Unbundling 的趋向从 2000 年代中就发端了，正在这之前统统音讯周围闭系的产物都须要基于 Microsoft 来竣工，是 典范的 building 的阶段。

　　Notion 的价格正在于供给一个团结的音讯空间、一个让人们可能荟萃竣工种种分别的工作的 workspace 。以是，这些效力须要协同高效地事务。这有点像是正在构修一个操作体系或编程说话，没有人会把计划编程说话的工作分裂给 50 部分来做，广泛这些事务都是由一部分来竣工的。

　　3% 理念（3 Percent Approach）是时尚品牌 Off White 创始人及计划师 Virgil Abloh 的计划玄学，这个理念的焦点绪思是◆●，正在现有计划的基本上只做出不超出 3% 的厘革●◆，从而使产物看起来既熟识又新奇。这种本领批准计划师正在敬仰原有计划的同时，通过微小的调理来成立新的作品，这些厘革能够征求颜色、原料、布局或其他计划元素的细微转折。

　　Ivan Zhao：是的，这一类事务很像是正在做园林培养，我本人并不会这类事务，因此我很须要如此一类人助我做这件事。

　　Sarah Guo ：你是如何忖量 Notion 的 AI 政策的◆◆？这些政策是否也受到了哪些计较机身手起色史籍中的动员？

　　咱们之因此须要疏导是由于有些事务不行由软件主动竣工，须要咱们实行及时经管。这也许这是一个值得忖量的题目，跟着 language model 的起色，咱们来日的疏导会更众如故更少？我猜是更少。由于 Agent 根基上依赖于 language model，这便是疏导的来日◆●。

　　Sarah Guo ：假如咱们谨慎看Oracle 这类过去 15 年不停盘踞主导位置的公司，会涌现它们有一个合伙战略：收购同周围中排名第二的产物。由于对待客户来说孤单去安排这些产物是很贫穷的，或者说他们更偏向于将全面东西都整合到一个简单的数据库中。我以为这与你提到的 language model 有某种相通之处。

　　必需招认的是，GPT-3 刚浮现的时刻我是贱视了这件事的◆。固然 GPT-3 仍旧可能助助人们实行墟市营销煽动、竣工初稿写作，但我并不以为这能有众大用途，直到我看到 GPT-4 的才气我的思法才发作了改革，我涌现 GPT-4 仍旧可能忖量、推理，可能竣工种种各样的事件，可能加倍本质地优化事务流●。GPT-4 对我影响很大，它给了我许众信仰●，我也以是以为这会是一个庞大的转移点。

　　Elad Gil ：Notion 仍旧构修了许众焦点模板和用例，譬喻项目管束东西、常识库等等，正在它们之中，你以为有哪些效力受 AI 的影响最大？

　　Ivan Zhao：咱们能够逐步就不再须要音讯布局化或者雷同观点，咱们之因此须要把构制和整顿音讯是由于唯有做好这些事务才可能检索●◆，咱们须要 index 也是由于 index 就近似文献夹上的种种标签，可能助咱们疾捷找到各种文献，但由于 embedding 和 RAG ●，咱们只须要把全面音讯放进这个“文献袋”，然后就可能依照须要以自便形式探求、找到你思要的音讯。音讯的自正在度会大大提拔。

　　Sarah Guo ：Notion 刚起步时，最先应用 Notion 来构修常识库的是那些草创公司。即日，正在 Notion 范围取得延长的同时，咱们所处的宏观境遇也发作了蜕化，草创公司的预算比以前加倍危急。你怎么对付助助企业采用 AI 实行常识管束这件事？

　　Back office 的场景和 front office 比拟要加倍笔直，譬喻用心于医疗矫健周围、特定的事务流等等，而且广泛还须要一个特意的地方来存储闭系音讯并正在笔直场景中实行整合，这些场景也是可能被 AI 改制的。正在功令等高度专业化的周围里，large language model 仍旧发端代庖人类经管少许杂乱工作了●◆。

　　Ivan Zhao：我以为 Notion 如故很侥幸的，咱们本来没有更加用心于某个整个用例的搭修，咱们的中心不停是放正在构修这些用例的乐高积木块上面，这些“积木”中既有文档编辑这类最基本层的“积木”，很咱们还推出了相干型数据库（Relational database），外格、评论以及分别的访候权限等等也是很紧要的“积木块”。过去 5 年岁月咱们不停正在构修这些积木。

