代理方法现在很流行，因为单个LLM模型似乎仅限于点工具应用程序。每个这样的应用程序都是惊人的，但是这仍然是我们要自动化的更复杂的推理活动链中的一步，代理方法应该发光。我一直听说软件工程团队（SWES）比硬件团队更快地提高了AI的采用速度，因此我认为对国家现实进行快速审查是值得的。本着这个想法的精神，我在深入研究中使用了双子座的研究来找到本文的来源，选择了它提供的一些调查的样本，同时添加了一些我自己的发现。我的快速摘要首先是开发数量取决于应用程序：基于便利的使用模型更易于实现，并且准确的使用模型也是可能的，但更有限。其次，开发对自动子任务更清晰，该子任务受到校验和手动Monito的自然框架的影响戒指而不是无提全面的扫掠目标。一个有趣的角色表明，我们应该从应用程序中转移，以便提示，以基于查询以实现相同的目标。原则上，该方法比应用程序要好，因为基于及时的系统消除了应用程序开发的需求，因此可以通过我们所有人使用的语言来控制，而无需神秘的人机接口，并且可以更容易地适应需求变化。有效的提示工程仍然可以比我们希望的是一门艺术，但是我们建议我们将学习如何变得更有效，并且（我的解释）也许我们只需要知道这项技能，而不是为每个独特的应用而了解。尽管技术工程师需要此支持，而不是在深入的开发或评估中，而需要常规但重要的问题：“还有谁使用此功能，什么时候使用了，其他人看过哪些问题？传统上，这些问题可以在帮助下回答图书馆或内部数据管理应用程序，但是如果您要应用程序？ In the development of the hardware, think about how much to discover if you can do a seizure based on all your data design (Stir, using use, use if you use if you use if a seizure based on all your data design (expert, using use, will be used if you use if you use a seizure based on all your data design (success, cases, source code, log, waveforms, revision, etc.) the refinement, and final pag-verification. Determining in the sweat, there is仍然有一个自动开发的信心。尽管多数芯片系统组装）更为复杂，尽管大多数人仍然是机械的，而不是创造性的，而不是从一开始就创建一个全新的功能。我们听说LL已经很久了。同时，代理/通用人工智能不仅是制定代码的好处。这些工具似乎是自动测试，生成和实现，奉献精神和更一般的DevOps。这些系统中的许多实际上彼此交叉并填写手动管理。可能会出现错误，但可能不会比Sistai不含更严重。工程师精确地着迷，尤其是在人工智能方面。但是，我们一天内所做的大多数事情都不必准确。如果我们得到“足够好”的答案，他们会做到的。查找，总结电子邮件或纸上的要点，形成文档的初稿是我们依靠（或希望）快速而“良好”来首次通过的地方。另一方面，在某些情况下，准确性很重要。对于金融交易，喷气引擎建模和仿真逻辑，我们希望获得最准确的答案，而“足够”还不够。甚至因此，准确的应用程序仍然具有优势。如果AI可以非常快速（几分钟）提供足够好的起点，并且如果我们能够通过收到超越起点的改进和验证要求来管理我们的期望，则可能值得投资从缩短时间获得的网络和减少工作负担。只要您可以建立AI系统可以提供的高质量信心。顺便说一句，我自己的经验（我在双子座，困惑和聊天GPT中尝试了深度选项（DR）选项）支持了我的结论。每个DR评论都将在〜10分钟内出现，对我而言，主要是他们提供的参考，而不是DR的摘要。其中一些参考文献对我来说是新的，有些我已经知道。如果我的研究集中在我自己的利益中，那就足够了。但是我想变得更准确，因为我的目标是提供可靠的观点，因此我也通过在线传统的Aklatan在线寻找其他参考。事实证明，包括这两种方法富有成果！