LLM:ien julkaisun jälkeen sovelluskerroksen heittely ei koskaan loppunut. Nopeasta virityksestä työnkulun konfigurointiin ja agenttien rakentamiseen perimmäinen tavoite on sama: saada LLM:t toimimaan paremmin ihmisille ja puristaa koneen suorituskyky äärimmilleen. LLM:ien puristaminen voidaan jakaa kahteen ulottuvuuteen. Ensimmäinen on auttaa sitä löytämään optimaalinen algoritmi ja tehdä päättelystä vähemmän kiertoteitä. Tätä varten olemme kulkeneet lähes kaikkia mahdollisia polkuja, jolloin LLM:t ovat oppineet pohtimaan (reflektio, itsejohdonmukaisuus, itsekriitikot) ja oppimaan päättelemään ja suunnittelemaan (päättely, suunnittelu, ajatusketju, ajatuspuu). opi muistamaan (lyhytaikainen muisti, pitkäaikainen muisti), jotta et menetä muistiasi pitkän keskustelun jälkeen; oppia löytämään tietoa (RAG, tietokaavio) ja täydentämään faktoja ulkoisesta maailmasta; Opi rakentamaan kontekstin rakentamista, jotta voit tunkea enemmän pätevää tietoa rajallisiin tokeneihin. Opi käyttämään työkaluja (työkalujen käyttö, funktiokutsu, MCP) jättääksesi asioita ulkoisten ohjelmien suoritettavaksi sen sijaan, että luot ne itse; Odota hetki. Näiden asioiden olennainen tarkoitus on auttaa LLM:iä ymmärtämään, mitä ihmiset tekevät nopeammin, löytämään halvimman polun tavoitteellisuuden ympärille ja juoksemaan optimaaliseen ratkaisuun. Toinen ulottuvuus on ajan puristaminen, jolloin LLM:t voivat työskennellä 24×7 tuntia vuorokaudessa. Kun meillä on syvempi ymmärrys LLM:istä, on helppo ajatella heitä itsemme tai organisaatiomme "digitaalisina työntekijöinä", jotka ovat väsymättömiä eivätkä voi valittaa ja voivat jatkaa toimintaansa ja oppimista. Useimmat ihmiset käyttävät tekoälyä nykyään, ja he ovat edelleen jumissa yhden pisteen skenaarioissa, kuten tietojen tarkistamisessa, sisällön yhteenvedon tekemisessä ja viikkoraporttien kirjoittamisessa. Meidän on ensin suunniteltava oma tekoälyn digitaalinen tehdas - mietittävä selkeästi, minkä "tuotteen" haluamme luoda, onko kyseessä tietoa keräävä järjestelmä, automatisoitu liiketoimintaprosessi tai palvelu, jota voidaan iteroida pitkällä aikavälillä. Tässä tehtaassa tekoäly on tuotantolinjan teloittaja, joka vastaa tietystä prosessoinnista ja tuotannosta; Ihmisten rooli on muuttunut "henkilökohtaisesti työskentelevistä työntekijöistä" "valvojiksi ja johtajiksi". Sen sijaan, että ihmiset tekisivät jokaisen vaiheen käsin, he suunnittelevat putkistoja, asettavat sääntöjä, asettavat mittareita, valvovat laatua ja aikatauluttavat resursseja tarvittaessa. Toisin sanoen tekoälyn arvo ei ole "tehdä vähän työtä" puolestamme, vaan auttaa koko kokoonpanolinjan pyörittämisessä, ja ihmiset ovat enemmän kuin "digitaalisten tehtaiden johtajia". Kun nämä kaksi ulottuvuutta yhdistetään, syntyy todellinen käännekohta. LLM:t eivät ole enää vain kylmiä työkaluja, vaan niistä tulee vähitellen kumppaneita, jotka voivat tehdä yhteistyötä pitkään. Se voi vaatia toistuvaa työtä ja antaa käsityksen monimutkaisista asioista. Kyse ei ole vain "asioiden tekemisestä puolestasi", vaan "asioiden tekemisestä kanssasi". Tulevaisuudessa ei ole kyse siitä, kuka osaa kirjoittaa kauniimpia kehotteita, vaan siitä, kuka voi todella integroida LLM:t aikaansa ja organisaatioonsa muodostaakseen vakaan tuotantomenetelmän. Siksi pitkän aikavälin kilpailukyvyn lähteitä ovat se, käytetäänkö sitä, mitä syvyyttä se käyttää ja voidaanko sitä jatkuvasti optimoida. Se, joka pystyy pyörittämään tekoälyä "tehtaana" ja muuttumaan toteuttajista esimiehiksi ja johtajiksi, saa tulevaisuudessa aidosti uudelleenkäytettäviä ja kumulatiivisia hyötyjä päivittäisessä työssään ja liiketoiminnassaan.