这套问答靠的不是把录音直接塞给模型,而是先把内容整理成可检索的文字,再让模型按问题取用。立正强调的积累方式是文件、流程和调度三层,不是一次性堆资料。
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。
先把内容变成可检索的文字,再按问题取片段
你问的“基于录音、课程、视频的文字检索回答”,公开片段里没有讲具体工程实现,所以只能说到这一步:先把音视频转成文字,再让系统按问题找到相关段落,交给模型组织回答。立正转述的RAG流程是“分块、向量化、检索”,但他同时说这套固定流程是2023年上下文窗口小、模型不太会调工具时的产物,真正要学的是信息检索本身1。所以结构化有用,但不是必须做成复杂向量库;关键是文字可被找到、片段能对上问题。
要积累的是文件、流程、调度三层
材料里的观点立正把积累拆成三层:文件是“有什么信息”,也就是context;skill是“如何去做”的流程和判断;resolver是遇到任务时决定调用哪些文件和流程2。他还说,人的context大多散在聊天工具、会议、日常聊天和文档里,给企业培训时很多工作就是把这些context组织好、沉淀好、管理好2。这回答了“需要跟整体说什么”:不是写一段总说明,而是持续把素材、做法和调用规则分别存下来。
结构化是为了复利,不是为了一次性问答
材料里的观点立正说用agent方式比Chat方式能积累复利,很大一个实现方式就是通过文件:让AI把做完的东西总结成Markdown、总结成Skill存着,乱了再让AI整理3。他用做PPT举例:第一次和第十次用ChatGPT差不多,但用agentic工具做到第十次,本地已有工具、审美模板、企业培训资料和个人洞察,说两分钟就能出稿,只需改百分之五3。这是他的经验判断,不是对任何资料库都成立的保证;能否复利取决于你是否持续存下文件和流程。
公开片段没有给出这套问答系统的具体技术栈、分块参数或检索实现,只能按立正对RAG、文件和skill的一般说法解释。《从焦虑到上手》2、《从焦虑到上手》3中部分相邻发言标注为未确认,未用于归属判断。
出处
- 1AI替你做出来以后,你还会什么?|哥大客座课程回放
立正转述RAG的固定流程及其时代局限,并指出真正要学的是信息检索。
- 2从焦虑到上手: 白领/投资者的AI实战第一课【串台课代表立正】
立正说明文件、skill、resolver三层,以及context需要组织沉淀。
- 3从焦虑到上手: 白领/投资者的AI实战第一课【串台课代表立正】
立正用PPT例子说明通过文件积累复利,以及Markdown和Skill的存法。
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
- RAG存储以及检索怎样做到更高召回率,更精准的回答结果
召回率和精准度不是靠调一个参数解决的,而是先想清楚“用户问什么、该召回哪几段”,再决定切分、是否转文字和检索方式;多模态内容不必全部转文字。
- 大概50万份非结构文件数据库,比如pdf, word,应该如何快去检索其中的具体信息?
50万份非结构化文件,先别急着搭固定切片检索流程;更值得先试的是保留文档结构、让AI按问题自己选文件和搜索,再决定要不要上向量库。
- 数据分析师学习什么才能不被淘汰
把重心从“会用工具”转到“能定义问题、创造业务价值、影响决策”,并把 AI 当作放大这些能力的系统来用。
- ai能很容易的建立nlp框架来分析情感或者评论主题,那我还需要学习nlp基础么?
如果目标只是跑通情感分析或评论主题,AI 确实能大幅降低门槛;但要不要学 NLP 基础,取决于你是否需要判断结果对不对、在什么场景下失效。
- 我如果要进行这个创业 我该从什么地方开始?
先别急着做产品,先想清楚谁会在什么情况下付钱、你怎么触达他们;再结合你独有的经验和理解选赛道。
- 我是项目管理,现在有很头疼的点在于项目经历了3代,有很多的技术问题遗留,而且有很多问题都是不知道结果或者进度,以及后续的技术方向。很多信息都掌握在老的PM手上,我无从得知。我很多精力都投入到把模块搭建起来却没有很好的理解模块运行的逻辑和机构的动作,节拍这些细节内容
先把“不知道”变成可追踪的风险清单,再向能补历史信息的人定向索取;同时用“结果+进度+风险”而非“我做了123”来汇报,把模块逻辑和节拍作为要补的技术功课单独立项。