โมดูลทั้งหมด ประสทและคำสอนทั้งหมดที่ฉันพบได้ โดยรวมกัน วุ่นวายมากๆ คุณภาพของความสนใจของโมเดลลดลงอย่างชัดเจน Claude Code แม้กระทันทะมองให้ฉันตัดออกไปเลย

วิธีการแก้ไขสุดท้าย ประมาณ 200 บรรทัดเท่านั้น เก็บเฉพาะบางข้อที่สำคัญ เหมือนจะง่ายกว่าอย่างอื่น แทนที่จะสงวนปริมาณความรู้ 20,000 บรรทัดยังสามารถนำไปใช้งานได้ทันทีโดยไม่ต้องขาดความเข้าใจหรืองุนมันไปในช่องทางบริบท

4、Latent และ deterministic（พื้นที่ที่อาจเกิด เหตุการณ์และความเจริญ）

ในระบบของคุณ แต่ละขั้นตอนเป็นหนึ่งอย่างหรืออีกอย่าง และการสับสนนี้เป็นข้อผิดพลาดที่พบบ่อยสุดในการออกแบบตัวแทน

· ขอบเขตที่อาจเกิดเหตุการณ์ (Latent space) เป็นพื้นที่ที่ความสามารถอยู่ โมเดลจะไปที่นี่เพื่ออ่าน ทำความเข้าใจ ตัดสินใจ นี้เป็นขั้นตอน: ตัดสินใจ รวมสอบ การจดจำแบบแผนภาพ

· Deterministic (ความเจริญ) คือพื้นที่ของความเชื่อถือ ข้อมูลนำเข้าเดียวกัน จะได้ผลลัพธ์เดียวกันเสมอ คิวรี SQL รหัสที่ถูกคอมไพล์ ชนิดการคำนวณ อยู่ในฝั่งนี้

หนึ่ง LLM สามารถช่วยคุณจัดอารยธรรมสำหรับ 8 คนพร้อมพิจารณาลักษณะและความสัมพันธ์ของแต่ละคน แต่ถ้าคุณให้มันจัดอารยธรรมสำหรับ 800 คน มันก็จะสร้างตารางที่ดู "น่าเชื่อถือ แต่ก็ผิดทั้งหมด" ออกมาโดยจริงจัง เพราะปัญหานี้ไม่ใช่ปัญหาของช่องว่างที่เชิงลึก แต่เป็นปัญหาเฉพาะนิทานที่ถูกกรอกลงในหมู่ที่มีข้อกำหนด — ปัญหาการจัดสรรการสรรชนความบรรยาย

ระบบที่แย่ที่สุด เสมออยู่ที่ด้านเส้นแบ่งนี้ โดยวางงานที่ต้องวางอยู่ตรงที่ไม่ถูกต้อง ในทัวร์นอสไปที่ดีที่สุด ควรชัดเจนหยิบแต่งขอบเขตออกมา

5、Diarization（การจำแนกเสียง / ภาพร่างหัวข้อ）

ขั้นตอน diarization เท่านั้น ถึงเป็นความสำคัญที่จะทำให้ AI สร้างความเป็นมูลค่าต่อความรู้ในความจริงภายนอก

มันหมายถึง โมเดลจะอ่านวัสดุที่เกี่ยวข้องกับหัวข้อนึงทั้งหมด แล้วสร้างร่างของโครงสร้างออกมา ใช้แผ่นกระดาษหนึ่งใบ เสกสรรพิสูจน์จากเอกสารทั้งสิบกว่าหรือร้อยหลายสิบหน้า

ซึ่งไม่ใช่สิ่งที่สอบถาม SQL สร้างออกมาได้ ไม่ใช่สิ่งที่ RAG pipeline สร้างออกมาได้ ระบบจำเป็นต้องจริงจริง ไปอ่าน พยายามรวบรวมข้อมูลขัดแย้งร่วมกัน ระวังสิ่งที่เปลี่ยนแปลง ว่าเมื่อไหร่มีการเปลี่ยนแปลง แล้วจะสร้างสาระสำคัญตัวเนื่อ โดยรวม

