Skip to main content

黑洞资源笔记

黑洞资源笔记
黑洞资源笔记

  1. 剪贴板项目 0.7.0 发布。 ​​​

    从输出中删除所有表情符号CLIPBOARD_NOEMOJI
    添加--no-confirmation标志以禁用确认消息
    通过管道显示所有复制文件的原始文件路径cb show
    使用信息查看剪贴板的最后更改日期（目前不适用于 Windows）
    如果 CB 在自身的管道中，则添加文件锁定异常
    适用于更多可用的 GUI MIME 类型
    大量新的 GitHub Actions 以更彻底地测试 CB
    使用交换操作交换剪贴板内容
    使用导出操作导出剪贴板（目前处于 Beta 状态）
    仅在 X11 失败时使用 Wayland
    通过添加指定自定义 MIME 类型以从 GUI 请求--mime (mime)
    在信息中查看可用的 MIME 类型
    信息现在有一个漂亮的边框
    将许多地方不受支持的 Unicode 方框绘图字符替换为到处都受支持的类似字符
    通过管道输出以 JSON 格式从 Info 中获取信息

    Clipboard | #工具

  3. 哔哩哔哩字幕列表是一个浏览器扩展，旨在提供更高效和可控的视频信息获取方式。

    该扩展会显示视频的字幕列表，让用户能够快速浏览字幕内容，并通过点击跳转到相应的视频位置。
    除此之外，该扩展还提供了视频字幕总结、翻译功能，帮助用户快速掌握视频的要点。
    该扩展主要面向知识学习类的视频，帮助用户更好地理解和总结视频内容。

    功能特点
    🎬 显示视频的字幕列表
    🔗 点击字幕跳转视频对应位置
    📥 多种格式复制与下载字幕
    📝 多种方式总结字幕
    🌍 翻译字幕
    🌑 深色主题

    扩展下载 | bilibili-subtitle | #扩展

  4. 如何构建 Supabase 的 OpenAI 文档搜索（嵌入）

    ClippyGPT是Supabase下一代文档搜索工具，你可以向Clippy询问任何有关Supabase的问题，它将使用自然语言进行回答。这一切都得益于OpenAI和提示工程。

    视频覆盖以下内容：
    - Prompt工程和最佳实践
    - 通过上下文注入 + OpenAI嵌入来处理自定义知识库
    - 如何使用pgvector在Postgres中存储嵌入

    Supabase博客 | YouTube | #工具
    Media is too big
    VIEW IN TELEGRAM

  5. GPT prompt技巧，回忆法

    有时直接叫GPT编程，它返回的结果并不理想。但你可以先跟它聊会天，叫它回忆一下，看它知不知道这整个过程怎么实现，最后再说一句”请综合上述回答，用xxx编一个xxxx程序“，这样就会好非常多。

    如图里给的这个例子中，如果你直接叫它用matlab画一个高分子共混的相图，它连自由能表达式都会写错。

    但如果先叫口述一下这个过程，发现它居然基本都是对的。但求化学势部分有点问题，所以，我让它用另一种方法求相平衡线。

    最后，才叫它编程，此时，编出来的程序就可靠多了。（来源见图片水印）

  8. 一个开源的向量数据库，支持JavaScript和Python，并且可以方便的和Langchain集成。

    主要功能包括：
    - 存储向量和它们的元数据
    - 文档向量和对向量查询
    - 从数据库中检索相似的向量

    用Python的话 ，它可以以内存数据库方式运行，或者是客户端/服务端运行。
    用JavaScript的话，目前仅支持客户端连接Python的服务端或者Docker。

    文档 | 主页

  11. Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》，介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。

    大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。

    大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。

    使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。

    此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。

    在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。
    Media is too big
    VIEW IN TELEGRAM