#AI #App #Tools
RIZZ —— 聊天 App 上的王牌助攻
💬 RIZZ 是一款最近在美区 app store 上排行榜较高的 AI app，不过不同于我们看到的聊天软件，你并不是用它的 app 来和虚拟人物聊天，它是一款聊天主攻软件
❤️🔥 整款 app 主要支持你上传你和朋友或是约会对象聊天的截图，在读取截图里面的内容后，它会给到你接话的建议和内容，帮你去「优化」和「提升」整个对话质量
🎓 创立 RIZZ 的是四名大三学生：20 岁的 Charis Zhang 和 Oliver Johansson、19 岁的 Tobias Worledge，他们就读柏克莱加州大学，加上 20 岁的南加大学生 Daniel He
🥺 虽然整款 app 都做的还不错，但是我觉得这时代真不容易啊，以后跟朋友聊天都不知道是不是人家的 AI 小号在我跟讲话了
频道：@NewlearnerChannel | @RollerRolling
RIZZ —— 聊天 App 上的王牌助攻
💬 RIZZ 是一款最近在美区 app store 上排行榜较高的 AI app，不过不同于我们看到的聊天软件，你并不是用它的 app 来和虚拟人物聊天，它是一款聊天主攻软件
❤️🔥 整款 app 主要支持你上传你和朋友或是约会对象聊天的截图，在读取截图里面的内容后，它会给到你接话的建议和内容，帮你去「优化」和「提升」整个对话质量
🎓 创立 RIZZ 的是四名大三学生：20 岁的 Charis Zhang 和 Oliver Johansson、19 岁的 Tobias Worledge，他们就读柏克莱加州大学，加上 20 岁的南加大学生 Daniel He
🥺 虽然整款 app 都做的还不错，但是我觉得这时代真不容易啊，以后跟朋友聊天都不知道是不是人家的 AI 小号在我跟讲话了
频道：@NewlearnerChannel | @RollerRolling
#Web #AI #GitHub情报
📩 接读者来稿，他向我们分享了一款在线 AI 网页项目
🔮 ChatGPT-Midjourney：一键拥有你自己的 ChatGPT + Midjourney 网页服务
🔗：GitHub | Releases
👉 Features：
- 支持 ChatGPT-Next-Web 的所有功能
- 引入 Midjourney 支持，包含 imgine 想象 / upscale 放大 / variation 变幻 / describe 识图 / blend 混图 / 垫图
- 绘图进度百分比、实时图像显示
- 支持 Docker、Vercel 等多种方式部署
💡 ChatGPT-Midjourney 项目的开发基于 ChatGPT-Next-Web，不同的是引入了 Midjourney 支持。当你部署完项目，就可以在自己的网页与 AI 聊天、绘图了
🛠 本项目提供了多种部署方式，支持 Docker、Vercel、Railway 快速部署，也支持手动部署。当然，你需要提前准备好 OpenAI 和 Midjourney 对应的 API
🥳 在 AIGC 项目不断开放自己 API 的当下，很多开源项目应运而生，给我们带来了更丰富、更自定义、更开放的 Web 体验。欢迎大家使用这些项目，也可以分享一下自己在用的同类项目
📘 关联阅读：
1️⃣ 支持 OpenAI ChatGPT API 的优秀软件们
2️⃣ Towards artificial general intelligence：聊聊通用人工智能
频道：@NewlearnerChannel
📩 接读者来稿，他向我们分享了一款在线 AI 网页项目
🔮 ChatGPT-Midjourney：一键拥有你自己的 ChatGPT + Midjourney 网页服务
🔗：GitHub | Releases
👉 Features：
- 支持 ChatGPT-Next-Web 的所有功能
- 引入 Midjourney 支持，包含 imgine 想象 / upscale 放大 / variation 变幻 / describe 识图 / blend 混图 / 垫图
- 绘图进度百分比、实时图像显示
- 支持 Docker、Vercel 等多种方式部署
💡 ChatGPT-Midjourney 项目的开发基于 ChatGPT-Next-Web，不同的是引入了 Midjourney 支持。当你部署完项目，就可以在自己的网页与 AI 聊天、绘图了
🛠 本项目提供了多种部署方式，支持 Docker、Vercel、Railway 快速部署，也支持手动部署。当然，你需要提前准备好 OpenAI 和 Midjourney 对应的 API
