机器之心报道 编辑：+0 最近 「 上下文工程 」 有多火？Andrej Karpathy 为其打 Call，Phil Schmid 介绍上下文工程的文章成为 Hacker News 榜首，还登上 了知乎热搜榜。 之前我们介绍了 上下文工程的基本概念 ，今天我们来聊聊实操。 为什么关注「上下文工程」 我们很容易将 LLM 拟人化——把它们当作能够「思考」、「理解」或「感到困惑」的超级助手。从工程学的角度来看，这是一个根本性 的错误。LLM 并不具备信念或意图，它是一个智能的文本生成器。 更准确的看法是：LLM 是一个 通用的、不确定的 函数。这个函数的工作方式是：你给它一段 文本（上下文） ，它会生成一段新的 文 本（输出） 。 通用 ： 意味着它能处理各种任务（如翻译、写代码），无需为每个任务单独编程。 不确定 ： 意味着同样的输入，每次可能得到稍有不同的输出。这是它的特点，不是毛病。 无状态 ： 意味着它没有记忆。你必须在每次输入时，提供所有相关的背景信息，它才能「记住」对话。 这个视角至关重要，因为它明确了我们的工作重心：我们无法改变模型本身，但可以完全 控制输入 。所有优化的关键，在于如何构建最 有效 ...

公众号记得加星标⭐️，第一时间看推送不会错过。 几十年来，迭代循环一直是 EDA 流程中至关重要的环节。自从门电路延迟和线路延迟变得相当以 来，确定给定逻辑综合运行的结果是否能够产生可接受的时序就变得至关重要。多年来，这个问题变 得越来越严重，因为一个决策可能会影响许多其他决策。决策的后果对于流程中的单个工具来说可能 并不明显。串行运行工具会导致大问题，而对于逻辑综合而言，即使采用迭代，也几乎不可能实现时 序收敛，因为没有循环学习的概念。 通过将决策工具、估算器和检查器紧密集成到单个工具中，解决了这些多因素依赖关系的问题，从而 可以在决策的同时进行快速检查，以找出特定选择可能导致不良结果的可能性。我们看到越来越多的 领域需要这种功能，其中许多领域都具有交互式反馈回路，以便用户能够根据自身掌握的专业知识来 指导工具的操作。 人工智能的幻觉能力广为人知。许多幻觉在非关键场景下都很有趣，尤其是在生成图形时。我的爱好 之一是模拟1950年左右的英国铁路。不久前，我尝试用人工智能生成一些背景场景。人工智能根本无 法理解火车的概念，即火车有两个轮辋，在一对轨道内运行。有些生成的图像包含任意数量的轨道， 当包含道岔时，效果 ...