Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
Yan Wang: 啊，我看人也来得差不多了，我们可以一边说
Yan Wang: 一边讲，
Yan Wang: 这个会后面是会有录像的，不过大家要想录也可以
Yan Wang: 好
Yan Wang: 欢迎大家来到super linear academy
Yan Wang: 今天的直播活动，我是压哥，我们今天来聊一聊2024年的ai
Yan Wang: 看，还有一些同学在请求权限，我来把它批准一下
Yan Wang: 行，那在
Yan Wang: ok,
Yan Wang: 好的，
Yan Wang: 在今天这个直播里面我们会花50分钟到一个小时的时间先聊聊技术，做做demo，然后剩下十到15分钟的时间做一些现场的问答，对
Yan Wang: 这个直播呢？是有录像的。在结束之后，我们会把录像和课程相关的和直播中间提到的资料都发送给大家。
Yan Wang: 在这个页面上我们也看到有一个二维码，这个是提问的二维码，扫码进去之后会看见一个slideo的界面，在里面，可以提问客代表在同时进行moderation。如果大家对什么话题比较感兴趣的话，也可以在里面点赞。
Yan Wang: 被顶到前面的问题，我们会在最后q and a的环节进行回答。
Yan Wang: 好，
Yan Wang: 那我们就正式开始吧。
Yan Wang: 我们在今年跟很多人聊过他们对ai的态度发现其实大家对ai的看法还是非常割裂的，
Yan Wang: 甚至比去年还要更割裂。去年呢？因为charge gbt刚刚发布，包括我在内，大家会觉得，哎，是不是又是一个自媒体的头条，到最后又发现没什么用，只有一部分人开始用，而且真的去探索。但是今年我们感觉到这个割裂程度其实比去年还要严重。对
Yan Wang: 像有的人呢，他努力去拥抱ai的最新发展。天天跟人家按例说啊，特别有用，我现在一半的工作量都是ai在帮我做，我现在感觉能做到以前五倍，十倍的事情。比如我们看右边的davin，
Yan Wang: 他是一个ai软件开发实习生，你可以各种去pv，他让他干各种复杂的任务，然后自己招聘啊等。
Yan Wang: 而另外一些人呢，觉得今年虽然我每天也在用ai，但就是看这个charge dpt好像也没什么变化，就多了一个模模型叫o one，还有promote，但就算是promote，你问他是怎么深之加薪啊？他还是糊弄你，给你打鸡血，
Yan Wang: 而且这是一个真实的聊天，你可以在这里看到，回头在课件里可以看见地址，
Yan Wang: 那这两种看法很显然有着巨大的差异，但是确实两种都是有道理的。
Yan Wang: 后来，我们经过了一段时间的观察，对
Yan Wang: 发现一般持没什么用。这个观点的人，在日常生活中间主要只是用chat，gpt或者是cloud的网页版或者客户端。类似这个曲线，左边的小人觉得ai好像有用还可以，
Yan Wang: 但是觉得ai特别有用的那些人往往已经在一定程度上接触了agent这个概念，比如说用了cursor，windsurf之类的，就有点像右边这个小人，虽然左右两边小人在对ai的理解上，时间跨度只跨只差了一点点，但是因为ai的进步是如此的迅速，他们所体会到的ai的能力完全是不一样的。
Yan Wang: 这个观察非常有意思，让我们意识到，ai虽然自己不会取代人，但是如果有两个人，一个会ai，一个不会ai，或者说对ai的视角和使用方法不一样，那他在职场上的竞争力的差距其实正在被拉得越来越大。对，
Yan Wang: 而这个直播呢？包括我们最后将介绍的一个跟ai相关的课程主要就是两个目的，第一个我们想要实实在在的用demo来感受一下2024年ai到底有哪些我们觉得翻天覆地的进步。
Yan Wang: 第二呢，我们想帮助大家来总结一下，我们应该怎么样去跟上ai进步的节奏，保证自己的未来越越来越有价值，而不会被别人轻易替代。
Yan Wang: 这就是这个直播我们想做的主要的事情。对，
Yan Wang: 那在这里呢，我们用一个例子叫做weekly business review，它的背景是他和我来把的链接贴过来，
Yan Wang: 他的背景是他的亚马逊还有其他公司经常用的一种机制，对
Yan Wang: 每个星期大家凑在一起看一看核心的商业数据，看看这周我们卖了多少钱，有多少订单，跟之前相比，有没有什么问题，有没有什么进步，在这个基础上进行分析。
Yan Wang: 我们用这个例子呢？不是说只有数据分析才能用上ai，而主要是用它做一个例子来直观地展示。为什么2024年的ai有了翻天覆地的变化。
Yan Wang: 那如果你有不同的场景，我们也非常欢迎你在最后一个q and a问答环节，或者在我们super linear academy的community里面把你的场景介绍出来，我们进行更具体的讨论，这些讨论呢，会让社区里的其他同好们都会受益，
Yan Wang: 那我们废话少说，我们直接来看demo。
Yan Wang: 对于weekly business review这种场景，一般来说，它会分成两个阶段，第一个阶段是公司里会有一些数据库，这个数据库
Yan Wang: 存着我们公司运营商业的各种数据，
Yan Wang: 我们的business analyst或者是data analyst，通过在数据库里面跑一些secret query来拿到数据，这是第一步。数据的获取。
Yan Wang: 第二步是在拿到数据之后，我们会把它放到一些工具里面，有有的公司可能用super set或者是tableau，有的公司他就用excel或者google spreadsheet。在这里呢？我们用的例子是google spreadsheet，但是其他工具也基本上都是一样的。
Yan Wang: 在这里一般会有一个配好的表，你只要把数据贴进去，然后就可以在另外一个visualization可视化的tab里面看见相关的visualization，接着我们就可以进行进一步的分析来看
Yan Wang: 数据有有没有什么问题，如果有问题，可能的原因是什么？
Yan Wang: 领导层会在一起坐在这个会上面来进行讨论，
Yan Wang: 这个就是weekly business review的基本流程，
Yan Wang: 绝大部分公司对
Yan Wang: 大家采用的还是一种非常手工的流程，所以我们下面会用五种不同的方法来做business review这样红一件事情，从而来对比不同的做法，它的优劣之处，它的思路差别到底在哪里？
Yan Wang: 那第一步，我们主要用一种手工的方法，它的主要目的是为了大概介绍这个weekly business review基本的流程是什么？有哪些坑，
Yan Wang: 那在这里数据库
Yan Wang: 大家一般用的是mod啊，或者是啊之类的东西，这里为了demo方便我们用的是
Yan Wang: 我们没有必要去纠结其中的细节，那总的来说这个sqlite database呢，里面有一些表，
Yan Wang: 然后表里面有一些数据，
Yan Wang: 比如说这是一个daily matrix的数据，它每一天都有各种各样订单数啊，什么成交量啊之类的数据。
Yan Wang: 我们呢？我们的data analyst会在里面跑一个现成的super query，因为这个是weekly business review，他每周都要跑一次，所以很多东西都是现成的，我们直接在里面跑跑出来，结果贴到这个google special里面去，包括这个文档的链接，我们在事后也会在一个网页上跟大家分享出来，对那些感兴趣的同学也可以自己来做一做试一试。
Yan Wang: 然后呢，
Yan Wang: 我们在更新visualization得到最新的
Yan Wang: 这周的图像，最后再针对它进行分析，对
Yan Wang: 那我们现在来实操一下，看看这个过程到底有多难。
Yan Wang: 比如说上一周是12月2日到12月8号。我们这一周想要分析12月9号到15日的结果，那么也许我们第一步应该是先，
Yan Wang: 然后duplicate1下这个tab，比如说12月9号到12月15号。
Yan Wang: 第二步呢，是找到我们的这个。
Yan Wang: query把他的日期也改一改。12月8号到12sorry，12月9号到12月15号
Yan Wang: 差点改错了，
Yan Wang: 运行一下，全选复制control c
Yan Wang: 到这里control v也许为了安全起见，我们直接control a在control v，然后回到visualization，这里也要改一改。
Yan Wang: I didn't chart
Yan Wang: 把他的表的名字也要改成最新的12月9号到12月15号
Yan Wang: 类似的，我们把这个复制一下，这样贴下去比较快，
Yan Wang: 12月9号到12月15号
Yan Wang: 好的，那么到时候你可能觉得，哎，我是不是就可以交差了？但是只要你一看这个图就会发现，诶，怎么这么奇怪？他到这之后又回来了，那这时候呢，我们就要回去检查原来的数据，会发现好像我们贴错了贴，贴，差了一行
Yan Wang: 这边呢？第一行是有一个这个
Yan Wang: header的，我们没贴上去，所以还得回头返工，把它贴回去，然后再回到这里重新command c，command v回来
Yan Wang: 再到这儿发现，哎，好现在这个图看起来正常了，而且日期也确实是新的一周的日期，那如果你直接这么交差呢，还会被老板骂，因为这个日期没改，我们还是得要手工把它改成。12月9号
Yan Wang: 到12月15号，对，
Yan Wang: 如果你把这个改完了之后，终于我们现在有了用来分析的依据。在这个基础上，我们可以做进一步的分析，比如说你只要看这个红线，这个成交成交额就会发现，诶，为什么12月13号它的成交额这么大
