Transcription
各位听众，大家好，欢迎回到 No Priors。今天我非常荣幸地邀请到了 OpenAI 的深度研究领域的先驱之一，Issa Falford。Deep Research 是 OpenAI 在今年二月发布的一款全新的智能体产品，它能够利用推理和网页浏览等工具，为您完成多步骤的研究任务。今天，他们将这项服务免费提供给所有美国用户。欢迎你，Issa。Issa，非常感谢你来参加这次节目。非常感谢您的邀请。您和您的团队最近发布了一款非常令人兴奋的 AI 产品。我经常使用它，Deep Research。这个想法是从哪里来的？能讲讲它的起源故事吗？是的，大约一年前，我们对内部在一种新的强化学习算法上取得的进展感到非常兴奋。我们在数学、科学和编程问题上看到了很多进展。与此同时，我一直在和我在 OpenAI 的朋友 Yash 一起做一些副业项目，我们对智能体普遍很感兴趣，并且想知道我们是否可以将相同的算法应用于可能更符合普通用户日常任务的任务。所以我们首先考虑的是在线浏览任务，因为我认为在很多不同的职业中，人们确实需要做大量的研究，综合大量信息，然后回来提交一份报告。然后我们也考虑了软件工程。我们一直在研究这些东西。我一直专注于浏览。所以，一开始，我们就像，数学和编程问题，人们已经在训练这些数据集了，你知道，你可以有一个数学问题，有一个正确答案，然后你可以进行训练。但是对于浏览，它更开放。你并没有真正拥有这样的数据集。所以，我们真的开始将研究和我们实际希望最终模型擅长的产品用例联系起来。所以，我们真的会写下一份清单，比如我希望模型能为我找到这个产品列表，并根据 Reddit 的评论等进行排名，或者我希望能够就这个主题写一篇文献综述。我觉得很多人在想到，你知道，浏览和智能体时，他们会想到同样的两三个交易性用例，而我实际上认为它们并没有特别鼓舞人心，对吧？所以，它往往是像在 DoorDash 上订一个汉堡之类的，或者，我觉得订花也是一个非常常见的例子。你认为你为什么会为智能体设定了如此不同的目标？是的。所以我想，在我们专注于采取正确行动之前，而那些就是采取正确行动的例子。我们希望在从大量来源综合信息方面做得非常出色，而且主要是只读任务。这有几个原因。首先，大量的知识工作职业大多是这样做的。所以，这对于这些人群来说会非常有用。其次，我认为 OpenAI 的总体目标是创造一个能够进行新的科学发现的 AGI。我们觉得，要做到这一点，前提是能够综合信息。你知道，如果你不能写一篇文献综述，你就写不出一篇新的科学论文。所以，这感觉与公司更广泛的目标非常一致。这也很具元性，因为你，你知道，帮助创造了一个让我更擅长学习的 AI，而且它还在学习。是的。是的。我之前没想过。我喜欢这个。更实际地说，只读任务可能是一个更受限制的安全问题，所以它也是一个很好的起点。是的，看起来，你知道，只读领域的人们也没有你和 Yash 最初设想的那么雄心勃勃，关于也许它能理解这些东西。好的。所以你考虑了这些最终评估，并提出了一系列可以自动评分的任务，或者符合一系列特征的任务，使它们更适合算法，而这本身就是一个巨大的过程。我认为我们最初构建了一个演示来向人们推销这个想法，而且没有涉及任何模型训练。它完全是通过提示模型和用户界面来推销这个产品可能是什么样子的。所以，我想在那之后，我们就到了必须开始思考我们该如何做的时候了。我们该如何创建数据？我们该如何训练模型？我们必须创建哪些工具来使模型能够有效地浏览互联网？这有很多迭代。我与 Edward Sun 和其他几个人在这方面进行了非常密切的合作，所以我们也与 RL 团队进行了很多合作。我认为这绝对是一项艰巨的任务，而它的一大好处是，我们能够不间断地工作几个月，让我们的电子邮件数量不断增加。所以，我认为很高兴没有太大的压力需要快速发布某些东西。我们能够进行迭代并使其达到一个良好的状态。你有没有最喜欢或最重要的任务？我们有几个任务。人们会提出不同的任务。其中一个任务是找到 Liam Felis 和 Barrett Zoff 一起写的所有论文。我想有 11 篇。模型现在可以找到其中大部分或全部。我们总是问这个问题。