🥳 在 AIGC 项目不断开放自己 API 的当下，很多开源项目应运而生，给我们带来了更丰富、更自定义、更开放的 Web 体验。欢迎大家使用这些项目，也可以分享一下自己在用的同类项目
📘 关联阅读：
1️⃣ 支持 OpenAI ChatGPT API 的优秀软件们
2️⃣ Towards artificial general intelligence：聊聊通用人工智能
频道：@NewlearnerChannel
#Web #AI
🔮 基于 Stable Diffusion 的 Art QR 二维码生成项目
近期 AI 生成的艺术二维码非常火爆，今天就和大家一起分享，有哪些项目和方法能够实现这一点
1️⃣ ControlNet for QR Code
🔗：Web
这是 qrbtf 开发者的新作品，通过 ControlNet 模型得到了准确的二维码 + 好看的背景的组合体。其中需要 Stable Diffusion 结合 LoRA 和 ControlNet 一起实现
测试模型训练完毕后，开发者尝试了多种 Checkpoint + LoRA + QR Code ControlNet 的组合，得到了近 10 种风格迥异的艺术二维码设计风格，大家可前往网页自行挑选模型
这篇文章 详细介绍了 Atr QR 的生成过程，大家可以作为参考；你也可以在 这里 看到更多官方的生成效果
2️⃣ QuickQR Art
🔗：Web
作为一个平面二维码生成网站，QuickQR Art 也跟上了潮流，推出了他们的 Art QR 内测。用户在官网生成平面二维码后，需要加入内测 Discord 频道，并对图片进行 AI 二次加工
相比于第一种方法固定的模型和艺术生成风格，在这里你可以大胆尝试不同的「提示词」，得到不同的艺术生成风格
频道：@NewlearnerChannel
🔮 基于 Stable Diffusion 的 Art QR 二维码生成项目
近期 AI 生成的艺术二维码非常火爆，今天就和大家一起分享，有哪些项目和方法能够实现这一点
1️⃣ ControlNet for QR Code
🔗：Web
这是 qrbtf 开发者的新作品，通过 ControlNet 模型得到了准确的二维码 + 好看的背景的组合体。其中需要 Stable Diffusion 结合 LoRA 和 ControlNet 一起实现
测试模型训练完毕后，开发者尝试了多种 Checkpoint + LoRA + QR Code ControlNet 的组合，得到了近 10 种风格迥异的艺术二维码设计风格，大家可前往网页自行挑选模型
这篇文章 详细介绍了 Atr QR 的生成过程，大家可以作为参考；你也可以在 这里 看到更多官方的生成效果
2️⃣ QuickQR Art
🔗：Web
作为一个平面二维码生成网站，QuickQR Art 也跟上了潮流，推出了他们的 Art QR 内测。用户在官网生成平面二维码后，需要加入内测 Discord 频道，并对图片进行 AI 二次加工
相比于第一种方法固定的模型和艺术生成风格，在这里你可以大胆尝试不同的「提示词」，得到不同的艺术生成风格
频道：@NewlearnerChannel
#AI #Blockchain
🤖 un.block.ai for Web3 and Developers #7
竹白 | Substack
🏦 融资
1. AI + Web3 搜索引擎开发团队 Kaito 完成 550 万美元 A 轮融资，估值 8750 万美元
2. Applied Digital 宣布自己签约第二名新客户 Sai Computing，合约最高估值 4.6 亿美元
3. FTX 寻求出售 AI 初创公司 Anthropic 股票
4. Gensyn 完成 4300 万美元 A 轮融资，a16z 领投。Gensyn 专注于让开发者能够以更低成本开发，并在协议上共享和确认 AI 模型
🎁 产品
1. 加密货币钱包 Core 推出 AvaGPT
2. RSS3 宣布推出 OpenAI 官方支持的 ChatGPT 插件
3. Matter Labs 发布「ZK Credo」宣言，包括诸如可靠性和隐私的多项基本原则
4. Bitget 推出马丁格尔 AI 投资策略，推进人工智能与 Web3 生态结合
5. ENS 推出自训练的 NickGPT，用于回答用户问题
6. Quivr: 桌面端程序提供为 LLM 添加知识库
🛬 工具库更新
1. MegaEase Cloud 推出具有性价比的 GPU 服务。官方提供 Stable Diffusion WebUI，ChatGLM 知识库 QA，Deepfake，Pytorch，Tensorflow，模拟任何人的声音，Lit-Parrot 微调大模型等模版。提供 GPU 存储服务