Yan Wang: 这个尖峰到底是因为什么导致的呢？那接下来我们就需要去做更多的sql分析，去写sql query来搞清楚这到底是为什么。比如说我们要回去看啊，每个表测的数据结构是怎么样的，它的每一个列它的类型是什么样，它的名字是什么样？在这个基础上，我们去写一个sql query，然后再进行进一步的分析，
Yan Wang: 那我们在这里就不具体的demo怎么去写sql query了，但是基本上是大家可以有两个印象，第一，非常容易出错，
Yan Wang: 像我们刚才在demo的时候不小心都犯了好几个错，第二个是
Yan Wang: 这件事你干的有多快有多好，很大程度上取决于你对sql和这个数据库数不属你要是写sql的时候不犯错，
Yan Wang: 细心知道他的语法，你就可以又快又好的做出来对。
Yan Wang: 但如果你比如说对这个数据库的表名字记得不熟，这个叫total visitors诶，你少了一个s，到最后就要去花时间去debug到底是怎么回事？所以
Yan Wang: 你工作做的有多好，很大程度上并不取决于你的思维有多深刻，你对数据分析都有见地，而是取决于你的super写的属鼠，你是不是很细心，是不是很踏实，愿不愿意在上面花时间，而这也是确实是啊，传统意义上公司所强调的人才的素质啊。
Yan Wang: 那么这个是第一个
Yan Wang: 做法，
Yan Wang: 在这个基础上呢？我们终于来到了2023年。看到第二种做法。
Yan Wang: 第二种做法是基于charge bpt或者是cloud web ui的做法。
Yan Wang: 在这种
Yan Wang: 比如说我们自己就不要再写sql query了，我们也不要自己再去做可视化了。
Yan Wang: 我们直接问gpt说，哎，你能不能帮我写个sq query统计，12月9号到12月15号的关键指标。但是如果你直接问他这句话的话，很显然，他没有任何背景信息，他肯定写不出来，对不对。所以我们需要构建提示词，
Yan Wang: 我们需要逆向思考，如果希望他能写出来这样的query，我需要给他什么信息，
Yan Wang: 那很明显，他需要知道相关的表的信息，知道这个表的名字，知道这个表他有哪些列，每个列到底是干什么的等等等等等等等等等等等等等等等等，
Yan Wang: 那最简单的给他这个表信息的方法就是我们回到这个数据库里面，在data structure里面右击这个表会有一个copy create statement，也就是我们这里直接粘贴的话，它就会显示，这个它是用来
Yan Wang: 新建这个表的语句的cq语句，这个语句非常有信息量在里面我们可以看见，哎，他有这个列的类型，
Yan Wang: 列的类型列的，名列的名字，甚至还有foreign key之类的东西非常有用，
Yan Wang: 因此一个非常简单的构建提示词的方法就是我们直接把这个create statement给它贴进去，然后让charge gbt或者是cloud来帮我们写一个sq query，
Yan Wang: 那接下来就比较简单了。当我们合理的构建提示词的时候，chargebd就有能力非常好的完成我们的这个任务，比如说这里我们就可以直接复制，对
Yan Wang: 到这里来
Yan Wang: sql，query全选，粘贴，等等
Yan Wang: 回车。哎，他就可以把这些东西数据自动的就给我们弄出来了，说明他的query也没写错。
Yan Wang: 在这里呢？如果我们再全选，复制再沾回去。在这里我已经粘过了，说我在数据库上面运行了一下，这个是我的结果你能不能帮我可视化出来。在这种情况下，我们就不要在手工沾到excel或者google spreadsheet里面去，不小心还沾错了，然后在手工改标题，做各种东西，它就可以帮我们做一个交互式的可视化展示。比如在这里，我们用它的一个功能
Yan Wang: 叫做看一下newta，
Yan Wang: 他直接就帮我们画了四个图出来，
Yan Wang: 它的基本原理是，它生成了一个html这个html呢？把数据可视化了出来。我们可以看见，一方面，它比google spreadsheet的更灵活，比如说它可以变成四个图，要我以前如果要想弄四个图主要得点死，但现在他直接一步跟他说一句话，他就可以把四个图弄出来，
Yan Wang: 第二它，是可交互的，你把鼠标指上去呢，立马就会给你实际的数。
Yan Wang: 此外，
Yan Wang: 而而且这个东西，它对于我们的分析也是非常有好处的对
Yan Wang: 比如说，在这个bar chart里面，我们很容易就能看到。哎，咋就你个子这么高呢？
Yan Wang: 是不是有什么问题？12月13号到底发生了什么事，让营业额这么高？对
Yan Wang: 而chat gpt对于分析的
Yan Wang: 帮助不仅仅在于可视化上面我们同时，还可以让他干一些其他的事情，比如说让他来帮助我们的分析，
Yan Wang: 那12月13号如果想搞清楚他这个订单情况，为什么那么多，我们完全我们就需要对他做进一步的分解。比如说与其自己写query，我不如问他，你能不能帮我看一下12月12号和12月13号，不同渠道的订单情况，同时因为牵扯到渠道channels，我们还需要用刚才的方法把这个表相关的信息给作为背景给他，
Yan Wang: 在这个基础上，他就可以再去写query。可以看到这个query其实还蛮复杂的，然后我们把这个query贴进去，再重新跑一遍，让它可视化一下，经过这个可视化，哎，我们就能够有比较明显的认知了，比如说在这里就知道，一对比，就会发现
Yan Wang: 可能有一些可能的原因，甚至他会帮你做一些分析，direct的渠道都明显高于email渠道，两项指标都有所提升等等等等等等等等等。
Yan Wang: 而且我想，演示了另外一个比较搞笑的一点是，其实你还可以给他提一些更灵活的要求在google spreadsheet里面，比如说我想调一下这个颜色的配比，或者说调一下表格和图表的样式，
Yan Wang: 这玩意还是挺麻烦的，你需要大概的知道怎么去弄，比如说要右击点其实我还不会弄点有个format options好像，然后再去某一个二级菜单里面再去找，
Yan Wang: 在这里面我们customize然后在某一个二级菜单里面再去找一个三级的菜单，得到点一下，特别麻烦，但如果你对于chat gpt或者是cloud来说的话，你直接跟他说大气一点，
Yan Wang: 他就可以对
Yan Wang: 知道可能这指的是我需要把它的color schema给改一改或者做一些其他的改动，比如说放大图表尺寸，提高可读性，优化字体大小，添加悬浮提示信息等等等等等等等等，
Yan Wang: 所以用它来进行这种改动是相当方便的对
Yan Wang: 好，这就是第二种方法，那我们总结一下这种方法。相比于纯手工的方法，它有两个优势，第一个优势是它没有那么多手工的
Yan Wang: 步骤，
Yan Wang: 他因此他的错误率会更低，犯错的概率会更低。另外一方面呢，是他的效率也高很多，
Yan Wang: 像我们在这儿基本上就不用写super了。这个super都不是我们自己写的，都是gpt写的。在这种情况下呢，他就可以
Yan Wang: 大幅增加我们工作的效率。
Yan Wang: 但是我们仍然需要知道表的底层信息，我们需要知道怎么去构建提示词，
Yan Wang: 需要用相当底层的方式来进行思考，而没有办法把我们的精力都花在真的去分析数据，做决策上，这是他的一个缺陷。
Yan Wang: 而
Yan Wang: 如果你只用gpt或者cloud webui的话，确实到此就为止了。整个2024年，它也没有提升。甚至如果你看openai昨天和今天他们的demo，
Yan Wang: 你会发现很有意思的一点，他们绝大多数的时间啊，不是花在去demo他们的功能上，他们翻来覆去在切各种app，然后把gpt的
Yan Wang: 回答贴到其他app里，然后其他app跑了以后，又把
Yan Wang: 就把其他的F的回答给贴回来，因此
Yan Wang: 这种方式是非常低效的，那我怎么去解决呢？有一个方法，
Yan Wang: 这里我们需要引入一个新的工具叫做agent
Yan Wang: agent呢？是一个挺有意思的工具，我们一步一步来认识它，它有两大要素，我们分两步来认识它。第一大要素是
Yan Wang: lm或者说ai需要有使用工具的能力。举个例子来说，像我现在用的是一个叫做open web的ai tool，它这个gui，
Yan Wang: 你可以看见他跑在localhost上面，就是说他是跑在我本地的macbook上面，
Yan Wang: 为什么要用这个工具呢？是因为它是个开源工具，它允许我们对lm做一些非常底层的定制，而不必局限于openai给我们设计的一些限制上，
Yan Wang: 它能够让我们更方便的理解agent，或者说to usage背后发生的事情。
Yan Wang: 而且另一个好处是，很多同学有这样的需求，因为财务或者法务方面的要求或者隐私方面的要求，我公司里的数据不能发给openai或者不能发给aesopic怎么办呢？那一种可行的可能的解决方法是，我们就在本地跑一个大模型，所有的数据都不离开本地，
Yan Wang: 我们也是用这个例子open webui这个例子来给大家演示，如果在本地完全跑一个模型，大概的框架和体验是什么样子？
Yan Wang: 好，我们回到lm这里，这里呢，我们用的是一个模型其实并不算太大，是通10,002,000.5，我们用的是七B的模型在这里呢，我们跟他打个招呼，确认他真的在工作以后，我们就可以让它做一个lm都会都会非常痛苦的问题就是你帮我算一下，
Yan Wang: 给大家出个数学题对，
Yan Wang: 比如说我就瞎打了
Yan Wang: sure.