　　咱们还可能遐思如此一个场景，当我有新的 idea 时，只须要拍张照片、或者写下来少许东西◆，然后把它放进 Notion，Notion 就会助咱们构制、管束这些音讯，假如来日咱们须要用到这些常识的时刻，动作一个圆满的印象助手，Notion 就会助咱们调取它们。这是 Notion 的长远愿景，我部分以为这件事很令人兴奋。

　　Ivan Zhao：实质上 Notion 会助助用户印象他们输入到 Notion 中的全面实质◆，不光是 Notion 能如此做，绝大无数赐与 RAG 的体系都能做这件事。

　　计较机周围的前驱们正在很早之前仍旧计划过这件事，他们以为操控计较机有一天会像识字一律普及，然而他们当时能够一律没思到 AI 会成为一个趣味的变量◆，language model 不光可能成立软件◆，还可能助人们竣工豪爽忖量闭系的事务。接下来的起色会相当趣味●◆。

　　Ivan Zhao：我本人会去这么看 AI 的才气，开始●， RAG、音讯 retrieval 是一类◆●，属于常识类闭系。其余一类则是 workflow 闭系，咱们挑选用 agent 来界说这件事。人们之因此须要集会、日程这些东西是由于咱们须要竣工互相大脑之间的“比特传输”，那么我可能借助一个 language model 来竣工这件事吗？也许是可能竣工的龙8网页版登录入口Notion CEO：为什么RAG会彻底改换学问型管事？。最根基的闭节便是，人们正在敲定集会岁月的那一刻，日程调节上也做出了对应蜕化。咱们做的许众事件都涉及到了岁月这个纬度，language model 可能助咱们来调理岁月调节吗？我以为是可能的◆●。

　　Sarah Guo ：你提到 Notion 可能像大脑那样助助用户实行音讯的构制和管束，假如一部分的大脑自己就很杂乱、缺乏系统，这会影响他正在 Notion 或者雷同体系中的音讯交互形式吗？用户须要先布局化地构修一个本人的常识库，如故只须要把全面音讯以音讯流的形式输入就可能？

　　Sarah Guo ：Notion AI 的发展相当疾，更加和许众还不真切怎么行使 AI 的产物比。这个经过中你们是怎么做决议以及实行资源分派的●◆？

　　Sarah Guo ：确实正在过去 20 年咱们不停处于太过分裂的 SaaS 寰宇中，外面上，做一个通用的东西该当是自然而然的趋向，但为什么没有人来做这件事？

　　Elad Gil ：听起来 retrievable 也是统统经过中很要害的局部。假如咱们的日历可能主动补齐咱们须要剖析的闭于集会、参会职员或其他闭系事项的全面音讯，对待用户来说相当有价格●。你以为 Notion Calendar 还能正在哪些闭节成立价格？

　　我是这么界说 “Front office” 的：可能先假设假如咱们身处正在 1960 年代的一间办公室里会看到哪些东西？人们桌子上会有一个用来记东西的记事本，能够还会有一台打印机，足下两旁还堆着许众文献夹，对应到 Notion◆●，记事本相当于用户文档和札记，文献夹则雷同于 Wiki◆，人们死后的文献柜则可能对应到 Notion 中的相干数据库，文献柜中还会有种种小纸片来助助整顿音讯◆◆。

　　Sarah Guo ：正在 PC 期间起色早期，当时人们管帐划 30 或 40 年后，PC 带来的最大蜕化会是什么◆◆？即日你对 AI 来日的起色有什么等待？

　　正在那之后，咱们团队根基上就全身心参加到 AI 项目中了。咱们仍旧搭修好了许众积木，接下来便是弄清爽哪些积木可能与 AI 相纠合，以及公司内部谁对这项身手有深切剖析◆●。固然咱们有探求团队，但咱们的 ML 团队并不大，因此，咱们还须要雇用更众的人才◆，与此同时还要让公司内部的人对这项身手有合伙的决心，如此咱们能力朝着统一个目标进取。咱们就像面对小行星撞击地球的恐龙一律，须要为即将到来的巨变做打定。

　　Notion 能够是墟市上较量早去大范围供给 RAG 闭系效力的公司，但大规模供给 RAG 供职的难度较量大，Notion Q&A 还处于 waiting list 的状况，咱们还正在美满。

