小约第一次剪辑上传，不大熟练。辞旧迎新之际，这一碗鸡汤，我们先干为敬。

本期我们来谈谈教育。双减政策实施以来，2000亿的教培行业瞬间蒸发，现在来说教育其实已经不是一个热点，但是回望5-10年前的一级市场，教育或者说教培曾经是一个巨大的赛道，涌进了无数的创业者和投资人，也养活了2000万的就业者。 我们今天站在历史之外去看历史，回头去看这个教培行业的兴衰，是不是这个行业的衰退完全是因为政策，还是说政策的一刀切其实很早就初露端倪？很多创业者一头扎进这个行业时，有没有忽略了一些信号？ 本期嘉宾Jane老师，10年教育行业经验，教培行业投资人，创业者，教培行业从繁荣到衰落的亲历者，在这个行业赚过钱也亏过钱。经历了大起大落之后，今天的她对于教育行业是这怎么看的，对于创业又有什么样的切身感悟，我们请她来谈一谈那些年教育创业的二三事。 * 当年的教育市场蓬勃发展，创业项目频频拿到融资，市场格局如何，投资的底层逻辑又是什么？ * 疫情的爆发，中美关系的紧张，另外还有双减的政策，都对教培行业产生了极其重大的影响，除此之外，还有哪些内因导致行业的下行？ * 教育能不能被市场化？双减政策的底层意义是什么？ * 教培行业何去何从，还在艰难生存的机构，业务模式会产生什么变化？有哪些新的方向可能会有机会？

上半年Chat GPT大火了一把，围绕大模型的创业项目也层出不穷，那到现在为止过了差不多半年了，市场现状和格局是什么样？ 对于做应用的初创团队来说，主流方向还是寻找一个垂直行业或者说细分的应用场景，通过训练行业垂类模型的方式跑通商业化，那从技术的角度来说，基于开源LLM来做商业化落地有哪些瓶颈或者挑战呢？ 智能客服赛道出海，是因为国内的toB市场没有好的落地场景还是竞争太激烈？在出海这个大方向上面选择东南亚的理由又是什么？ 在和印尼客户对接中有什么和国内不一样的地方，是否有需要特别注意的点？ 在本期节目中，我们邀请了某智能客服赛道创业公司的资深产品经理Mike来给我们讲讲LLM创业出海东南亚的一些故事，有着多年AI产品化落地经验的Mike可以说是一直在科技金融to B业务的第一线，让我们来听听他对技术发展趋势的判断以及对市场的感受。 技术小黑板： 基于开源LLM做商业化落地主要有几种不同的技术方向：prompt、RAG和fine-tuning： Prompt的方法比较好理解，大家在使用的chatgpt时，发给chatgpt聊天的内容实际上就是一种prompt，prompt的形式用自然语言或者代码描都可以，LLM都能理解。 但他所有的回复，都是基于他训练数据中已经包含的知识。这会遇到一个大模型本身的问题，实质上是他的一种特性，业界称之为幻觉，它会对一些它“不知道的内容”也尽量回答你，进而产生一些胡言乱语。 RAG的全称是检索增强生成Retrieval Augmented Generation。大致的逻辑是先把一堆文档资料进行一个预处理，然后通过嵌入embeding的方式，把整理过的文档处理成向量，存入向量数据库，然后每当用户有请求的时候，把客户的请求也处理成向量，再与向量库中的向量进行匹配，找到最相似的向量所对应的原文，把原文和客户的请求交给LLM，让LLM给出回复。 fine-tuning，也就是微调训练，具体做法是给一些标注过的的数据集，在预训练好的LLM上做进一步的训练或者能力提升。