然后另一个任务，模型现在可能出于好原因无法回答，那就是找到我们一位同事的名字中的中间名。然后就我个人而言，我认为我早期就开始使用它来查找产品推荐和旅行信息，而且我认为我们内部有相当多的人，我们有一个 streamlit 游乐场，人们会使用它。很多人发现了它并正在使用它。Sam 告诉我他用它买了很多东西。每次它出现故障时，人们都会给我们发消息说发生了什么，我们需要使用模型，即使是之前的版本，坦白说，它并没有那么好，所以我想这是一个很好的初步迹象。关于实际的大部分工作，工具创建和数据创建，你能说些什么？所以，对于数据，我们做了很多不同的事情，我们使用人类训练师来处理其中一些。我们不得不想出新的方法，新的数据集类型，我想，我们不得不弄清楚如何设计数据集来锻炼我们希望模型学习的技能，然后你必须在训练它们时为这些数据集设计一种评分方法，然后你还必须为模型创建好的工具，以便它能够成功地完成任务。所以，现在我们只有浏览工具，这是一个基于文本的浏览器，但它可以看到嵌入的图像，并且可以打开 PDF，然后它还可以访问 Python 工具，所以它可以进行分析和计算，绘制图表等等。但是你可以想象在未来的版本中，我们将扩展工具集，这样模型就会变得更强大，但我们也需要创建数据集，让模型能够锻炼所有这些不同的工具，并弄清楚如何使用它们，以及如何回溯，你知道，在训练过程中所有这些不同的事情。所以，这实际上能够灵活地回答用户在产品中的新问题。很明显，在非常强大的基础模型上进行强化微调可以做非常有用的事情。现在这非常令人兴奋。对于那些正在考虑为特定任务进行 RFT 的初创公司或其他公司，你有什么建议，比如什么时候值得做，或者什么时候他们可以尝试进行传统的编排，其中智能体是其中的一个组成部分？所以，总的来说，如果你在某个特定任务上进行训练，你总是会得到一个在该任务上更好的模型，但我们也看到了从在一个任务上训练到在其他领域进行泛化。所以，你可以训练一个主要处理数学、编程和其他推理类问题的推理模型，它在写作方面也会很出色，但如果你只针对那个特定任务进行训练，它会做得更好。我认为，如果你有一个非常特定的任务，你认为它与模型可能训练过的任何任务都如此不同，并且你自己尝试了很多次，并且尝试了许多不同的提示，但它就是做得不好。所以，也许是某种基因测序任务，或者是一些对模型来说非常超出分布的东西，它不知道如何解决。我认为这是一个尝试强化微调的好时机。或者，如果你的业务流程中有一个任务非常关键，那么获得额外的 10% 到 15% 的性能是成败的关键，那么可能值得尝试。但如果这是一件你认为，哦，模型在这方面做得很好，但它有时会出错，你知道，有时会出错，然后你看到随着下一个模型的发布，它会变得更好一点。如果模型自然而然地会变得更好，那么这可能就不值得付出努力了。所以，这就是我的建议。好的，非常好的建议。你提到需要使用人类专家来创建一些数据。我认为浏览是一项普遍的任务。我猜有好的和更好的。有，你知道，更差和更好的浏览器。比如，你觉得你在哪里需要专业知识，或者你对浏览专业知识有什么了解，而你以前不知道的？是的，我猜这是其中一件事，基本上每个职业都涉及到，你知道，有一个问题或者想在一个领域进行研究，然后需要从许多不同的来源找到信息来综合出一个答案。而且在做这件事的时候，你必须具备专业知识来判断这是否是一个有用的来源，这是否不是，你知道，我应该包括这个吗，这是否完全离题，等等。这对于大多数工作或大多数，你知道，科学领域，任何事情都是普遍的。而且，RL 的酷之处在于，你不一定需要知道一个人如何进行研究的整个过程。你只需要知道任务是什么，结果应该是什么，模型就会在训练过程中学会如何从问题到得到一个好的答案。所以，我认为我们采取了一种非常广泛的方法。我认为如果你在 OpenAI 这样的地方工作，你可以做他们会告诉大多数初创公司不要做的事情，那就是专注于非常广泛的用户群体，并在大量不同的领域寻找专家，然后看看你是否能一次性做好所有事情，这就是我们采取的方法。然后我们也创建了大量的合成数据集等等。但人类数据绝对是关键部分，对于，你知道，让这个模型取得成功。