　　Ivan Zhao：分别的公司、产物的方针纷歧律，挑选的模子自然也纷歧律◆。Notion 会实验种种模子，更加当下程度最领先的开源模子●◆，但由于 Notion 很重视推理才气●，因此咱们通常会移用高程度的模子◆。

　　咱们正在 AI 上的种种实验很像做烘焙的经过：打定好完全原原料、把这些原原料放进烤箱、按下按钮之后就只剩劣等待，没有人可能预知制品是什么样的，因此这央求咱们有足够的耐心●，同时还要做豪爽的调理和打定。

　　Ivan Zhao：它可能简化咱们的事务流程●，这是一个宏大的冲破，可能让 Agent 助助咱们竣工常识类事务◆◆。

　　Ivan Zhao：身手的实质是做 trade off 。Language model 带来了一种全新性情，这是过往被设定为整个效力的软件所不具备的●，但咱们还不太剖析它完全的事务道理，因此人们不停正在 Twitter 上计划要如何能力更好地应用模子的才气。对待企业和创业者来说◆◆，面临新身手也要做出少许量度●◆，他们要时间剖析墟市对待种种新模子才气的评判。这个行业目前正正在疾捷起色、一贯蜕化。

　　我以为 Notion 更众是从计较、实质或者说文本闭系角度起程来思这件事。譬喻咱们全面人城市阅读和写作◆◆，但对待绝大无数人而言◆，电脑只是一台打字机或者看 YouTube 的东西，自己并不具有成立力◆●。假如更众的人可能更具成立性地应用他们的软件，能够境况就会纷歧律。成立软件的人和用软件的人供给的价格是一律分别的●，这也是旧金山房租这样腾贵的紧要来由●◆。

　　即日，人们正在应用电脑、和软件交互的形式有时刻会显得很平板，那么咱们能不行成立一种全新的软件◆●，让人们可能去敏捷调理和定制？这便是咱们创立 Notion 的初志，咱们本来正在从头审视计较机周围的前驱们当年计划过的议题◆。

　　有了 RAG 之后●●，团队探求的体验会一律纷歧律。我本人就仍旧厘革了应用 Notion 的形式●。譬喻我会提问 “公司什么时刻搬到新办公室？”◆◆，假如团队中有人正在某个文档中记实过这件事，Notion 就会回答我对应音讯，我不须要再像之前那样去问其他人。

　　Front office 对应的工作是怒放性的，back office 的则更偏特定、整个的工作◆◆，因此我以为二者之间会存正在某种竞赛，但与此同时墟市也很大，不必然是零和逛戏◆。

　　因此 Notion 的计划相当荟萃◆，有点雷同于苹果公司，Apple 软硬件紧繁茂成开荒 OS 的形式正在即日很少睹。正在这种境况下，为了竣工好的产物和精良的用户体验，咱们就须要更横向、扫数的忖量，也以是咱们的计划决议是相对荟萃的●●，更偏 Apple 的气概而不是 Amazon。

　　Elad Gil ：迩来一段岁月闭于 Agent 的计划越来越众了，但客观来说由于某些才气还不行竣工，因此 Agent 或者主动化闭系的使用价格还没真正外示出来。Notion 迩来也推出了 Calendar 使用，我很好奇你如何看 AI 和日程管束之间的纠合？

　　Notion 竣工这个方针的形式并不是把许众效力塞进一个整个的产物里，而是去构修更底层的 block，用户可能像搭修乐高积木一律，用这些 blocks 来成立性地做出种种各样圆满切合部分或团队需求的用例。

　　Ivan Zhao：我以为这个取决于咱们要如何界说计划，起码对待我来说，计划不光仅是外观，更紧要的是一个人系是怎么协同事务的。正在这种境况下，咱们须要做出少许 tradeoff●●，是挑选把计划荟萃如故分裂到每个板块？有些公司或生意产物适合把计划事务下放到分别板块，更加是那些很重运营的公司。

　　Language model 才气的提拔，以及把 language model 和 SaaS 软件相纠合这两件事该当是同步实行的●◆，由于假如须臾厘革太大，人们能够会不太顺应，RAG 的好处也正在于它正在现有交互风气基本上给到了更好的输出。

　　以是◆●，我以为这种众样化的才气对咱们的助助很大，Notion 中的每一部分都正在奋发变得“万能”，这也使咱们的团队小而干练。相对待咱们的生意范围，咱们的团队人数很少，但团队中的每部分都能把本人的才气阐发到极致。咱们没有固定的脚色◆，也不须要做反复性的事务●●，专家都很享用这种事务形式●◆。然而，假使如此做有许众好处，但找到具备如此才气的人确实更难●。