Yan Wang: 那与此同时，我们用python来算一下，看看它的正确答案到底是多少？
Yan Wang: 我们如果把它用python算的话，会发现，哎，是这个数，它的最后五位数是21928，
Yan Wang: 那么回头来看看他算出来是44088，这显然是不对的。那这个呢，是lm的一个老大难问题就是你让他算算数，他，尤其是大数的相加减乘除它大概率是算不对的。这个呢？是lm的，是一个非常基本的限制，他不是说
Yan Wang: 我们能把力就能做好的，他是因为lm是next token prediction。这个原理就决定了它很难解决这个问题，具体的细节呢？我们暂时无表，但是如果是人的话，你有没有什么办法来解决这个问题。比如说我作为一个人，你让我口算这道题我也算不出来，但只要你给我一个计算器，我导到计算器是不是就出来了？所以要解决这个问题其实有个非常简单的办法，你给lm1个计算器不就行了。所以在这里我们就给他一个计算机，看
Yan Wang: 他能不能做出来。比如说
Yan Wang: 新建一个聊天
Yan Wang: 还是让他算这个东西帮我，对
Yan Wang: 帮我算一下
Yan Wang: 这个，但是我在我们按回车之前，我们输点一下这个加号对
Yan Wang: 在我们的工具里有个calculator把它勾上，
Yan Wang: 然后再点send message。在这种情况下，后台发生的事情是这样的，我们会给rm1个新的工具啊，
Yan Wang: 然后跟他说，这个工具的名字叫calculator，他能干的事情是，
Yan Wang: 帮你做计算，然后他根据这个叙述就知道在这种情况下，因为我在做一个计算题，所以我需要用计算机这个工具，
Yan Wang: 我们马上就会说，具体里面的原理是什么，但是我们先看一下这个结果。
Yan Wang: 21928
Yan Wang: 21928完全对得上，我们花了几秒钟的时间就解决了lm的一个老大难问题，
Yan Wang: 这也是这就是agent的第一个要素使用工具，
Yan Wang: 那在这件事情背后到底发生了什么事情呢？其实非常简单，在这个workspace里面有个tools，我们建立一个tool叫做calculator。如果我们点这个more edit就会看见它后台的实现，
Yan Wang: 它是一个简单的python程序由三个部分组成，第一个部分呢？是我们向arm介绍他是干嘛的
Yan Wang: calculate the result of an equation
Yan Wang: using the tool when s to do calculation。当你要做计算的时候就调用这个工具。第二件事情是我们跟他解释，如果你要调用的话，应该用什么样的形式来调用啊？它只接受一个参数参数是字符串类型参数的内容是equation to calculate。
Yan Wang: 第三件事情是，我们实际上把
Yan Wang: 真的帮他做计算，用了python来给他做计算做，计算完了以后用return把结果反复回去就这么简单。
Yan Wang: 通过这样的方式，我们就跟lm进行沟通，让他有能力调用一个现成的工具完成这个任务。
Yan Wang: 那我们
Yan Wang: 为什么
Yan Wang: 要用这个工具呢？
Yan Wang: 这是因为
Yan Wang: 数据库也是一个工具啊在这里我帮大家写好了一个工具叫做super light access agent，它是在open webui dot com。上面我已经传传真公开了了，所以大家。应该是看不见在自己的open webui上面的确应该是看不见这个工具的，但如果你去这个网址，这个网址我们回头有分享给大家点这个get，它就会被下载到你的open webui上面去了，那我们现在用这个工具来试一试。
Yan Wang: 比如说我们先启用这个工具叫super light access agent。
Yan Wang: 然后问一下他，
Yan Wang: 你的super light
Yan Wang: 数据库
Yan Wang: 有几个表啊，
Yan Wang: 他就会去调用这个工具来看一看他接入的数据库呢？就是我们在这里的这个数据库，
Yan Wang: 在这里我们可以看见，哎，它有五个表，channels，customer types等等等等等等等等等，
Yan Wang: 他在这里也说了，哎，有五个表，channels，customer types等等等等等等等等等等等等等等，说明他确实成功的接入了我们的数据库。
Yan Wang: 那接下来呢，我们又可以用自然语言来问他，你给我看看啊。比如说
Yan Wang: daily matrix.
Yan Wang: 这个表的前十个
Yan Wang: 前十行
Yan Wang: 在这里呢，我们给他提供的这个
Yan Wang: agent不仅可以列出他有他有什么表，
Yan Wang: 这个是列出什么表？他同时还有一个功能是可以执行他写的super query在这里呢？他写了一个super query，但是他没有执行。我再来问问他，
Yan Wang: 帮我执行一下，
Yan Wang: 看看他知不知道去执行这个语句，并且把它返回来
Yan Wang: 好，他真的去执行了，而且得到了这个表的前十方数据，
Yan Wang: 那这对我们的数据分析就非常有用，因为
Yan Wang: 到这一步，我们其实完全不用在数据库和分析工具之间考来考去。如果说这一步，第二种方法是让我们不用再
Yan Wang: gpt和excel之间考来考去的话，第三种方法，能够让我们在把所有的操作都在这个聊天界界面里面完成，
Yan Wang: 也不用把数据拷到数据库里面跑，再把结果考回来，那这个是非常有用的。为了节约时间。下面我们不一个一个演示而直接去看我们之前。问好的一个一个聊天记录，
Yan Wang: 这里呢？主要是因为这个模型是跑在我的macbook上面跑的还是比较慢，需要一点时间，
Yan Wang: 那我们看一下这个聊天记录，前面几条都是一样的
Yan Wang: 啊，有几个表啊，数据结构是什么呀？
Yan Wang: 如果想看daily matrix前五个记录应该怎么写，修口执行一下，看看，结果
Yan Wang: 这些都是对
Yan Wang: 都是跟以前一样。
Yan Wang: 然后我们接下来的核心在这里现在写个sql query帮我算一下。2024年12月9号到12月15号每天的总revenue总订单数量和平均价格，你可能需要和dates join1下来拿到实际的日期，那他就诶，帮我写出来了，这个呢？其实跟前面一种方法是一样的，但最不同的，在这里我们直接说执行一下，他就执行了，执行了，就把结果拿到了，
Yan Wang: 那因为他已经有了最新的结果，所以我们可以直接跟他说，帮我用html画个折线图出来，分成三个单独的图表，
Yan Wang: 那他就写了一个html。在这里，因为openwei有一个功能是可以直接预览这个html的内容，看一下怎么预览啊，应该在这儿
Yan Wang: artifacts,
Yan Wang: 所以我们在这就可以直接看见对
Yan Wang: 这个折线图，而且也看见很明显注意到food revenue这里有个尖峰，下面我们就可以像在poe里面第二种方法里面一样来问他这个到底是为什么能不能再继续帮我写secret query，再帮我跑做可视化，一步一步顺藤摸瓜，顺藤摸瓜，找到实际的原因。
Yan Wang: 好
Yan Wang: 我来看一看这个问题，
Yan Wang: 对这个是自己做的一个agent，
Yan Wang: 我们刚才也给了大家网址，你只要去那个网址按一下get也就用可以用
Yan Wang: lm怎么知道每个column代表的是什么，对，目前是通过column name去理解，但11,000它起得很差，也确实不行，但是有一个好的地方是是这样子
Yan Wang: 在这个agent里面
Yan Wang: 我们返回的东西啊，其实是自然语言。
Yan Wang: 所以
Yan Wang: 你看他说query executed successfully below is the actual result吧啦吧啦吧啦所以我们完全可以在这里面加一些，或者说私货呀，或者说是注释啊，跟他说，诶，这个这一列是名字是这个，它的含义是那样的，都可以，所以这个是非常灵活的，完全取决于你怎么去实现这个agent？
Yan Wang: 这个网址我们回头都会在。
Yan Wang: 这个网页我现在来发进来吧，我们准备了一个网站，
Yan Wang: 网站，里面有这个
Yan Wang: 目前的课件和所有提到的链接，
Yan Wang: 我们回头也会把录像课件和这个网址通过email发给大家
Yan Wang: 好，那这就是第三种方法。这第三种方法，我们已经看见了它明显的好处，我们只要在一个地方就能完成所有的工作，
Yan Wang: 而且
Yan Wang: 我们不仅不需要知道怎么去写cql，而且
Yan Wang: 我们甚至不需要知道休克对
Yan Wang: 每个表的具体信息，
Yan Wang: 但是它仍然需要我们知道一些接口的知识，比如说我需要把问题分解的很细，
Yan Wang: 先让他写一个sql query出来，然后再让他执行一下等等等等等等等等等等等等。
Yan Wang: 在这种情况下，
Yan Wang: 你可能会问，为啥呀？你为啥非要把它当
Yan Wang: 每个问题切得这么细，对，
Yan Wang: 这个是open webui的一个限制，它还在一个还在一个高速发展的阶段，目前它有一个限制，是每一轮对话，像这种我跟他说一句话，他给我回一句话，这是一个回合，每一个回合，他只能调用一次agent
Yan Wang: 或者一次tool，这是一个
Yan Wang: 很
Yan Wang: 爽的限制，说明他还是一个产品的中间形态，它可能很快就会改进了。但是呢，这就逼着我们要去把这个问题分解成agent有能力完成的
Yan Wang: 一小块小块对。
Yan Wang: 而事实上，这也是我们把主要时间得花在这上面，
Yan Wang: 同样没办法把主要的精力花在数据分析上，
Yan Wang: 那如如果
Yan Wang: agent有能力说我一步能调用好几个
Yan Wang: tools会有什么会有什么样的改变呢？那下面我们就来看一看
Yan Wang: 第四种方法，
Yan Wang: 第四种方法呢？我们用的是cloud cloud desktop，不是cloud web ui。
Yan Wang: 在这里
