#职场社畜日常
✨人生两大乐事：搞事业和谈恋爱
作为我最深层的满足感来源，有很多共同之处：
❤️要好好去爱，好好去工作，全身心投入，才能体会深度又绵长的力量与滋养。
随便遇到一个人就在一起，摸鱼摆烂应付工作，那么就会觉得“男人都这样，恋爱没什么意思”、“这个b班谁爱上谁上”。
要真的去爱、去亲手工作，才能在与人与现实的互动里，更了解自我，什么适合、什么不适合自己；因为懂自己，而坚定，而更相信自己，相信未来。相信自己值得这美好的一切。
从物质到精神，被全方面地支持了。
❤️要见过和亲身感受过好老板、好工作、好公司，和足够好的人认真谈一场恋爱，才知道好的事业和好的关系可以是什么样的。
“什么是好的”是完全想象不出来的。
此刻无比感恩，在大学毕业第一份工作里就遇到了神仙老板、神仙公司，见过好的，从此往后的职业生涯，在很多问题和矛盾产生的时候，立马意识到是体制出了问题、人出了问题，而不是自己有错，少了很多内耗。
不知道什么是好的情况下，就会在垃圾堆里反复找恋人，和反复遇到pua的老板、烂公司。
❤️都能满足好奇心，打开不一样的人、不一样的工作里的新世界。
❤️恋爱与工作，都有刚开始新鲜感的激情期；但是激情褪去，有责任与承诺，有主观能动性能让关系、让事业变得更好的赤诚之心，才是长久之计。
❤️这二者都没有标准答案，每个人都只能自己探寻适合的路。
有的人适合结婚生子、岁月静好，有的人不婚、丁克；有的人体制内，有的人大厂高薪，有的人创业。这些都不是幸福的标准答案，人本来就是多样的，不需要迎合任何人的期待，只需要真实面对内心，自己开心就好！
不开心的恋爱不要谈！不想要的工作不要干！
✨人生两大乐事：搞事业和谈恋爱
作为我最深层的满足感来源，有很多共同之处：
❤️要好好去爱，好好去工作，全身心投入，才能体会深度又绵长的力量与滋养。
随便遇到一个人就在一起，摸鱼摆烂应付工作，那么就会觉得“男人都这样，恋爱没什么意思”、“这个b班谁爱上谁上”。
要真的去爱、去亲手工作，才能在与人与现实的互动里，更了解自我，什么适合、什么不适合自己；因为懂自己，而坚定，而更相信自己，相信未来。相信自己值得这美好的一切。
从物质到精神，被全方面地支持了。
❤️要见过和亲身感受过好老板、好工作、好公司，和足够好的人认真谈一场恋爱，才知道好的事业和好的关系可以是什么样的。
“什么是好的”是完全想象不出来的。
此刻无比感恩，在大学毕业第一份工作里就遇到了神仙老板、神仙公司，见过好的，从此往后的职业生涯，在很多问题和矛盾产生的时候，立马意识到是体制出了问题、人出了问题，而不是自己有错，少了很多内耗。
不知道什么是好的情况下，就会在垃圾堆里反复找恋人，和反复遇到pua的老板、烂公司。
❤️都能满足好奇心，打开不一样的人、不一样的工作里的新世界。
❤️恋爱与工作，都有刚开始新鲜感的激情期；但是激情褪去，有责任与承诺，有主观能动性能让关系、让事业变得更好的赤诚之心，才是长久之计。
❤️这二者都没有标准答案，每个人都只能自己探寻适合的路。
有的人适合结婚生子、岁月静好，有的人不婚、丁克；有的人体制内，有的人大厂高薪，有的人创业。这些都不是幸福的标准答案，人本来就是多样的，不需要迎合任何人的期待，只需要真实面对内心，自己开心就好！
不开心的恋爱不要谈！不想要的工作不要干！
#程序员
Github Profile 组件收集网站
https://bubble-awesome-profile.vercel.app/?gefei
界面挺好看的，还是开源的
https://github.com/LHRUN/bubble?gefei
Github Profile 组件收集网站
https://bubble-awesome-profile.vercel.app/?gefei
界面挺好看的，还是开源的
https://github.com/LHRUN/bubble?gefei
Forwarded from 出海🚢&自媒体运营秘籍
直播间高光内容提效法则
https://tqdo6rbu6vt.feishu.cn/docx/VjfZdGfEKoUH2AxLzohcMMqCnkb?from=from_copylink
短视频盈亏平衡点计算器
https://y954s1arm7.feishu.cn/wiki/BT5ew5kmJixeqJk30TNcYUKenef?from=from_copylink
运营操盘sop完整版
https://y954s1arm7.feishu.cn/wiki/UebkwrRYTiWiF9kE0gdcC0TCnme?from=from_copylink
直播GMV目标计算器（点开领取表格）
https://y954s1arm7.feishu.cn/wiki/wikcneHzBcdfszTqiXIIy7QlZFe?from=from_copylink
自媒体运营秘籍
