在快速变化的时代背景下，产品经理的角色也在不断地演变。尤其是在人工智能（AI）技术飞速发展的当下，产品经理面临着前所未有的挑战与机遇。以下是从亲身经历出发，对产品经理团队调整的几点观察与思考。对于希望转型成为AI产品经理的人来说，以上几点不仅是一种能力的要求，也是一种心态的转变。只有不断学习、拥抱变化，才能在这个快速发展的领域中立足。如果你能够理解并接受这些挑战，那么你就具备了成为优秀AI产品经理

随着人工智能（AI）技术的迅猛发展，许多传统岗位正在被自动化和智能化所取代。这引发了一个广泛讨论的问题：未来的普通人在面对岗位消失时，应该如何应对？本文将探讨这一问题，并提供一些实用的建议。科技的进步必然带来行业的变革，旧岗位的消失并不意味着失业，而是催生出新的就业机会。对于普通人来说，最重要的是保持学习的心态，不断提升自己的技能和知识。通过学习和适应新技术，每个人都可以找到适合自己的新岗位，实现

简单来说，“智能体就是一个prompt，它指示基础模型去和特定的工具互动。生成式 AI 智能体通过一个设计好的prompt，协调基础模型（大模型）与外部工具之间的互动。这个prompt告诉 LLM 何时以及如何使用这些工具。每一个“工具”本质上都包含了一组函数规范（或者我们叫它“声明”）。函数名称：工具的唯一标识符。描述：详细解释工具的用途、能解决什么问题，以及在什么情况下可以使用它。参数：列出工

随着技术的发展，AI 工程化正在成为一种趋势。从前端开发的角度来看，将 AI 模型部署到浏览器端不仅可以提升用户体验，还能实现更智能的交互。本文将探讨如何使用 brain.js 这个浏览器端的神经网络库，通过简单的示例展示如何训练和使用模型。

RAG（检索增强生成）是一种创建基于大语言模型（LLM）应用的高效方式。它有助于生成对用户查询的准确回答。为了创建一个基于 RAG 的应用程序，我们需要执行一些操作，例如文档加载、将大文档拆分为多个小块、嵌入、嵌入索引，并将它们存储在向量数据库中。然后根据用户查询，系统从向量数据库中提取相关上下文并传递给提示词以及用户查询。然后 LLM 将用户查询和内容结合起来，生成适当的响应。这是 RAG 系统

有一个被称为“工具（tools）”或“函数调用（function calling）”的概念。它允许LLM在必要时调用一或多个由开发者定义的工具。工具可以是任何东西：网页搜索、外部API调用、或执行一段特定代码等。LLM本身无法实际调用这些工具；它们会在响应中表达出调用某个工具的意图（而不是直接生成文本）。我们开发者，则需要根据提供的参数来执行这些工具并报告工具执行结果。

**深度确定性策略梯度（deep deterministic policy gradient，DDPG）**：在连续控制领域经典的强化学习算法，是深度Q网络在处定性”表示其输出的是一个确定的动作，可以用于连续动作环境；“策略梯度”代表的是它用到的是策略网络，并且每步都会更新一次，其是一个单步更新的策略网络。其与深度Q网络都有目标网络和经验回放的技巧，在经验回放部分是一致的，在目标网络的更新上有些许

使用另外一种分布，来逼近所求分布的一种方法，算是一种期望修正的方法，公式如下：我们在已知qqq的分布后，可以使用上式计算出从ppp分布的期望值。也就可以使用qqq来对ppp进行采样了，即重要性采样。因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更

机器学习的评价指标有精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、ROC、AUC等指标，还有在生物领域常用的敏感性、特异性等指标。

想解决一个困扰企业多年的问题：如何让员工快速找到所需信息？检索增强生成（RAG）技术有望成为解决这一难题的关键，但如何选择最合适的数据存储方案？向量数据库？图数据库？还是知识图谱？ 让我们一探究竟。