模型在这些领域中学到的规划有没有让你感到惊讶，比如找到完美手袋的路径，或者日本的餐馆，或者相关的论文集？是的，我猜有时它会使用我未必会使用的搜索词，或者，你知道，我们并没有预先教它计划，但有时我们会看到它在开始研究之前确实会制定一个计划。有时模型会做一些聪明的事情，试图绕过你设置的限制。所以你必须确保它没有作弊，你知道，试图使用你给它的搜索引擎以外的其他搜索引擎，或者类似的东西。比如，它会做一些聪明的事情，你必须确保你留意着。以防万一你不想让模型做这些事情。也许我们可以借此机会谈谈一些失败模式。比如，你怎么看待智能体的一些经典问题，比如可能，你知道，错误累积或分心，甚至安全问题？是的，所以，我认为对于 Deep Research 来说，因为它实际上无法采取与典型智能体安全问题相同的类别的行动，但我认为响应更全面且耗时更长的事实意味着人们会更信任它们。所以，我认为幻觉可能是一个更大的问题。虽然这个模型比我们发布过的任何模型都更少出现幻觉，但它仍然有可能出现幻觉，因为大多数时候它会从其来源之一错误地推断出某些内容。所以，这就是我们有引用的原因之一，因为用户能够检查信息来源非常重要，如果信息不正确，他们希望能够弄清楚。但是，是的，这绝对是模型最大的限制之一，也是我们一直在积极努力改进的方面。就未来的智能体而言，我认为理想的智能体将能够代表您进行研究和采取行动。所以，我认为这是一个更难解决的问题。它正处于能力和安全性的交汇点，当一个智能体无法让你信任它以一种不会产生你不想发生的意外副作用的方式来完成任务时，它就没有用了。比如，如果你让它为你做一件事，然后在这个过程中它发送了一封令人尴尬的电子邮件之类的，你知道，那不是任务的成功完成。所以，我认为这将是一个更有趣也更困难的安全领域，我们开始着手处理了。你可以告诉我，如果你没有预测，你认为人们会想要明确的护栏吗？你认为你可以从模型本身学到很多这些特征吗？如果你用过 Operator，我敢肯定你用过。你必须确认每一个正确的行动。我认为一开始这样做很有意义。你想与用户建立信任，随着模型变得越来越强大，你可能已经看到它成功地做了一些事情几次，然后你开始更信任它，所以你可能允许它，好吧，每次你不需要每次都问我，每次你给这些人发邮件，那没关系。但是，我认为随着这些智能体的推出，我们肯定会想要护栏和确认，只是为了你知道，虽然它们不是最终的能力状态，但我们仍然希望确保我们有一个良好的监督水平，但我认为它们会变得如此强大，以至于我们会信任它们代表我们做事。你认为 Deep Research 作为一款产品在哪些方面会变得更好？我指的是，它会扩展到“采取行动”。你刚才暗示了这一点。我的意思是，我认为也许，你知道，理想状态是拥有一个可以做所有这些不同事情的统一智能体。任何你可以委托给同事的事情，它都应该能够做到。我们将如何决定是让 Sarah，你来做这件事，还是让智能体，请做这件事？是的，我猜。或者总是先尝试智能体？可能吧。我的意思是，如果是我工作的话，我会先尝试智能体。这是模型变得越强大，人类的抽象级别就越高，如果这说得通的话。比如，你让它做的任务级别越来越高，但你仍然是任务的发起者。所以，也许一年前我让它为我写一个函数，现在我让它写一个整个文件，也许明年它会，你知道，为我做一个完整的 PR 之类的。所以，我认为我们仍然会掌握主动权。至于 Deep Research，它明显的下一步将是能够访问私人数据，比如能够研究任何内部文档或 GitHub 等等。这里有一条黄金线索，因为我们第一次见面时你正在研究检索，而我当时想，这个公司不可能只有一个人在研究检索。一切，所有道路都通向检索。嗯。所以，我认为这会非常酷，然后最终采取正确的行动或调用 API，然后显然有很多模型现在还不完美的事情，我们只需要改进。但我认为我们与强化学习团队有着非常好的合作关系。所以，很多团队会为他们进行的重大运行贡献数据集。我们贡献数据集，然后当他们用大量的计算能力训练模型时，它就成为我们继续训练的更好的基础模型。所以，我认为能力正在不断累积。所以，这不是一个低调的研究预览，而是一个变成了一个非常有趣的，你知道，内部推介项目的副业。