Bate-papo: Notion + Vercel
원제 · Fireside Chat: Notion + Vercel
핵심 요약
A proliferação de agentes no ambiente de trabalho exige infraestruturas duráveis de contexto aberto e o desacoplamento de interfaces entre humanos e agentes.
하이라이트
O uso do Model Context Protocol (MCP) no Notion cresceu 70 vezes nos últimos seis meses, impulsionado por agentes de programação, pessoais e corporativos.
Cerca de metade do conteúdo escrito no Notion atualmente é gerado por agentes e pelo MCP.
Os agentes do Notion recorrem à CLI da plataforma através de sandboxes da Vercel para criar scripts e executar ações determinísticas com eficácia.
O Notion adquiriu a empresa de aprendizado por reforço Zero Entropy para treinar modelos específicos para tarefas e avaliar estruturas de agentes.
Quando um agente do Notion falha ao editar uma página diretamente, ele apresenta comportamento emergente ao abrir um navegador para acessar o Notion.so e tentar navegar pela interface como um humano.
타임라인
A Proliferação de Agentes e a Evolução do Contexto
A discussão inicial aborda como a missão do Notion evoluiu do trabalho colaborativo puramente humano para a colaboração com e entre agentes. A proliferação de agentes exige que as informações estejam em um local durável e independente de laboratórios específicos para evitar o aprisionamento de dados. Além disso, o crescimento exponencial do uso do MCP reflete o aumento das tarefas executadas por agentes corporativos e pessoais.
- A colaboração expandiu-se para incluir a interação entre humanos e agentes, bem como entre agentes autônomos.
- O contexto de uma organização abrange não apenas o Markdown, mas também o porquê da estrutura das informações e a sensibilidade a mudanças.
- O uso do MCP cresceu 70 vezes em seis meses com a expansão das capacidades dos agentes.
Diferenças Arquiteturais entre Busca Humana e Agêntica
A experiência de gerenciar equipes de busca revela que tratar humanos e agentes como o mesmo cliente é um erro de design. Enquanto humanos exigem exatidão e trechos legíveis ordenados por relevância, os agentes otimizam o consumo de dados de forma diferente, necessitando de alto revocamento e dispensando algoritmos de reordenamento que apenas adicionam latência ao sistema.
- Aproximadamente metade de todo o conteúdo escrito no Notion é produzido por agentes e pelo MCP.
- A busca para agentes exige alto revocamento, enquanto a busca para humanos prioriza a precisão e a ordenação posicional.
- A ordenação posicional e algoritmos complexos de ranqueamento geram latência desnecessária para agentes, que conseguem processar fragmentos não lineares de texto.
Ferramentas Universais, Sandboxes e Aprendizado por Reforço
A consolidação de ferramentas como CLI e MCP em um ambiente unificado permite que os agentes executem ações agênticas complexas com segurança. O investimento em aprendizado por reforço e infraestrutura de avaliação possibilita comparar o desempenho do agente primário do Notion com outras estruturas de agentes do ecossistema.
- O Notion utiliza sandboxes da Vercel para permitir que agentes primários acessem a CLI e executem tarefas determinísticas.
- A aquisição da Zero Entropy permitiu ao Notion investir em aprendizado por reforço e APIs de rollout para avaliar diferentes estruturas de agentes.
- Agentes terceirizados exigem abordagens criativas de design para incorporar a experiência e o entendimento contextual nativos de uma plataforma.
Democratização de Classificadores e Integração de Modelos
A comparação entre classificadores modernos e o uso de workers em sandboxes mostra que os LLMs não são necessários para todas as tarefas, sendo o determinismo preferível para otimizar custos e qualidade. A gestão de modelos na fronteira exige plantões contínuos e sistemas robustos de avaliação para integrar rapidamente inovações sem comprometer a estabilidade do produto.
- Tecnologias recentes democratizaram o uso de classificadores de aprendizado de máquina, dispensando semanas de rotulagem manual de dados.
- O Notion mantém suporte a uma ampla gama de modelos para equilibrar custo e qualidade, lançando novas opções rapidamente após os anúncios.
- O comportamento emergente dos agentes demonstra que eles evitam desistir diante de falhas, o que exige o desenvolvimento de controles para limitar ações indesejadas.
설명
Vercel.com