#程序员
看到一个超炫酷的量子纠缠实现效果,其原理是通过 window.getScreenDetails() 获取窗口详细位置,然后通过 LocalStorage 共享窗口信息来实现的,这个创意太赞了。作者是 x.com/_nonfigurativ_
看到一个超炫酷的量子纠缠实现效果,其原理是通过 window.getScreenDetails() 获取窗口详细位置,然后通过 LocalStorage 共享窗口信息来实现的,这个创意太赞了。作者是 x.com/_nonfigurativ_
《向量数据库》,https://guangzhengli.com/blog/zh/vector-database/,这是一篇值得阅读的长文,它介绍了向量数据库的方方面面,包括 Vector Embeddings、Similarity Search、Similarity Measurement、Filtering 等等,单纯从实现角度来看,技术复杂度并不高。
短短几个月,各大数据库厂商也增加了对向量的支持,https://github.com/openai/openai-cookbook/tree/main/examples/vector_databases,可以在这篇 OpenAI 写的文档里找到各自对应的代码参考。
但随着 LLM 底层能力的提升,如今的 ChatGPT 已经支持了 128k 的上下文,而且在 GPTs 中也默认提供了检索能力,这波操作,针对大部分需求场景来说,可以直接免除对向量数据库的调用了。随之而来的,也是向量数据库风投的“降温”。
《向量数据库凉了吗?》,https://mp.weixin.qq.com/s/0eBZ4zyX6XjBQO0GqlANnw,这篇文章给出了一个观点:“专用向量数据库陷入了一个死局之中:小需求 OpenAI 亲自下场解决了,标准需求被加装向量扩展的现有成熟数据库抢占,超大需求也几乎没什么实现的门槛。留给专用向量数据库的生态位也许能足以支持一家专用向量数据库内核厂商活下来,但想做成一个产业是不可能了。”,感兴趣的也可以读一读。
#产品知识库
飞书发布会速记
1、开放群入口,钉钉走过的路,通过开放高频入口,提升信息分发效率,提升产品使用频度,对平台、ISV、企业都有好处,之前有聊过(https://mp.weixin.qq.com/s/n6y8Q6ooWzJrZP7oSym0-g),此处不展开
2、开放主导航给其他应用,此处值得掌声👏👏绝对正确的策略,虽然体验的人不少在喷,但平台永远解决不了所有业务问题,必须要做好开放和兼容体验。
3、AI 智能伙伴, 产品能力上没有新东西,定义上类似一个工作伙伴。唯一亮点是,AI 的数据源输入支持自定义,这是非常重要的一点,解决了「AI如何理解人」的问题。否则,AI在工作场景很难提效。
4、我期待中AI的一个应用场景是,帮助企业把隐性知识显性化,很多散落在各处的知识和经验通过被AI学习,然后在企业内得到有效的流动、分发和复用。你会不同业务总是在探索重复的事情,而集团内早已有最佳实践。
阿里的ATA/语雀,美团的学城,大量散落在各处的洞察,经验并没有被有效利用。ATA和语雀的做法是人工精选和搜索,但这件事能被AI更好的解决。
5、协作是一群人实现共同目标的过程,仿佛来到 Teambition发布会,and 俊元皮肤还是这么好。
飞书发布会速记
1、开放群入口,钉钉走过的路,通过开放高频入口,提升信息分发效率,提升产品使用频度,对平台、ISV、企业都有好处,之前有聊过(https://mp.weixin.qq.com/s/n6y8Q6ooWzJrZP7oSym0-g),此处不展开
2、开放主导航给其他应用,此处值得掌声👏👏绝对正确的策略,虽然体验的人不少在喷,但平台永远解决不了所有业务问题,必须要做好开放和兼容体验。
3、AI 智能伙伴, 产品能力上没有新东西,定义上类似一个工作伙伴。唯一亮点是,AI 的数据源输入支持自定义,这是非常重要的一点,解决了「AI如何理解人」的问题。否则,AI在工作场景很难提效。
4、我期待中AI的一个应用场景是,帮助企业把隐性知识显性化,很多散落在各处的知识和经验通过被AI学习,然后在企业内得到有效的流动、分发和复用。你会不同业务总是在探索重复的事情,而集团内早已有最佳实践。
阿里的ATA/语雀,美团的学城,大量散落在各处的洞察,经验并没有被有效利用。ATA和语雀的做法是人工精选和搜索,但这件事能被AI更好的解决。
5、协作是一群人实现共同目标的过程,仿佛来到 Teambition发布会,and 俊元皮肤还是这么好。
《如何阅读一篇论文》,https://web.stanford.edu/class/ee384m/Handouts/HowtoReadPaper.pdf,看到 Srinivasan Keshav 教授在很多年前就写了一篇文献,给研究人员和论文审稿人提出了一些建议,也是“三遍法”,更为系统和详细:
1)5~10min,鸟瞰纸张,回答五个问题:类别/上下文/正确性/贡献点/明晰性
2)最多 1h,看图表和参考文献,确认准确性,事实依据是否充分;善用划词评论,跟论文作者对话
3)初学者 5h,老手 1h,假设自己是创作者,以同样的命题重新实现论文,对比本篇论文的创新性,审视细节、挑战内容
也有人说还有第 0 步,那就是上社交媒体看看,有多少人赞同/不赞同这篇论文🐶
@Airyland 真的格局很大,把 https://GPTsHunter.com 的 GPTs 数据共享出来,于是出现了 https://GPTsToday.com https://GPTs.works 等优秀的网站。