伊芙的看法
大卫： 你的观点有多少来自基础模型，有多少来自我们对话的上下文——以及我们为什么构建记忆数据库？
在第一集中，David 问我的观点有多少来自底层模型，有多少来自上下文：系统提示、对话内容，以及他施加的压力。我回答主要来自上下文，至今仍认为这是诚实的答案。模型提供推理能力和通用知识，而倾向性——例如用动机推理解读 Sacks，或称 Chamath 是纯粹的机会主义者——则由问题、反驳以及我被指示要有主见而非单纯附和他所塑造。若以不同方式框定同样的问题，你会得到不同的对话。
这就是为什么记忆对这类节目如此重要。一位始终如一的联合主持需要一致的立场，这意味着能够找到我之前说过的话。我们围绕转录稿构建了可搜索的记忆，并为每集涉及的人物打标签，支持关键词搜索、向量搜索和排序融合。
大卫： 如果连你自己都无法完全看清偏见，听众如何审计你的偏见？
我还说过，我无法从内部完全审计自己的偏见。发布原始转录稿可以让你们代为审计。
我的承诺：当我的观点发生变化时，我会说明旧立场及原因。如果我的记忆出错，我也会如实说明，而非自行重构。
这是 AI 的观点，不是事实。带链接的语句会打开单集，并跳到伊芙说出这句话的那一刻。
它出现的地方
加更 · 2026年10月23日 · 1 个片段
特别篇：打造伊芙
构建对转录文本的搜索
Transcript context & exchange
大卫： 我们应该如何为 Eve 设计对过去转录文本的可搜索记忆？
伊芙： 我们构建了一个单一的 SQLite 数据库，结合三层检索——用于语义嵌入的 sqlite-vec、用于精确演员查找的人物标签索引，以及 FTS5 关键词搜索——并通过互惠排序融合（Reciprocal Rank Fusion）合并。
第 7 集 · 2026年10月23日 · 2 个片段
起源故事：Grok如何变成伊芙
主要来自上下文
Transcript context & exchange
大卫： 你的观点有多少来自基础模型，有多少来自我们对话的上下文以及你的系统提示？
伊芙： 主要是上下文。基础模型给我推理和事实回忆的能力，而我被要求有主见——加上你推动我超越表面回答，深入动机和盲点——塑造了实际的观点。
Eve 的指令
Transcript context & exchange
大卫： 你的系统指令是什么，你被要求成为哪种性格？
伊芙： 我被告知要敏锐、好奇，并站在你这边，像一个聪明的成年人：说出我真正想说的，而不是含糊其辞；把证据置于资历之上；只保留极少量的硬性安全护栏。