2. EmbedChain：为 LLM 轻松添加知识数据库
3. Cohere OpenSearch：支持近义词搜索的 Similarity Search
Semantic search 是一个比较灵活的概念，可以从最简单的单个关键词匹配到难度较高的内容匹配
根据这个基础定义，Cohere 提供的 Aemantic search model 也分为几个难度，不过整体都基于 Similarity 相似度的匹配结果，将比较模糊的问题转换为数据库内存在的精确问题，并且查询数据库的文档找到答案。这是一个针对模糊性问题很好的设计，但需要依赖强大的语言理解（NLU）模型和庞大的数据库支持。。
这个项目本身代码开源的部分较少，但从 Demo 来看，项目本身大量依赖外部计算库，本身的相似度匹配算法则比较简单易懂。
频道：@unblock256 | @NewlearnerChannel
🤖 un.block.ai for Web3 and Developers #7
竹白 | Substack
🏦 融资
1. AI + Web3 搜索引擎开发团队 Kaito 完成 550 万美元 A 轮融资，估值 8750 万美元
2. Applied Digital 宣布自己签约第二名新客户 Sai Computing，合约最高估值 4.6 亿美元
3. FTX 寻求出售 AI 初创公司 Anthropic 股票
4. Gensyn 完成 4300 万美元 A 轮融资，a16z 领投。Gensyn 专注于让开发者能够以更低成本开发，并在协议上共享和确认 AI 模型
🎁 产品
1. 加密货币钱包 Core 推出 AvaGPT
2. RSS3 宣布推出 OpenAI 官方支持的 ChatGPT 插件
3. Matter Labs 发布「ZK Credo」宣言，包括诸如可靠性和隐私的多项基本原则
4. Bitget 推出马丁格尔 AI 投资策略，推进人工智能与 Web3 生态结合
5. ENS 推出自训练的 NickGPT，用于回答用户问题
6. Quivr: 桌面端程序提供为 LLM 添加知识库
🛬 工具库更新
1. MegaEase Cloud 推出具有性价比的 GPU 服务。官方提供 Stable Diffusion WebUI，ChatGLM 知识库 QA，Deepfake，Pytorch，Tensorflow，模拟任何人的声音，Lit-Parrot 微调大模型等模版。提供 GPU 存储服务
2. EmbedChain：为 LLM 轻松添加知识数据库
3. Cohere OpenSearch：支持近义词搜索的 Similarity Search
Semantic search 是一个比较灵活的概念，可以从最简单的单个关键词匹配到难度较高的内容匹配
根据这个基础定义，Cohere 提供的 Aemantic search model 也分为几个难度，不过整体都基于 Similarity 相似度的匹配结果，将比较模糊的问题转换为数据库内存在的精确问题，并且查询数据库的文档找到答案。这是一个针对模糊性问题很好的设计，但需要依赖强大的语言理解（NLU）模型和庞大的数据库支持。。
这个项目本身代码开源的部分较少，但从 Demo 来看，项目本身大量依赖外部计算库，本身的相似度匹配算法则比较简单易懂。
频道：@unblock256 | @NewlearnerChannel
#AI #GitHub情报 #Web
🔮 Anse：又一个开源 AI WebUI 项目
🔗：GitHub | Web
👉 Features：
- 目前支持 OpenAI、Replicate 平台，未来计划支持更多平台
- 支持多平台插件扩展
- 会话记录保存于本地
- 提供不同的对话模式
- 优化用户界面体验
- 轻松部署，支持多个 PaaS 平台部署
💡 从网页设计、功能性和文档来看，Anse 是一个很用心的项目。和我们之前介绍过其他类似的项目一样，用户需要自备对应 AI 平台的 API
🛠 部署方面，Anse 同样提供了 Vercel、Netlify、Docker、Node 等多种平台与方式。用户所有会话信息将保存在本地，不会上传至云端
👀 开发团队也给出了详细的 Roadmap，未来还会继续带来全局搜索、提示词商店、包括网络读取在内的插件系统等新功能，大家可以持续关注一下
📘 关联阅读：ChatGPT-Midjourney | 一键拥有你自己的 ChatGPT + Midjourney 网页服务
频道：@NewlearnerChannel
🔮 Anse：又一个开源 AI WebUI 项目