Yan Wang: 他有了agent的第二个要素。还记得第一个要素是使用工具的能力，第二个要素是多部决策的能力。也就是说，以前openwebui你可以说它是踢脚动一下，
Yan Wang: 每个汇合，只能用一次图，但现在它是走一步看一步，对
Yan Wang: 在这里它有使用六种工具的能力。
Yan Wang: 它包括建一个新的表
Yan Wang: 描述，一个表，
Yan Wang: 列出所有的表，去做一个可读或者可写的sql，query等等等等等等等等等。我们在后台已经把cloud desktop和我们的super light给接下来了。
Yan Wang: 在这里呢，我们就可以直接问他说，你给我介绍一下，对
Yan Wang: super light数据库当然是你手头的
Yan Wang: 数据库，要不然他给我介绍的数据库是啥玩意儿，
Yan Wang: 然后呢？他就说，让我先查看一下数据库中表的结构，他就想要说，哎，我想看一看
Yan Wang: 这里呢。
Yan Wang: 为了安全考虑，
Yan Wang: a anthropic要求，我们每次至少在每一轮新的聊天里面都需要手动去批准，我们现在就批准了，
Yan Wang: 批准完了以后，
Yan Wang: 我们可以看见他先执行了一个东西，对
Yan Wang: 列出了所有的表，但是他没有停下来。他根据这执行这个工具的结果
Yan Wang: 去执行其他的任务。说describe第一个表describe，第二个表，把每个表都过了一遍。接下来根据这些信息回答我们的问题啊。它有五个表，第一个表daily matrix包含什么什么，什么
Yan Wang: leah,
Yan Wang: 有什么信息等等，
Yan Wang: 而且还发现这个数据库的设计采用了新型模型等等，
Yan Wang: 这就非常方便，有没有
Yan Wang: 省了我们大量的时间在open webui里面，如果我们单纯的一步一步引导他做这些的话，我怎么着也得五六个不同的prompt。
Yan Wang: 所以二
Yan Wang: 这个是他的第一个优势。其实呢，还有一个更更大的优势就是，
Yan Wang: 当你有两个工具的时候，它能创造的价值，通过组合创造的价值要远远大于二乘以你有一个工具，那比如说我这里就直接跟他说，你帮我看一下
Yan Wang: 12月9号到12月15号的核心指标
Yan Wang: 可视化出来
Yan Wang: 就一步，我不用跟他说，你先帮我写super query，怎么着，怎么着帮去束缚
Yan Wang: 他，怎么做？
Yan Wang: 我们现在其实只是
Yan Wang: 这个要求，更多的是你去做什么，而不是像open web ui里面说，你去怎么做，你看他干的事情也非常有意思，他先写了一个sql query出来
Yan Wang: 跑了一下，哎，发现跑挂了。
Yan Wang: 然后他说，抱歉，让我修改查询语句，不需要我们人工介入直接改了，而且成功了，成功完了以后呢，又写了一个可视化的，一样的html，让我们能够可视化，
Yan Wang: 这个就
Yan Wang: 极大地拓展了我们不仅简化了我们的工作流程，而且极大拓展了我们的分析深度。比如说他一把就把这些东西拿过来了。
Yan Wang: 而且确实这些销售指标趋势也发现这为啥有一个尖峰啊？下面我们就可以再进一步，问他，你帮我比较一下。
Yan Wang: 12月12号和12月13号
Yan Wang: 到
Yan Wang: 销售情况，你看我们现在讲的话是越来越模糊了，
Yan Wang: 已经从以前对charge gpt说话的时候要一步一步讲的非常清楚啊，
Yan Wang: 变成从how逐渐变成了what？
Yan Wang: 那么他就去做了一个详细的对比，可视化，他写了一个还蛮复杂的一大堆东西，然后得到了一个相当全面的可视化。新老客户指标对比各渠道收入对比，
Yan Wang: 跟基于这些。
Yan Wang: 最基础的可视化，以及它给我们提供的insights，我们就可以做相当好的分析了，
Yan Wang: 那到这里，等
Yan Wang: 我们基本上
Yan Wang: 已经把它的高度
Yan Wang: 或不仅是方便的程度，还是完成工作的质量，还是我们认知如何使用ai的抽象程度都提到了一个相当高的高度。现在让我们来看一下有哪些问题，
Yan Wang: 集成了第三种方法，集成lm代码编写的agent的功能。其实，
Yan Wang: 代码编写不是agent怎么的那个代码是是我们离线写好的，但虽然它确实也是用ai工具写的，但是在这个例子里面，它起到的作用不是代码编写代码编写是rm自己的功能，
Yan Wang: 然后backend lm和tool，这个是在课程里面，有的，我们非常详细的介绍了，它有各种不同的组合，不同的组合适合不同的场景，
Yan Wang: 这个是一个很大的话题，
Yan Wang: 然后
Yan Wang: 其实在webui里用python function定义tool就可以。是的，就是这么简单。而且啊，这个也是可以用ai写的。其实那些calculator啊，包括怎么去access light啊，都不是我写的，都是都是我去去压榨ai写的，
Yan Wang: 然后为什么用cloud不用其他的lm对，因为mcp目前只有cloud desktop支持mcp我们的desktop，它确实支持一些agent，但是他还是不支持mcp的，
Yan Wang: 然后demo进行了很多次，每次的流程都是都是类似的嘛？是的，每次的流程都是类似的，这个demo我可以给你看一下，这个demo其实特别稳定
Yan Wang: 每一次都一样，
Yan Wang: 都都非常像啊，所以我觉得cloud还是挺靠谱的，尤其是对于修口，写修口或者写程序之类的
Yan Wang: 之类的问题。对于现在的ai，比如说cloud3.5summit或者是o one meaning已经非常成熟了，
Yan Wang: 如果数据库非常多，表很复杂，可以算得出来吗？这个我没试过但是我觉得这是一个很好的练习，你不妨，或者用自己的数据或者生成一些假的数据来试一试。我也非常好奇啊
Yan Wang: mcp是如何接入本地数据库的？这个在我们的
Yan Wang: 回头发的那个链接上面会有那个网站上有一个mcp的教程，
Yan Wang: 那个文档上面有非常详细的教程。
Yan Wang: 好，
Yan Wang: 因为因为时间关系，我们暂时先
Yan Wang: 回答问题到这里，下面我们会再从slide off上面来看问题，在最后回答，
Yan Wang: 那现在大家可能会比较好奇说，你都做成这样了，还有什么进步空间呢？对不对？
Yan Wang: 你看我们从头到尾就打，就打这几句话，然后就出了一个这么详细的一个一个数据结果我们我们实际干的事情啊主要是这样的，
Yan Wang: 跟ai用非常抽象的语言对话对，
Yan Wang: 然后他给我们出图
Yan Wang: 或者数据，我们根据数据做分析，写报告，把图，截个图基本上就搞定了，
Yan Wang: 那还能怎么更好呢？那我们现在来看看第五种方法，希望不要吓到大家。
Yan Wang: 接种方法是这样的，
Yan Wang: mcp，或者说cloud，它是有一个限制，这个限制呢？是mcp，这个协议非常的繁琐，那我首先介绍一下什么是mcp model context protocol，它是一种
Yan Wang: 开放规范的向ai介绍你的工具的协议，它规定了，如果你要向ai介绍这个工具能干嘛，怎么用，
Yan Wang: 怎么实现，需要遵循一定的先后顺序和语法，他就是干这件事的，
Yan Wang: 这这样呢，就可以让大家比如说没有这个协议的时候，我给open webui写的
Yan Wang: agent，别的人别的工具用不了，比如说cloud用不了我有cloud写的。用不了，但如果大家都遵循这个协议的话，那agent彼此就能通用了。就好像现在的插座一样，大家至少在国内插座都是互相通用的，虽然不同的国家可能不一样。
Yan Wang: 然后但他还有一个问题，就是它才繁琐了。如果你真的去写过一个mcp server的话，就会发现，哇他要写好多好多模块
Yan Wang: 一步一步来，还有各种各样的的顾虑，对，
Yan Wang: 这样就造成了直到目前为止，mcp它的实现还是非常有限的，或者说cloud能用的工具还是非常有限。
Yan Wang: 那怎么去解决这个问题呢？有什么东西会比说话更简单呢？为什么我们不直接用说话的方法来做一个agent来拓展a agent agenda ai的功能呢？那这里就是我们干的事情，
Yan Wang: 比如说
Yan Wang: 我们在这里用的是cursor
Yan Wang: carson呢？你可以跟他说
Yan Wang: 直接说话说你可以用下面这些tool，比如说lm有一个tool web browser有个tool search engine，有个tool，就类似这样
Yan Wang: 这样就极大的简化了他的
Yan Wang: 实现了，
Yan Wang: 有更多的工具可以使用。另外一方面呢？Cursor自己是一个编辑器，这一我们马上会看到，这也会给他带来巨大的好处。
Yan Wang: 那好，我们闲话少说，来看一看。第五种方法是怎么样完成我们的任务的。
Yan Wang: 为了让我们输入更快。我们在这里再演示一个我自己做的小工具，
Yan Wang: 我们先试一试，看看这个小工具，是不是正常工作
Yan Wang: 好点了以后，他就立马就可以做语音识别了。他是正常工作的，在他的背后用的是real time gpt，我们回头有机会再再介绍。但是在这里我们用它来录入我们的prompt。
Yan Wang: 我现在有一个circle light数据库，对
Yan Wang: 他的文件名是ecommerce underscore data到db，我现在想做一个weekly business review给我们off的director开，
Yan Wang: 你能不能先看看这个数据库的内容，然后帮我写一个草稿出来，对，
Yan Wang: 注意要有可视化。我们director比较喜欢看visual的东西。
Yan Wang: 另外，我感兴趣的日期间是在2024年12月9号到2024年12月12号
Yan Wang: 好，我们看看好就出来了，直接贴进来注意，在这里都要打到agent模式，
Yan Wang: 然后我们看一下它有没有打错字啊，
Yan Wang: 因为我们org push off，
Yan Wang: 然后可视化。2024年12月9号12月12号没有问题，
Yan Wang: 下面就点submit，他就说好，让我们一步一步来，
