详细内容或原文请订阅后点击阅览
特工不知道什么是好的。这正是问题所在。
Luca Mezzalira，《Building Micro-Frontends》一书的作者，最初在 LinkedIn 上分享了以下文章。经他许可，本文将在此处重新发布。每隔几年，就会有一些东西出现，有望改变我们构建软件的方式。每隔几年，该行业就会出现可预见的分裂：一半人宣布旧规则已失效；另一半人宣布旧规则已失效；另一半人宣布旧规则已经失效。另一半则交叉双臂并 [...]
来源:O'Reilly Media _AI & MLLuca Mezzalira，《Building Micro-Frontends》一书的作者，最初在 LinkedIn 上分享了以下文章。经他许可，本文将在此处重新发布。
每隔几年，就会有一些东西出现，有望改变我们构建软件的方式。每隔几年，该行业就会出现可预见的分裂：一半人宣布旧规则已失效；另一半人宣布旧规则已失效；另一半人宣布旧规则已经失效。另一半则抱起双臂，等待炒作过去。两个阵营通常都是错误的，而且两个阵营通常都很吵。更罕见、更有用的是，有人站在噪音中间，提出结构性问题：而不是“这能做什么？”但是“这对于我们如何设计系统意味着什么？”
这就是 Neal Ford 和 Sam Newman 最近在 O’Reilly 的 Software Architecture Superstream 期间关于代理人工智能和软件架构的炉边谈话中所做的事情。这是一场值得仔细拆开的对话，因为他们表面上的一些内容比乍一看更令人不舒服。
德雷福斯陷阱
Neal 首先介绍了德雷福斯知识获取模型，该模型最初是为护理专业开发的，但适用于任何领域。该模型将学习映射到五个阶段：
他的主张是，当前的代理人工智能陷入了新手和高级初学者之间的困境：它可以遵循食谱，甚至可以在遇到困难时应用相邻领域的食谱，但它不明白为什么这些食谱有效。这不是一个小限制。这是结构性的。
有趣的是，福特和纽曼都没有对人工智能能力不屑一顾。要点更微妙：使这些代理真正有用的创造力，它们以人类不会想到的方式搜索解决方案空间的能力，与使它们变得危险的相同属性密不可分。你不可能在不破坏其价值的情况下完全对即兴创作进行脑白质切除。这是一个设计约束，而不是需要修补的错误。