🔗：GitHub | Web
👉 Features：
- 目前支持 OpenAI、Replicate 平台，未来计划支持更多平台
- 支持多平台插件扩展
- 会话记录保存于本地
- 提供不同的对话模式
- 优化用户界面体验
- 轻松部署，支持多个 PaaS 平台部署
💡 从网页设计、功能性和文档来看，Anse 是一个很用心的项目。和我们之前介绍过其他类似的项目一样，用户需要自备对应 AI 平台的 API
🛠 部署方面，Anse 同样提供了 Vercel、Netlify、Docker、Node 等多种平台与方式。用户所有会话信息将保存在本地，不会上传至云端
👀 开发团队也给出了详细的 Roadmap，未来还会继续带来全局搜索、提示词商店、包括网络读取在内的插件系统等新功能，大家可以持续关注一下
📘 关联阅读：ChatGPT-Midjourney | 一键拥有你自己的 ChatGPT + Midjourney 网页服务
频道：@NewlearnerChannel
#Newsletter #AI #News
🤖 un.block.ai for Web3 and Developers #8 by Glaze & Gills
竹白 | Substack | 知乎 | Mirror
🏦 融资
1. AI 和加密货币初创公司 Giza 获得 300 万美元融资，并推出自家框架 Cairo 的简易教程
2. 自动化客服公司 AwesomeQA 获得 280 万美元融资，Coinbase Ventures 和 Uniswap Labs Ventures 参投
3. Web3 开发公司法国 Narval 完成 400 万美元的种子融资，BlockTower VC 领投
4. FTX Japan 开始招聘，称将关注 AI 开发领域
5. 日本企业 Cybozu 推出新基金 Kintone Teamwork Fund，聚焦于 Web3 和 AI
6. Lighting Labs 推出基于 AI 的比特币模型，可使用基于大型语言模型的应用进行比特币交易
7. 筑波大学团队推出基于链上数据的 AI 投资组合管理系统 CryptoRLPM
8. Web3 数据智能公司 Web3Go 获得 400 万美元融资，Binance Labs 及 Hashkey Capital参投
9. 基于 ZK-rollup 证明技术的 Web3 隐私公司 Ola 获得 300 万美元融资，Foresight Ventures 参投
💬 洞见
Emerging Architecture for LLM Applications
这篇文章展示了目前开发，维护一个 AI App 需要的基础设施。
文章中主要关注于结合上下文，数据库，使用 LLM 提供更加精准、实时的答案，降低幻觉的发生。
除了问答机器人，另一个 a16z 觉得有前途的方向是 Agents。AI 使用工具和自我反馈、学习来达成一些目标，例如全自动写代码，写报告，改 Bug 等等。在其他大的 AI 企业也看到正在努力钻研 Agents 方向。
State of GPT
GPT 的训练分为四个阶段
- 预训练
- 监督训练
- 奖励训练
- 强化训练
目前大部分模型为与训练后的模型，例如 GPT，LLaMA，PaLM。他们擅长补全文章，但是不擅长指令，和用户问答。这一阶段需要的资源和数据量最大。
在这些基础模型之上，开发者进行监督训练。让这些基础模型具备回应指令的功能，例如 Vicuna-13B。
奖励训练和强化训练可以提升模型输出的质量，到那时训练过程较为复杂，很少有模型经过这两个阶段。
Chain of Thoughts 背后的原理是 LLM 无法区分哪一部分文字需要花更多时间思考。LLM 在每一个生成的文字上所花费的计算资源是一样的。这就导致了面对较难的问题容易出错因为计算时间不够长。让 LLM 多思考的方法就是让它多生成文字。对于指定问题生成更多的文字就代表它思考的越多，花费了更多计算资源。
角色扮演背后的原理是虽然 LLM 可以分辨答案的优劣，但 LLM 并不会下意识的输出最优质的答案。通过专业，高 IQ 等角色预设，LLM 会输出更加优质的答案。
目前有效的 Prompt 技巧是
- Tree works
- Chain of thoughts works
- ReAct works
但是 Auto GPT 并没有被证明有效。将任务分成子任务并不一定是有效的方案。
Vector Database
为何使用向量数据库？
- LLM 中的信息是过时的。如果我们想要注入数据，我们需要向量数据库
- 企业想要与他们的数据进行交流
为什么我们不把所有东西都放在提示里？
