玩转 TsFile｜09-从时序数据集到预测：用 TimechoAI / Timer 连接数据与模型

09-从时序数据集到预测：用 TimechoAI / Timer 连接数据与模型 前面的文章介绍了如何保存、查询和分析时序数据。本篇以发动机温度预测为场景，说明怎样准备历史序列，通过 TimechoAI / Timer 获得预测，并与后续观测对照。 本篇回到导读提出的“可流转、可验证”价值：整理历史序列，生成预测并用后续观测检查结果。 本文提供接入说明和命令模板，适合已了解 TsFile 或 Io

数据库为什么需要变得 Agent-Friendly

数据库为什么需要变得 Agent-Friendly 给 Agent 一个数据库连接、一份 schema 和执行 SQL 的工具，它就能可靠地回答数据问题了吗？ 很多失败并不是 Agent 不会写 SQL，而是它不知道某个字段的业务含义，不清楚单位和时区，无法判断两个系统里的客户编号是否指向同一实体，也不知道空结果来自“确实没有数据”还是“查询条件写错了”。即使最终数字正确，它也可能使用了过期快照

#数据库 #AI #Agent #数据系统 #Agent-Friendly

AI 做科研，真正难的不是生成一个假设

AI 做科研，真正难的不是生成一个假设 让 AI 围绕一个研究问题提出十个假设，已经不难。 它可以迅速给出听起来新颖的机制、候选变量和实验方向，语言完整，逻辑顺滑，甚至像一份成熟的研究计划。但如果继续追问：这个想法是否早已发表？关键前提来自哪篇论文？怎样设计能够证伪它的实验？失败结果如何解释？分析代码能否复现？同一结论换一批样本是否仍然成立？ 任务会立刻变得困难。 原创配图：科研不是一次生成，

#AI #Agent #AI4Science #科研 #可复现性

与 AI 一起工作 | 8. 为什么评价 Agent 不能只看最终答案

与 AI 一起工作 | 8. 为什么评价 Agent 不能只看最终答案 假设你让一个 Agent 汇总一份表格中的销售额，它返回了正确数字。只看答案，这次任务应该得满分。 但如果查看执行记录，可能会发现另一幅图景：它读错了数据版本，几次查询都失败了，最后从一段旧对话里碰巧找到了同一个数字；或者它虽然生成了正确文件，却覆盖了另一列公式；又或者它在发送结果时重复提交了两次。 答案可以是对的，过程仍然

#AI #Agent #评测 #轨迹 #可观测性

与 AI 一起工作 | 9. LLM-as-a-Judge 能不能给 AI 当裁判

与 AI 一起工作 | 9. LLM-as-a-Judge 能不能给 AI 当裁判 让人评价一万条开放式回答，昂贵而缓慢；用关键词、字符串匹配或传统自动指标，又很难判断一段解释是否清楚、完整、切题。 于是，一个自然的办法出现了：让另一个大语言模型阅读任务、候选回答和评分标准，再输出分数、偏好或评语。这就是通常所说的 LLM-as-a-Judge，也就是“让大模型担任评委”。 问题是：一个会犯错、

#AI #人机协作 #评测 #LLM-as-a-Judge #偏差

与 AI 一起工作 | 7. 多 Agent，不是多开几个聊天窗口

与 AI 一起工作 | 7. 多 Agent，不是多开几个聊天窗口 当一个 AI 完成任务不够快或结果不够好时，最直觉的想法是：再启动几个 AI，让它们一起做。 于是，同一个问题被同时交给三个 Agent。过一会儿，我们得到三份结构相似、观点略有差异的答案，还需要自己重新核对事实、消除重复、处理冲突并拼成最终版本。计算量增加了，工作却没有真正减少。 这不是多 Agent 协作，只是把同一项工作重

#协作 #AI #Agent #多Agent #工作流

与 AI 一起工作 | 6.上下文、记忆与知识库，不是同一回事

与 AI 一起工作 | 6.上下文、记忆与知识库，不是同一回事 使用 AI 一段时间后，人很容易遇到三种看似矛盾的情况：刚刚说过的要求，它转眼就忘了；几天前形成的写作偏好，它有时又能继续遵守；资料明明已经放进知识库，回答时却仍然没有引用到。 这些现象常被笼统地归结为“AI 的记忆不好”。但这里其实混合了三个不同问题：模型当前看见了什么，系统为以后保留了什么，以及外部资料能否在需要时被找到。 它们

#记忆 #AI #Agent #上下文 #知识库

与 AI 一起工作 | 3. AI 说“完成了”，为什么你还不能相信它？

与 AI 一起工作 | 3. AI 说“完成了”，为什么你还不能相信它？ 让 AI 修改一份文档、修复一个 Bug 或整理一组资料后，我们经常会收到一段令人安心的总结：已经完成修改，已经运行检查，没有发现问题。 这段话很像工作的终点。它结构清楚，语气肯定，还会列出改了什么、验证了什么。于是，人很容易看完总结就直接进入下一项任务。 问题在于，“AI 说完成了”只是一条状态声明，不是任务已经完成的证

#AI #Agent #验证 #工作方法 #人机协作

与 AI 一起工作 | 4.当 AI 可以修改文件和发送消息，权限应该怎样给？

与 AI 一起工作 | 4.当 AI 可以修改文件和发送消息，权限应该怎样给？ 当 AI 只能在对话框里生成文字时，最常见的风险是答案不准确。即使它写错了一段代码或误解了一份材料，人仍然可以在复制、粘贴和执行之前停下来检查。 但当 AI 能够读取本地文件、修改代码、查询数据库、创建日程和发送消息后，情况发生了变化。它不再只是给出建议，而是可能直接改变现实状态。 这时真正的问题不再是“要不要给 A

#安全 #AI #Agent #人机协作 #权限

与 AI 一起工作｜系列目录

与 AI 一起工作｜系列目录 本系列不追逐“哪个模型又快了多少”，而是持续讨论一个更稳定的问题：当 AI 从生成答案走向调用工具、修改文件和参与决策，人应该怎样定义任务、授予权限、验证结果，并对最终选择负责？ 当前发布版本以 CSDN 专栏 为准；本地第 10–12 篇尚未上线。 主线是：保留人的判断 → 说清任务边界 → 理解 Agent 系统 → 建立验证方法 → 进入科研与数据场景。 fl

#AI #Agent #工作方法 #人机协作 #系列目录