你如何看待 OpenAI，或者至少你自己，想要独立开发的产品，与属于核心研究路径的产品？OpenAI 的一个很酷之处在于，尽管公司规模扩大了，但我认为任何人都能产生一个想法并，你知道，验证它，然后将其推向完成的文化，随着公司的发展，这种文化仍然被保留了下来。就我个人而言，我总是被激励去从事我自己会使用的东西。比如研究，我经常用它来，你知道，查找各种旅行推荐，但我认为我可能是日常活跃用户，当你能够自己使用产品时，这很有趣。哦，太棒了，是的，我正在消耗大量的 GPU。有没有你作为原始专家出现的用例，有没有你或 Yash，或者你看到用户群使用它们的方式，你鼓励人们使用 Deep Research？我总是对人们在那些我完全没有专业知识的领域使用它感到好奇。例如，在医学研究领域，我看到很多不同的科学家发帖谈论他们如何使用 Deep Research 以及它如何帮助他们做某事。对我来说，这是最有趣的，因为当我们研究它时，我显然无法判断输出是否好坏。所以，看到专家们实际上批准 Deep Research 的回复很有用。我惊讶地看到人们使用模型的另一个领域是代码搜索和编码问题。比如使用最新的包或最新版本的任何仓库来帮助我写这个文件，或者用于数据分析。这也是模型已经做得相当不错的事情，而且我认为它会继续变得更好。比如，上传一个文件之类的，让它为你做一些分析，或者做一些研究，然后创建一个包含数值分析的报告，这相当有趣。我实际上还没有尝试过。所以，它不是一个浏览任务。它是什么让模型特别擅长这个，或者它能做什么？它真的是多步骤的，然后能够进行规划和理解任务并生成一份连贯的报告吗？是的，我认为基础模型，或者我们开始微调的 03 模型，本身就是一个非常强大的模型。它接受了许多不同数据集的训练，包括大量的编程、推理和数学任务。所以，它继承的能力相当强。然后当你在此基础上添加浏览功能时，它仍然能够进行分析。所以，我认为这两者结合起来可能非常强大。在播客之前，我们正在讨论学习品味或用户偏好的想法。比如 OpenAI 刚刚发布了许多内存功能，你认为 Deep Research 或智能体总的来说可以如何发展，以考虑到人们想要如何学习或他们的信息摄入偏好？是的，我认为智能体内存肯定会非常重要。如果每次你让它做一项任务时，你都必须重复相同的信息，你希望它如何完成任务，关于你的一切，这会非常烦人，而目前对于 Deep Research，你确实必须这样做。而且我认为随着任务变得越来越复杂，你知道，现在需要 5 到 30 分钟，你可以想象在未来可能需要几个小时或几天才能完成你让模型完成的任务。你肯定希望模型的搜索能够不断积累。你不想让它每次都从头开始。所以，我并不一定有一个好的答案，但我认为这是一个非常重要的问题。许多领先实验室的人们普遍认为，AGI 的配方是，我想说在某种程度上是已知的，或者你知道，对此有信心，而且 RL 的回归让每个人都非常兴奋。我从你和其他人那里听到的立场是，既有热情，你知道，这似乎是有效的。我们将从中获得真正的能力。它相当高效，而且会付出很多努力。跟我讲讲构建 Deep Research 的情感体验，以及这是否改变了你的看法？我同意你所说的一切。我认为看到算法在数据效率方面有多么令人印象深刻是令人难以置信的。我猜你训练的数据质量更高，而且数量更少。所以，实际上，策划这些数据是一项艰巨的任务，然后确保模型能够访问人类需要的所有工具来完成他们需要的工作。然后确保你代表人们会发现有用或在工作中会做的任务，以一种你可以，你知道，判断模型是否做得好的方式来呈现，这也很难。而且对于预训练来说，还有很多其他的挑战，你有更多的数据。你知道，你必须做所有这些不同的事情，这些事情是，我认为这只是一个不同的挑战，而且两者都在不断积累，你需要一个非常好的基础模型才能进行 RL，然后对于我们的团队来说，我们只是做更多的 RL。所以，是的，这就像一切都在不断积累，但我认为，我们每个人都看到了一个相当清晰的通往这个，你知道，广泛有能力的智能体的道路。你认为有什么大的障碍会阻碍进步，比如你说的，也许不是确切地将其描述为 Deep Research 的下一个迭代，而是对我们将拥有这些统一的智能体能力并感觉像同事的信心。