- 我们构建一个数据缓存层。它在向量库中存储相关信息和生成的聊天内容。通过不在提示中发送所有内容，我们可以降低成本
为什么我们不微调模型以获取新信息？
- LLM 是统计模型。它需要大量相似的样本来更新信息
如何构建一个文档问答机器人？
- 抓取所有文档并将其存储在向量数据库中。生成样本问题和答案并将它们存储在向量数据库中（有这样的文档，我可以问哪些问题）
何时不使用向量数据库？
- 如果是键值对
- 如果不是语义的
如何保持向量数据库中的数据更新是当前行业的一个问题
➕ 更多洞悉
- AI 和 Web3 的结合会是什么样的？
- 在文字分类工作上， LLM 能打败传统模型吗？
竹白 | Substack | 知乎 | Mirror
频道：@unblock256
🤖 un.block.ai for Web3 and Developers #8 by Glaze & Gills
竹白 | Substack | 知乎 | Mirror
🏦 融资
1. AI 和加密货币初创公司 Giza 获得 300 万美元融资，并推出自家框架 Cairo 的简易教程
2. 自动化客服公司 AwesomeQA 获得 280 万美元融资，Coinbase Ventures 和 Uniswap Labs Ventures 参投
3. Web3 开发公司法国 Narval 完成 400 万美元的种子融资，BlockTower VC 领投
4. FTX Japan 开始招聘，称将关注 AI 开发领域
5. 日本企业 Cybozu 推出新基金 Kintone Teamwork Fund，聚焦于 Web3 和 AI
6. Lighting Labs 推出基于 AI 的比特币模型，可使用基于大型语言模型的应用进行比特币交易
7. 筑波大学团队推出基于链上数据的 AI 投资组合管理系统 CryptoRLPM
8. Web3 数据智能公司 Web3Go 获得 400 万美元融资，Binance Labs 及 Hashkey Capital参投
9. 基于 ZK-rollup 证明技术的 Web3 隐私公司 Ola 获得 300 万美元融资，Foresight Ventures 参投
💬 洞见
Emerging Architecture for LLM Applications
这篇文章展示了目前开发，维护一个 AI App 需要的基础设施。
文章中主要关注于结合上下文，数据库，使用 LLM 提供更加精准、实时的答案，降低幻觉的发生。
除了问答机器人，另一个 a16z 觉得有前途的方向是 Agents。AI 使用工具和自我反馈、学习来达成一些目标，例如全自动写代码，写报告，改 Bug 等等。在其他大的 AI 企业也看到正在努力钻研 Agents 方向。
State of GPT
GPT 的训练分为四个阶段
- 预训练
- 监督训练
- 奖励训练
- 强化训练
目前大部分模型为与训练后的模型，例如 GPT，LLaMA，PaLM。他们擅长补全文章，但是不擅长指令，和用户问答。这一阶段需要的资源和数据量最大。
在这些基础模型之上，开发者进行监督训练。让这些基础模型具备回应指令的功能，例如 Vicuna-13B。
奖励训练和强化训练可以提升模型输出的质量，到那时训练过程较为复杂，很少有模型经过这两个阶段。
Chain of Thoughts 背后的原理是 LLM 无法区分哪一部分文字需要花更多时间思考。LLM 在每一个生成的文字上所花费的计算资源是一样的。这就导致了面对较难的问题容易出错因为计算时间不够长。让 LLM 多思考的方法就是让它多生成文字。对于指定问题生成更多的文字就代表它思考的越多，花费了更多计算资源。
角色扮演背后的原理是虽然 LLM 可以分辨答案的优劣，但 LLM 并不会下意识的输出最优质的答案。通过专业，高 IQ 等角色预设，LLM 会输出更加优质的答案。
目前有效的 Prompt 技巧是
- Tree works
- Chain of thoughts works
- ReAct works
但是 Auto GPT 并没有被证明有效。将任务分成子任务并不一定是有效的方案。
Vector Database
为何使用向量数据库？
- LLM 中的信息是过时的。如果我们想要注入数据，我们需要向量数据库
- 企业想要与他们的数据进行交流
为什么我们不把所有东西都放在提示里？
- 我们构建一个数据缓存层。它在向量库中存储相关信息和生成的聊天内容。通过不在提示中发送所有内容，我们可以降低成本
为什么我们不微调模型以获取新信息？
- LLM 是统计模型。它需要大量相似的样本来更新信息
如何构建一个文档问答机器人？