　　这两类 AI 人才的事务才气都很强。Notion 目前还没有许众 AI researchers◆，这类人才正在我看来也相当紧要。然而 Notion 究竟处于使用层，因此咱们许众岁月是花正在商讨怎么用模子上●●。

　　Elad Gil ：有少许人把这个经过总结为概率工程，这会让人以为咱们进入到了一个充满随机性的周围当中，起码是局部随机的。

　　Ivan Zhao：对待 AGI 来说，岁月标准放正在 30 或者 40 年能够有点太久了，以至无须比及下一个 10 年◆●，正在来日 1-2 年内 AI 就会有显着冲破。这之中我以为一个被低估的周围是 RAG。

　　Ivan Zhao：我以为 RAG 会彻底厘革常识管束的形式，让人们挣脱繁琐的音讯构制事务●◆。Notion 最受人疼爱的效力之一是侧边栏，人们会用它整顿常识库和部分 workspace。但从此咱们能够不再须要如此的东西来构制常识库了●。用户只须简陋地将音讯丢到 Notion 中◆，就可能通过种种形式实行检索。这便是常识管束的来日。

　　Notion 的愿景是通过构修出种种各样的“积木块”让用户正在平台上搭修出更具本性化、切合本质需求的定制化使用，从而竣工“人人都能制制本人的软件”这件事●，Ivan 以为，language model 的浮现必然会加快这一经过，更进一步，RAG 还会彻底革命常识型事务和团队疏导的状态，Notion Project、Notion Q&A 和 Notion Calendar 等新效力、产物恰是供职于此。

　　PC 期间早期本来有许众种种各样的使用，譬喻《星际争霸》的早期版本，尚有种种文本编辑器、dBase数据库软件以及其他分别的数据库软件◆。到了 90 年代，由于 Microsoft 供给了一个底层的操作体系，咱们也随之进入了一个 bundling 阶段。随后，跟着收集身手的起色，软件发端可能正在 Web 上运转◆，这就带来了过去 10 到 15 年前的解绑和碎片化阶段，与此同时，资金本钱下降带来创业门槛下降，也以是导致了音讯周围的太过碎片化。

　　Elad Gil ：从 GPT-3 到即日，咱们看到 GPT 才气提拔更加疾◆●，而且每一代模子城市带来新的贸易形式●，你以为要充盈诈骗 GPT 的才气还须要做哪些事务？

　　Sarah Guo ：你通常提到 Notion 不光是一个临盆力东西，更是一个使用构修平台。你是怎么思到这个见识的？为什么你以为人们思要去搭修更众的使用●？

　　你方才也提到，大无数人并不思创修软件●，更众的是竣工老板分派的工作即可。因此，咱们正在创立 Notion 经过中学到的体验以及由此带来的一个改革是，相较于供给一个构修软件的东西，更好的形式是供给给用户种种各样的 blocks 构修的模板，让用户上手即用。

　　本来 Notion 正在做的这件事并不新，由于正在上世纪 80 年代、以至 70 年代人们就计划过用 block 逻辑来构修软件这件事。到了即日，咱们只然而是正在云和 AI 的维持下去竣工这件事、冲破过去以整个效力导向的软件的限度。

　　即日 language model 仍旧可能很好地领略人们输入到计较机中的实质了，这意味着咱们不须要再本人去做音讯的构制来简单来日对音讯的检索●◆，AI 正在这件事上做得比任何人类都要好。

　　相对应的，还会存正在“Back Office”●●，雷同于图书管束员事务的地方，back office 对应的是即日 Snowflake、过去 IBM 正在做的事件。Notion 不会去碰“back office”闭系的局部，咱们如故聚焦咱们的上风周围，便是我方才提到了软件界面，UI、UX 这些●◆。

　　什么是常识型事务●◆？人们为什么须要软件？从底子上说●◆，软件便是咱们全面人的音讯经管行动●，就像一张纸传到眼前，人类厘革几个字，然后推送给另一部分◆●。正在某种水准上，language model 仍旧可能助助咱们竣工这种音讯经管龙8网页版登录入口NotionCEO。因此，我确信这将一律厘革咱们与计较机的交互形式。

