TrumanDu's Blog

发表于 更新于 分类于 本文字数： 2.9k 阅读时长 ≈ 10 分钟

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，软件分享，内容记录等。内容主题有极大的个人喜好偏向，爱我所爱，想我所想，写我所写。

新疆烤包子

思考

在即刻看到这么一段文字，挺有收获的，关注的问题是在企业如何落地 AI。我将内容分享一下：

今天参加了一个「制造业+AI 」的行业交流活动，很有意思。

有意思的地方不是行业专家给的具体洞见，而是提问环节。
​
​ 一位工厂的老板提问：“刚刚嘉宾分享了很多 AI 帮助企业提效的案例，说的有点快，我还是不懂，如果想在自己的企业里落地 AI，到底该怎么做？”
​
​ 有位分享嘉宾是罗兰贝格的前合伙人，他就回答，你要去梳理业务场景，把相关方拉到一起，怎么找需求点，怎么算价值点，怎么确定落地方案巴拉巴拉……
​
​ 企业主又问了一遍：“这些事我都知道，但我毕竟是个小白，听完还是不清楚我该怎么去抓这件事。”
​
​ 罗兰贝格的前合伙人把刚才的答案换着方法又说了一遍，还让企业主去参照当年数字化转型的做法。

企业主更加困惑了，说：“你说的这些实在太宽泛了…能不能站在我的角度来给我解答？”
​
​ 眼看场面陷入僵局，有一个科沃斯的代表站起来介绍，他们是怎么落地的实践经验。
​
​ 首先，他讲到了这件事要办成，既要自上而下，又要自下而上。
​
​ 企业主之所以困惑，在于他的思路局限在了“自上而下”的定势里。当对方提到“自下而上”这四个字的时候，他眼睛一亮，这里有信息增量！

阅读全文 »

发表于 更新于 分类于 本文字数： 1.5k 阅读时长 ≈ 5 分钟

props vs state

在 React 中有两种“模型”数据：props 和 state。下面是它们的不同之处:

  • props 像是你传递的参数 至函数。它们使父组件可以传递数据给子组件，定制它们的展示。举个例子，Form 可以传递 color prop 至 Button。
  • state 像是组件的内存。它使组件可以对一些信息保持追踪，并根据交互来改变。举个例子，Button 可以保持对 isHovered state 的追踪。

响应事件

传递给事件处理函数的函数应直接传递，而非调用。例如：

传递一个函数（正确） 调用一个函数（错误）
<button onClick={handleClick}> <button onClick={handleClick()}>
<button onClick={() => alert('...')}> <button onClick={alert('...')}>
阅读全文 »

发表于 更新于 分类于 本文字数： 795 阅读时长 ≈ 3 分钟

新项目-家庭理财助手

两天时间，我只用告诉它我需要什么功能，它就能完成 90% 代码，我不用修改一行代码，就可以完成我临时想写的一个软件产品—家庭理财助手

jia

我先简单介绍一下功能，包含四个模块，理财收益汇总分析（首页）理财收益记录，存款记录，理财产品目录，其中理财收益记录，存款记录，理财产品目录为增删改查，首页为数据分析模块，便于根据不同维度调整理财策略，支持 MacOS ,Windows,Ubuntu 多个平台。

家庭理财助手 免费，开源，有需要的可以去下载安装。

阅读全文 »

发表于 更新于 分类于 本文字数： 2.6k 阅读时长 ≈ 9 分钟

杜架的记录与分享，记录与思考有价值的信息，主要包含：碎片化思考，阅读笔记分享，软件分享，内容记录等。内容主题有极大的个人喜好偏向，爱我所爱，想我所想，写我所写。

报本寺塔
李渊在隋朝任岐州刺史时住武功，李世民在此出生。李世民即位后，改旧宅为庆善宫，将其生母窦穆皇后常居之别墅改为报本寺。报本寺现已不存，塔为楼阁式砖塔，空心，平面呈八角形，底边长 4.75 米，共七层，高 36.961 米。1994 年因塔身严重倾斜拆除重建。

