Open-Loop VS Closed-Loop
Open-Loop and Closed-Loop Control and Evaluation Systems.
via Lei Mao's Log Book
Open-Loop and Closed-Loop Control and Evaluation Systems.
via Lei Mao's Log Book
Go语言编程技巧 1.0 发布了
经过和众多Gopher的努力，Go语言编程技巧 1.0 版本终于发布了。这是一个Go语言编程技巧的集合，涵盖了Go语言的各个方面，包括语法、并发、性能、工具、库等等。这个项目的目的是帮助Go语言开发者更好地理解Go语言，提高Go语言编程技巧。
在线阅读: gotips。
下载pdf: gotips.pdf
这是 Phuong Le 在X上发布的一系列的技巧。
Phuong Le也将推文整理成到了一个github仓库中go-practical-tips
征得作者同意，翻译成了中文。
本书是基于Phuong Le的推文进行翻译的，同时也会新建一个说明页，按照作者github项目上的划分整理各个tip。
感谢以下网友共同进行了翻译，翻译进展迅速。
正如作者所说，有些tip可能有一些错误：
via 鸟窝
Invalid media:
image
image
经过和众多Gopher的努力，Go语言编程技巧 1.0 版本终于发布了。这是一个Go语言编程技巧的集合，涵盖了Go语言的各个方面，包括语法、并发、性能、工具、库等等。这个项目的目的是帮助Go语言开发者更好地理解Go语言，提高Go语言编程技巧。
在线阅读: gotips。
下载pdf: gotips.pdf
这是 Phuong Le 在X上发布的一系列的技巧。
Phuong Le也将推文整理成到了一个github仓库中go-practical-tips
征得作者同意，翻译成了中文。
本书是基于Phuong Le的推文进行翻译的，同时也会新建一个说明页，按照作者github项目上的划分整理各个tip。
感谢以下网友共同进行了翻译，翻译进展迅速。
正如作者所说，有些tip可能有一些错误：
Some of the tips were awkward, with typos and naive explanations.我们翻译的时候也发现了作者的一些手误，或者错误，及时做了注解和纠正。难免还有一些问题，欢迎大家到github提issue或者提Pull request.
via 鸟窝
Invalid media:
image
image
Weekly Issue 2024-04-28
文章 链接到标题 技术 链接到标题 IBM to Acquire HashiCorp, Inc. Creating a Comprehensive End-to-End Hybrid Cloud Platform [[IBM]] 收购了 [[hashicorp]] ，每股 35$ 收购（看到有评论说，hashicorp 员工纳税的时候是 80$ 的价格）。 下一步会发生什么，裁员么？ 带 GPT 辅助判定的快速大规模修文档 Typo——以 Kong 文档站的实践 | Nova Kwok’s Awesome Blog 借助 [[GPT]] 来快速过滤 typo 工具汇报的 typo 是否是真正的 typo。 这里还有一个问题，如果只是描述性文档还好，如果是 API 或者产品定义相关的文档有 typo，无法直接修改，又因为这些涉及到了历史兼容性问题，可能会永远的无法修改了？ Much ado about “nothing” - Xe Iaso open letter to the NixOS foundation GitHub - KFearsoff/nix-drama-explained: This is a repository that aims to concisely explain the issues in Nix community
via Yiran's Blog