Yan Wang: 他先写了个脚本，
Yan Wang: 说我来看看对
Yan Wang: 这个数据库
Yan Wang: 好，看到了他调用这个脚本已经理解了数据库的结构。现在他再生成另一个脚本来生成周报，
Yan Wang: 你可以看一下整个过程，我，我没干任何事情，
Yan Wang: 他是自己去分析这个问题
Yan Wang: 做了一个计划出来，
Yan Wang: 一步一步推进这个计划的执行。他知道，如果我想分析这个数据，我需要先了解这个数据库的内容，
Yan Wang: 所以他又写了一个程序来完成这个目标完成目标之后，他又
Yan Wang: 进一步
Yan Wang: 基于
Yan Wang: 这个程序所输出的内容，再去写代码，
Yan Wang: 我们来看看它已经写好了
Yan Wang: 他这个是general。Report到py，他写了100多行代码，哇，这叫我写，估计怎么着也写半个小时，然后生成了一个
Yan Wang: 在这儿生成了一个周报报告包含以下内容，我好像有个地方没跟他说，我来跟他说一下，
Yan Wang: 你把这个草稿放到一个mark down文件里面注意要嵌入可视化的图表，这样我方便看
Yan Wang: 好
Yan Wang: 看看他
Yan Wang: 能不能帮我们做到这件事情，
Yan Wang: 我来帮你创建一个完整的mark档报告，
Yan Wang: 我们在这里accept的更改，
Yan Wang: 这是它
Yan Wang: 写的另外一个程序，用来看数据库的程序把它查掉，
Yan Wang: 这是它生成的。这个mark down。
Yan Wang: 我们来preview1下，这样看得更清楚一点。
Yan Wang: 他说，关键业绩指标把各种关键指标弄出来了，
Yan Wang: 然后
Yan Wang: 看了一下daily revenue trend
Yan Wang: 做了各种可视化哇，这推测也太丑了
Yan Wang: 然后做了深入，趋势分析等等各种分析，
Yan Wang: 但是我发现他，我好像是打错了，还是怎么着在这里打错了，应该是12月15号，而不是12月12号，
Yan Wang: 我说为什么到12月12号就就结束了。原来是我的国
Yan Wang: 抱歉，我们对ai要有礼貌，这样的革命的时候对我们会好一点。
Yan Wang: See the ai功德，
Yan Wang: 我想要的是12月
Yan Wang: 九号到12月
Yan Wang: 15号，
Yan Wang: 然后他就会去看，
Yan Wang: 直接改几行对
Yan Wang: 代码
Yan Wang: 重新生成，
Yan Wang: 哎，改好了，
Yan Wang: 接下来我们再给它布置一个任务。
Yan Wang: 你看12月13号，
Yan Wang: revenue为什么有个尖峰啊，帮我分析一下，注意要有深度。
Yan Wang: 另外，你的配色太丑了，给我改一下，
Yan Wang: 好
Yan Wang: 看一下，
Yan Wang: 他就开始继续优化他的代码。我看他代码现在有多长了
Yan Wang: 哇，
Yan Wang: 还是这么长，差不多长
Yan Wang: 在这个过程中间。
Yan Wang: 其实有有几个还蛮有意思的，观察的
Yan Wang: 就首先啊，你看
Yan Wang: 我们对他
Yan Wang: 这个跟他说话呀，但是
Yan Wang: 已经是非常高级了，你看我们从头到尾没有说过休克这三个字对
Yan Wang: 这个非常有意思。
Yan Wang: 而且呢？我们
Yan Wang: 跟他的沟通，对
Yan Wang: 主要在干三件事情，对
Yan Wang: 第一件事情是定义问题，对
Yan Wang: 跟他说，我们在做一个business review
Yan Wang: 它的
Yan Wang: 听众或者说读者是director，
Yan Wang: 我们需要
Yan Wang: 某一个
Yan Wang: 某一个日期间区间，这是第一件事情。第二件事情是检查他的任务完成的好不好，
Yan Wang: 比如说我们发现你咋没没有注意到这12月13号，这个尖峰呢？
Yan Wang: 你给我去具体查一查，
Yan Wang: 我没有跟他说怎么做，完全只是跟他说做什么
Yan Wang: 这个呢？是典型的管理，
Yan Wang: 然后我们再来看看它生成的新的图像，它换了一个还可以吧，这个配色，
Yan Wang: 然后有输入趋势分析
Yan Wang: 可视化
Yan Wang: 以下关键因素，
Yan Wang: 渠道输入，分布等等，
Yan Wang: 这个还是可以的。但是呢，他可能还漏了一个东西，我想让他帮我看一看，搜索一下
Yan Wang: 12月13号
Yan Wang: 2024年
Yan Wang: 有发生什么事情吗？有没有可能是什么外部因素导致的revenue突变呢？
Yan Wang: 我们来看看
Yan Wang: 有没有可能是这样，我们自己是不用搜索的，我们让他他来搜索看看，
Yan Wang: 然后他发现是双12的第二天，那有可能是这个影响
Yan Wang: 你别瞎掰搜一下。
Yan Wang: 这时候呢，
Yan Wang: 你也要对
Yan Wang: 我们可以看见，仍然是对他的工作进行一个评估，对
Yan Wang: 和。
Yan Wang: 做一个评估和nudge跟他说，您当初如何改进你的工作质量
Yan Wang: 好，他发现了有一些事件，然后又去注意他没有直接汇报，他又去和数据库中间的实际数据进行核实来确定
Yan Wang: 是不是
Yan Wang: 这个原因，
Yan Wang: 这个确实是一个相当好的员工，我觉得
Yan Wang: 那接下来呢？在等他做完之后，
Yan Wang: 哎，他发现挂了，挂了以后呢？他又去现场改代码来把他让他能执行起来。
Yan Wang: 那在他做这件事情的同时，我们其实还发现了一个问题，就是说这个东西啊，它还是太
Yan Wang: 太细节了，或者说你如果给一个take lead，或者给一个分析师看这个东西，这是一个相当好的报告，那但如果我更认真的购物行为是啥，但如果你给一个director看，他可能会觉得你给我看这这么细节的东西干什么，所以我们还是得再跟他说一下，数据呈现方面应该怎么做？
Yan Wang: 注意，这个报告的读者是director是领导层，你能不能把它变得更适合领导层来观看，
Yan Wang: 比如说在
Yan Wang: 你的顺序
Yan Wang: 应当有所考量，把最重要，
Yan Wang: 最有深度的内容放在最前面，
Yan Wang: 其他的你也照类似的规律，整一整
Yan Wang: 好
Yan Wang: one more contact.
Yan Wang: 哇，他这个情绪价值拉满，您说的对，
Yan Wang: 他就开始在阅读刚才的草稿，并且重新整理
Yan Wang: 好他这个重新整理
Yan Wang: 业务核心洞察本周重大发现二，
Yan Wang: 战略机遇分析，哇，这个不知道是不是我们实际想要的，但是看起来确实很适合让领导来看，对，
Yan Wang: 最后有一个附录数据可视化。
Yan Wang: 当然这个报告还是有很多可以改进的空间，但是时间关系我们暂时先到这里，现在让我们总结一下，看看刚才到底发生了什么事情
Yan Wang: 在这个过程中间呢？
Yan Wang: 我们刚才提到了一点，我们从来没有提到sql这三个字
Yan Wang: 完全是以manager的
Yan Wang: mindset来跟他对话，这是很有意思的一面，而且，
Yan Wang: 另外啊，这比人类的manager还要更好，因为很多时候你一个人能管多大的一个组，往往不是由你的，不是由你个人的奋斗决定的，是由历史的进程决定的。比如说公司只有两个head，count，你哪怕能管十个人，你也只能管一个两个人的组
Yan Wang: 对这种情况，
Yan Wang: ai就可以很好的解决这个问题，因为cursor像我们刚才看到他是全自动的，你只要给他一个命令，他就自己在那折腾，
Yan Wang: 所以在这个过程中，你完全可以再去干其他的事情。比方你开十个curls的窗口，只要你能管得过来，你开十个kursa窗口都可以，所以它不仅是我们的角色不仅变成了一个manager，而且变成一个没有head count
Yan Wang: 这限制的manager，
Yan Wang: 所以它相比于第四种方法，又是一个巨大的效率提升。
Yan Wang: 而且另一个很有意思的观察是，在整个过程中间，我们的精力都花在了最重要的地方，
Yan Wang: 我们从来没有去说sql是怎么写的，
Yan Wang: 也没有说可视话应该怎么弄，而是绝大部分在想，我怎么样把我的观点更容易被领导接受，用什么样的方式去呈现有没有漏掉什么重要的insight等等，
Yan Wang: 每一分时间都花在了导览上。
Yan Wang: 我看到有不少问题。在说一个非常重要的话题，就是我们怎么确定他干的事情是对的，比如说他代码写的对不对，他做出来的结论对不对，这是个非常好的问题。
Yan Wang: 如果你去在我们的课程中间会发现我们会专门花一张来讲，
Yan Wang: 怎么去manage，risk怎么去cross check ai的？
Yan Wang: 各种结果。而事实上，不论是对ai还是对人类，当你做一个manager的时候，你都需要干这样的事情，你需要评估组员的干的活的质量，而它的活对不对就是一个非常重要的评估质量的的方面。
Yan Wang: 当然，在这个过程中间，你也会逐渐跟ai，或者或者说，跟人类组员建立信任，你会知道哪些人，他干事就是靠谱，哪些人你得多留一个心眼，这些都是逐渐适应。当。
Yan Wang: 但是我很赞同这一点，这是一个很好的。一个一个insight就是一定要去检查，有一个机制去检查不能完全盲总
Yan Wang: 好，那demo到这里就做得差不多了。
Yan Wang: 那我们再回头看一下第一种方法到第五种方法，
Yan Wang: 如果我们把第一种跟第五种拿起来一比的话，会发现第五种跟手工的，甚至和用的方法相比，那真的是翻天覆地的变化。
Yan Wang: 我们从这几个方面来逐渐看时间花在哪儿，核心能力是什么？就如果你要升值的话，你要有哪些核心能力以及对你的职级是什么。
Yan Wang: 在利用手工的阶段，绝大多数的时间是花在不同的app之间切换，我们复制粘贴数据
Yan Wang: 以及，哎，发现我做错了，跑回去改，我们想要提升工作质量，我们的核心技能。是啊，我要不能犯错误，我要细心，我要我要熟悉他的语法，熟悉各个数据员的细节，
