Ich habe neulich ein Produkt entwickelt, das meiner Meinung nach perfekt für KI-bezogene Anwendungsfälle geeignet sein könnte. Geistvon ghost.construct, beschreibt sich selbst als „die erste Datenbank, die für Agenten erstellt wurde“.

Ghost ist eine „Agent-First“-Postgres-Datenbankplattform, mit der Entwickler und KI-Agenten problemlos ganze Datenbanken erstellen, forken, prüfen, abfragen, manipulieren und löschen können.

Es gibt auch ein sehr großzügiges kostenloses Nutzungskontingent.

Die Entwickler, die es entwickelt haben, hatten eine einfache Idee: Wenn Agenten Software program erstellen, Migrationen testen, Schemata prüfen, SQL ausführen und mit Daten experimentieren wollen, dann brauchen sie Datenbanken, die ebenso verfügbar und programmierbar sind wie Code-Sandboxen. Da passt Ghost hinein.

Wenn Sie eine Ghost-Datenbank erstellen oder bestehende aufteilen, befinden sich diese Datenbanken in der Cloud-Infrastruktur von Ghost und nicht auf Ihrem lokalen System. Ghost ist besonders nützlich für Checks, Prototyping, Agenten-Workflows, Zweigstellendatenbanken, Migrationsexperimente und Einweg-Datenbankumgebungen.

Herkömmliche verwaltete Datenbanken basieren auf einer langlebigen Produktionsinfrastruktur. Sie erstellen eine Instanz, konfigurieren das Netzwerk, verwalten Anmeldeinformationen, verbinden Anwendungen und behandeln die Datenbank dann als etwas Wertvolles und Zerbrechliches. Ghost behält die Leistungsfähigkeit von Postgres bei, fügt aber einen Workflow hinzu, der der modernen Agentenentwicklung viel näher kommt: Erstellen Sie eine Datenbank bei Bedarf, forken Sie sie, wenn Sie eine isolierte Kopie benötigen, führen Sie SQL dafür aus, überprüfen Sie das Schema, probieren Sie verschiedene Tabellenkonfigurationen aus und werfen Sie sie weg, wenn Sie fertig sind.

Dadurch eignet sich Ghost besonders intestine für KI-Instruments wie Codex und Claude Code. Diese Instruments können über Code nachdenken, Migrationen schreiben, Abfragen debuggen, Seed-Daten generieren, Protokolle überprüfen und MCP-Instruments verwenden. Der integrierte MCP-Server von Ghost bietet Codex direkte Datenbankverwaltungsfunktionen, anstatt den Agenten dazu zu zwingen, sich auf vage Anweisungen, kopierte Verbindungszeichenfolgen oder manuelle Dashboard-Arbeiten zu verlassen.

Im Relaxation dieses Artikels erkläre ich Ihnen, wie Sie Ghost auf Ihrem lokalen System installieren. Anschließend schauen wir uns vier konkrete Beispiele für die Verwendung von Ghost mit dem Codex-Agenten und seiner eigenen CLI an.

Bitte beachten Sie, dass ich weder mit dem Unternehmen oder Workforce hinter Ghost noch mit dem Ghost-Produkt selbst verbunden bin.

Voraussetzungen

Ich gehe davon aus, dass auf Ihrem System bereits einer der von Ghost unterstützten Codierungsagenten installiert ist. Dazu gehören:

Claude Code
Codex
Cursor
Gemini CLI
Google Antigravity
Kiro CLI
VS Code
Windsurf

Sie benötigen außerdem ein GitHub-Konto, dem Sie Ghost beim Anmelden Zugriff gewähren müssen.

Ghost installieren

Unter Linux, WSL unter Home windows oder macOS können Sie den folgenden Curl-Befehl verwenden.

$ curl -fsSL https://set up.ghost.construct | sh

Wenn Sie wie ich Home windows verwenden, können Sie diesen Befehl von einem PowerShell-Terminal aus verwenden.

PS C:Usersthoma> irm https://set up.ghost.construct/set up.ps1 | iex

Dann lauf,

PS C:Usersthoma> ghost login

Opening browser for authentication...
Discovered house: nj5scy2orp
Efficiently logged in as (electronic mail protected)

Ihnen wird ein Bildschirm wie dieser angezeigt. Autorisieren Sie Ghost, fortzufahren.

Nachdem Sie sich korrekt angemeldet haben, sollten Sie als Nächstes den Ghost MCP-Server Ihrem bevorzugten Programmieragenten zur Verfügung stellen. In meinem Fall verwende ich Codex.

Geben Sie Folgendes in die Befehlszeile ein und wählen Sie Ihren Agenten aus der angezeigten Liste aus.

PS C:Usersthoma> ghost mcp set up

Choose an MCP consumer to configure:
  1. Claude Code
> 2. Codex
  3. Cursor
  4. Gemini CLI
  5. Google Antigravity
  6. Kiro CLI
  7. VS Code
  8. Windsurf

Typing: 2
Efficiently put in Ghost MCP server configuration for codex
Configuration file: C:Usersthoma.codexconfig.toml

Subsequent steps:
   1. Restart codex to load the brand new configuration
   2. The Ghost MCP server can be accessible as 'ghost'

PS C:Usersthoma>

Überprüfen Sie, ob Ihr Setup in Ordnung ist

• Geben Sie Folgendes ein, um zu überprüfen, ob der Ghost MCP korrekt installiert ist.

PS C:Usersthoma> ghost mcp listing

TYPE    NAME
immediate  design-postgis-tables
immediate  design-postgres-tables
immediate  find-hypertable-candidates
immediate  migrate-postgres-tables-to-hypertables
immediate  pgvector-semantic-search
immediate  postgres
immediate  postgres-hybrid-text-search
immediate  setup-timescaledb-hypertables
software    ghost_connect
software    ghost_create
software    ghost_create_dedicated
software    ghost_delete
software    ghost_feedback
software    ghost_fork
software    ghost_fork_dedicated
software    ghost_list
software    ghost_login
software    ghost_logs
software    ghost_password
software    ghost_pause
software    ghost_rename
software    ghost_resume
software    ghost_schema
software    ghost_sql
software    ghost_status
software    search_docs
software    view_skill

Überprüfen Sie, ob Ihr Agent den Ghost MCP-Server verwenden kann. Sie sollten eine ähnliche Ausgabe sehen (für Codex).

