Etter at LLM-er kom ut, stoppet aldri kastingen på påføringslaget. Fra rask justering til arbeidsflytkonfigurasjon til agentbygging, det endelige målet er det samme: å få LLM-er til å fungere bedre for mennesker og presse maskinytelsen til det ekstreme. Klemmingen av LLM-er kan deles inn i to dimensjoner. Den første er å hjelpe den med å finne den optimale algoritmen og gjøre resonnementet mindre omveier. For dette formål har vi gått nesten alle veier vi kan tenke oss, slik at LLM-er kan lære å reflektere (refleksjon, selvkonsistens, selvkritikk), og lære å resonnere og planlegge (resonnement, planlegging, tankekjede, tanketre). lære å huske (korttidshukommelse, langtidshukommelse) slik at du ikke mister hukommelsen etter en lang samtale; lære å finne kunnskap (RAG, kunnskapsgraf) og supplere fakta i den ytre verden; Lær å konstruere kontekstbygging for å stappe mer gyldig informasjon inn i begrensede tokens. Lær å bruke verktøy (verktøybruk, funksjonskall, MCP) for å overlate ting til eksterne programmer å kjøre, i stedet for å generere dem selv; Vent litt. Det essensielle formålet med disse tingene er å hjelpe LLM-er med å forstå hva mennesker gjør raskere, finne den minst kostbare veien rundt det målorienterte og løpe til den optimale løsningen. Den andre dimensjonen er å presse tiden, slik at LLM-er kan jobbe 24×7 timer i døgnet. Når vi har en dypere forståelse av LLM-er, er det lett å tenke på dem som "digitale ansatte" for oss selv eller organisasjonen vår, som er utrettelige og ikke kan klage, og kan fortsette å operere og lære. De fleste bruker AI i dag, og de sitter fortsatt fast i enkeltpunktsscenarier som å sjekke informasjon, oppsummere innhold og skrive ukentlige rapporter. Vi må først planlegge vår egen digitale AI-fabrikk – tenk klart på hvilket «produkt» vi ønsker å lage, enten det er et system som samler kunnskap, en automatisert forretningsprosess eller en tjeneste som kan itereres over lang tid. I denne fabrikken er AI utøveren på produksjonslinjen, ansvarlig for spesifikk prosessering og produksjon; Menneskenes rolle har endret seg, fra «arbeidere som jobber personlig» til «tilsynsmenn og ledere». I stedet for å gjøre hvert trinn for hånd, designer mennesker pipelines, setter regler, angir beregninger, overvåker kvalitet og planlegger ressurser når det er nødvendig. Verdien av AI er med andre ord ikke å «gjøre litt arbeid» for oss, men å hjelpe til med å drive hele samlebåndet, og mennesker er mer som «ledere av digitale fabrikker». Når disse to dimensjonene kombineres, oppstår det virkelige bøyningspunktet. LLM-er er ikke lenger bare kalde verktøy, men blir gradvis partnere som kan samarbeide i lang tid. Det kan ta på seg repeterende arbeid og gi innsikt i komplekse problemstillinger. Det handler ikke bare om å "gjøre ting for deg", det handler om å "gjøre ting med deg". Gapet i fremtiden handler ikke om hvem som kan skrive vakrere spørsmål, men om hvem som virkelig kan integrere LLM-er i sin tid og organisasjon for å danne en stabil produksjonsmetode. Derfor er om den skal brukes, hvilken dybde den skal bruke, og om den kan optimaliseres kontinuerlig kildene til langsiktig konkurranseevne. Den som kan drive AI som en "fabrikk" og forvandle seg fra utførere til veiledere og ledere, vil få virkelig gjenbrukbare og kumulative fordeler i sitt daglige arbeid og virksomhet i fremtiden.