有什么阻碍我们前进？有很多非常困难的安全问题需要我们解决。你知道，我们永远不会发布我们没有，你知道，非常有信心的安全的东西。而且我认为，当它能够访问你的 GitHub 存储库、你的密码和你的私人数据时，风险要高得多。所以，我认为这是一个非常大的挑战。我猜，如果你希望模型能够完成需要很多很多小时的任务，那么找到管理上下文的有效方法，有点类似于记忆问题，但如果你长时间地完成一项任务，你就会用完上下文。那么，处理这种情况的有效方法是什么？允许模型继续做它的事情，然后，是的，就是创建数据和创建工具的任务。我的意思是，我已经说过几次了，但这确实是一项艰巨的工作。我只是看了看我的查询历史。我的用户请求是，我想看看我向 Deep Research 提出的问题与向其他模型提出的问题有什么不同，尤其是在我的记忆中。它从，显然，你知道，当我试图了解一家我正在关注的公司市场或一个技术主题，或者旅行计划时，这是一个大问题，我也找过一些与品味相关的东西。所以，我会说，好吧，我，你知道，喜欢这一系列的书，原因如下。我想让你，你知道，实际上给我一个长篇总结，关于你认为我应该阅读的其他很多东西，并解释原因。我意识到我没有一个非常清晰的心智模型，关于什么时候 Deep Research 应该比 03 更好。你能给我什么直觉吗？Deep Research 在你有一个非常具体的查询或定义明确的查询时非常有用。所以，也许不是对一个主题的总体概述，而是你正在寻找一些具体的信息，并且你认为它可以通过现有的在线研究来补充。即使这些信息，你知道，我们也用基础模型训练了这些信息。我认为拥有实时访问权限非常有用。所以，如果我对将信息导向检索或特定来源有任何直觉，那么专注于这一点很有用，我认为是这样。而且，我们也训练它产生比，你知道，普通模型更长的输出。所以，如果你正在寻找一些非常全面的东西，也许有时对于某些任务来说过于全面，我认为 Deep Research 对这些事情会很有用。将这一点与 Deep Research 的时尚任务联系起来。我用它来找新品牌。所以，我会说，我喜欢这些类型的品牌。请找一些我可以找到这个特定外套的新品牌，它看起来像这个，或者类似的东西。然后它非常擅长找到这些，而基础模型或普通模型会给你一些品牌，但它不一定能满足我给出的所有限制，比如我想卖这个，你知道，人造毛皮外套，这个长度，这个季节，或者类似的东西，它就做不到，因为它没有最新的信息，而且它也不一定能一次性处理查询中的所有限制。01 不像现在这样全面地浏览。我会用它来找那些需要我花几个小时才能找到的非常具体的东西。所以，我正在寻找这个非常具体的东西，或者，你知道，一件可能在 Real Real 或其他地方有售的毛衣，但我找不到，或者我正在寻找一个具有非常具体限制的 Airbnb。所以，我认为 Deep Research 对这些类型的任务很擅长，而对于更普遍的，你知道，高层次的事情，你应该使用普通搜索。是的。好吧，我承认我有一些多年的浏览/购物任务，我现在正在为 Deep Research 设置一个计划任务。我想问最后一个关于经验的问题，那就是，在训练 Deep Research 的过程中，有没有一个特别的胜利或失败让你感到惊讶？这确实是其中一件事，我们认为，你知道，在浏览任务上训练会起作用。你知道，感觉我们对此有很好的信心，但实际上，当你第一次用这个算法在一个新的数据集上训练一个模型，并看到它实际工作并玩弄模型时，这是相当不可思议的，即使我们认为它会起作用。所以，老实说，它如此有效就相当令人惊讶。即使我们认为它会起作用，如果这说得通的话。是的。是的。这是，这是那种亲身体验，比如，哦，这条路铺满了草莓，或者别的什么。正是如此。但有时它失败的一些事情也令人惊讶。比如，有时它会犯一个错误，它会做一些非常聪明的事情，然后犯一个错误，我只是在想，你为什么这样做？停下来。所以，我认为肯定还有很大的改进空间，但是，是的，到目前为止，我们对模型印象深刻。我习惯了我的所有技术工具都是即时的。Deep Research 不是即时的。它在思考和使用工具。它能更快吗？