PS C:Usersthoma> codex mcp listing

Title   Command                                                Args       Env  Cwd  Standing   Auth
ghost  C:UsersthomaAppDataLocalProgramsGhostghost.exe  mcp begin  -    -    enabled  Unsupported

Vorausgesetzt, alles ist in Ordnung, können wir mit weiteren Beispielen für die Verwendung von Ghost über seine CLI und Agenten über seinen MCP-Server fortfahren.

Beispiel 1 – Erstellen einer Verkaufsdatendatenbank

Öffnen Sie Ihren Codierungsagenten und geben Sie Folgendes ein.

Codex> Create a ghost database known as sales_data that shops 10,000 dummy gross sales 
data. Within the database, create whichever tables are appropriate for such 
information. Don't embody any indexes, main or international keys for now.

Ich habe diese Ausgabe von Codex erhalten.

Labored for 1m 32s
Created a contemporary Ghost database named sales_data.

It accommodates 10,000 dummy gross sales order data and supporting tables:

clients           1,000
merchandise            150
sales_reps          30
sales_orders        10,000
sales_order_items   30,000
Per your instruction, I didn't create any:

main keys
international keys
indexes

Verification confirmed there aren't any main key constraints, no international key 
constraints, and no indexes on the gross sales tables.

Wie Sie sehen, dauerte dies auf meinem System etwas mehr als eineinhalb Minuten, was eine ziemlich beeindruckende Statistik für das ist, was erreicht wurde.

Beispiel 2 – Verwendung der Ghost-CLI

Nachdem wir nun eine Datenbank zum Spielen haben, probieren wir einige der Ghost-CLI-Befehle aus. Beachten Sie, dass diese Befehle normalerweise nicht verwendet werden müssen, da wir alles, was ich Ihnen gleich zeigen werde, über Codex und das Ghost MCP tun können, aber es ist auf jeden Fall nützlich zu wissen, wie.

PS C:Usersthoma> ghost listing

ID          NAME        STATUS   STORAGE
sip3qcs40a  sales_data  operating  211MiB

• Sehen Sie sich die Datenbanktabellen und die Struktur an

PS C:Usersthoma> ghost schema sales_data

DATABASE: sales_data (sip3qcs40a)

TABLE: clients
  customer_id    BIGINT GENERATED ALWAYS AS IDENTITY
  customer_name  TEXT NOT NULL
  electronic mail          TEXT NOT NULL
  country_code   TEXT NOT NULL CHECK ((size(country_code) = 2))
  section        TEXT NOT NULL CHECK ((section = ANY (ARRAY('shopper'::textual content, 'small_business'::textual content, 'enterprise'::textual content))))
  created_at     TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT now()

TABLE: merchandise
  product_id    BIGINT GENERATED ALWAYS AS IDENTITY
  sku           TEXT NOT NULL
  product_name  TEXT NOT NULL
  class      TEXT NOT NULL CHECK ((class = ANY (ARRAY('software program'::textual content, '{hardware}'::textual content, 'companies'::textual content, 'coaching'::textual content, 'assist'::textual content))))
  base_price    NUMERIC(10,2) NOT NULL CHECK ((base_price > (0)::numeric))
  lively        BOOLEAN NOT NULL DEFAULT true

TABLE: sales_order_items
  sales_order_item_id  BIGINT GENERATED ALWAYS AS IDENTITY
  sales_order_id       BIGINT NOT NULL
  product_id           BIGINT NOT NULL
  amount             INTEGER NOT NULL CHECK (((amount >= 1) AND (amount <= 6)))
  unit_price           NUMERIC(10,2) NOT NULL CHECK ((unit_price > (0)::numeric))
  discount_amount      NUMERIC(10,2) NOT NULL DEFAULT 0 CHECK ((discount_amount >= (0)::numeric))
  line_total           NUMERIC(12,2) NOT NULL CHECK ((line_total >= (0)::numeric))

TABLE: sales_orders
  sales_order_id   BIGINT GENERATED ALWAYS AS IDENTITY
  customer_id      BIGINT NOT NULL
  sales_rep_id     BIGINT NOT NULL
  order_status     TEXT NOT NULL CHECK ((order_status = ANY (ARRAY('pending'::textual content, 'accomplished'::textual content, 'shipped'::textual content, 'cancelled'::textual content, 'refunded'::textual content))))
  ordered_at       TIMESTAMP WITH TIME ZONE NOT NULL
  payment_method   TEXT NOT NULL CHECK ((payment_method = ANY (ARRAY('card'::textual content, 'bank_transfer'::textual content, 'paypal'::textual content, 'bill'::textual content))))
  currency_code    TEXT NOT NULL DEFAULT 'USD'::textual content CHECK ((currency_code = 'USD'::textual content))
  subtotal_amount  NUMERIC(12,2) NOT NULL DEFAULT 0 CHECK ((subtotal_amount >= (0)::numeric))
  tax_amount       NUMERIC(12,2) NOT NULL DEFAULT 0 CHECK ((tax_amount >= (0)::numeric))
  shipping_amount  NUMERIC(12,2) NOT NULL DEFAULT 0 CHECK ((shipping_amount >= (0)::numeric))
  total_amount     NUMERIC(12,2) NOT NULL DEFAULT 0 CHECK ((total_amount >= (0)::numeric))

TABLE: sales_reps
  sales_rep_id  BIGINT GENERATED ALWAYS AS IDENTITY
  rep_name      TEXT NOT NULL
  area        TEXT NOT NULL CHECK ((area = ANY (ARRAY('north_america'::textual content, 'europe'::textual content, 'asia_pacific'::textual content, 'latin_america'::textual content))))
  hired_at      DATE NOT NULL

