GEO
GEO 两个阶段复盘:上海站住了,广东没有
从 13 个拍脑袋的话题,到 33 个地域词。整体提及率从 30.9% 掉到 17.9%——但这不是效果变差,是分母换了。以及拆开之后才看得见的地域梯队。
标签
AI
📝 标签下的文章
AI
灵瞳GEO:一个 AI 搜索引用追踪系统的设计与实现
灵瞳GEO:一个 AI 搜索引用追踪系统的设计与实现 这是什么 AI 搜索正在吃掉一部分传统搜索的份额,但企业几乎没有办法回答一个基础问题:当用户问豆包"上海电商财务外包哪家好"时,AI 的回答里到底引用了谁? 灵瞳GEO 是我为解决这个问题做的引用追踪系统。它定时向豆包、元宝、通义千问、Kimi、DeepSeek 五个平台发起真实提问,解析每次回答背后的引用来源,按「话题 × 平台 × 日期」聚合出引用次数、引用源域名分布,以及自有站点的引用占比。 技术栈是 FastAPI + LangGraph + React + MySQL。采集层不是单一方案——三个平台走官方 API 的结构化 citation 字段,两个平台走 RPA,选型依据是哪种方式能拿到最接近用户真实所见的引用,而不是哪种技术更"干净"。这个取舍是整个系统里我认为最值得写的部分。
AI
人和AI，都是通过外部接触来突破自己的认知
你身边一定有这种人 读书读到三十岁，什么书都看过，什么课都刷过，但你跟他聊天，三句话就露馅——他只是在重复别人的观点，用不同的包装盒装着同样的空洞。 另一种人不一样。他们不一定读得多，但他们有个特点：他们总是在跟真实的东西打交道。 跟真实的人吵架，跟真实的项目死磕，跟真实的问题正面交锋。每一次碰撞都会把原来的自己磕掉一块，漏出底下更深层的东西。 这种人进步的速度，往往是前者的十倍。 外部接触为什么有效 人变聪明这件事，从来不是自己想出来的。 人的认知有一个天然的缺陷：你不知道自己不知道什么。 这个缺陷靠内省是修不好的。你坐在房间里想一年，想出来的都是你已经知道的东西的排列组合。你需要外部信号来告诉你，你的模型哪里错了。 对于人来说，这个外部信号来自：对话中的冲突。 别人提出你没想到过的反驳，逼你重新审视自己的结论。真实项目的反馈。 你做了一个产品，用户的行为跟你想的完全不一样，这个差距就是认知的突破口。跨领域的信息。 一个做量化的人去读哲学，发现自己一直在用的东西原来有更深层的名字。 对于AI来说，逻辑也是一样。一个LLM在预训练阶段已经压缩了人类知识的精华，但它
AI
我用三天手写了一个 mini Claude Code，然后发现 agent 的难点全在工程
起因很简单：用 Claude Code 用了半年，却从没自己从零写过 agent。三天后我做出来了，两百多行。代码不复杂。撞完坑之后对 agent 的判断变了：门槛根本不在算法，全在工程。
AI
过去 48 小时：GitHub 热门 AI 项目与几个值得关注的信号
AI NEWS DIGEST 过去 48 小时：GitHub 热门 AI 项目与几个值得关注的信号 从 LLM 从零实现到自动化交易 Agent，本周 GitHub 趋势透露了一些值得关注的方向。 快读GitHub 趋势AI Agent 01GitHub / Model LLMs-from-scratch：自己动手实现 ChatGPT 这个仓库用 PyTorch 从零实现了一个类 ChatGPT 模型，目前已有超过 93k stars。它不是教程，而是一套完整的、可运行的代码。 值得关注的原因：对于想深入理解 LLM 架构的开发者，这是目前最好的实践资源之一。 02GitHub / Agent AI-Trader：100% 全自动 Agent 原生交易系统 一个完全基于 AI