นี้คือความแตกต่างระหว่างการสอบถามฐานข้อมูลและรายงานของนักวิเคราะห์

โครงสร้างนี้

ห้าแนวคิดเหล่านี้ สามารถรวมเข้าด้วยกันแล้วจัดตั้งเป็นโครงสร้างที่มีสามชั้นที่ง่ายมาก

· ชั้นบนสุดคือฟื้นทักษะตั้ง (fat skills)：กระบวนการที่เขียนด้วย markdown ที่ขนาดใหญ่ ซึ่งประกอบด้วยการเข้าใจ วิธีการและความรู้ในสาขาต่างๆ 90% ของค่าที่เรามีอยู่ มาจากชั้นนี้
· ชั้นกลาง คือความจุของ CLI ที่บาง：ประมาณ 200 บรรทัดโค้ด รับ JSON เข้าและส่งออกข้อความ โดยค่าเริ่มต้นเป็นแค่สัมพันธ์การอ่านเท่านั้น
· ชั้นล่างสุดคือระบบแอปของคุณ：QueryDB、ReadDoc、Search、Timeline — เหล่านี้เป็นพื้นฐานที่ดำเนินงานตายตัว

หลักการเฉพาะคือตรงสังเกต์：พยายามพก "ความฉลาด" ไปที่ทักษะ ให้มากที่สุดที่เป็นไปได้ รับ "การดำรง" ใช้อุปนิสาให้เหมาะสมกับเครื่องมือที่มีข้อกำหนด อำนวยเุททั้งหมด ให้เห้ ซึ่งจะทำให้ harness คงมีน้ำหนักเบา

ผลลัพธ์จากการกระทำนี้ คือ ทุกๆ ครั้งที่ความสามรถของโมเดลเพิ่มขึ้น ทุกทักษะก็จะเข้มขึ้นโดยอัตโนมัติ ในขณะที่ระบบล่างที่มีข้อกำหนด จะยังคงเข้มแข็งและน่าเชื่อถือเสมอ

ระบบการเรียนรู้ของระบบ

ด้านล่างนี้ ฉันจะใช้ระบบที่เรากำลังสร้างใน YC มาแสดงให้เห็นว่า 5 นิยามเหล่านี้ทำงานร่วมกันอย่างไร

เดือนกรกฎาคม ปี 2026 ที่ Chase Center Startup School มีผู้ก่อตั้ง 6000 คนเข้าร่วม ทุกคนมีเอกสารแบบโครงสร้าง คำตอบแบบแบบสอบถาม บันทึกการสนทนา 1:1 กับที่ปรึกษา รวมถึงสัญญาณสาธารณะ: โพสต์บน X บันทึกการส่ง GitHub บันทึกการใช้งานของ Claude Code (สามารถเห็นว่าพวกเขาเร็วแค่ไหนในการพัฒนา)

วิธีการเดิมคือ: ทีมโปรเจคของ 15 คนอ่านใบสมัครตามลำดับ ทำการประเมินตามสัญชาติ แล้วอัพเดตสเปรดชีต

วิธีการนี้ยังสามารถทำงานได้ในขนาด 200 คน แต่ในขนาด 6000 คนจะไม่สามารถใช้ได้เลย ไม่มีมนุษย์ใดสามารถจดจำภาพโดยสะพานไว้ในหัวใจได้มีแต่ AI agent เที่ยงตรงที่บอกระดับที่สูงที่สุดของผู้สมัคร 3 คน เช่น ผู้ก่อตั้งเครื่องมือพัฒนาจาน ด้านลงทุนระดับนับ 80% ของการยื่นรายการร้อยเตอร์ไปยังโมดูลการเรียกเก็บเงิน → พื้นฐานคือการสร้างเครื่องมือ FinOps ที่ล้อมด้วยชุดเครื่องมือที่สามารถมองเห็นได้

โมเดลสามารถทำได้ วิธีการคือดังนี้

Enrichment (การเสริมรวมข้อมูล)

มีทักษะเรียกว่า /enrich-founder ซึ่งจะดึงข้อมูลทุกราชอีก หลังเสริมรวมข้อมูล การยกเส้นเวลา และเน้นถวายสองข้อแตกต่างระหว่าง "สิ่งที่ผู้ก่อตั้งพูด" และ "สิ่งที่ทำจริง"