VIEW: pg_buffercache
  bufferid          INTEGER
  relfilenode       OID
  reltablespace     OID
  reldatabase       OID
  relforknumber     SMALLINT
  relblocknumber    BIGINT
  isdirty           BOOLEAN
  usagecount        SMALLINT
  pinning_backends  INTEGER

VIEW: pg_buffercache_numa
  bufferid     INTEGER
  os_page_num  BIGINT
  numa_node    INTEGER

• Wählen Sie einige Daten aus der Tabelle sales_order aus

PS C:Usersthoma> ghost sql sales_data "SELECT * FROM sales_orders LIMIT 10;"

 sales_order_id │ customer_id │ sales_rep_id │ order_status │ ordered_at                    │ payment_method │ currency_code │ subtotal_amount │ tax_amount │ shipping_amount │ total_amount
────────────────┼─────────────┼──────────────┼──────────────┼───────────────────────────────┼────────────────┼───────────────┼─────────────────┼────────────┼─────────────────┼──────────────
 1              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1796.88         │ 143.75     │ 0.00            │ 1940.63
 2              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1622.63         │ 129.81     │ 0.00            │ 1752.44
 3              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1867.25         │ 149.38     │ 0.00            │ 2016.63
 4              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 606.02          │ 48.48      │ 0.00            │ 654.50
 5              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1450.11         │ 116.01     │ 0.00            │ 1566.12
 6              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1227.85         │ 98.23      │ 0.00            │ 1326.08
 7              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 7086.55         │ 566.92     │ 0.00            │ 7653.47
 8              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 696.92          │ 55.75      │ 0.00            │ 752.67
 9              │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 1063.73         │ 85.10      │ 0.00            │ 1148.83
 10             │ 8           │ 9            │ accomplished    │ 2024-05-21 05:08:34.332998+00 │ paypal         │ USD           │ 2489.06         │ 199.12     │ 0.00            │ 2688.18
(10 rows)

• Befürchten Sie, dass Ihr Agent Ihre Datenbank zerstört? Ganz einfach: Stellen Sie Ihr System einfach auf schreibgeschützt ein

PS C:Usersthoma> ghost config set read_only true

Now in Codex,

Codex> delete from sales_order_items the place sales_order_item_id = 12

Labored for 5s
The DELETE was blocked, as anticipated:

ERROR: can not execute DELETE in a read-only transaction (SQLSTATE 25006)

Es gibt eine ganze Reihe nützlicher Befehle, die Sie mit der Ghost-CLI verwenden können. Für eine vollständige Liste geben Sie ein Geist – Hilfe in Ihre Befehlszeile.

Aber wie ich bereits sagte, ist einer der Hauptgründe für die Verwendung von Ghost, dass wir Datenbanken mithilfe unseres KI-Agenten manipulieren können. Sehen wir uns das in Aktion an.

Beispiel 3 – Verwendung des Ghost MCP mit unserem Agenten.

Wir haben bereits in Beispiel 1 gesehen, wie schnell und einfach es warfare, mit Codex eine Datenbank zu erstellen, aber zeigen wir, wie einfach es ist, mit Datenbanken mithilfe eines Agenten zu experimentieren.

• Fügen Sie 500.000 Datensätze zur Tabelle sales_order_items hinzu

Codex> Add 500,000 dummy gross sales order data to the sales_order_items desk


Added 500,000 dummy rows to sales_data.sales_order_items.

Ultimate counts:

sales_orders        10,000
merchandise            150
sales_order_items   530,000

I additionally recalculated the ten,000 order totals from the expanded line-item desk.

Totals now:

Subtotal sum:      1,530,141,808.73
Tax sum:             124,981,128.08
Complete gross sales:       1,639,903,892.69
Avg order worth:         163,990.39

Confirmed the tables nonetheless have 0 indexes.

• Wählen Sie einige Daten aus der Tabelle sales_order_id aus

Codex> Retrieve the sales_order_items report for 
sales_order_items_id = 519932 and inform me how lengthy it took to retrieve

Report discovered:

sales_order_item_id: 519932
sales_order_id:      9932
product_id:          15
amount:            3
unit_price:          91.47
discount_amount:     0.00
line_total:          274.41
Timing:

Database execution time:     25.833 ms
Ghost MCP end-to-end time:  146.733 ms
As a result of there aren't any indexes, Postgres used a sequential scan and filtered via 529,999 rows to seek out the report.

• Nun zur Leistungsoptimierung

Codex> Fork 3 duplicate sales-data databases in parallel, naming them 
sales_data-1, and many others.... Utilizing differering methods in every fork, tune the 
database in order that the above question runs extra rapidly. Output your leads to 
an ascii desk with database identify, tuning technique and database execution time.


I am going to create three forks concurrently, then apply a distinct lookup technique 
to every fork: a plain btree index, a masking btree index, and a bodily 
clustered desk plus index. Then I am going to measure the identical EXPLAIN ANALYZE 
execution time on every.

Used Ghost

Solely the supply sales_data exists, so there aren't any fork-name collisions. 
I am launching the three fork/tune/measure staff now; every employee waits solely 
for its personal fork earlier than tuning it.

Labored for 2m 40s

Created and tuned three forked databases in parallel.

Baseline on untuned sales_data was beforehand 25.833 ms with a sequential scan.

+--------------+---------------------------------------------------------------+--------------------------+
| Database     | Tuning technique                                               | Database execution time  |
+--------------+---------------------------------------------------------------+--------------------------+
| sales_data-1 | Btree index on sales_order_item_id                            | 0.131 ms                 |
| sales_data-2 | Masking btree index together with all projected question columns    | 0.143 ms                 |
| sales_data-3 | Hash index on sales_order_item_id for equality lookup         | 0.158 ms                 |
+--------------+---------------------------------------------------------------+--------------------------+

Finest end result: sales_data-1 with a typical btree index at 0.131 ms.