文章 链接到标题 技术 链接到标题 IBM to Acquire HashiCorp, Inc. Creating a Comprehensive End-to-End Hybrid Cloud Platform [[IBM]] 收购了 [[hashicorp]] ，每股 35$ 收购（看到有评论说，hashicorp 员工纳税的时候是 80$ 的价格）。 下一步会发生什么，裁员么？ 带 GPT 辅助判定的快速大规模修文档 Typo——以 Kong 文档站的实践 | Nova Kwok’s Awesome Blog 借助 [[GPT]] 来快速过滤 typo 工具汇报的 typo 是否是真正的 typo。 这里还有一个问题，如果只是描述性文档还好，如果是 API 或者产品定义相关的文档有 typo，无法直接修改，又因为这些涉及到了历史兼容性问题，可能会永远的无法修改了？ Much ado about “nothing” - Xe Iaso open letter to the NixOS foundation GitHub - KFearsoff/nix-drama-explained: This is a repository that aims to concisely explain the issues in Nix community
via Yiran's Blog
0424 - 相对论
狭义相对论
一切匀速直线运动或静止的坐标系下，物理定律都是一样的。不同坐标系下，光速相同。由于坐标系的相对运动，使得不同坐标系互相看到的时间、长度不同。
广义相对论
所有坐标系下，物理定律都是一样的。引力是质量引起的时空弯曲。自然运动都是沿测地线的。比如，平面的匀速直线运动、绕地球的圆周运动。
via Jason
狭义相对论
一切匀速直线运动或静止的坐标系下，物理定律都是一样的。不同坐标系下，光速相同。由于坐标系的相对运动，使得不同坐标系互相看到的时间、长度不同。
广义相对论
所有坐标系下，物理定律都是一样的。引力是质量引起的时空弯曲。自然运动都是沿测地线的。比如，平面的匀速直线运动、绕地球的圆周运动。
via Jason
0425 - 交易中的定式
下棋中，「随机应变」反而是不好的。更多的，是棋手脑子里有一堆定式。然后，分析当前的盘面用什么定式，按定式下就完了。所谓通盘无妙手，也是这个意思。
交易，也可以采用类似的思路。不需要有太多的临场发挥，背图形就完了。然后，看当下的走势，能套用脑子里历史上的哪些走势，照着应对就是。
via Jason
下棋中，「随机应变」反而是不好的。更多的，是棋手脑子里有一堆定式。然后，分析当前的盘面用什么定式，按定式下就完了。所谓通盘无妙手，也是这个意思。
交易，也可以采用类似的思路。不需要有太多的临场发挥，背图形就完了。然后，看当下的走势，能套用脑子里历史上的哪些走势，照着应对就是。
via Jason
0426 - 环境刺激
最近发现家边上就有个城市自习室，很是方便，环境也不错，价格也不高。
可以经常去不同的地方办公，用环境来刺激自己；换个环境，更专注、效率更高。总在一个地方，一旦适应了，很容易就想偷懒。
自己不能把自己提起来，借助外力是个好办法。
via Jason
最近发现家边上就有个城市自习室，很是方便，环境也不错，价格也不高。
可以经常去不同的地方办公，用环境来刺激自己；换个环境，更专注、效率更高。总在一个地方，一旦适应了，很容易就想偷懒。
自己不能把自己提起来，借助外力是个好办法。
via Jason
0428 - 拥抱不确定
比如，娃练 10 个字，一种做法是，一个字写 10 遍，再写下一个；另一种是，一个写 2 遍，再写下一个，写完再来第二遍。也许，后者效果会好点。另外，这种方法也可以避免过快消耗小孩的兴趣。
比如，今天看一本书，明天看另一本，交替着看。既可以保持兴趣，又可以延长记忆曲线。
比如，去不同的地方办公。
比如，接触不同的人和事。
via Jason
比如，娃练 10 个字，一种做法是，一个字写 10 遍，再写下一个；另一种是，一个写 2 遍，再写下一个，写完再来第二遍。也许，后者效果会好点。另外，这种方法也可以避免过快消耗小孩的兴趣。
比如，今天看一本书，明天看另一本，交替着看。既可以保持兴趣，又可以延长记忆曲线。
比如，去不同的地方办公。
比如，接触不同的人和事。
via Jason
0423 - 大模型 LLM 与本地数据
