我出咗茅招：Sydney而家可以讀10-K Reports入面嘅Narrative
我scale咗Sydney嚟讀Big Tech過去十年年報嘅narrative content，策略性咁將scope限制喺7間公司——以下係我點平衡cost同capability。
更新（2026年）： 呢個功能已經retired。Sydney已經冇S&P 500或10-K分析capabilities。Sydney而家專注於blog內容同產品。試而家嘅Sydney →
喺Sydney嘅MVP version launch咗大約一個月後，我好excited同大家分享Sydney而家可以deep dive入「Magnificent 7」科技公司過去十年嘅年報（10-K）嘅Written Content！（即係Apple、Amazon、Alphabet、Facebook/Meta、Microsoft、Nvidia同Tesla。） 之前，Sydney只能回答成個S&P 500嘅financial facts同numbers，但佢冇辦法interpret reports嘅narrative sections。呢次upgrade需要啲strategizing，平衡chunk size、embedding dimensions、同vector store入面包含嘅reports嘅sheer volume。 所以，係嘅，我喺呢個版本「出咗茅招」:P。
以下係我點做到：
- Focused Scope：唔cover所有500間S&P 500公司，我只加咗七間key players入vector store。
- 只有10K Reports：我只include過去10年嘅annual reports（10Ks），skip咗quarterly（10Q）reports。結果？Vector store入面接近700,000個data objects。如果我加埋quarterly reports，數字會飆升（monthly cost都會accordingly增加）。
- Text embedding：我settle on OpenAI嘅「text-embedding-3-small」model，512-dimension。
- 點解唔用「text-embedding-3-large」？Cost差距超過十倍！而且hybrid search quality用而家嘅setup似乎good enough。
- 點解唔用1024或1536 dimensions？同樣，costs嘅考慮。512 dimensions keep住monthly vector store expenses reasonable。
- 專為呢個Task嘅新Tool：我equip咗Sydney一個specific for呢七間公司annual reports narrative content嘅tool。所以如果你想要成個S&P 500嘅hard numbers，你仲可以透過另一個tool攞到。
有咗新tool，Sydney而家可以回答以下問題：
- 「Nvidia上年discuss咗乜關於佢哋嘅chip architecture？」
- 「Apple喺2022年有冇identify到key iPhone competitors？」
- 「Microsoft過去5年點describe Azure competition？」
所有答案都grounded喺10K reports本身嘅content。
所以試吓同話我知你點睇？你最curious邊間公司嘅10-K narrative？
祝好，
Chandler
之後發生咗乜： 大約呢個時間我仲開始explore multi-agent frameworks——CrewAI令我印象深刻用嚟做podcast generation，最終成為咗DIALOGUE。