ระบบรากถึงเบื้องลึกทำหน้าที่: คิวรี SQL ข้อมูลจาก GitHub เทส URL ของการดูบราวเซอร์ ดึงข้อมูลสัญญาณสังคม คิวรี CrustData เป็นต้น การทำงานเรียลไทม์ทำงานทุกวัน 6000 คนที่กำลังก่อตั้งมีภาพความสามารถล่าสุด

ผลลัพธ์ของยกเส้นเวลา สามารถจับคำค้นความเป็นสำคัญที่การค้นความหาไม่สามารถค้นพบ

ผู้ก่อตั้ง: Maria Santos บริษัท: Contrail (contrail.dev) คำสรุปตัวเอง: "Datadog ของ AI agent" สิ่งที่ทำจริง: 80% จากการส่งโค้ดมุ่งหมายไปยังโมดูลการเรียกเก็บเงิน → ธรรมชาติของการทำสกุลเงินสวมด้านนอกเพื่อเป็นเครื่องมือ FinOps

ความแตกต่างของ "สิ่งที่พูด" กับ "การกระทำจริง" ต้องอ่านประวัติการส่ง GitHub เอกสารการยื่นขอและบันทึกการสนทนาพร้อมกันและรวมเข้าด้วยกันในหัวใจ ไม่มีการค้นหาควายมีใครทำได้ความสามารถเดียวกัน การกรองคำสำคัญก็ทำไม่ขึ้น โมเดลต้องอ่านโดยสมบูรณ์และทำการประเมิน (นี่คืองานที่ควรวางใจส่วนตัวในพื้นที่ latent space!)

การจับคู่ (Matching)

นี่คือที่ที่「ทักษะ = เรียกเมทอด」เป็นมีอิทธิพล

ทักษะการจับคู่เดียวกัน ถูกเรียกใช้สามครั้ง สามารถสร้างกลยุทธ์ที่แตกต่างออกไปอย่างสิ้นเชิง:

/match-breakout：ดำเนินการกับ 1200 คน แบ่งกลุ่มตามพื้นที่ ทุกกลุ่มมี 30 คน (embedding + การแบ่งสรรแน่นอน)

/match-lunch：ดำเนินการกับ 600 คน การจับคู่สุ่มข้ามพื้นที่ โต๊ะละ 8 คนและไม่ซ้ำกัน—— LLM ก่อนสร้างหัวข้อจากนั้นใช้วิธีการแบ่งสรรเป็นที่นั่นทำการจัดเก้าอีกครั้ง

/match-live：ดำเนินการกับผู้เข้าร่วมในสถานที่จริงเวลาจริง โดยใช้ embedding ที่ใกล้เคียงที่สุด เสร็จภายใน 200 มิลลิวินาที สำหรับการจับคู่ 1 กับ 1 และยกเลิกคนที่เคยพบมาก่อน

และโมเดลยังสามารถทำการตัดสินใจที่ดูเหมือนไม่สามารถทำได้ของอัลกอริทึมการจัดกลุ่ม传统

「Santos และ Oram มีอยู่ในโครงสร้าง AI แต่ไม่ใช่คู่แข่ง—Santos ทำการจัดสรรต้นทุน Oram ทำการจัดลำดับ，ควรอยู่ในกลุ่มเดียวกัน」
「Kim เขียนว่าเป็นเครื่องมือสำหรับนักพัฒนาเมื่อสมัคร แต่การสนทนา 1: 1 แสดงให้เห็นว่าเขากำลังทำการอัตโนมัติความเป็นไปได้ถูกต้องของ SOC2 ควรจัดการใหม่ไปที่ FinTech / RegTech」

การจัดกลุ่มใหม่นี้ไม่สามารถหับได้อย่างอย่างยิ่งถ้าไม่มีการฝังข้อมูลครบถ้วน. โมเดลต้องอ่านภาพรวมทั้งหมด

รอบการเรียนรู้ (Learning Loop)

หลังจบกิจกรรม ทักษะ / ปรับปรุง จะอ่านผลสำรวจ NPS และเจาะจงไปที่คำตอบที่ "ยังคงดี"——ไม่ใช่คำวิพากษ์วิจารณ์ แต่จะเป็นคำวิพากษ์วิจารณ์ว่า "น้อยกว่าหน่อยจะเหมาะสม" และสรุปรูปแบบ