Yan Wang: 这种思维方式是非常初级的，
Yan Wang: 他甚至没有设计，你能不能升职，甚至跟你会不会分析没什么关系，对，
Yan Wang: 但是当我们有了charge gpt以后，看起来好像让我们方便很多了，对不对？不需要再特别熟悉sql的语法，只需要熟悉后台表的结构就可以了。我们不是那么需要细心，因为charge gpt帮我们自动化了很多步骤，但是我们大多数的时间仍然是花在v ai打工上面。我们要为ai搜集信息，把代码和错误信息在chargebt和sql之间来回复制粘贴，
Yan Wang: 我们还需要有非常底层的构建提示词的能力。所以啊，这个对应的技能仍然是初级分析师，因为我们大多数的精力和时间不是花在真正的分析上面，而是花在数据的搜集和呈现上面。
Yan Wang: 那到了agent开始呢，我们就逐渐有了新的武器，一切都开始变得不一样了，这是因为agent啊，
Yan Wang: 帮我们打通了一个完整的，从读取表格，结构到执行super query到可视化的能力，他打通了整个链路，所以我们终于可以花更多的时间在真正重要的数据观察，判读，分析上，面对
Yan Wang: 让我们终于有能力着重培养高级分析师所需要的核心能力了。
Yan Wang: 但是因为这个agent v1仍然是一个中间形态的产品，它没有多部决策的能力，所以我们主要的精力还是花费在如何把问题分解，让它能够适应agent上面，
Yan Wang: 而一旦ai的能力从单部决策拓展到了多部决策，这极大的提升了它的潜力，也真正的实现了agent，ai到这一步呢？比如说我们用call desktop加上mcp来做weekly business review的时候，我们做的事情其实跟sql就没什么关系了，
Yan Wang: 我们几乎百分之百的时间都花在了对数据进行思考，判断和报告的撰写上，这极大地提升我们的工作效率，让我们的核心能力终于不用被编程所限制，而是放在了数据的分析和报告上面，
Yan Wang: 从这个角度来说，我们做的事情就像是一个小组的领导，一个tech lead对吧，
Yan Wang: 我们手下有非常擅长写代码的人或者ai，但是最终的技术决策，最终走什么方向还是由我们人类自己来做的。
Yan Wang: 那如果我们把ai能使用的工具再加以拓展，让它再上一个台阶以后，这些工具所组合出来的潜力就比单个工具要大得多。当我们使用了cursor或者或者win surf之类的工具加入拓展的ai agent以后，它就可以完全自主的进行非常有深度的分析，那在整个过程中，甚至可以去上网搜索，然后和本地的数据相互印证，做出推导，那在这个过程中间呢？我们其实只干了两件事情，
Yan Wang: 第一件事情是定义这个问题是什么，告诉他你要做什么事情，什么样的标准才是完成任务的任务的成功标准，然后他自己就可以照这个标准去思考，去执行，去迭代。
Yan Wang: 第二件事情是启发和管理。我们需要判断他完成任务的质量。怎么样，看他有没有犯什么错误呀？是不是漏掉了什么要点给他一些指导，教他怎么对整个问题进行思考，这些和对人的管理是非常接近的。
Yan Wang: 所以呢，在这种方法里面，我们的职场角色更像是一个经理，而不是一个单纯的分析师，我们不涉及任何技术上面如何做how的问题，而只是单纯的定义问题，评估质量给启发，
Yan Wang: 而且跟人类的经历不一样，
Yan Wang: 我们没有了head count的限制，只要你能管过来，可以开十个case的窗口，然后，同时干时间，不同的事情都可以，这是一种真正scalable的经历，它比人类的经历职位要更加强大。
Yan Wang: 所以现在我们回头看前面这幅图是不是有了更深的体会？尤其是在看了第五个demo以后，体验了这种彻底放权的经理之后，是不是有一种what擦刚才到底发生了什么这样的感觉？对。
Yan Wang: 而相比于孩子用chat gpt甚至手工的办法的左边的小人，那右边的人在职场上的竞争力确实会是碾压性。
Yan Wang: 那有一个有意思的事情是，如果我上来就给你演示第五种方法没有前面的对比，可能理解这一点不是一件特别直观的事情，这是为什么我们要从第一种方法开始讲，一步一步让大家感受到技术的局限啊。
Yan Wang: 孔子有句话叫不分不起，你首先让学生感觉到非常痛苦，你怎么想都想不明白的时候，然后再告诉他解决方案，这个是有效学习的一种手段，对
Yan Wang: 我们在这里也是从最土的方法，开始一步一步感受局限，大家一起犯错误，然后纠正错误，总结升华，在更抽象的层面实现思维认知的升级，这才是真的学到位了。
Yan Wang: 学习的目标不是说啊。我知道这五种方法里面，第五种是最好，的而是要学习这种学习的方法。学习这种思路，知道哪里可能犯错哪里怎么去解决，从正反两面都提升认知。
Yan Wang: 另外呢，在上面提到的每一种方法和相关的材料都可以在这个网站进行下载。而且其实我们构建这个网站，也就是我用刚才的方法跟cursor直接说的，他就框框就写出来了，这个是我们的提示词，
Yan Wang: 而且他也可以接受图像输入，我就把前面那个表格截了个图给他看，他就把这个网站给做出来。对
Yan Wang: 在经过了这一系列不同方式的对比之后，一个很自然的问题就是现在我们已经到第五阶段了，
Yan Wang: 那我们到底下面我们要做啥呢？我们的价值在哪里呢？我们的出路在哪里？
Yan Wang: 我并不打算直接回答这个问题，因为我觉得这个问题的答案本身并不重要，
Yan Wang: 原因是，比如2024年底我们现在有个特别厉害的东西叫叫agent，
Yan Wang: 那如果20225年中又出了一个另外的模型，比如说o one，下一代，他可能都不叫o two了，叫o three。对不对？进步太大了。对，
Yan Wang: 那或者是另外一个我随便起个名叫capsule ai，
Yan Wang: 那是不是我们就要放弃前面所学的agent的所有东西，预计功劳跑就学一个新的东西呢？
Yan Wang: 所以说，单纯的追求怎么去被动的应对agenda ai，你不如退一步去做一些更深层的准备好，
Yan Wang: 而课代表和我要做的就是尽可能的帮助大家去适应这样的一种动态变化，对
Yan Wang: 适应这种时刻发展的ai领域，从方法论的角度让大家能够自主适应，而不是疲于奔命，让大家有能力在各种各样的公众号头条中间。什么是真正的信息，比如说像这种agent，ai是真正的创新
Yan Wang: 或者其他的什么东西是噱头，不要去看，
Yan Wang: 只有这样，真正的束之以鱼，才能让大家更长久的在职场上面获得成功。
Yan Wang: 那如果我们想要在正更长的时间真正的改变自己，适应这个动态变化的ai领域，或者说transform yourself for the age of ai应该怎么做呢？
Yan Wang: 这里面牵扯到一个非常有意思的变化。
Yan Wang: 如果在ai时代之前，企业需要什么样的人呢？我们刚才有所讨论，他基本上需要那种细心肯干，愿意花时间去干活的人。
Yan Wang: 但如果你去看刚才我们的例子的话，
Yan Wang: 会发现如果一个人只会这些东西，我细心，我努力，别的没了，现在已经被ai取代了
Yan Wang: 电脑计算，从来不出错呀。他24乘七加班都是小意思，所以未来的企业，他需要人的标准是不一样的，尤其是像刚才的第五种方法，这个企业需要能够
Yan Wang: 定义问题，需要这个人能够理解商业和产品，把它翻译成精准而且有条理的具体要求，对
Yan Wang: 他需要这个人能知道怎么样跟ai来沟通能够有效的领导ai做ai的好老板，
Yan Wang: 他需要这个人知道怎么分解任务，知道ai的能力边界在哪里启发和管理ai来干活，
Yan Wang: 那通过这样的方式，那
Yan Wang: 他招一个人，其实等于招了一个scalable的团队，因为现在一个人加十个ai可以等于过去十个人的团队了。
Yan Wang: 但是呢，要想实现这些也是不容易的。我们是要经过训练的。
Yan Wang: 为了让大家得到最有效的训练课代表，和我花了一年的时间，逐渐打磨了一门ai课程，
Yan Wang: 我们和来自20个国家，3000多个学生接触，向他们授课，聆听他们的反馈，了解他们最关心的东西是什么。同时，我们自己也有深厚的工程经验，知道在职场最有用的技能是什么？
Yan Wang: 那在这一年的时间里面，我们反复迭代，锤炼和实验，写了一两百页的原创教材，并且考虑到很多人买了课之后回去也是吃灰，我们又把其中最精华，最有用的部分浓缩成了一个五节课的真人授课，对
Yan Wang: 你可以在maven上面以zoom直播的方式来跟我们授课的时候现场互动，也可以在第二个链接以观看视频的方式，用自己的节奏来学习。
Yan Wang: 我们的目标不是帮大家理解ai背后的技术细节，也不是为了让大家熟悉某一个特定的ai技术邮派，包括agent ai，而是为了真的让大家在方法论上从长期的历史的角度进行训练，
Yan Wang: 因为我们投入了巨量的时间，以及基于给大家提供的价值，对
Yan Wang: 一方面我们收获了非常多的好评，我们综合评分是，满分五分我们是4.9分，在maven上面基本上最高的一档，
Yan Wang: 而且我和科代表和我也是没有上非常罕见的华人最佳讲师对，
Yan Wang: 同时
Yan Wang: 也是为了感谢大家的支持。在这个直播的末尾，我们会放一个折扣码出来。对于真人授课的cool base的课程，我们会减$100。对于视频学习的self paced课程，我们会减$50。
Yan Wang: 那回到训练的话题，具体的说呢，我们需要在四个方面进行训练，而这四个方面，其实在这个直播中间都有所体现，
Yan Wang: 第一个方面是ai这个领域是动态发展的，所以我们需要能够紧跟业界动态，
Yan Wang: 比如讲，现在我们知道有个东西叫devon特别火，对吧？
Yan Wang: 他，他到底有什么用呢？它适合什么场景是什么东西？他跟cursor之间有什么区别为什么devin敢卖$500一个月cursor只要$20。
Yan Wang: Open webui又是什么东西？
Yan Wang: 如果我的公司不给用商业的ai，有没有可能我在本地搭建一个lm，对
Yan Wang: 那这些东西呢，你都可以通过我们的训练来找到答案，不用再去跟着公众号每天震惊突发马斯克点赞，然后从里面找到一些似是而非的insight。
Yan Wang: 这一个非常现实的例子就是在听这场直播之前，可能大多数人不知道mcp是什么东西，但是听完之后就觉得mcp确实很厉害，而且知道他仍然不是完美的，还有更好的解决方案，