思考

99%的人没意识到，ChatGPT 是你这辈子能交到的最厉害最贴心的朋友，它上知天文下知地理，在你无助的时候，可以给你专业又靠谱的建议和解决方案。

对于未知领域，LLM 是你进入该领域最靠谱的助手，不管你信与不信，它已经改变了现有的开发模式，极大的提升了开发效率。

除了文本理解能力，文本处理能力，逻辑推理能力以外，我觉得在其他几个方面，目前它已经做得很好，未来还会有更强的能力。

1.编程领域

两个比较火的工具 windsurf ，cursor有很多人不懂编程，用这个编程软件快速开发了许多 App，效果惊人。

最早接触 AI 编程，感觉能力很差，现在越来越强了，越早拥抱，越早收益。

2.搜索

我在开发中遇到的问题，第一时间是问 chatGPT，其次才去谷歌，基本已经解决 98%问题。

3.Computer use

这个标题想了很久，本来想叫工具使用，但又想和之前的调用 funtion 区别开，想到 claude 发布的 Computer use 相对好点，所以暂且叫这个名字。

最早的 AI Agent 人工智能体标配的一个功能就是调用外部函数的能力，这些函数是提前编码写好的，而 Computer use 不再局限于函数，而是全面拥抱 Computer，这样的好处是非计算机领域的一些劳动密集型会带来极大的提升。

想一想这么一个场景，你有一个需求，说给 AI 听，然后他就可以分析你说的话，自己完成你交代它的任务，需求转化为业务往往很难。将以前的自动化直接对接 AI,肯定会带来极大的提升。

现阶段有这么几个项目已经具备基本功能，对于这个方向，我持续看好。

https://github.com/corbt/agent.exe

Img

智谱清言 autoglm

Img

4.图像识别

给一张图，AI 会给出描述图片中有什么，相当于给盲人眼睛，未来这里一定有颠覆应用诞生，目前最大的问题不是识别准确，而是处理速度。能达到实时处理，那是不是就可以实现快速分析监控视频。此领域应该也是大有可为。

阅读全文 »

发表于 更新于 分类于 本文字数： 1.2k 阅读时长 ≈ 4 分钟

硬件

国补最近进行的如火如荼，趁此时机入手了很多装备，最值得分享的是 MacbookPro 和 4K 27 寸显示器，ROG 魔导士 RX LP 矮光轴机器键盘，再加上自己原本很早买的逻辑 Master 3s 鼠标，生产力大幅提升。

Img

很大一部分时间花在配置机器，安装软件过程中，所以就顺手写了《我的电脑装机软件清单》。

较 windows 生态确实有些变化，总体来说，一个不怎么使用快捷键的人也在尝试使用快捷键，对于我来说这大概是最大的不同，其次是重度使用终端程序解决日常问题。很多软件给了我在 windows 平台从来也不会有的想法和思路。

开源软件

Toolkit

https://github.com/TrumanDu/toolkit

最近升级了软件版本，主要完成以下功能：

  • 修改配置和插件目录，避免升级后需要重新安装插件
  • 重构代码，修复自动升级 bug
  • add plugin session store
  • 支持 MacOS
  • 升级 electron=31.7.5
  • 增加统计链接
  • 修改若干 bug

又新增了几个插件，后面会简单介绍一下，更新一下目前支持的插件列表。

App Store

阅读全文 »

发表于 更新于 分类于 本文字数： 381 阅读时长 ≈ 1 分钟

最近把公司的电脑和新入手的 Macbook 安装了软件，顺手整理了一下不同平台自己的装机清单，作为记录！

Windows

装机必备

开发必备

编程语言

写作与阅读

效率工具

其他

阅读全文 »

发表于 更新于 分类于 本文字数： 1.3k 阅读时长 ≈ 5 分钟

写这篇文章，有两个原因：1、有人在微信群问我如何写作 2、前端时间独立站blog 流行的一个问卷。以此为契机回答两个问题：

  1. 为何写作
  2. 如何写作

为何写作

先回答一下blog 流行的一个问卷中的几个问题

1. 简单介绍下自己或者你的博客？

严格意义上说，我有两个写作的站点:

blog: 技术笔记，个人简历，豆腐渣文字

book: 多个专业，体系知识库

2. 什么契机让你开始写博客？

2016 年 3 月 12 日写下自己的第一篇文章Markdown-语法学习, 从此 blog 主要用来记录技术学习笔记，偶尔发泄一丝多愁善感的思绪，还有一个作用就是当做自己的简历，让网络上的一些想了解我的同行有个初步印象。随着越写越多，我发现知识是需要整理的，知识往往是成体系的，经常更改单个文章有点困难，因此就有 book 站点。