　　因此，咱们即日正处于 bundling 阶段，这既是由于宏观经济的趋向，也由于 language model 的内正在需求便是将音讯和效力整合正在一齐●●。

　　到即日，跟着 AI、language model 的浮现和起色，咱们宛如又回到了 bundling 阶段。由于模子实质上央求将音讯荟萃正在一个地方去竣工更高效的音讯经管◆◆。

　　Ivan Zhao：我和 Simon 对 AI 都有足够强的 conviction，咱们早些年去 OpenAI 的办公室时●，底子不领略这家公司正在做的事件是什么，但当时咱们仍旧睹过很早期的 GPT 的 demo：为什么RAG会彻底改换学问型管事？。

　　Sarah Guo ：你很重视计划，Notion 的计划也不停被外界称扬◆●，你以为 Notion 是一个计划驱动的公司吗？你是怎么正在统统团队中保障计划相同性的◆？

　　AI 更像是一个以新的形式来组合、驱动这些积木块的新引擎，也正由于咱们不停正在构修、美满这些积木块●●，咱们才可能连忙把 AI 和已有效力纠合起来。咱们之因此是市道上大范围推出 AI 合作的软件之一●●，是由于咱们仍旧正在文本编辑器上花了许众年岁月，也由于咱们仍旧做了相干型数据库，因此咱们可能把 AI 和数据库纠合起来，咱们可能疾捷推出 Notion Q&A 也是由于咱们正在常识库产物上的参加●。咱们能把 RAG 使用到 Notion 的产物中也是由于咱们做了种种各样的“乐高积木块”，AI 对待 Notion 是一个更加好的时机，而咱们正好捉住了这个时机。

　　别的，我以为咱们不行限制于某一种头脑形式，由于许众边界本来是人工设定◆。Notion 80% 的计划师城市编程，他们既是计划师也是工程师，也以是正在计划中可能做出很好的均衡。身手的实质是 tradeoff●，好的tradeoff 可能胀舞用户来实验应用新产物、开导他们造成风气，这是最焦点的●。咱们会的事件更众，相对待其他计划上就更能正在计划上做出好的均衡，再譬喻计划师真切怎么编程，他们就会真切怎么调理计划，使其更容易竣工；假如你管帐划也是同理，就像正在挤压氛围泡泡时，找到最容易挤压的目标●●。

　　Ivan Zhao：Notion 很难被界说，由于它可能被用来做许众事件，但咱们自己也愿望打制一个万能的东西，用户可能用它来竣工平时生涯中的大局部工作◆●，譬喻部分用户可能用 Notion 来记札记、做游历谋划、婚礼兼顾等◆●，企业用户也可能只通过 Notion 这一个东西就竣工文档管束、工作追踪以及内部常识库的构修等●。咱们之因此思做这件事是由于现正在市道上有豪爽的 SaaS 软件东西、墟市相当分裂，但也许对待用户来说假如一个产物能让他们 all-in-one 地竣工大局部事务是一件好事。

　　身手层面◆，模子现正在可能经管更广博的上下文音讯，具备更强的推理才气，运转速率更疾，同时占用的资源更少。这对待 Notion 来说格外紧要，由于咱们须要的便是像 GPT-4 如此既智能又高效的云供职。咱们须要 AI 来助助咱们实行杂乱的推理工作或者疾捷地总结文本实质●，而且最好本钱够低◆，速率够疾●◆。这便是身手层面上咱们须要闭切的目标。

　　Elad Gil ：你提到了要正在推理质地、速率以及本钱之间做均衡，Notion 是怎么用模子的◆？只应用了 Llama 如故会正在分别场景中移用分别模子●◆？

　　Notion 的降生源于我正在大学时读过的一篇论文， Douglas Engelbart 的 Augmenting Human Intellect: A Conceptual Framework。即日人们应用软件广泛境况下都是整个一款产物对应一类整个工作，但正在计较机刚浮现的时刻，譬喻 60、70、80 年代，人们应用电脑的形式要加倍敏捷，咱们可能进入到体系层面实行调理，以至是正在操作体系正正在运转的时刻，及时地对其实行删改或调理。这件事对我的动员很大。

　　Ivan Zhao：本来人们仍旧从许众角度实行过实验。譬喻迩来很大作的 No-code 便是从部分开荒者角度来思这件事●●，No-code 让每部分都能删改他们平时应用的软件东西。Language model 供给了其余一个角度，便是底层常识和数据的管束须要被团结齐来◆●。宏观也是一个视角，由于假如探讨预算的线 个 SaaS 软件的用度比拟◆●，只给一个供应商付费分明要更能俭约开支。

