A Câmara dos Representantes avançou recentemente com um importante novo projeto de lei sobre "estrutura de mercado" com um apoio bipartidário esmagador (294 a 134, com 78 democratas a apoiar). Este projeto de lei, o Digital Asset Market Clarity Act ou "CLARITY Act" (HR 3633), estabeleceria um quadro regulatório claro para os mercados de ativos digitais. O projeto de lei agora avança para o Senado, que está a trabalhar na sua própria versão da legislação sobre estrutura de mercado que será informada pelo CLARITY. Se aprovado, este projeto de lei estabelecerá regras claras para os sistemas de blockchain — pondo fim aos anos de incerteza que sufocaram a inovação, expuseram os consumidores a danos e favoreceram os aproveitadores que abraçam a opacidade em detrimento dos empreendedores que buscam transparência. Tal como a Securities Act de 1933, que estabeleceu proteções para investidores e impulsionou um século de formação de capital nos EUA, o CLARITY Act poderia ser uma lei geracional. Quando os nossos quadros legais são projetados para fomentar a inovação e proteger os consumidores, a América lidera — e o mundo beneficia. O CLARITY é esse tipo de oportunidade. Embora esta legislação se baseie no impulso bipartidário do projeto de lei FIT21 do ano passado, o CLARITY melhora-o em várias maneiras-chave, que descrevemos abaixo: cobrindo o que os construtores precisam saber e por que este projeto de lei é crucial para alinhar inovação, proteção do consumidor e segurança nacional dos EUA. Saiba mais sobre o CLARITY Act no tópico abaixo. E encontre o post completo de @milesjennings & Aiden Slavin:

+1 para "engenharia de contexto" em vez de "engenharia de prompt". As pessoas associam prompts a descrições curtas de tarefas que você daria a um LLM no seu uso diário. Quando, em cada aplicativo LLM de força industrial, a engenharia de contexto é a delicada arte e ciência de preencher a janela de contexto com as informações certas para o próximo passo. Ciência porque fazer isso corretamente envolve descrições de tarefas e explicações, exemplos de poucos disparos, RAG, dados relacionados (possivelmente multimodais), ferramentas, estado e histórico, compactação... Muito pouco ou na forma errada e o LLM não tem o contexto certo para um desempenho ótimo. Muito ou irrelevante demais e os custos do LLM podem aumentar e o desempenho pode cair. Fazer isso bem é altamente não trivial. E arte por causa da intuição orientadora em torno da psicologia do LLM e do espírito das pessoas. Além da própria engenharia de contexto, um aplicativo LLM tem que: - dividir problemas da maneira certa em fluxos de controle - empacotar as janelas de contexto da maneira certa - despachar chamadas para LLMs do tipo e capacidade corretos - lidar com fluxos de UIUX de geração-verificação - muito mais - barreiras de proteção, segurança, avaliações, paralelismo, pré-busca, ... Portanto, a engenharia de contexto é apenas uma pequena parte de uma camada emergente espessa de software não trivial que coordena chamadas individuais de LLM (e muito mais) em aplicativos LLM completos. O termo "wrapper do ChatGPT" está cansado e realmente, realmente errado.