Yan Wang: 而这也是我们课程的一大优势，就让jp morgan换researcher，christine在他的review中间就提到，我们的课程，极大地拓宽了他关于如何应用ai的想象力，
Yan Wang: 以及lou在他的review中间也提到这个课程给他无数的eye opening examples。对
Yan Wang: 从更深刻的角度来看，这个训练包括这个直播能带给你的不仅仅还告诉你agent ai这件事情是可能的，或者你可以这么用，那么用在这些应用的背后，往往还有一个更加深刻的视角，比如我们刚刚看的这五种，怎么去做？Business？review的方法是怎么进化的？他们之间的对比它的发展脉络，能能够让你更深刻的理解，他们之间的差别，让你未来遇到类似agent ai的里程碑式的技术进步的时候，你能够敏锐的捕捉到这件事情非常重要。
Yan Wang: 而在我们教学的过程中间，我们有时候也会被问一个问题，说，你们的课程跟我直接读文档到底有什么区别？对
Yan Wang: 前面的五种角度也是一个现成的例子，比如讲cursor上面的界面，每个按钮是干嘛的，你只要探索一下，或者看看帮助看看文档，大家应该都能弄懂，对吧？
Yan Wang: 但是呢，你把这些功能有机的进行拓展，组合和应用让你变成一个scalable的manager，这种深刻的视角则是这种课程带来的一个核心价值。
Yan Wang: 但其实关于cursor在这里我们还没说完，在下一个直播中间，我们会具体解释，如果你只是单纯的会去点它的按钮，知道怎么去用它的ui对他的潜力的发觉可能会不到三分之一。但如果你经过训练，知道有三种不同的mindset，基于注视的编程，基于提示词的编程和基于目标的编程，你就会对什么情况下，如何来发挥它最大的潜力有更深的体会。更关键的是遇到未来类似的ai进展，你会有章法去知道怎么去从更抽象，更深刻的角度去探索它的应用，
Yan Wang: 而这些都是可以通过训练一下子得来的，这是因为我们已经帮你花了时间去尝试去思考了，所以你就不用自己再去花时间去探索，而可以直接站在别人的肩膀上。对，
Yan Wang: 而这一点在我们学生的反馈中间有了很多体现，比如google的ux manager cherry就提到，虽然他自己是ai工具的使用，者，但他仍然可以从课程中间从训练中间把自己的认知上升到更高的层次。
Yan Wang: 而类似的meta的data centers的virgil也提到，非常享受在客人中间学到的原创性的思维方法和使用技巧。
Yan Wang: 在此之外，通过训练，我们也可以知其然，而且知其所以然，不仅知道各种实用的技巧，而且还知道rm的内部原理，比如说大家对arm往往有一些常见的误解对
Yan Wang: 它有记忆吗？为什么我用chargebt就比别人更蓝更笨呐。幻觉是怎么产生的，它跟推理温度之间有什么关系？调节推理的温度可以解决问题吗？微调的目的是什么？它有哪些限制？它到底应不应该用在我们这种特定的场景里面，而这些在我们的课程里都有教材进行覆盖和介绍，
Yan Wang: 我们的学员对这个也有很深的感触。比如说slb的senior research，scientist均一提到，在课程中间，我们用非常深入浅出的方法解释了各种原理背后的。为什么
Yan Wang: 最后有些同学可能会问我自己不是程序员，那上你们的客户会有一些困难，其实不是，如果你自己没有非常多的开发经验或者项目和软件开发关系不大，在我们的课程上也完全可以得到非常多的启发。这一方面是因为我们授课的内容更多的是比较抽象的高层的原则，而不仅仅是软件开发这个领域的domain knowledge。另外一方面呢？是当你把自己实际的问题和场景问出来以后，我们会针对你的特定场景做出非常详细的解答。
Yan Wang: 比如说我们的学员其实不仅仅来自于软件开发行业，有大学教授，有金融，医疗，it，全球范围里各种领域的学员，甚至有在openai或者aws工作的ai专家，
Yan Wang: 各种各样的同学在这里都会受到启发。比如说像review安安说的，他觉得这个课程最有价值的地方其实是老师给学员的问题手把手，并且非常及时的反馈handy and instant feedback。
Yan Wang: 类似的欣也觉得我们针对他的特定的问题给出了非常详细的解答对。
Yan Wang: 而对于一些甚至不在type industry的同学，比如max来说，他也觉得非常有收获，对
Yan Wang: 而光有理论是不够的，我们还会手把手的用你们感兴趣的项目来教教学，如何养成良好的习惯，更重要的是去培养一种不屈从于现状，利用ai来构建工具鼓励打破现状的builders mindset
Yan Wang: 我们的学员林波提到，他在上完我们的课之后，不仅了解了很多理论和技术上的知识，更重要的是改变了他对ai的根本态度，鼓励他使用更多的实验和创新来探索他的工作中如何使用ai，
Yan Wang: 所以其实如果看完这个直播，你只能记一件事情的话，我希望你记住的这个东西是the builders mindset。至于刚才我们说的weekly business review。具体的例子都不重要，我们做的五种化的对比，agent，ai都不重要，最重要的是，我们要有勇于探索，勇于实验的builders mindset，只要你有了这种mindset，你都能自己把这些
Yan Wang: 思考全部自己发现出来。
Yan Wang: 而什么叫呢？在用工具不爽的时候，不要认为自己没有能力去改变现状，这在以前确实可能是一件很难的事情，大家会说，我没有经过专业训练，不是科班出身，cs做不出来，但现在你也看到了。有了ai，尤其是agent ai，只要你去给它方向，就可以，你跟他定义问题，他就会帮你做出来这种事情完全可以做到，
Yan Wang: 尤其是现在这个时代，对绝大多数人来说ai还是一个非常新甚至很遥远的东西。所以来参加这个直播的大家已经有了巨大的优势，现在就好像淘金年代的早期，几倍的生产力，提升的机会到处都是，所以不妨去应用去寻找大幅提升自己或者他人生产力的机会。这一方面对整个社会，对人类都有好处，另外一方面呢，自己在创造价值之后，自然而然也会得到职业或者金钱上面的回报。
Yan Wang: 最后，非常感谢大家来参加这场直播，我们这个课程提供个折扣码。Agent2零二十五。
Yan Wang: 如果参加maven cohort base课程，原价$999可以抵扣$100参加self paced课程原价$499，可以decode$50，
Yan Wang: 那我们也经常被问一个问题，就是你这课为什么这么贵？毕竟不是每个人都能掏得起$1000或者$500来上一节课的，但是我想反问一句，
Yan Wang: 你觉得今天这个免费的直播里面学到的东西值不值$500，或者说在未来你的职业生涯中间，他为你创造的价值，省下的时间提升的工作质量值不值$500。
Yan Wang: 所以如果我们把收获的价值和付出的成本一比较的话，会发现这$500是个相当小的数字对，
Yan Wang: 而且我还可以很自信的告诉你，在我们提供的将近200页的课程资料和五个小时的直播或者录像里面，
Yan Wang: 这里面的insight和技巧，它的价值比这个agent的ai又要高三到五倍，那这一算的。话其实这个课程非常的便宜。
Yan Wang: 还有一件事呢？是很多公司为这类自我提升的课程都是可以报销的，我们可以提供写给经理的职业的邮件模板和结业证书，
Yan Wang: 而且我们的这个课程也是在不断更新的。比如最近几个月，我们对课程的教材和编排进行了三次重大的更新，加了几十页的新的教材，以往的学员全部可以免费过去，所以我们在近期也计划对这个课程进行一次涨价，而agent2025，这个折扣码会在美西时间12月23号两天以后零点的时候失效，
Yan Wang: 所以希望感兴趣的同学能抓住这些机会，让自己能够在快速变化的ai年代进一步拉开和不会有ai的同学的差距，让自己变得更加有竞争力。对，
Yan Wang: 谢谢大家，我现在可以来回答一些问题，
Yan Wang: 也许我们可以看一看，先看一下check window。
Yan Wang: Curl compost得要有个agent是自己定义的吗？不是自己定义的，这个是新版的一个功能
Yan Wang: agent和后面调用的search engine有没有关系，有关系，
Yan Wang: 它调用的是我们自己扩展的一个search engine的工具。Crystal自己是没有这个工具的，这个是我用python实现的，
Yan Wang: 具体是怎么实现的？在我们课程网站上，不是课程网站在刚才发的agent2025那个网站上也有介绍
Yan Wang: up
Yan Wang: cursor是哪家公司的annie speer
Yan Wang: 有没有一些面向算法工程师的ai事件，
Yan Wang: 我觉得ai实践其实对于各种职业来说差别不是特别大，对
Yan Wang: 如果你能掌握一些
Yan Wang: 比较高层的，抽象的思维方法。Mindset的话，对
Yan Wang: 自己会发掘出很多针对不同职业的domain knowledge。当然，如果你有实际的
Yan Wang: 场景问题，也非常欢迎来在community上面进行讨论，我们会跟你做非常详细的讨论和解答。
Yan Wang: 这些问题会在什么地方回答吗？
Yan Wang: 是的。
Yan Wang: 在community里面我们会解答
Yan Wang: 这个是会有回放的
Yan Wang: 好像下面技术背景会不会觉得课程简单对玉珍已经回答的很好了，
Yan Wang: 好
Yan Wang: 很想深入探讨一下rag
Yan Wang: 这个我想留一个
Yan Wang: 留一个扣子。我们在课程里其实专门花了一节课来介绍我们为什么不说rack？
Yan Wang: 也许我们可以留到课程里或者是好的，也已经看见了
Yan Wang: 好嘞，下面我们来看看slider上面的问题，找ai工作积累项目经历有什么建议吗？
Yan Wang: 我最大的建议我有两个建议，第一最大的建议是builds my side。真的去做
Yan Wang: 纸上得来中决前，绝知此事要攻行，一定要自己去做，对
Yan Wang: 你在真的做了一些项目，哪怕是平时自己的非常小的项目，有了自己的体会之后，你写简历写下来的境界跟别人都非常不一样，
Yan Wang: 这个是能看出来的harmonic是能看出来的，不论是面试还是简历都可以看出来你的思维深度，这个可能是最重要的。
Yan Wang: 第二，找ai工作
