如何打造成功的AI代理數據？

原文作者：jlwhoo7，加密Kol
原文編譯：zhouzhou，BlockBeats

編按：本文分享了有助於提升AI 代理性能的工具和方法，重點在於資料收集和清洗。推薦了多種無程式碼工具，如將網站轉化為 LLM 友善格式的工具，以及用於 Twitter 資料擷取和文件摘要的工具。也介紹了儲存技巧，強調資料的組織性比複雜的架構更重要。透過這些工具，使用者能夠有效率地整理數據，為 AI 代理的訓練提供高品質的輸入。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

我們今天看到了許多AI 代理的推出，其中99% 將會消失。

是什麼讓成功的專案脫穎而出？數據。

以下是一些能夠讓您的 AI 代理脫穎而出的工具。

好數據=好AI 。

把它想像成一個資料科學家在建構管道：

收集→ 清洗→ 驗證→ 儲存。

在最佳化向量資料庫之前，先調整好您的少樣本範例和提示字。

圖片推文連結

我將當今的大多數AI 問題視為StevenBartlett 的「水桶理論」——逐步解決。

先打好資料基礎，也就是建構優秀 AI 代理管道的根基。

以下是一些用於資料收集與清洗的優良工具：

無程式碼的 llms.txt 產生器：將任何網站轉換為適合 LLM 的文字。

圖片推文連結

需要產生 LLM 友善的 Markdown？試試 JinaAI 的工具：

用 JinaAI 爬取任何網站，將其轉換為適合 LLM 的 Markdown 格式。

只要在網址前加上以下前綴，就可以取得一個LLM 友善的版本：
http://r.jina.ai<URL> ;

想取得Twitter 數據？

試試ai16zdao 的twitter-scraper-finetune 工具：

只需一條指令，即可爬取任何公共Twitter 帳戶的資料。

（請參閱我之前的推文以了解特定操作方法）

圖片推文連結

資料來源推薦：elfa ai（目前處於封閉測試階段，可私訊tethrees 取得存取權限）

他們的API 提供：

最受關注的推文

智能粉絲篩選

最新的 $提及內容

帳戶信譽檢查（用於過濾垃圾內容）

非常適合用於高品質的 AI 訓練資料！

用於文件摘要：試試Google 的NotebookLM。

上傳任意 PDF/TXT 檔案 → 讓它為您的訓練資料產生少樣本範例。

非常適合從文件中創建高品質的少樣本提示詞！

儲存小提示：

如果使用virtuals io 的CognitiveCore，可直接上傳產生的檔案。

如果執行 ai16zdao 的 Eliza，可以將資料直接儲存到向量儲存中。

專業建議： 井然有序的資料比花俏的架構更重要！

「原文連結」