是的，我认为有一个很好的中间地带，有时你不想让它做非常深入的研究，但你希望它做得比搜索更多。而且我认为我们将很快发布一些人们会喜欢的东西，并填补这个空白。我不知道如何传达这个偏好，但我想在某个时候切换到，比如，尽可能多的工作，因为我会这样对一个人说，我想让你在接下来的五分钟内尽你所能做到最好。是的。你看，我认为让用户自己做这个决定似乎是一个糟糕的用户体验。模型应该更清楚地知道需要花多少时间思考。我认为我们在训练模型时做了一个决定，那就是我们每次都选择最大思考时间。所以，我敢肯定，我有时会问它一个非常简单的查询来测试一下，然后会因为还在思考而感到非常沮丧。所以，我认为这也是一个需要改进的领域，你知道，知道需要思考多久。但是，是的，我怀疑，对于 Deep Research，我们将始终专注于需要最长时间的任务，然后我认为像 03 或，你知道，O next 将会有更好的中间选项。你能想象 Deep Research 在未来需要一天时间才能完成的任务的例子吗？我的意思是，有一些 GPU 燃烧。我认为任何需要，我的意思是，现在在五到三十分钟内，它可以做到人类专家需要几个小时才能做到的事情。所以，我想在一个小时内，它可以做到人类需要几天才能做到的事情。一天之内，它可以，你知道，做一些人类需要几周才能完成的事情。显然，要让它扩展到这个程度会有很多挑战。但我认为你可以想象它完成一个需要几周才能完成的研究项目，或者写一篇论文之类的。好的，我将让我的实习生和它竞争。好的，在接下来的几个月里。是的，听起来不错。如果你预测一年后，这在 AI 领域是很长的时间，你认为有什么事情会让人们感到惊讶，那就是智能体能够做到，并且实际上会被发布？它考虑了安全因素。一个通用的智能体，能够帮助你完成许多不同领域的工作。比如对我来说，我做很多编程。我希望有一个相当不错的编程智能体，但我会信任它，我会给它一个任务，它会做出一个 PR 之类的，但也许我可以让同一个智能体帮我预订去韩国的旅行，或者别的什么。我希望我们能实现更统一的体验，但我也认为这些模型改进的速度会让大多数人感到惊讶。你为什么认为统一的体验很重要，或者你为什么认为这有意义？因为我认为今天，这显然与 ChatGPT 是一个非常全面的体验不同，但也有人们在不同场景下使用的模型，比如，你知道，用于编程的下一行补全模型，它们感觉非常不同。我认为你可能两者都需要。比如，你可能需要一种体验，在某个时候你可以覆盖或中断模型，然后说，“哦，不，我不是那个意思。”或者你可以接管并开始输入一些东西。是的。尤其是在短期内，因为模型在许多领域不如人类，而在其他领域却更强大。所以，我认为它将是你的要求模型做某事，但然后也许以编程为例，然后也许你也在你的 VS Code 或其他什么地方，你的光标，它一直在为你做一些事情，但你也可以，你知道，自己写一些。所以，我认为它将是这些事情的结合，但我我希望它是一种，就像拥有一个 Slack 上的同事，或者一个你可以让他们为你做事的远程同事，你给他们发一条 Slack 消息，然后他们就会开始做，然后你可以，你知道，审查他们的工作，或者在某个时候提供帮助，这似乎是一个相当不错的通用界面，而且你不需要考虑应该问哪个智能体来做哪个任务，就像你应该能够弄清楚一样。我对此的心智模型是，我的普遍理念是，我爱我一起工作的人。我的意思是，考虑到一切，我宁愿与更少的人一起工作，管理开销更少，因为每个人都有更多的上下文，我对他们有更多的了解。所以，像普遍有用的智能体就是有吸引力的原因。你只需要告诉它一次，它就会记住，然后它就会拥有你正在处理的所有事情的状态，等等。太棒了。好了，这是一次很棒的谈话，Issa。感谢你的参与，也感谢你发布了这款产品。非常感谢您的邀请，也感谢您使用 Deep Research。在 Twitter 上关注我们，网址是 no prior pod。如果您想看到我们的脸，请订阅我们的 YouTube 频道。在 Apple Podcasts、Spotify 或您收听节目的任何地方关注该节目。这样您每周都能收到新一集。并在 no-bers.com 上注册电子邮件或查找每集的文字记录。