更高潮的来了，客户给的参考收入是他们四个市场收入。目标是希望明年在新渠道做到这四个市场的一半。
结果呢，这个负责项目的小朋友既没问清楚要从四个市场一起做，还是优先做哪个市场。也没问清楚现有渠道在四个市场的情况，就疯狂写了计划出来，然后还要我们报价。
拜托，这是要落地赚钱的项目，不是画画饼就行的咨询项目。你能把客户情况弄弄清楚，把行业情况弄弄清楚，再掂量掂量自己能不能接吧？
结果呢，这个负责项目的小朋友既没问清楚要从四个市场一起做，还是优先做哪个市场。也没问清楚现有渠道在四个市场的情况，就疯狂写了计划出来，然后还要我们报价。
拜托，这是要落地赚钱的项目，不是画画饼就行的咨询项目。你能把客户情况弄弄清楚，把行业情况弄弄清楚，再掂量掂量自己能不能接吧？
👀1
看到一个基于 jev 分类 tweets 情绪进而推测市场走向的项目，不尽感慨。
从 jev 出来到现在不过四五天就出来这个项目；
还没 ChatGPT 之前，还在 deep learning 时代，我花了个好几周的时间，手工标了数据之后，喂给 bert ，把一个类似的项目的 f1 调到 80 多；
而在 deep learning 出现之前，我花了三四年时间，对比了 svm, random forests 等几个机器学习的算法，才把一个类似项目的 f1 调到 70 出头一点。
从年到月到天的变化实在太快了。
要知道 sentiment analysis 这个细分领域从出现到现在也不到二十年，最早的那篇论文就是研究是否可以用 Twitter 上讨论股市的帖子来预测股市走向，时间应该是 2008年。
https://github.com/brainstormity/Jev-X-Sentiment-Analysis
从 jev 出来到现在不过四五天就出来这个项目；
还没 ChatGPT 之前，还在 deep learning 时代，我花了个好几周的时间，手工标了数据之后，喂给 bert ，把一个类似的项目的 f1 调到 80 多；
而在 deep learning 出现之前，我花了三四年时间，对比了 svm, random forests 等几个机器学习的算法，才把一个类似项目的 f1 调到 70 出头一点。
从年到月到天的变化实在太快了。
要知道 sentiment analysis 这个细分领域从出现到现在也不到二十年，最早的那篇论文就是研究是否可以用 Twitter 上讨论股市的帖子来预测股市走向，时间应该是 2008年。
https://github.com/brainstormity/Jev-X-Sentiment-Analysis
GitHub
GitHub - brainstormity/Jev-X-Sentiment-Analysis
Contribute to brainstormity/Jev-X-Sentiment-Analysis development by creating an account on GitHub.
DPS Build
提前从深圳发货了，说是已经备货成功，物流准备提货了。提早了整整一个月，Apple 的供应链真厉害！
看了下 DHL 的记录，从深圳到香港，然后就飞了。有意思的是，飞机还没飞，目的地的清关已经开始了。
door to door 不到24小时。可惜我不在家，错过了第一次投递😢
door to door 不到24小时。可惜我不在家，错过了第一次投递😢
DPS Build
本来以为12306已经够烂了，结果打开韩国高铁 Korail 的网站 + app 才知道什么是更烂的： 1. 密码只能设置纯数字，6-13位，我还以为键盘坏了，死活输入不了，看了半天才看见只允许纯数字； 2. 信用卡输入的时候，不能粘贴，前四位和最后四位可以用手机键盘输入，中间的两个四位必须用他们的安全键盘输入，然后就是截图里的奇葩玩意，只能看见当下输入的那个字符，看不到四位字符； 3. 选票的时间窗口错位的，比如你选八点，它显示九点，你选九点，它显示十点…
再次在釜山地铁体验了鬼打墙一般的体验：
1. 地铁入口的售票机可以买单词票，只接受现金和插入信用卡支付，不支持 tap 或者移动支付；
2. 单日票或者三日票不能在机器上购买，只能在 Busan Subway app 上购买；
3. app 不登录可以进入购买流程，选择 Apple pay 之后，走完所有步骤之后显示失败；
4. 选择输入信用卡输入，又出现了上面 krail 那张变态键盘页面；
5. 最后请朋友帮忙用 naver pay 买了三日票，用我的邮箱先在对方手机上购买，然后再验证邮箱，心想着这样我的手机上就能看到票了吧？试了半天都不行。最后在购买说明上看到，如果不登录购买的话，删除 app 再装回去也看不到车票。估计是默认绑定设备号了。
算了，全程打车吧 😢
1. 地铁入口的售票机可以买单词票，只接受现金和插入信用卡支付，不支持 tap 或者移动支付；
2. 单日票或者三日票不能在机器上购买，只能在 Busan Subway app 上购买；
3. app 不登录可以进入购买流程，选择 Apple pay 之后，走完所有步骤之后显示失败；