从2022 年 2 月 5 日开始构建了 book 站点，该站点为成体系知识库，经常会更新整理。

3. 运营博客的过程中是否有失去过动力？如果有，是为什么恢复的？如果没有，请问您又是如何保持创作的激情？

没有，想写就写，写作难的是让自己坐下来写出第一行文字，没有功利性的输出，也就不存在什么动力。

4. 如何搭建博客，以及运营博客每年需要投入的资金？

Hexo & NexT主题，阿里云买的轻应用主机，一年 99，域名一年 20（貌似以后续费一年 32），总计一年：119 ￥

总结 为何写作：主要用记录技术笔记，记录看过的东西，分享想分享的，营造技术影响力。有一句口号：爱我所爱，想我所想，写我所写。

阅读全文 »

发表于 更新于 分类于 本文字数： 1.2k 阅读时长 ≈ 4 分钟

生成 Prompt 最好的方法是让 AI 自己生成。 我们可以让他按某个框架生成一份，然后在此基础上调优。

推荐几个框架

ICIO

假设我们希望让模型总结一篇关于机器学习应用的文章，Prompt 的设计可以如下：

  • Instruction（指令）：请提供一段关于本文内容的简洁总结。
  • Context（背景）：本文讨论了机器学习在医疗诊断中的应用，并分析了不同算法的优劣。
  • Input（输入）：输入的文章内容，包括关于医疗诊断的机器学习应用的信息。
  • Output（输出）：请将总结控制在 3-4 句话内，简洁明了。

CRISP

CRISP 是一个围绕 Prompt 精度和一致性而设计的框架，分别从上下文（Context）、角色（Role）、输入（Input）、结构（Structure）和目标（Purpose）五个方面来优化 Prompt。

  • Context（上下文）：为模型提供任务背景，以确保它理解任务的整体情境。

  • Role（角色）：在 Prompt 中指定模型的角色，帮助它更好地适应输出风格。例如，让模型扮演“教授”、“客户服务代表”或“数据分析师”。

  • Input（输入）：模型需要处理的主要信息或材料。

  • Structure（结构）：输出的组织方式或逻辑结构，确保模型生成条理清晰的内容。

  • Purpose（目标）：明确任务的最终目标或期望效果，例如“解释”、“推荐”或“分析”。
    示例：

  • 上下文：关于区块链的技术介绍。

  • 角色：作为一个区块链专家。

  • 输入：给定的区块链介绍文本。

  • 结构：逐条说明。

  • 目标：让普通人理解区块链的基本概念。

阅读全文 »

发表于 更新于 分类于 本文字数： 253 阅读时长 ≈ 1 分钟

hugging face 下载模型

首先在 poweshell 下设置代理,该方式只在 session 中生效

1
2
$env:HTTP_PROXY="http://username:password@xxxx.xxxx.xxxx.xxxx:3030"
$env:HTTPS_PROXY="http://username:password@xxxx.xxxx.xxxx.xxxx:3030"

下载指定模型，如果是 llama，请先登录，获取授权

1
2
huggingface-cli login
huggingface-cli download meta-llama/Llama-3.2-1B

llama.cpp

构建 llama.cpp 环境

1
2
3
4
5
git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
conda create -n llama.cpp python=3.11
conda activate llama.cpp
pip install -r requirements.txt

验证依赖安装是否正确

1
2
3
4
5
python convert_hf_to_gguf.py
usage: convert_hf_to_gguf.py [-h] [--vocab-only] [--outfile OUTFILE] [--outtype {f32,f16,bf16,q8_0,tq1_0,tq2_0,auto}] [--bigendian] [--use-temp-file] [--no-lazy] [--model-name MODEL_NAME] [--verbose]
                             [--split-max-tensors SPLIT_MAX_TENSORS] [--split-max-size SPLIT_MAX_SIZE] [--dry-run] [--no-tensor-first-split] [--metadata METADATA]
                             model
convert_hf_to_gguf.py: error: the following arguments are required: model

如上即为正常。

阅读全文 »

发表于 更新于 分类于 本文字数： 625 阅读时长 ≈ 2 分钟

Agent 是指能够感知环境、做出决策和采取行动的实体。

主流 Agent 设计思想

CoT

思维链（Chain of Thought） <input——>reasoning chain——>output>

仅仅在 Prompt 中添加了一句 “Let's Step by Step” 就能够让大模型在推理上用到了思维链。

CoT 的核心思想是通过提供一系列中间推理步骤来引导模型逐步思考，从而生成更加准确和连贯的输出。这种方法特别适用于需要复杂推理、数学计算或解决多步骤问题的场景。

阅读全文 »
0%