Wie Sie sehen können, warfare die Beschleunigung nach der Optimierung erwartungsgemäß ziemlich erheblich. Dennoch ist eine Verbesserung der Abfragelaufzeit um den Faktor 200 nicht allzu schlecht.

Beispiel 4 – Erstellen einer Dashboard-App für unsere Datenbank

Dieses Beispiel zeigt, wie einfach es ist, eine mit Codierungsagenten erstellte App mit einer mit Codierungsagenten erstellten Datenbank zu kombinieren.

Codex> Use your efficiency tuning findings to improve the sales_data 
database. Then assemble a dashboard utilizing javascript and HTML for the 
database. The dashboard needs to be dynamic. I need to have the ability to filter on information 
and the dashboard ought to solely present information that's contained in the database.


I am going to flip this right into a small reside dashboard app: an Categorical backend with 
read-only Postgres queries, and a browser UI that fetches filtered information 
from /api/dashboard. I am going to maintain the database URL in an atmosphere file 
reasonably than placing credentials within the HTML.

Ran 3 instructions
The workspace already has pg; I am going to add specific and dotenv, then fetch a 
read-only Ghost connection string for the app.

Ran 1 command, used Ghost
I am going to keep away from placing the database password into the HTML. The server will get a 
read-only connection from the Ghost CLI at startup if DATABASE_URL will not be 
set, and all browser requests will undergo parameterized API endpoints.

Ran & 'C:UsersthomaAppDataLocalProgramsGhostghost.exe' join --read-only sales_data
The read-only Ghost connection string works and consists of sslmode=require 
plus Ghost's protected read-only choice. I am including the backend and changing 
the HTML with a reside API-driven dashboard.

The backend API is in place. I am changing the dashboard HTML with a 
frontend that calls /api/choices and /api/dashboard each time filters change.

Created 1 file
The reside frontend and backend are written. I am beginning the server now and 
checking the API endpoints earlier than I hand you the URL.

The server is now operating on port 5101. I am verifying the browser HTML and a 
filtered API name towards the reside database.

Labored for 7m 28s
Executed. The dashboard is now a reside browser app backed by the Ghost sales_data 
database.

Run/open it right here:

http://localhost:5101/sales_dashboard.html

What modified:

Added server.js with an Categorical API.
Up to date sales_dashboard.html so filters name the API and redraw charts/tables.
Up to date package deal.json with npm begin.
The backend will get a Ghost read-only connection by way of ghost join --read-only sales_data.
Browser JavaScript by no means sees the database password.

Als ich auf den HTML-Hyperlink klickte, erhielt ich ein dynamisches Dashboard, das genau auf verschiedene Filterwerte reagierte.

Zusammenfassung

Hoffentlich habe ich Ihnen genug von den Funktionen der Ghost-Datenbank gezeigt, um Ihren Appetit zu wecken, mehr über dieses nützliche Produkt zu erfahren.

Bemerkenswert ist die Leichtigkeit und Geschwindigkeit, mit der sich mit diesem Device Postgres-Datenbanken erstellen, zerstören, kopieren und bearbeiten lassen.

Was mir an Ghost am besten gefällt, ist die einfache Ausführung von Was-wäre-wenn-Szenarien mit echten Datenbanken. Benötigen Sie zum Ausprobieren neue Kopien einer vorhandenen Datenbank? Es ist ein Kinderspiel. Sie können Indizes und Primärschlüssel zerlegen und ändern oder materialisierte Ansichten erstellen, indem Sie einfach in einfachem Englisch beschreiben, was Sie wollen, und zwar mit Ihren bevorzugten Agenten-Codierungstools, mit einem Fallback auf eine CLI, wenn Sie es wirklich brauchen.

Wie ich in meinem letzten Beispiel gezeigt habe, ist es aufgrund der guten Zusammenarbeit von Ghost mit Agenten-Codierungstools ziemlich einfach, diese Agenten Code erstellen zu lassen, der sich intestine in Ghost-Datenbanken integrieren lässt, um nützliche Apps wie Dashboards und andere Arten von SaaS-Anwendungen zu erstellen.

Obwohl Sie vielleicht eine Pause einlegen möchten, bevor Sie Produktionsdaten auf Ghost speichern, ist es eine großartige Plattform für Proofs of Idea und allgemeine Experimente. Und sobald Sie eine Datenbankstruktur haben, mit der Sie mit Ghost zufrieden sind, sollte die Replikation dieser Struktur in Ihrer Produktionsdatenbank problemlos sein.

Weitere Informationen zur Verwendung von Ghost und eine vollständige Dokumentation finden Sie auf der offiziellen Homepage unten.

https://ghost.construct/docs/#introduction

Es gibt keine Modalität, die von AI nicht behandelt wird. Und KI -Systeme erreichen noch weiter, planen Werbung und Marketingkampagnen, Automatisierung von Social -Media -Postings. Das meiste davon warfare vor nur zehn Jahren undenkbar.

Aber dann haben die ersten maschinell lernbasierten Algorithmen ihre ersten Schritte gemacht: aus den Forschungslabors, in erste Produkte. Sie begannen, Inhalte auf YouTube- und Social -Media -Web sites zu kuratieren. Sie begannen, Filme zu Netflix und Songs auf Spotify zu empfehlen. Die Ranglisten -Suchergebnisse. Sie spielten strategische Spiele mit Menschen. Der allgemeine Aufstieg der AI-fähigen Dinge warfare spektakulär.

KI am Arbeitsplatz

Und der Arbeitsplatz ist nicht dagegen immun. Als Scholar untersuchte ich, wie Hyperplane, Zentroide und Backpropagationsregeln konstruiert werden sollen, und für die meisten meiner Studien wurde KI hauptsächlich als akademische Forschungsrichtung angesehen. Seit ich in den Arbeitsmarkt eingetreten bin, hat sich dies sehr verändert. Arbeitgeber und Arbeitnehmer erkannten das Potenzial von KI für die Arbeit. An den meisten (digitalen) Arbeitsplätzen wird KI schnell zu einem unsichtbaren Kollegen.