จากนั้น มันจะ提出กฎใหม่และมีการเขียนกลับไปที่ทักษะการจับคู่:

เมื่อผู้เข้าร่วมพูดถึง "โครงการ AI" แต่รหัสของเขามีส่วนมากกว่า 80% เป็นโมดูลการเรียกเก็บเงิน:
→ จัดอยู่ใน FinTech แทนที่การจราสายงาน AI

เมื่อทั้งคู่ในกลุ่มเคยรู้จัก:
→ ลดน้ำหนักร่วมการจับคู่
เลือกใช้ความสัมพันธ์ใหม่สำคัญก่อน

กฎเหล่านี้จะถูกเขียนกลับไปที่ไฟล์ทักษะ สถานการณ์งานกำลังทำเอง กิจกรรมเดือนกรกฎาคม คะแการประเมิน NPS 12%; กิจกรรมถัดไปลดลงเหลือ 4%

ทักษะในไฟล์ได้เรียนรู้ความหมายของ "ใช้ได้" และระบบก็ดีขึ้นโดยไม่มีใครเขียนโค้ดใหม่

รูปแบบนี้สามารถถูกโอนย้ายไปยังด้านใดๆ:

ดึง → อ่าน → จดบันทึก → นับ → สรุป

แล้ว: สำรวจ → สอบถาม → จดบันทึก → การใช้ทักษะใหม่

หากคุณถามว่าวงจรที่มีความคุ้มค่าที่สุดในปี 2026 คืออะไร คือจะเป็นชุดนี้ มันสามารถนำไปใช้ในสถานการณ์การทำงานที่เกี่ยวกับความรู้ทุกประเภท

ทักษะเป็นการอัปเกรดอย่างถาวร

เร็วๆ นี้ฉันได้ทำโพสต์บน X ให้ OpenClaw มีรายละเอียดมากกว่าที่คาด

คำเรียกร้อง: คุณไม่ได้รับอนุญาตให้ทำงานครั้งเดียว หากฉันให้คุณทำสิ่งที่จะทำซ้ำในอนาคต คุณต้อง: ทำการประมวลผลแบบด้วยมือในครั้งแรกกับ 3 ถึง 10 ตัวอย่าง เพื่อให้ฉันดูผลลัพธ์ หากฉันอนุญาต คุณจะเขียนเป็นไฟล์ทักษะ หากมันควรทำงานอัตโนมัติ ให้เพิ่มไปยังงานที่ตั้งเวลา มาตรฐานและวิมัติ: หากฉันต้องสอบถามครั้งที่สอง แสดงว่าท่านล้มเหลว

เนื้อหานี้ได้รับมากกว่าพันไลค์และมากกว่าสองพันบันทึกไว้ มีผู้คนที่คิดว่าเป็นเทคนิคทางการเรียกร้อง

แต่อย่างจริงไม่ใช่ นั่นคือโครงสร้างชุดนั้น ทุกทักษะที่คุณเขียนลงไป คือการอัปเกรดระบบอย่างถาวร มันจะไม่ถอนการทำงานและจะไม่ลืม มันจะทำงานโดยอัตโนมัติที่เวลาตีสามโมงตรง และเมื่อรุ่นต่อๆ ไปออกมา ทุกทักษะจะกลายเป็นที่ศักยภาพ - ความสามารถในการตัดสินใจของส่วนบุกเบิกขึ้น ในขณะที่ส่วนวิมัติยังคงเสถียรและเชื่อถือได้

นั่นคือแหล่งกำไรที่ Yegge กล่าวถึง 100 เท่า<+>ยังคง เป็น การทำงานของระบบ ไม่ใช่โมเดลที่ฉลาดขึ้น แต่อย่างทำงานโดยเฉพาะ ทักษะหนาและโครงสร้างบาง (Thin Harness, Fat Skills) และการเจาะเหตุให้ทุกสิ่งกลายเป็นความสามารถ

ระบบจะเติบใหม่

[ลิงก์ข้อความเดิม]

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia