朱老师用一系列 AI 工具创作了一本童书，总共花了二十小时。

当然，他也坦言，因为自己是设计师，所以懂排版；因为之前出过书，所以了解整个出版流程。如果没有这些经验，恐怕远远不止二十小时。

他用到的工具： ChatGPT3.5, New Bing, Midjourney V4, Figma, Blurb.

https://www.douban.com/note/846359765/

#ai

GPT-4 技术报告的撰写用到了自己😂

困扰了我大半年的 Pycharm 问题终于解决了。

因为之前使用 Homebrew 安装 Pycharm，后来莫名其妙地无法更新，无法卸载也无法重装，每次都遇到这个报错信息：

Error: No such file or directory @ rb_sysopen

今天终于找到了解决方案：

找到这个包含 meta info 的脚本，两段 XX 分别是日期和版本号，使用 tab 可以自动补全：

/opt/homebrew/Caskroom/pycharm/.metadata/XXXXXX/XXXXXX/Casks/pycharm.rb

然后修改里面的命令，变成：

if File.readable?(path) && File.readlines(path).grep(/# see com.intellij.idea.SocketLock for the server side of this interface/).any?

改完之后，执行

brew uninstall pycharm -d

https://github.com/Homebrew/discussions/discussions/3517#discussioncomment-4811585

估算大语言模型的训练成本：

Nvidia A100 跑一小时的电费大概是1美金

https://simonwillison.net/2023/Mar/17/beat-chatgpt-in-a-browser/

一个利用斯坦福 Alpaca 框架 fine tune 模型的例子

https://twitter.com/mrm8488/status/1636742703055527937

MidJounery 5 已经能把反光和虚化做到这种程度了，太惊人了！

https://twitter.com/icreatelife/status/1636984169065504769

python 版的来了，基于 PyTroch。

需要自行下载 LLaMA 的 weights。

https://github.com/thomasantony/llamacpp-python

手工写完一个方案后，看到有人把工具链搭出来了：

LlamaIndex (GPT Index) is a project that provides a central interface to connect your LLM's with external data.

https://github.com/jerryjliu/llama_index

芬兰的 Women in Tech 实践：

1. 与企业有更紧密的联系
2. 有更多的线下活动
3. 有更积极的宣传

https://m.douban.com/group/topic/285104000/

将准备好的 embedding 放到 Redis 里，整体性能会优于专门的 vector db

https://langchain.readthedocs.io/en/latest/modules/indexes/vectorstore_examples/redis.html

https://twitter.com/tisoga/status/1637763047774388224

李沐做的读 AI 论文项目，每篇都有非常细致的讲解。

https://github.com/mli/paper-reading

HuggingFace 能够直接渲染 Jupyter notebooks 了，而且可以直接在 Google colab 打开。

https://huggingface.co/spaces/davanstrien/notebooks-on-the-hub/blob/main/welcome_notebook_on_the_hub.ipynb

OpenAI 的 applied search lead - Lilian Weng 写的两篇关于 prompts 的长文，有非常多的细节

https://lilianweng.github.io/posts/2021-01-02-controllable-text-generation/

https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/

分布式跑大语言模型，这个点子很赞啊，每个人跑一点，所有联网的机器拼起来就能跑非常大的模型了。

https://petals.ml/

一个可以在本地运行的 ChatGPT 客户端：

1. 界面与 ChatGPT 的 UI 类似
2. 所有会话记录保存在本地
3. 支持 markdown / 代码高亮
4. 需要添加自己的 API key

https://github.com/mckaywrigley/chatbot-ui

按照 OpenAI 的建议，如果 embedding 的 doc size 不超过两万条，可以直接把 embedding 放在内存里使用；超过两万条的话，建议使用这种专用的 vector db。

https://twitter.com/nash_su/status/1638042474689220609

Github 发布了 Copilot X

https://github.blog/2023-03-22-github-copilot-x-the-ai-powered-developer-experience/

https://twitter.com/swyx/status/1638550858073006089

Zapier 发布了基于 ChatGPT API 的新接口，用户可以利用自然语言直接写指令(prompts)，等于增加了一个无限可能的接口。

https://twitter.com/nonmayorpete/status/1638640617122320385

OpenAI 发布了 ChatGPT plugin

https://openai.com/blog/chatgpt-plugins

围绕着 ChatGPT API 写了两周代码，记录一些想法：

1. ChatGPT API 自 gpt-turbo-3.5 发布以来，做了大大的简化。只需要在请求里写两个参数：model 和 messages，其他参数都被隐藏了。

2. 需要调整输出的话，只需要在 messages 写 prompts，通过自然语言就能控制模型的输出。大大降低了开发难度，又给输出添加了无限可能

3. 不仅 API 的交互得以大大简化，围绕着 ChatGPT API 开发的话，也可以大大简化整个 NLP 项目的开发。它不一定能取代所有的本地训练，但是合理利用的话，可以大大加快本地的训练。

https://letters.acacess.com/chapgpt_api/

这个插件把我写的都写完了，以后直接调用这个插件就能结合自己的知识库来使用 ChatGPT API

https://github.com/openai/chatgpt-retrieval-plugin