　　团队中的全面人，无论是计划师、工程师如故运营，每天也会正在 slack 和邮件问到雷同题目。要答复这些题目能够要花 10 分钟来写邮件，正在此之前还要糜费 20 分钟来找到对应谜底，假如算上种种恭候岁月，能够须要糜费半个小时以上的岁月◆，但有了 Noton Q&A，这类题目只须要几秒钟就可能处理。RAG 仍旧助咱们升高了事务成果◆●，而这还只是发端◆。

　　Notion 团队里有许众对 interface 和计划感兴味的人，前后端也离别有许众全栈型人才，咱们内部也有一局部特意正在做探求，但 ML 闭系的人才并不众，以至可能说是没有。过去一年的岁月中，咱们不停正在研习如何做 AI。

　　除了身手要素，我部分还会闭切许众人类活动风气角度的厘革◆，譬喻部分用户的活动惯性、公司的危机秉承才气等，这些也都正在缓缓演变。就像 Steve Jobs 常说“你不行做出太新的东西，你必需正在坚持大局部一样的基本上，厘革一两个要害点。”Off White 创始人 Virgil Abloh 的理念是●，只须要厘革 3%●●，但足以胀励范围，让人们承受新事物●◆。

　　Language model 和 RAG 浮现之前，人们之因此须要计较机是由于须要一个地方来存储音讯●◆，而且可能随时检索、移用这些音讯，但检索紧要依赖于要害词，而且这个词要相当精准，以是有的时刻还会央求用户具备少许优化要害词的伎俩。但有了 RAG 之后，language model 可能领略你输入的实质。因此●，咱们不须要正在 Notion 中特意做音讯的构制管束，由于无论咱们输入了什么，咱们都能顺畅地探求出来。无论对部分如故团队公司来说，RAG 都供给了很圆满的印象才气这对待部分、公司或团队来说，相当于具有了圆满的印象。

　　正在此之上，假如咱们把产物计划得足够好，还可能竣工将适合的音讯正在适合的岁月推送给对应的成员，不光这样●，假如咱们计划恰当◆●，还可能将无误的音讯正在无误的岁月推送给无误的人。能够 50% 以上的常识性事务都是这类工作。

　　Ivan Zhao：我的许众直觉本来都基于少许对史籍的领略●，史籍不是简陋地反复●◆，但总有少许相通秩序●。我部分以为，咱们目前还处于 bundling 的阶段◆。《三邦演义》的第一回就提到“久分必合龙8网页版登录入口◆●，久合必分”◆，我以为贸易的运作也是这样。正在 bundling 阶段之前，SaaS 行业本来仍旧资历过一个 unbundling 和供职分裂的阶段。

　　Ivan Zhao：咱们还相当早期，也还没一律竣工用户的范围化。我以为◆●，bundling 有许众好处。开始，这很简单，用户不须要正在分别的界面之间来回切换就能竣工工作。其次，这有助于俭约本钱◆◆，有了 Notion，用户就不必采办其他项目管束和 issue 跟踪的东西，从而削减了豪爽开支。这一点对待企业来说格外紧要，更加是正在现时的经济境遇下，CFO 也思下降本钱。因此，bundling 确实带来了很众上风。除了简单音讯管束，还能俭约豪爽资金。

　　Notion 须要的其余一类人是宽裕好奇心以及疾捷研习才气的人◆●。Language model 让每部分可能及时地移用 AI 才气来竣工本人的工作，但怎么用好模子才气本来有许众伎俩，以及怎么将 LLM 和用户交互做纠合也是很紧要的题目●。这类人通常被称为 AI 工程师，Notion 的 AI 工程师们都很年青，许众以至还不到 21 岁。

　　正在 language model 之前，咱们要正在常识库探求少许实质广泛须要很精准的要害词，以至有些时刻还要咨询同事是否记得某个序列、某个音讯存放的数据库是哪个。但现正在可能直接咨询 Notion AI 思要搜罗的题目，很疾 AI 就会给到谜底，这是我部分很兴奋的一个使用场景，不少人也正在计划◆。其余一个我以为很值得等待的是 Work Agent，这个周围也仍旧发端有许众人闭切到了。