5 bài viết với thẻ này
Tôi đã xây dựng một framework đánh giá để chấm điểm pipeline podcast AI của mình trên 40 tập thực tế bằng 7 ngôn ngữ. Bước review đang làm scripts tệ hơn (3.34 → 2.91). Tất cả citation URLs đều trông giả mạo (điểm: 1.28). Tiếng Trung là ngôn ngữ yếu nhất (2.88). Sáu bản sửa, một ngày và một model mới sau đó — đây là những con số before/after và từng thay đổi tôi đã thực hiện.
Tôi dành nhiều ngày viết system prompt cho hai AI host podcast của mình. Họ đọc từng chữ — rồi phớt lờ gần như tất cả. Cách sửa không nằm ở câu chữ hay hơn, mà nằm ở việc hiểu rằng LLM xử lý quy tắc khác nhau tùy vào vị trí của chúng trong pipeline.
Mình suýt nữa đã xây một chế độ offline thông minh, kiểu chỉ-dành-cho-AI, cho app iOS của DIALØGUE. Rồi mình đặt một câu hỏi nhàm chán hơn — iOS đã cho mình sẵn những gì? — và hoá ra việc khó nhất lại là kìm cái ham muốn tỏ ra thông minh. Đây là bộ máy tiêu chuẩn, chẳng có gì hào nhoáng, đằng sau chuyện "tải một tập về rồi nghe trên máy bay" — và vì sao chọn cái nhàm chán mới là nước đi của người làm nghề lâu năm.
Mình ship app iOS của DIALØGUE như một bản port của web, rồi dựng lại nó theo kiểu native — ba tab, audio trên màn hình khoá, transcript đồng bộ, offline bền bỉ, và Siri — vì một web app thu nhỏ lại cho vừa cái điện thoại thì vẫn chỉ là một web app.
Mình đã deploy một thay đổi mà lẽ ra là nâng cấp cho hệ thống giọng nói của nền tảng podcast. Sáu ngày và vài commit sau, mình xóa 2.724 dòng code và rollback về phiên bản ổn định. Đây là chuyện đã xảy ra và bài học mình rút ra khi testing thay đổi AI trên production.