现有材料没有给出「全天候自动运转、最小 token」的具体配置方案;能确定的是,模型本身不做事,要靠运行框架(harness)驱动,而省 token 的关键在于把重复任务沉淀成可复用的模板与流程,而不是每次从零对话。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先分清「自动运转」靠什么
Marco Casalaina 说,模型本身只是逐个 token 预测,并不会自己执行动作;要让它做事,必须把它放进某种运行框架(harness)里,是框架与模型的配合产生了结果1。按这个说法,「全天候自动运转」不是模型自带的属性,而取决于外面那层框架怎么搭、什么时候触发、给它什么上下文。这是 AI 依据该判断做的推演,原文没有讨论常驻运行或定时触发的具体做法。
省 token 靠沉淀,不靠每次重来
材料里的观点立正署名的文章把「系统复利」列为差距之一:如果每次用 AI 都从空白对话开始,经验无法复用,只能线性增长2。文中给的方法是个人上下文架构(分清长期不变、按项目加载、定期更新三类信息),以及为反复做的任务建模板与 skill 库,从已含偏好和标准的起点开始,每用一次优化一次2。同一篇还建议渐进式迁移:先挑一个最频繁、最标准化的任务完整跑通,再迁下一个2。这些做法针对的是减少重复输入,与「最小 token」方向一致,但原文没有给出 token 计量或成本数字。
把「五十个博士」用起来,而不是让它待机
立正转述硅谷徐老师的说法:模型相当于五十个博士二十四小时待命,但对多数人来说一天里大部分时间在发呆,只偶尔被叫起来写封邮件;TQ(Token Quotient)衡量的是你能调动多少 token 智能为你工作3。这里要注意归属:TQ 是徐老师强调的概念,立正是在转述3。文中把 TQ 高低归结为三个习惯:为 AI 搭基础设施、把事都交给它过一遍、放下旧假设3。对「最小 token」而言,这套说法指向的是让每次调用都带着业务上下文和工具,减少来回试错,而不是单纯少发指令。
提供的片段没有讨论定时触发、常驻进程、token 计费或具体工具配置;「最小 token」若指某个平台的实际用量优化,需要该平台文档或实测数据才能回答。
出处
- 1AI在大企业中的应用才刚刚开始,人才供不应求?|对话微软CoreAI副总裁Marco Casalaina
Marco Casalaina 解释模型本身不执行动作,需嵌入运行框架才产生结果。
- 2AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
讲系统复利、上下文架构、模板与 skill 库、渐进式迁移,最贴近减少重复输入。
- 3高手用 AI,和你不在一个位面
转述 TQ 概念,说明模型待命却少被调用的现状与三个使用习惯。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。