数据出来了，石头落了地

转化率不错，平台直接给开了一级菜单的新入口，这比什么都说明问题

场景就是一切

做AI工具，最要命的就是场景 别总想着搞独立APP，用户的习惯你买不来，流量在哪，战场就在哪 你得扎进用户的文档里，在他最痛苦的时候，把刀递过去 让他跳出自己的工作流来用你的玩意儿，他只会觉得你是个傻逼

Our ideology can be described by the following guidelines

• Do not add new functionality unless an implementor cannot complete a real application without it.
• It is as important to decide what a system is not as to decide what it is. Do not serve all the world’s needs; rather, make the system extensible so that additional needs can be met in an upwardly compatible fashion.
• The only thing worse than generalizing from one example is generalizing from no examples at all.
• If a problem is not completely understood, it is probably best to provide no solution at all.
• If you can get 90 percent of the desired effect for 10 percent of the work, use the simpler solution.
• Isolate complexity as much as possible.
• Provide mechanism, rather than policy. In particular, place user interface policy in the client’s hands.

From Scheifler & Gettys: “X Window System”

目前，大语言模型（LLM）的大规模质量评估方式其实存在根本问题。传统的评估方法，比如 BLEU 和 ROUGE 指标，原本是为了翻译任务设计的，根本不适合处理自由开放、无明确标准答案的生成任务。

人们争相从 AI 工具中榨取最大价值，提示词工程（Prompt Engineering）——也就是编写清晰、结构化的输入来引导 AI 输出的实践——随之站上了舞台中央。但对软件工程师来说，这门手艺不算新。几十年来，我们一直在做类似的事，只是叫法不同罢了。我们今天编写 AI 提示词所面临的挑战，和软件团队几代人以来一直在努力解决的难题，并无二致。今天我们谈论提示词工程，其实只是在延续一个更古老的话题：开发者如何清晰地说明他们需要构建什么、在什么条件下构建、基于什么假设，以及如何将这些信息传达给整个团队。

自主法律风险官 (ALRO) - 双模态合同审查 工具

(Autonomous Legal Risk Officer - Dual-Mode Contract Review Framework)

未来的专业服务，是人与 AI Agent 的协同。这个 prompt，“自主法律风险官 (ALRO)”，就是这种协同的体现。 它的核心是模拟专家思考的双模态决策框架：

可以参考并迁移到Claude Code, Cursor CLI,或其他IDE和CLI 中去，工具不同，场景和解决方案可以学习

目录

引言 应用场景

• 代码理解
• 重构与迁移
• 性能优化
• 提升测试覆盖率
• 加快开发速度
• 保持心流
• 探索与构思
• 最佳实践
• 展望未来

引言

在 OpenAI，从安全、产品工程、前端、API、基础设施到性能工程，许多技术团队每天都在使用 Codex。大家用它来加速各种工程任务，比如理解复杂系统、重构大型代码库，或是快马加鞭地发布新功能、解决紧急故障。

xiquebiaoshu.com 项目的重要里程碑

在WPS应用市场和会员专享菜单栏中可以找到 AI生成标书 功能

希望能够在WPS这个大平台继续服务好标书的客户

2024年8月底组建团队启动项目全员封闭在昌平碧水庄园集中开发，到现在整整一年。

前OpenAI核心人物解释LLMs不确定性来源 可复现性，是科学进步的基石。然而，想让大语言模型（LLM）给出可复现的结果，却出奇地难。

举个例子，你可能会发现，多次向 ChatGPT 问同一个问题，会得到不同的答案。这本身不奇怪，因为从语言模型获得结果涉及一个“采样”过程，也就是将模型的输出转换成一个概率分布，然后依概率选择一个词元（token）。

原文：使用大语言模型 (LLMs) 构建产品一年后的经验总结 (第一部分) https://www.oreilly.com/radar/what-we-learned-from-a-year-of-building-with-llms-part-i/ 2025年回头看这篇2024年5月发布的文章，原作者 Eugene Yan, Bryan Bischof, Charles Frye, Hamel Husain, Jason Liu and Shreya Shankar，有些内容已经过时，有些仍有实践价值