Yan Wang: 可能你还得搞清楚自己在生态链中间是哪一个位置。一般来说，ai方向有三种，不同的岗位
Yan Wang: 最上游是算法做算法的，比如讲我训练lm呀，然后中游是做serving的，我有一个现成的lm，别人帮我训练好了，怎么去serve它省钱，高效，快速
Yan Wang: 再往下呢？是用别人serve好的api来做具体的应用，每一种岗位都有不同的要求，
Yan Wang: 具体如果你有一些
Yan Wang: 跟自己更相关的例子的话，也可以在我们。在community里面提问，我们会给你详细的解答
Yan Wang: search engel是怎么做到的？我来贴一个链接在这儿
Yan Wang: 压各到ai是我的blog啊如果你们对这个感兴趣，可以在这里点subscribe。
Yan Wang: 回到刚才的话题。这里有一篇blog教你怎么去
Yan Wang: 把所有身份认证定义出来，我来把链接发到zoomchat里面，
Yan Wang: 包括我们的
Yan Wang: agent2025的网页也有这个链接。
Yan Wang: Vs code配上copilot可以实现吗？到目前为止还实现不了，原因是vsvs code加copilot目前还没有agent的模式，
Yan Wang: 但是实现起来。我猜啊，github coil要是
Yan Wang: 要想超这个功能，或者说追赶这个功能应该也很快
Yan Wang: 可以不妨再观望
Yan Wang: 资料的正确性
Yan Wang: 对这是个非常好的问题。对
Yan Wang: 我们要保证资料的正确性。我觉得最重要的一点是要意识到有这个人闲崩起来，这是最关键的。
Yan Wang: 第二个关键的是要有足够的mechanism，
Yan Wang: 比如说
Yan Wang: 你在做这件事的时候，你可以做一个checklist，
Yan Wang: 在里面适当的时机加一行，
Yan Wang: 确保资料的正确性，
Yan Wang: 这样你自己就不会忘把它放到mechanism放到sop里面是最可靠的，
Yan Wang: 有co pilot没有跟database相连。对
Yan Wang: 这个的解决方法是你自己写一个自己写一个agent。
Yan Wang: 我们刚才也
Yan Wang: 展示了怎么写agent特别简单，你用自然语言跟chris说话，让他写一个python脚本，再用自然语言再到chris rules里面，跟他说，
Yan Wang: 这个工具怎么用就可以了，
Yan Wang: 市场上的工具太多了，简单介绍一下哪些工具好用吗？
Yan Wang: 对，我其实很多时间都花在去调研市场上，
Yan Wang: 有哪些工具，包括200块，一个月的pro，500块，一个月的davin，我都去试用了，
Yan Wang: 希望能够大家一起给大家一些启发，在这里再给大家发另外一篇文章，
Yan Wang: 我觉得最好用的是cursor，我也希望他们能给我打点钱，
Yan Wang: 是
Yan Wang: 它不仅仅是一个写code的东西，而且是一个我觉得是有潜力代替chargebt和cloud的工具，比如说你跟他聊天，
Yan Wang: 你可以让他翻译，而且这个界面还特别好，有中英文对照，
Yan Wang: 你可以让他rag，比如说我把我的blog放到cursor里，然后直接按command加回车，
Yan Wang: 他就可以读我的blog，而且做rug，
Yan Wang: 然后总结出来作者对gpt的观点，对时间的变化，这是我们的问题，
Yan Wang: 讲得非常好，很深入，
Yan Wang: 然后呢，他可以做搜索，像我们刚才做的。我问他，欧文家有什么新闻吗？他会直接说啊，他有个是12月开展了一个shipments的活动连续12月发布，他发布了o one模型，我又追问说，欧万不是早就发布了吗？他又去做进一步的搜索说，您说的，对，9月12号发布的是preview12月发布呢？是完整版，然后完整版有什么区别，所以你看到他他这个功能啊，其实比我觉得比还要好用
Yan Wang: 好
Yan Wang: 看一下其他的问题
Yan Wang: 可视化ml，html不方便跟同事共享，那这个你可以直接跟他说，
Yan Wang: 你就literally跟cursor说，你能把我的query也放到科室化，结果里面吗？就好
Yan Wang: 好，能不能把query喂给模型给query打分，
Yan Wang: 这是个非常好的问题，我没试过，但是我觉得你就用自然语言跟模型说就可以。这里面最难的问题可能说给query打分，你需要给他一个特别明确的标准，什么样的query是好的，什么样的是不好的，最好再给他一些例子，
Yan Wang: 这样才能让它有效的完成任务。
Yan Wang: 我们在
Yan Wang: 让模型完成任务的时候，要逆向思考，对
Yan Wang: 他完成任务需要怎样的信息，并且把这些信息都提供给他。
Yan Wang: 有对比标和cursor吗？
Yan Wang: Github发布过大的这个我还没看过这是一个很好的信息，
Yan Wang: 我只知道他发布了免费版的copilot，但是我可以来看一看能不能在，
Yan Wang: 能不能有agent的功能？
Yan Wang: Crystally runtime对应对应project的virtual environment吗？啊这是一个很好的问题，他为什么会调我的version environment啊，是因为我在crystal里面跟他说了，
Yan Wang: 我说，
Yan Wang: you have a python，vmv，npy，three，ten。这这个是原因。我跟他说了，
Yan Wang: 然后
Yan Wang: self pace客会有答疑吗？有
Yan Wang: 就community access。你可以在community里面的一些问题，我们会做详细的解答，
Yan Wang: if i don't know python struggle with this class，你需要理解python这些相关信息，
Yan Wang: 比如说怎么样去读一个排放程序，你不需要会写，因为写的时候ai帮你写，
Yan Wang: 你需要知道怎么去读
Yan Wang: 以及知道怎么去跑，就给你一个拍照程序，你要会把他跑起来以及
Yan Wang: eli, ah,
Yan Wang: 这些库啊，是这些基本的概念，我相信半小时时间应该都可以入门，尤其是现在有了agent，你看刚才程序跑挂了，不需要你去干任何事的程序跑挂了，他自己就分析修改一下分析脚本，所以对python的要求其实是越来越低的
Yan Wang: 上的时候，除了live session都是self pace吗？是的，我们有两个两小时的live session和一个一个半小时的office hour。席迪克，
Yan Wang: 其他时间都是self face的，因为我们也觉得一方面大家买课很多时候也是吃亏，节约大家时间其实是更好的为让大家能利用这个资源，所以给了一个浓缩版。另外一方面呢？内容真的是太多了。200页的教材如果正儿八经讲的话，可能得像大学里开一门课，讲个一个学期差不多
Yan Wang: 如果去一个rug的组或者做啊这种组呢？我比较建议在community里面具体的具体的问一下，因为牵扯到你个人的兴趣以及个人的场景，个人的情况
Yan Wang: 在local上存着，所有文档都很全，
Yan Wang: 可以在软件上做计算吗？是的，如果它有完整api的话，应该可以。如果他没有完整api，有gui的话，有另外一种可能。Cloud有一个东西
Yan Wang: 叫做cloud committer use，非常牛逼，它能让你看到这个让cloud看到你的屏幕，
Yan Wang: 然后他能操纵鼠标和键盘镜来来操纵你的app。所以如果你没有api的话，这可能是一个last rescue，但是他他work的不是特别稳定
Yan Wang: 好的，那今天这个
Yan Wang: 我们也超时了16分钟，真是不好意思啊，差不多也就到这里了，我们现在好像也没有其他的问题，下面呢？会把这些课程啊，我们的网站
Yan Wang: 发给大家。
YZ Sun: 有一个问题就是好多人问，就是cohort和southpace的区别是什么？然后就是说就是基本上是教学方式的区别，但是内容的话，我们尽量做到一致。然后这个cohort是有live session有实时的答疑，有office hours，然后因为大家一起学，所以说有一个节奏。所以说，一般我们会发现同学学起来也会更加认真一些。
YZ Sun: 而且我们一些新的东西我们会在cohort上先讲，然后讲完了以后再去把它形成一个比较固定的资料，然后一起update，比如说open source在上已经讲了，但是在southpace上的话，我们可能要到明年1月底2月中的时候再发了。
YZ Sun: 然后另外一个问题就是，如果说有能不能，就是你现在报了，因为我们报是送self paced的，因为我们希望把所有人都集中到一个里面嘛。问题是现在报了，是不是？可以直接看，
YZ Sun: 然后这个我们没有开放这个功能是因为我们退货退款啊，非常的非常宽松，所以说，只要是你不满意就无理由退款，然后这样的话，你买了cohort，我们直接送你self paste，然后你直接你退款的话，操作起来比较麻烦，但是如果说你报了cohort，并且不打算退款的话，可以
YZ Sun: 跟我们商量一下，然后就跟我们发一下，我们帮你们安排，就是可以，现在就把self pace看起来对，
YZ Sun: 就这两个不重。
Yan Wang: 另外看见了两个三个问题，最后解答一下二维码不显示折扣，对二维码不显示折扣，需要手工输入agent2025这个折扣码，
Yan Wang: 这个是给大家的。
Yan Wang: 一个感谢。第二个问题是怎么购客？来晚的话可以扫射两个。第三个问题是第五种方法，cursor是怎么接本地数据库的，在这儿接的，我们在prompt里面跟他说了，我有一个数据库，它的文件名是这个就这么简单，我没干任何事情。下面全是crystal自己figure out
Yan Wang: 好的，那么
Yan Wang: 现在那就到这里，如果大家有更多的问题欢迎在
Yan Wang: super linear academy的community里面进进行进一步的讨论，我们下面也会把这里面提到的所有资料发给大家好，
Yan Wang: 非常感谢大家的参与，我们下次再见，下周还有另一个直播
Yan Wang: 可以再来玩
Yan Wang: 拜拜。
YZ Sun: Yeah.