基本理解了 使用大模型查询本地数据 的流程：
● 先把本地数据，切割成一小块一小块存储，并计算其向量。方便理解，假设这些数据总共有 10G。
● 用户查询时，先根据问题，从本地数据库里查询关联的内容，比如 20K。
● 把这些关联内容，作为上下文背景知识，和原始问题，一起传给大模型提问。
● 大模型用自己的能力，结果关联的内容，给出回答。
比如，把《消费者权益保护法》作为背景知识，和问题「买东西商家不退货怎么办？」一起丢给大模型。
关键的点：
● 如果使用 ChatGPT 等模型，很贵很花钱，因为每次都丢一大堆上下文。
● 如果使用本地大模型，受限于模型质量，回答可能比较差；受限于算力，会比较慢。
还有一种方式，是用自己规范化的数据，对大模型进行再训练、微调，成为自己行业内的大模型。
基本上，这条路不是一般人能搞得起的。
● 把杂七杂八的数据，规范成统一的格式，比如问答，无比消耗人力物力。高质量、规范化的数据，是成本最不可控的环节。
● 模型的训练，这又有两条路：一条是训练公有大模型比如 OpenAI，按量付费；一种是自己买硬件、训练自己的本地大模型。都费钱。
如果做出来只是给自己用，基本不划算。
如果做出来可以给行业内的人用、把能力二次销售，有可能可行。
后来注意到，OpenAI 的 Assistants 比较符合需求：可以上传最多 10万个文件、100GB 的数据，然后使用 GPT3 或 GPT4 等模型，从中给出答案。
简单试了下，把我的博客、flomo 笔记导入，然后针对性的问问题，确实能得到本地数据中的答案。
via Jason
基本理解了 使用大模型查询本地数据 的流程：
● 先把本地数据，切割成一小块一小块存储，并计算其向量。方便理解，假设这些数据总共有 10G。
● 用户查询时，先根据问题，从本地数据库里查询关联的内容，比如 20K。
● 把这些关联内容，作为上下文背景知识，和原始问题，一起传给大模型提问。
● 大模型用自己的能力，结果关联的内容，给出回答。
比如，把《消费者权益保护法》作为背景知识，和问题「买东西商家不退货怎么办？」一起丢给大模型。
关键的点：
● 如果使用 ChatGPT 等模型，很贵很花钱，因为每次都丢一大堆上下文。
● 如果使用本地大模型，受限于模型质量，回答可能比较差；受限于算力，会比较慢。
还有一种方式，是用自己规范化的数据，对大模型进行再训练、微调，成为自己行业内的大模型。
基本上，这条路不是一般人能搞得起的。
● 把杂七杂八的数据，规范成统一的格式，比如问答，无比消耗人力物力。高质量、规范化的数据，是成本最不可控的环节。
● 模型的训练，这又有两条路：一条是训练公有大模型比如 OpenAI，按量付费；一种是自己买硬件、训练自己的本地大模型。都费钱。
如果做出来只是给自己用，基本不划算。
如果做出来可以给行业内的人用、把能力二次销售，有可能可行。
后来注意到，OpenAI 的 Assistants 比较符合需求：可以上传最多 10万个文件、100GB 的数据，然后使用 GPT3 或 GPT4 等模型，从中给出答案。
简单试了下，把我的博客、flomo 笔记导入，然后针对性的问问题，确实能得到本地数据中的答案。
via Jason
0427 - 知识与算力
在无穷的算力面前，人类的知识只不过是一些小聪明。算力才是王道，知识只是干扰。太扎心了。
这种感觉就像，一个人练了一辈子武功，被另一个人一枪干了，还是是随手一枪，很不耐烦、很气人的那种。
via Jason
在无穷的算力面前，人类的知识只不过是一些小聪明。算力才是王道，知识只是干扰。太扎心了。
这种感觉就像，一个人练了一辈子武功，被另一个人一枪干了，还是是随手一枪，很不耐烦、很气人的那种。
via Jason
Transitive VS Non-Transitive Dependency In Build
Creating More Reliable Build Systems by Managing Dependency Interfaces
via Lei Mao's Log Book
Creating More Reliable Build Systems by Managing Dependency Interfaces
via Lei Mao's Log Book