🔮 人工智能建筑的七个教训

在要求更多的人员和资源之前，团队必须证明为什么他们无法使用人工智能实现目标，明确展示如果将自主人工智能代理集成为团队的一部分，他们的领域会是什么样子。

— Shopify 首席执行官 Tobi Lütke

Tobi 的备忘录引起了广泛的反响，因为组织现在认识到整合人工智能的真正含义——不仅仅是作为一个附加组件，而是从根本上融入到他们的运营结构中。

在 Exponential View，我们正是采用了这种思维方式来重新构想我们的工作方式。我们认为自己是人工智能原生者，这意味着：

• 我们本能地使用人工智能；这是每个人的核心技能。

• 我们与工具无关，不断评估和更新我们的堆栈。

• 我们从头开始构建新的工作流程，而不仅仅是自动化旧的工作流程。

• 我们的团队变得越来越技术化——对编码技能的基线期望显着提高。

• 与此同时，我鼓励我的投资组合公司在这个转型时期通过人工智能进行扩展。

最近几周，我们利用法学硕士、自动化工具和结构化系统思维，全力打造新工作流程的原型。今天，我将分享我们最有价值的经验教训。

最后，您将获得一些独特的东西：我们内部的 40 多种工具 – 我们正在积极使用、测试或打算测试的所有工具 – 帮助您决定哪些工具可能适合您。

让我们开始七堂课。

1. 5x规则

我们已经开始应用一个简单的启发式：如果一个任务，甚至一个问题，每月出现五次，那么它就是自动化的候选者。这个“5x 规则”有助于发现隐藏在视线中的模式，并迫使你以系统而非常规的方式进行思考。这种习惯设定了工作流程应该不断发展而不是僵化的期望。

当然，我们现在每月询问“我们每个月做什么”五次以上的问题超过五次，这使得它成为自动化的候选者。

我（Azeem）最喜欢的一个是一个简单的工作流程，它可以节省我的开支。我每个月必须处理数十张发票，而我的自动化（依赖于 Dext 和 Gmail 过滤器）虽然不错，但并不是很好。 Gmail 中的费用核对需要花费大量时间。我的新费用代理消除了这种重复：它提取我电子邮件中的发票、帐单和收据，并将它们放入结构正确的电子表格中。它还制作了该账单的 PDF 副本并将其粘贴到 Google 云端硬盘中。这节省了我每个月最不喜欢的时间。

如果账单是飞机、火车或酒店预订，它也会将它们转储到不同的文档中。一位单独的代理人审查了该文件，并将其转化为我使用的按时间顺序排列的结构化旅行简报。到 6 月底为止，十次旅行总共有 50 个旅行日，这可以节省大量时间 – 也许用 Gmail 来回十几次已经被偶尔检查此摘要文档所取代。

2. 模块化工作流程

使用人工智能进行构建的一个早期且有用的教训是将我们的工作流程分解为更小的、自主的组件，而不是试图一次性实现整个流程的自动化。这种模块化方法可以更轻松地测试各个部件、单独排除故障并改进系统的各个部分，而不会破坏整体的稳定性。

这种方法从经典软件架构中汲取灵感：封装和关注点分离。但它也反映了人工智能原生工作流程的行为方式。当您让法学硕士承担部分工作时，您希望其任务尽可能狭窄且明确。像“写最新人工智能发展的摘要”这样的宽泛指令通常会导致通用或不可用的输出。相比之下，诸如“列出电池技术方面最近的三个关键突破并解释它们与电动汽车采用的相关性”等更窄的提示会产生精确的答案和更清晰的故障点，使它们更容易迭代改进。

我们发现一种特别有价值的模块化工作流程可以自动发现和初步研究潜在的合作伙伴关系。第一个模块扫描我们更广泛的生态系统，发现积极参与与我们优先事项一致的领域的公司。第二个模块丰富了这些初步线索，查明关键决策者并从公开信息中汇编相关背景。最后，第三个模块——充当我们的数字通信专家——帮助建立外展以尽可能清晰地传达信息。结果是一个让我们的团队能够专注于建立关系而不是寻找细节的过程。

模块化系统还可以帮助团队像系统设计师一样思考。如果模块 A 发生故障，我们就知道不要调试模块 C。这种清晰性可以节省时间。它还支持规模化：当每个单元独立运行时，可以更轻松地分配所有权、培训实习生或插入新的人工智能工具。

3. 法学硕士作为工头，而不仅仅是瓦工

将 LLM 视为工头，而不是工人。也就是说，使用模型来构建任务，但不要要求它完成所有事情。一旦模型确定了需要执行哪些任务，您就可以决定给定的任务是确定性的（在这种情况下您可能需要将其外包给传统软件代码）还是需要更多的判断（在这种情况下法学硕士可能能够处理它。）

阅读更多

原文： https://www.exponentialview.co/p/seven-lessons-from-automating-our