Viele dedizierte KI-Instruments haben bereits den Sprung auf unsere Desktops gemacht: Programmierer verwenden AI-unterstützte Codierungs-Instruments, Datenanalysten bereiten Pipelines aus einzelnen Beispieldateien über AI vor, und Designer ziehen mit AI-generierten Visuals schneller ein. Diese Werkzeuge erleichtern unbestreitbar die Arbeit. Aber sie werfen auch eine tiefere Frage auf:

Was ist die eigene Arbeit?

Was ist wirklich meine eigene Arbeit? Muss ich noch mit meinem Code interagieren, wirklich im Element?

Je mehr wir unsere Workflows veröffentlichen, desto weniger müssen wir uns mit unserem Arbeitsmaterial beschäftigen. Es könnte sich herausstellen, dass wir nicht mehr brauchen Experten zu werden, ein tiefes Wissen über ein ziemlich enges Thema zu besitzen, sondern eher flache Surfer, hier und da einen Ai-Glimpse nehmen.

Mit anderen Worten, wir werden zu bloßen Managern, wie die Arbeit von KI erledigt wird. Beachten Sie, dass es kein „unser“ vor arbeiten.

Kann das erfüllt sein? Brauchen wir in unserer Arbeit kein Gefühl der Tiefe?

Ich erinnere mich intestine an eine Zeit, in der ich mehrere gleichzeitige Projekte behandeln musste. Zu dieser Zeit, die vor der KI in den Büros eintrat, wechselte ich oft zwischen drei verschiedenen und meist nicht verwandten Projekten professional Tag. Zusammen mit semi-dringenden Unterbrechungen kann man sich vorstellen, dass es nicht viel Zeit gab, längere Zeit für ein einzelnes Thema zu verbringen. Bevor ich tief genug in ein Thema eingehen konnte, um den tatsächlichen Fortschritt zu erzielen, musste ich bereits wechseln.

Heutzutage fungieren KI -Systeme häufig als Stellvertreter, was uns daran hindert, sich überhaupt mit einem Projekt zu beschäftigen. Auch wenn wir vielleicht nur an einem einzigen Projekt arbeiten, sind wir den Weg nach vorne auffordern – was zu der Frage führt:

Wenn wir AI verwenden, um unsere Arbeit zu erledigen, was ist dann unsere Arbeit?

Ist unsere Arbeit einfach mehr Arbeit? KI wird oft gefeiert, als dass wir mehr tun können, was impliziert, dass wir angesichts der gleichen Arbeitszeiten noch weniger mit dem Materials in Kontakt treten müssen.

Dies impliziert, dass wir per Definition nicht tiefgreifende Erfahrungen in einem Thema sammeln können.

Außerdem impliziert dies, dass wir im Prinzip jeden Job machen könnten, der mit unseren Fähigkeiten verwandt ist.

Was schließlich bedeutet, dass jemand anderes unseren Job machen kann.

Wir sind somit austauschbar, sobald die KI -Automatisierungsskalen skaliert werden.

Wie können wir das verhindern?

Verwenden Sie die KI absichtlich: Denken Sie zuerst nach, um später zu fordern

Meiner Meinung nach ist der einzige Weg*: Verwenden Sie KI absichtlich selektiv. Lagern Sie Ihr Denken nicht aus. Lassen Sie sich nicht von Ihrer Fähigkeit, tief und kritisch durch unbewusste Nichtverwendungen zu denken, zugänglich zu denken.

Es ist völlig in Ordnung – oft sogar clever -, KI -Instruments für die wirklich langweiligen Aufgaben zu verwenden, die eine anständig qualifizierte Individual ausführen könnte. Für Programmierer gehören sicher (im Sinne, uns dümmer zu dumber) sicher: Zusammenfassung von Codebasen, Erstellen von ReadMe -Dokumenten, Generieren von Kesselplatten oder Laden und Reinigen von Daten.

Wenn die vorliegende Aufgabe jedoch menschliches Urteilsvermögen, Interpretationen oder spezifische Designentscheidungen und Kompromisse erfordert, sollten Sie der Versuchung widerstehen, sie abzugeben. Dies sind genau die Momente, in denen Sie das Fachwissen aufbauen, das Sie unersetzlich hält.

Um dies konkreter zu gestalten, können Sie diese einfache Heuristik verwenden, wenn Sie sich für die Verwendung von AI -Unterstützung entscheiden:

1. Aufgabe, die niedrige, sich wiederholte, intestine definierte → AI-Hilfe sind.
   Beispiele sind: Formatierungscode, Teststubs generieren, SQL -Abfragen schreiben.
2. Aufgabe, die hohe Stake, mehrdeutig oder ein menschliches Urteilsvermögen erfordern → Machen Sie es selbst. Beispiele sind: Entwerfen von Systemarchitektur, Interpretation von Experimentergebnissen, ethischen Entscheidungen.

Diese Faustregel hält das „langweilige“ Zeug automatisiert und schützt gleichzeitig die Arbeit, die Ihr Fachwissen tatsächlich aufbaut. Um die Heuristiken in die tägliche Praxis zu integrieren, sollten Sie vor einer Aufgabe absichtlich innehalten. Fragen Sie sich: Möchte ich das tief verstehen oder einfach erledigen?

Dann, wenn das Ziel Verständnis → manuell starten. Codieren Sie den ersten Entwurf, debuggen Sie sich selbst, skizzieren Sie das Design. Sobald Sie es überlegt haben, können Sie Ihre Arbeiten mit der Ausgabe eines KI -Methods erweitern.

Wenn das Ziel jedoch nur Ausgabe ist → AI beschleunigen Sie. Rufen Sie es auf, passen Sie es an und wiederholen Sie dies mit der nächsten Aufgabe.