4. 选择输入信用卡输入，又出现了上面 krail 那张变态键盘页面；
5. 最后请朋友帮忙用 naver pay 买了三日票，用我的邮箱先在对方手机上购买，然后再验证邮箱，心想着这样我的手机上就能看到票了吧？试了半天都不行。最后在购买说明上看到，如果不登录购买的话，删除 app 再装回去也看不到车票。估计是默认绑定设备号了。
算了，全程打车吧 😢
试了一下 Codex Dot，对我来说没有太大帮助，因为和我的 paseo workflow 基本一致：
1. 在家里的服务器上跑 paseo daemon，用 cloudflare worker 搭建自己的 relay server；
2. 扫码之后，可以在手机或者其他任意装了 paseo 终端的设备上访问家里服务器上的 paseo；
主要有这几个好处：
1. 所有的文件都在家里的服务器上；
2. paseo 可以接入任何支持的模型，gpt / claude / pi 等等，我的本地模型就用 pi 跑；
3. dot 不会暴露工作过程，paseo 可以看到，有问题的话，可以及时调整
https://github.com/getpaseo/paseo
1. 在家里的服务器上跑 paseo daemon，用 cloudflare worker 搭建自己的 relay server；
2. 扫码之后，可以在手机或者其他任意装了 paseo 终端的设备上访问家里服务器上的 paseo；
主要有这几个好处：
1. 所有的文件都在家里的服务器上；
2. paseo 可以接入任何支持的模型，gpt / claude / pi 等等，我的本地模型就用 pi 跑；
3. dot 不会暴露工作过程，paseo 可以看到，有问题的话，可以及时调整
https://github.com/getpaseo/paseo
GitHub
GitHub - getpaseo/paseo: Orchestrate multiple coding agents from desktop and mobile
Orchestrate multiple coding agents from desktop and mobile - getpaseo/paseo
❤4
看了一个潜在客户的需求，要在两个月内帮他们把所有海外市场的数据整合好，然后还要各种可视化，最终能辅助他们决策。他们把这称之为 mvp。
我问了问，你们对于 mvp 的定义是覆盖以上所有点，还是有优先度？直接对接的那位说对啊。然后她老板说，其实我们优先要打通销售和客户数据。
然后拖了一句，我们的数据有部分是手工的。我多问了一句，哪些是手工的？对方说，大部分都是手工的。
最后她老板来了一句，我们其实就是要从手工数据跨越到 AI 数据。
我觉得这个活好像不太敢接了
我问了问，你们对于 mvp 的定义是覆盖以上所有点，还是有优先度？直接对接的那位说对啊。然后她老板说，其实我们优先要打通销售和客户数据。
然后拖了一句，我们的数据有部分是手工的。我多问了一句，哪些是手工的？对方说，大部分都是手工的。
最后她老板来了一句，我们其实就是要从手工数据跨越到 AI 数据。
我觉得这个活好像不太敢接了
和一个在大厂工作还做独立开发的朋友聊天，觉得我们程序员其实身处一个巨大的泡泡之中。
我们已经习惯于使用 agent，不管是工作还是生活中。但是身边大部分人对于 AI 的认知还停留于聊天界面。
如果说基于聊天交互的 AI 可以回答我们的问题，那么基于 agent 交互的 AI 可以帮我们做很多事。但对于从未用过 agent 来说的人，这简直就是不可想象的事。就好比二十年前，我们怎么可能想象今天的网上购物，外卖还有移动支付。
所以要让更多的人用上 agent 还有极长的路要走。换句话说，还有非常多的机会。
我们已经习惯于使用 agent，不管是工作还是生活中。但是身边大部分人对于 AI 的认知还停留于聊天界面。
如果说基于聊天交互的 AI 可以回答我们的问题，那么基于 agent 交互的 AI 可以帮我们做很多事。但对于从未用过 agent 来说的人，这简直就是不可想象的事。就好比二十年前，我们怎么可能想象今天的网上购物，外卖还有移动支付。
所以要让更多的人用上 agent 还有极长的路要走。换句话说，还有非常多的机会。
DPS Build
和一个在大厂工作还做独立开发的朋友聊天，觉得我们程序员其实身处一个巨大的泡泡之中。 我们已经习惯于使用 agent，不管是工作还是生活中。但是身边大部分人对于 AI 的认知还停留于聊天界面。 如果说基于聊天交互的 AI 可以回答我们的问题，那么基于 agent 交互的 AI 可以帮我们做很多事。但对于从未用过 agent 来说的人，这简直就是不可想象的事。就好比二十年前，我们怎么可能想象今天的网上购物，外卖还有移动支付。 所以要让更多的人用上 agent 还有极长的路要走。换句话说，还有非常多的机会。
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.…