KeyFrame內部研究專用

Pinecone 2.0 — Edo Liberty, Pinecone

AI Engineer英文
觀看原始影片

三句話摘要

企業 AI 代理缺乏對公司文化與流程的理解,Nexus 知識層提供持久化、專化、動態更新的架構以解決此問題。 為企業 AI 代理建立專化、持久、動態的知識層,能以更少資源產生更快、更準確的成果。 心智理論缺失:AI 代理對企業資訊的理解程度類似新進員工——掌握通用知識(LLM 訓練資料)和特定知識(透過 RAG 檢索的私密資訊),但缺乏「部落知識」,即公司文化、優先級、決策原則、做事流程。此知識無法透過搜尋單一文件獲得,而是累積的組織集體智慧,必須透過實際體驗領會。

重點整理

  1. 心智理論缺失:AI 代理對企業資訊的理解程度類似新進員工——掌握通用知識(LLM 訓練資料)和特定知識(透過 RAG 檢索的私密資訊),但缺乏「部落知識」,即公司文化、優先級、決策原則、做事流程。此知識無法透過搜尋單一文件獲得,而是累積的組織集體智慧,必須透過實際體驗領會。

  2. 知識層的三項必要特性:持久性(建設成本高,應建置一次供全公司使用)、專化性(HR、工程、營運各有不同需求,應由領域專家維護與更新)、動態同步能力(與組織變化立即同步,如 CEO 更替隔天全公司皆知)。

  3. Nexus 四層架構設計:連接器管理資料權限與存取;上下文層包含語義地圖、markdown 知識檔、SQL 表格、向量資料庫、圖譜關係,由清單驅動自動管理;任務層提供匯入、策管、搜尋、查詢等動作;NoQL 介面讓代理指定 token 預算與精度需求。

  4. 執行時程式碼代理的創新:不同於傳統程式碼編輯(修改後部署),Nexus 在查詢時動態生成程式碼、執行、根據結果迭代調整,最終產出可重複執行的程式碼,同時將提示詞需求從 150,000 tokens 驟降至 1,000 tokens。

實用技巧與重點

  • 知識分類:通用知識、特定知識、部落知識
  • Nexus 四部分:連接器、上下文、任務、查詢
  • 上下文五種內容類型:語義地圖、markdown 檔、SQL 表格、向量資料庫、圖譜關係
  • 任務類型:匯入(import)、策管(curate)、搜尋(search)、查詢(NoQL)
  • 早期客戶部署成果:
  • Token 消耗減少:77-90%
  • 執行速度提升:20-77%
  • 準確度提升:顯著改善
  • 提示詞需求:150,000 tokens → 1,000 tokens
  • Nexus 發佈狀態:從早期存取進入公開預覽(當日隔天推出)

結論

為企業 AI 代理建立專化、持久、動態的知識層,能以更少資源產生更快、更準確的成果。

完整解析

企業 AI 代理面臨的根本問題源於對組織認知的缺失。講者以 Yahoo Answers 的趣味案例開場——使用者問「我很胖嗎?」,暴露了人們對產品認知的謬誤。類似地,現代 AI 代理在企業中存在同樣問題:它們掌握通用知識(來自公開領域的 LLM 訓練資料)和特定知識(透過 RAG 檢索的公司私密資訊),但對組織的文化、優先級、決策流程等「部落知識」一無所知。這不是搜尋單一文件能解決的——它是員工多年積累的集體智慧,唯有在實際體驗中才能領會。

因此,企業真正需要的是一個專化、持久、動態的知識層架構。它必須持久化一次,供全公司使用;必須依領域專化,由相關專家維護;必須與組織變化同步更新。Nexus 就是這樣的實現。

Nexus 由四個核心部分組成。連接器負責安全地引入資料,尊重權限與控制。上下文是知識核心——包含語義地圖(組織目錄與架構)、markdown 知識檔(決策與記憶)、SQL 表格(可彙總的事實)、向量資料庫(語意搜尋)與圖譜結構(實體關係與因果鏈)。這一切透過「清單」管理——代理只需描述「我關心什麼」「要追蹤哪些實體」,知識層便自動組織、維護所有底層資料。任務層定義互動方式:匯入新增資訊、策管(curate)更新世界觀、搜尋抽象化存取、NoQL 讓代理指定預算與精度。

最創新的是執行時程式碼代理。不同於傳統程式碼編輯,Nexus 在查詢時動態生成程式碼、執行、根據結果迭代——如同 Jupyter notebook。代理寫程式、檢查結果、重寫,最終產出可重複執行的程式碼。這種方法極其靈活,還意外大幅減少提示詞需求——從 150,000 tokens 驟降至 1,000 tokens。

實際部署結果令人矚目。早期客戶跨越不同產業、企業、任務類型,普遍顯示 token 消耗減少 77-90%、速度快 20-77%、準確度同步提升。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。