Betrachten Sie es als Mantra: „Denken Sie zuerst nach, um später zu fordern.“

Am Ende einer Arbeitswoche können Sie dann zurück nachdenken: Welche Aufgaben haben Sie diese Woche an KI ausgelagert? Hast du? lernen Etwas aus diesen Aufgaben oder erledigen Sie sie einfach? Wo hätten Sie davon profitieren können, tiefer zu engagieren?

Schließdacht

Es stellt sich heraus, dass AI, da am Arbeitsplatz immer mehr verwendet wird, unsere eigentliche Aufgabe möglicherweise nicht darin besteht, mehr Output mit KI zu produzieren. Stattdessen ist es unsere Aufgabe, sich direkt mit dem Materials zu beschäftigen, wenn es wichtig ist – die Artwork von Urteilsvermögen, Einsichten und Tiefe aufzubauen, die kein System ersetzen kann.

Verwenden Sie additionally die KI absichtlich. Ja, automatisieren Sie die langweiligen Teile, aber schützen Sie die Teile, die Sie wachsen lassen. Dieses Gleichgewicht wird Ihre Arbeit nicht nur wertvoll, sondern auch erfüllen.

---

* Ein nicht alternate options für die meisten maschinellernden Leute, die eine beträchtliche Zeit damit verbracht haben, eine Karriere in der Datenwissenschaft aufzubauen: Karriere zu wechseln, um etwas Handbuches und Offline zu machen. Beispiele sind Bauarbeiten, Haardressing, Warten usw.

Der Prozess der Entdeckung von Molekülen, die über die Eigenschaften verfügen, die zur Schaffung neuer Medikamente und Materialien erforderlich sind, ist umständlich und teurer, umfangreicher Rechenressourcen und Monate menschlicher Arbeitskräfte, um den enormen Raum potenzieller Kandidaten einzugrenzen.

Großsprachige Modelle (LLMs) wie ChatGPT könnten diesen Prozess rationalisieren, aber es ermöglicht, einen LLM zu verstehen und zu begründen, dass die Atome und Bindungen, die ein Molekül bilden, genauso wie mit Wörtern, die Sätze bilden, einen wissenschaftlichen Stolperstein dargestellt haben.

Forscher von MIT und dem MIT-IBM Watson AI Lab haben einen vielversprechenden Ansatz erstellt, der ein LLM mit anderen maschinell-lernenden Modellen erweitert, die als graphbasierte Modelle bekannt sind und speziell zur Erzeugung und Vorhersage von Molekülstrukturen entwickelt wurden.

Ihre Methode verwendet eine Foundation -LLM, um Abfragen der natürlichen Sprache zu interpretieren, die die gewünschten molekularen Eigenschaften angeben. Es wechselt automatisch zwischen den Basisllm- und graphbasierten KI-Modulen, um das Molekül zu entwerfen, die Begründung zu erklären und einen Schritt-für-Schritt-Plan zu erzeugen, um es zu synthetisieren. Es verschachtelt Textual content-, Graph- und Synthese -Schrittgenerierung, kombiniert Wörter, Diagramme und Reaktionen in ein gemeinsames Vokabular, damit das LLM konsumiert werden kann.

Im Vergleich zu vorhandenen LLM-basierten Ansätzen erzeugte diese multimodale Technik Moleküle, die die Benutzerspezifikationen besser übereinstimmten und mit größerer Wahrscheinlichkeit einen gültigen Synthesisplan aufweisen, was das Erfolgsverhältnis von 5 Prozent auf 35 Prozent verbesserte.

Es übertraf auch LLMs, die mehr als das 10-fache der Größe haben und die Moleküle und Synthese-Routen nur mit textbasierten Darstellungen entwerfen, was darauf hindeutet, dass Multimodalität der Schlüssel zum Erfolg des neuen Programs ist.

„Dies könnte hoffentlich eine Finish-to-Finish-Lösung sein, bei der wir von Anfang bis Ende den gesamten Prozess des Entwerfens und Herstellens eines Moleküls automatisieren würden. Wenn ein LLM nur die Antwort in wenigen Sekunden geben könnte, wäre dies ein großer Zeitspur für Pharmaunternehmen“, sagt Michael Solar, ein MIT-Absolventenstudent und der Co-Autor eines MIST-Absolventen und Co-Autor eines AIT-Autors eines A-Autors eines A-Autors eines Eins eines Eins eines Eins eines Eins eines MET-Unternehmens eines MET-Absolventen eines MET-Absolventen eines Einsatzes eines Einsatzes eines Eins eines Eins eines Eins eines MET-Unternehmens eines MET-Absolventen eines MET-Unternehmens eines MET-Unternehmens wäre ein großer Zeitspur für einen Einsatz eines Pharmazeutikums einer LLM. Papier über diese Technik.

Zu den Mitautoren von Solar gehören die Hauptautorin Gang Liu, eine Doktorandin an der Universität von Notre Dame; Wojciech Matusik, Professor für Elektrotechnik und Informatik am MIT, der die Rechendesign- und Fabricationsgruppe innerhalb des Labors für Informatik und künstliche Intelligenz (CSAIL) leitet; Meng Jiang, außerordentlicher Professor an der Universität von Notre Dame; und Senior-Autorin Jie Chen, leitender Forschungswissenschaftler und Managerin im MIT-IBM Watson AI Lab. Die Forschung wird auf der Internationalen Konferenz über Lernrepräsentationen vorgestellt.

Beste aus beiden Welten

Großsprachenmodelle werden nicht gebaut, um die Nuancen der Chemie zu verstehen. Dies ist ein Grund, warum sie mit inverser molekularer Design zu kämpfen haben, ein Prozess der Identifizierung molekularer Strukturen, die bestimmte Funktionen oder Eigenschaften haben.

LLMs konvertieren Textual content in Darstellungen, die als Token bezeichnet werden und die sie verwenden, um das nächste Wort in einem Satz nacheinander vorherzusagen. Moleküle sind jedoch „Grafikstrukturen“, die aus Atomen und Bindungen ohne bestimmte Reihenfolge bestehen, wodurch es schwierig ist, sie als sequentielle Textual content zu codieren.