- 抓取所有文档并将其存储在向量数据库中。生成样本问题和答案并将它们存储在向量数据库中（有这样的文档，我可以问哪些问题）
何时不使用向量数据库？
- 如果是键值对
- 如果不是语义的
如何保持向量数据库中的数据更新是当前行业的一个问题
➕ 更多洞悉
- AI 和 Web3 的结合会是什么样的？
- 在文字分类工作上， LLM 能打败传统模型吗？
竹白 | Substack | 知乎 | Mirror
频道：@unblock256
#iOS #APP #AI #Blog
📩 接读者来稿，他向我们推荐了自己开发的 iOS 热量记录软件
🍗 foodCa： AI 加持的热量记录 App
🔗：App Store
「我吃了三颗葡萄」「一大口西瓜和2勺蜂蜜」「拳头大小的米饭」
在 AI 辅助下，改变食物热量记录工具的使用方式，你只需要用口语化的表达，说出你一整天吃的食物，AI 自会分析其中包含的食材和每种食材的重量，然后通过食物数据库获取营养元素信息，并展示给你。
foodCa 使用 SwiftUI 开发，支持 iOS 15 及以上系统，模型从一开始就嵌入 ChatGPT，目前我也有在测试微调后的 ChatGLM，因而请求可能会随机到不同的模型去处理。
👉 Features
- 无广告
- 不断进化的垂直大模型
- 支持原始数据导出csv
- 食物热量及营养数据对接权威食物数据库（而非依靠模型知识），结果更准确
- 数据只储存在iCloud
- AI营养师可为每日食物做出评论和建议
- 查看热量摄入趋势图表
💬 开发者的话
自 6 月开始减肥以来，我目前一共减了 15 斤，这次我没有用任何复杂的办法，仅通过最简单和古老的「制造热量缺口」，我每天制造 500 大卡左右的热量缺口，效果出奇的好。
在这个过程当中，我尝试了多款热量记录工具，但是无一例外：他们要么充满夸张的广告，要么极为臃肿、塞进去了太多我不需要用到的东西。不仅如此，所有工具的记录都非常繁琐，我需要「输入食物名称」-「搜索」-「找到食物」-「设定重量」-「添加」。
过程的繁琐会让我失去记录的动力，从而失去对热量缺口的感知。所以我下定决心自己写一个工具，来满足「极为简便的记录」和「极为单纯的功能」这两个需求。
在减肥的过程中，我完成了 FoodCa 的开发，并成为其重度用户。它不会占用我太多时间，但由于它的存在，记录变成了一件有趣和值得我期待的事情，我希望也能带给你这样的体验。
👨🏻💻 foodCa开发过程记于博客：Blog
❤️ 欢迎大家下载试用，并在评论区反馈问题和需求，希望 foodCa 能够帮助同样有热量控制需求的你
频道：@NewlearnerChannel
📩 接读者来稿，他向我们推荐了自己开发的 iOS 热量记录软件
🍗 foodCa： AI 加持的热量记录 App
🔗：App Store
「我吃了三颗葡萄」「一大口西瓜和2勺蜂蜜」「拳头大小的米饭」
在 AI 辅助下，改变食物热量记录工具的使用方式，你只需要用口语化的表达，说出你一整天吃的食物，AI 自会分析其中包含的食材和每种食材的重量，然后通过食物数据库获取营养元素信息，并展示给你。
foodCa 使用 SwiftUI 开发，支持 iOS 15 及以上系统，模型从一开始就嵌入 ChatGPT，目前我也有在测试微调后的 ChatGLM，因而请求可能会随机到不同的模型去处理。
👉 Features
- 无广告
- 不断进化的垂直大模型
- 支持原始数据导出csv
- 食物热量及营养数据对接权威食物数据库（而非依靠模型知识），结果更准确
- 数据只储存在iCloud
- AI营养师可为每日食物做出评论和建议
- 查看热量摄入趋势图表
💬 开发者的话
自 6 月开始减肥以来，我目前一共减了 15 斤，这次我没有用任何复杂的办法，仅通过最简单和古老的「制造热量缺口」，我每天制造 500 大卡左右的热量缺口，效果出奇的好。
在这个过程当中，我尝试了多款热量记录工具，但是无一例外：他们要么充满夸张的广告，要么极为臃肿、塞进去了太多我不需要用到的东西。不仅如此，所有工具的记录都非常繁琐，我需要「输入食物名称」-「搜索」-「找到食物」-「设定重量」-「添加」。
过程的繁琐会让我失去记录的动力，从而失去对热量缺口的感知。所以我下定决心自己写一个工具，来满足「极为简便的记录」和「极为单纯的功能」这两个需求。
在减肥的过程中，我完成了 FoodCa 的开发，并成为其重度用户。它不会占用我太多时间，但由于它的存在，记录变成了一件有趣和值得我期待的事情，我希望也能带给你这样的体验。
👨🏻💻 foodCa开发过程记于博客：Blog
❤️ 欢迎大家下载试用，并在评论区反馈问题和需求，希望 foodCa 能够帮助同样有热量控制需求的你
频道：@NewlearnerChannel