KeyFrame內部研究專用

Reasonix is an AI coding agent that stays cheap all day

Code Presenter·8月7日週五·3 min英文

三句話摘要

Reasonics 是通過凍結提示詞前綴、利用模型緩存來降低長期使用成本的 AI 編碼助手。 Reasonics 通過凍結提示詞前綴來充分利用模型緩存折扣,使長期使用 AI 編碼助手的成本保持低廉且可量化。 無狀態性導致的成本膨脹:AI 模型在消息之間沒有記憶,每次都要重新發送整個對話歷史。隨著會話時間延長,成本以幾何級數增長,這是所有基於消息的 AI 助手面臨的核心問題。

重點整理

重點
  • 1

    無狀態性導致的成本膨脹:AI 模型在消息之間沒有記憶,每次都要重新發送整個對話歷史。隨著會話時間延長,成本以幾何級數增長,這是所有基於消息的 AI 助手面臨的核心問題。

  • 2

    提示詞緩存的十倍折扣:DeepSeek 等現代模型支持對請求開頭進行緩存,重讀緩存內容的成本僅為新讀的十分之一。但大多數工具因為每輪都改寫開頭(時間戳、工具列表順序、機器掃描),導致緩存失效,無法享受折扣。

  • 3

    三層精巧的前綴穩定策略:Reasonics 在啟動時固定系統資訊摘要、保持工具列表排序不變、聊天過長時只修剪末尾用佔位符代替,確保請求開頭永不改變。

  • 4

    可量化的成本優化效果:實際測試顯示緩存命中率達 87%,即十分之九的交互成本降至原價十分之一,用戶可在桌面應用實時看到節省數字不斷累加。

實用技巧與重點

乾貨
  • 成本節省比例:重讀緩存 = 全價的 1/10
  • 緩存前置條件:請求開頭必須逐字完全相同
  • Reasonics 三個固定策略
  • 啟動時生成系統資訊摘要(硬體配置、可用工具、Shell 類型),後續重用
  • 工具列表保持固定順序,永不重排
  • 聊天歷史只修剪末尾,用佔位符代替,需要時才展開
  • 實測緩存命中率:87%
  • 提供介面:終端、桌面應用、代碼編輯器插件(均由本地同一引擎驅動)
  • 兼容性:支持任何提供前綴緩存的 AI 模型(不限 DeepSeek)
  • 許可證:MIT 開源

結論

結論

Reasonics 通過凍結提示詞前綴來充分利用模型緩存折扣,使長期使用 AI 編碼助手的成本保持低廉且可量化。

完整解析

詳細

長期運行 AI 編碼助手的成本問題是 Reasonics 要解決的核心課題。傳統 AI 模型在消息之間完全無狀態,每當用戶發送新消息時,助手必須將整個對話歷史重新發送給模型。這個設計看似簡潔,卻帶來嚴重的成本後果:隨著對話時間延長,每一條新消息都要為日益龐大的歷史堆積買單,長時間運行的成本會迅速失控。

Reasonics 的創新在於充分利用現代大模型的提示詞緩存能力。DeepSeek 等模型支持對請求開頭進行緩存儲存,當相同的開頭再次出現時,可以直接讀取緩存而非重新處理,成本僅為正常處理的十分之一。這個十倍折扣本應人人受惠,但大多數現有工具都浪費了這個機會。因為在每一輪對話中,它們都會改寫請求的開頭——添加新時間戳、重新排列工具列表、重新掃描機器配置等。模型看到開頭改變了,就認為這是全新的請求,緩存失效,用戶被迫支付全價。

Reasonics 通過三層精巧的設計來保持請求開頭的完全不變。首先,在啟動時它生成一份關於用戶計算機的資訊摘要,包括硬體配置、可用工具、Shell 類型等,這份資訊一旦寫入就被固定下來並在後續復用,只有在重啟時才會根據實際變化更新。其次,助手允許的操作列表始終保持在固定的順序中,絕不重新排列。第三,當對話變得很長時,Reasonics 採用修剪末尾的策略,用簡潔的佔位符代替較早的對話,只在真正需要時才展開查看原文。這三個策略共同確保了每條新消息的請求開頭都與上一條逐字相同。

Reasonics 還提供實時的成本反饋機制。它運行一套測試任務並追蹤緩存命中率,用戶可以在桌面應用上實時看到這個數字不斷累加。一個典型的工作會話中,緩存命中率可以達到 87%,這意味著大約十分之九的流量享受優惠價格,成本效率顯著提升。軟體提供多種使用方式——終端、桌面應用、代碼編輯器插件——但本質上都驅動同一個本地程序,真正的計算發生在用戶自己的機器上,無需依賴雲端。採用 MIT 開源許可證,任何人都可以自由使用、修改和擴展。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。