Andererseits repräsentieren leistungsstarke KI-Modelle basierte graphbasierte AI-Modelle Atome und molekulare Bindungen als miteinander verbundene Knoten und Kanten in einem Diagramm. Obwohl diese Modelle für inverse molekulares Design beliebt sind, erfordern sie komplexe Eingaben, können die natürliche Sprache nicht verstehen und Ergebnisse erzielen, die schwer zu interpretieren sein können.

Die MIT-Forscher kombinierten ein LLM mit graphbasierten KI-Modellen in einem einheitlichen Rahmen, der das Beste aus beiden Welten holt.

Lamol, das für ein großes Sprachmodell für die molekulare Entdeckung steht, verwendet eine Foundation-LLM als Gatekeeper, um die Abfrage eines Benutzers zu verstehen-eine einfache Sprachanfrage für ein Molekül mit bestimmten Eigenschaften.

Zum Beispiel sucht ein Benutzer möglicherweise ein Molekül, das in die Blut-Hirn-Schranke eindringen und HIV hemmen kann, da es ein Molekulargewicht von 209 und bestimmte Bindungseigenschaften aufweist.

Da der LLM Textual content als Antwort auf die Abfrage vorhersagt, wechselt sie zwischen den Grafikmodulen.

Ein Modul verwendet ein Graph -Diffusionsmodell, um die molekulare Struktur zu erzeugen, die auf Eingangsanforderungen konditioniert ist. Ein zweites Modul verwendet ein Diagramm neuronales Netzwerk, um die erzeugte molekulare Struktur wieder in Token zu codieren, damit die LLMs konsumiert werden können. Das endgültige Diagrammmodul ist ein Diagrammreaktionsprädiktor, der als Eingabe eine Zwischenmolekülstruktur annimmt und einen Reaktionsschritt vorhersagt, der nach den genauen Satz von Schritten sucht, um das Molekül aus grundlegenden Bausteinen herzustellen.

Die Forscher haben eine neue Artwork von Set off -Token erstellt, die dem LLM mitteilt, wann jedes Modul aktiviert werden soll. Wenn das LLM ein Set off -Token „Design“ vorhersagt, wechselt es zu dem Modul, das eine molekulare Struktur skizziert, und wenn es ein „Retro“ -Strigger -Token vorhersagt, wechselt es zu dem retrosynthetischen Planungsmodul, das den nächsten Reaktionschritt vorhersagt.

„Das Schöne daran ist, dass alles, was das LLM erzeugt, bevor ein bestimmtes Modul aktiviert wird, in dieses Modul selbst eingespeist wird. Das Modul lernt, auf eine Weise zu arbeiten, die mit dem übereinstimmt, was zuvor gekommen ist“, sagt Solar.

Auf die gleiche Weise wird die Ausgabe jedes Moduls codiert und wieder in den Erzeugungsprozess des LLM eingespeist. Daher versteht es, was jedes Modul getan hat, und wird weiterhin auf diesen Daten prognostizieren.

Bessere, einfachere molekulare Strukturen

Am Ende gibt Lamol ein Bild der molekularen Struktur, eine Textbeschreibung des Moleküls und einen Schritt-für-Schritt-Syntheseplan aus, der die Einzelheiten zur Herstellung von individuellen chemischen Reaktionen enthält.

In Experimenten mit dem Entwerfen von Molekülen, die die Benutzerspezifikationen entsprechen, übertraf Llamol 10 Commonplace-LLMs, vier fein abgestimmte LLMs und eine hochmoderne domänenspezifische Methode. Gleichzeitig erhöhte es die Erfolgsrate für retrosynthetische Planung von 5 Prozent auf 35 Prozent, indem sie Moleküle erzeugten, die höherwertig sind, was bedeutet, dass sie einfachere Strukturen und kostengünstigere Bausteine ​​hatten.

„LLMs haben Schwierigkeiten, Moleküle zu synthetisieren, da es eine Menge mehrstufiger Planung erfordert. Unsere Methode kann bessere molekulare Strukturen erzeugen, die auch einfacher zu synthetisieren sind“, sagt Liu.

Um Lamol auszubilden und zu bewerten, bauten die Forscher zwei Datensätze von Grund auf neu, da vorhandene Datensätze mit molekularen Strukturen nicht genügend Particulars enthielten. Sie erweiterten Hunderttausende patentierter Moleküle mit mit A-generierten natürlichen Sprachbeschreibungen und maßgeschneiderten Beschreibungsvorlagen.

Der Datensatz, den sie zur Feinabstimmung des LLM erstellt haben, enthält Vorlagen, die sich auf 10 molekulare Eigenschaften beziehen. Eine Lamolbeschränkung besteht darin, dass es geschult ist, Moleküle unter Berücksichtigung der 10 numerischen Eigenschaften zu entwerfen.

In zukünftigen Arbeiten möchten die Forscher Lamol verallgemeinern, damit sie jede molekulare Eigenschaft einbeziehen kann. Darüber hinaus planen sie, die Graphenmodule zu verbessern, um die Erfolgsrate von Lamol von Lamol zu steigern.

Langfristig hoffen sie, diesen Ansatz zu verwenden, um über Moleküle hinauszugehen und multimodale LLMs zu erstellen, die andere Arten von draphbasierten Daten verarbeiten können, z. B. miteinander verbundene Sensoren in einem Stromnetz oder Transaktionen in einem Finanzmarkt.

„Lamol demonstriert die Machbarkeit der Verwendung von großsprachigen Modellen als Schnittstelle zu komplexen Daten, die über die textliche Beschreibung hinausgehen, und wir erwarten, dass sie eine Grundlage sein, die mit anderen AI -Algorithmen interagiert, um alle Diagrammprobleme zu lösen“, sagt Chen.

Diese Forschung wird zum Teil vom MIT-IBM Watson AI Lab, der Nationwide Science Basis und des Workplace of Naval Analysis finanziert.

Laut einer Studie von Michael Walters (Gaia Lab, Nürnberg, Deutschland), Rafael Kaufmann (Primordia Co., Cascais, Portugal), Justice Sefas (Universität British Columbia, BC, Kanada) und Thomas Kopinski (Gaia Lab, Fachhochschule, Fachhochschule, Fachhochschule Sudwestfalen, Meschede, Deutschland), ein neuer von Physik inspirierter Ansatz zur KI-Sicherheit, könnte Multi-Agent-Systeme-wie autonome Fahrzeuge-deutlich sicherer machen.

Ihre Zeitung „Metriken des freien Energierisikos für systemisch sichere KI: Gatekeeping-Multi-Agent-Studie”, Führt eine neue Risikomessmethode ein, die die Entscheidungsfindung in KI-Systemen verbessert, indem Risiken im Voraus vorhersagen und vorbeugende Maßnahmen ergreifen.

Was ist das Prinzip der freien Energie (FEP) und warum ist es wichtig?

Im Zentrum ihrer Forschung steht die Prinzip der freien Energie (FEP)ein Konzept, das ursprünglich in der Physik entwickelt wurde. In einfachen Worten, FEP erklärt, wie Systeme ausgeglichen werden Genauigkeit (Energie) Und Einfachheit (Entropie) Bei Vorhersagen.

Stellen Sie sich das so vor: Ein KI -System, das versucht, durch die Welt zu navigieren, muss ein Gleichgewicht zwischen dem Sammeln detaillierter Informationen und dem effizienten Handeln machen. Wenn das System zu komplex ist, wird es schwierig zu verwalten. Wenn es zu einfach ist, kann es kritische Risiken übersehen. Die Autoren verwenden dieses Prinzip, um a zu erstellen Neue Risikometrik Dies vermeidet die Notwendigkeit großer Datenmengen oder übermäßig komplizierter Modelle, wodurch KI sichergestellt wird praktischer und transparenter.

---

KI lernt zu fahren wie ein Mensch – indem sie Sie in Panik beobachtet

---

Die kumulative Risikoexposition (CRE) ist eine intelligentere Methode zur Messung des Risikos

Die Forscher schlagen ein neues Risikomesssystem vor, das genannt wird Kumulative Risikoexposition (CRE).

Wie unterscheidet sich Cre?

• Im Gegensatz zu herkömmlichen RisikomodellenMit CRE stützen sich die Interessengruppen auf umfangreiche Weltmodelle und können definieren, was „sichere“ durch die Angabe der bevorzugten Ergebnisse angeben.
• Das macht Entscheidungsfindung clear und flexibelwie sich das System an verschiedene Umgebungen und Bedürfnisse anpasst.
• Anstatt sich auf zu verlassen Übermäßige SensordatenCRE schätzt das Risiko durch prädiktive Simulationen über kurze Zeitrahmen.

Cre bietet mehr effizient und anpassungsfähig Möglichkeit, das Risiko in KI-gesteuerten Systemen zu bewerten und die Abhängigkeit von ressourcenintensiven Berechnungen zu verringern.

Gatekeepers: KI, die einschreiten, bevor die Dinge schief gehen

Um die CRE-Metrik in realen Szenarien anzuwenden, stellen die Forscher vor Torhüter– Modul, die KI -Entscheidungen überwachen und bei Bedarf eingreifen.

Wie arbeiten Gatekeeper?

• Bei autonomen Fahrzeugen,, Gatekeeper simulieren ständig mögliche zukünftige Szenarien Risiko bestimmen.
• Wenn sie ein unsicheres Ergebnis erkennen, sind sie Überschreiben Sie den aktuellen Fahrmodus des Fahrzeugs und schalten Sie es in ein sichereres Verhalten.
• Dies ermöglicht KI -Systeme zu antizipieren Gefahren, bevor sie stattfinden, anstatt danach zu reagieren.

Simulation sicherer Straßen mit autonomen Fahrzeugen

Die Studie testete dieses Modell in a simulierte Fahrumgebung. Die Forscher unterteilten Fahrzeuge in zwei Gruppen:

• „Egos“ – Fahrzeuge, die von Gatekeepern überwacht und kontrolliert werden.
• „Verändert“ -Hintergrundfahrzeuge mit festem, voreingestelltem Fahrverhalten.

In diesem AutobahnsimulationEinige Ego -Fahrzeuge durften von Gatekeeper kontrolliert werden, andere nicht.

Schlüsselergebnisse:

1. Auch wenn nur eine kleine Anzahl von Fahrzeugen unter der Kontrolle der Gatekeeper stand, Die gesamte Verkehrssicherheit verbesserte sich.
2. Weniger Kollisionen trat auf und zeigten, dass proaktive Intervention einen messbaren Unterschied machte.
3. Fahrzeuge gepflegt hohe Geschwindigkeiten, wenn sie sicher sind aber auf vorsichtiges Fahren umgestellt, wenn Risikostufen stiegen.

Die Ergebnisse legen nahe, dass sogar teilweise Adoption von Gatekeeper-kontrollierter KI könnte zu führen Sicherere Verkehrsbedingungen ohne Kompromisse bei Effizienz. Während sich die Studie auf autonome Fahrzeuge konzentrierte, die Das CRE- und Gatekeeper-Modell könnten für viele andere KI-gesteuerte Felder gelten.

Potenzielle Anwendungen umfassen:

• Robotik: Stellen Sie sicher, dass KI-betriebene Roboter sicher neben Menschen arbeiten.
• Finanzhandelssysteme: Vorhersage von Marktbewegungen mit hohem Risiko und Anpassungsstrategien.
• Industrieautomatisierung: Verhindern, dass AI-kontrollierte Maschinen unsichere Entscheidungen treffen.

---

Ausgewähltes Bildnachweis: Kerem Gülen/Midjourney