https://tqdo6rbu6vt.feishu.cn/docx/VjfZdGfEKoUH2AxLzohcMMqCnkb?from=from_copylink
短视频盈亏平衡点计算器
https://y954s1arm7.feishu.cn/wiki/BT5ew5kmJixeqJk30TNcYUKenef?from=from_copylink
运营操盘sop完整版
https://y954s1arm7.feishu.cn/wiki/UebkwrRYTiWiF9kE0gdcC0TCnme?from=from_copylink
直播GMV目标计算器（点开领取表格）
https://y954s1arm7.feishu.cn/wiki/wikcneHzBcdfszTqiXIIy7QlZFe?from=from_copylink
自媒体运营秘籍
tqdo6rbu6vt.feishu.cn
Docs
❤1
#程序员
作者实践下来，算上 DBA、运维等成本，价格仍然比云要低很多，一千万的云成本，最高可以节省五百万。
对于成熟的中大型公司，面向未来三到五年做预算，（部分）自建机房会是一个很大的优化点，在全面降本增效的大背景下，也是一个必然趋势吧。
https://web.okjike.com/originalPost/65517c9fde31fdaa4ec50b61
作者实践下来，算上 DBA、运维等成本，价格仍然比云要低很多，一千万的云成本，最高可以节省五百万。
对于成熟的中大型公司，面向未来三到五年做预算，（部分）自建机房会是一个很大的优化点，在全面降本增效的大背景下，也是一个必然趋势吧。
https://web.okjike.com/originalPost/65517c9fde31fdaa4ec50b61
和一个大厂战投的哥们聊各个条线的AI技术和产品进展，
聊到另外一个大厂的AI战略，
他说：听说他们在All in AI；
我说：是啊，不All in 这个还能All in什么呢？
他说：从我人生角度也一样……这一集你也看过我不废话了。
艹了，
这TM，
把话题又给聊沉重了……
聊到另外一个大厂的AI战略，
他说：听说他们在All in AI；
我说：是啊，不All in 这个还能All in什么呢？
他说：从我人生角度也一样……这一集你也看过我不废话了。
艹了，
这TM，
把话题又给聊沉重了……
#程序员
使用检索增强（Retrieval-Augmented Generation，RAG）可以缓解大模型的幻觉问题，从而避免大模型胡说八道，但传统的 RAG 存在一个很大的弊端——无论内容跟输入是否有足够的关联、对事实是否有足够的支撑，搜索模块都会不加区分地将内容召回，然后交给大模型来进行推理，这会很大程度降低大模型的多功能性，并导致生成质量不佳。
Self-RAG，https://selfrag.github.io，在一定程度上解决了这个问题。它设计了一个算法，将内容召回过程与大模型的推理过程进行了深度结合，大致思路如下：
1）设计了一些标签，包括「是否检索」（Retrieve）、「内容是否相关」（ISREL）、「内容是否支撑事实」（ISSUP）、「内容是否可用」（ISUSE）等，可以理解它们是对检索内容进行评分的工具
2）循环「推理->检索->过滤->评分」这个流程，在推理过程中，结合已有的信息和 LLM 的反馈，来判断要不要继续检索，过程中会获得足够多的包含了评分的内容
3）根据已获得的信息的权重进行重新整理，将与内容相关、能够支撑事实以及高可用的内容保留下来
4）可以进行全局设定，对于事实性要求高的推理任务，增加检索频次；对于创造性要求高的推理任务，减少检索频次
这个算法思路的表现非常良好，只不过在过程中需要跟大模型进行多次交互，与 ToT（Tree of Thought） 类似，比较消耗资源。
它有一个工程上的完整实现，可以戳这个项目：https://github.com/AkariAsai/self-rag
使用检索增强（Retrieval-Augmented Generation，RAG）可以缓解大模型的幻觉问题，从而避免大模型胡说八道，但传统的 RAG 存在一个很大的弊端——无论内容跟输入是否有足够的关联、对事实是否有足够的支撑，搜索模块都会不加区分地将内容召回，然后交给大模型来进行推理，这会很大程度降低大模型的多功能性，并导致生成质量不佳。
Self-RAG，https://selfrag.github.io，在一定程度上解决了这个问题。它设计了一个算法，将内容召回过程与大模型的推理过程进行了深度结合，大致思路如下：
1）设计了一些标签，包括「是否检索」（Retrieve）、「内容是否相关」（ISREL）、「内容是否支撑事实」（ISSUP）、「内容是否可用」（ISUSE）等，可以理解它们是对检索内容进行评分的工具
2）循环「推理->检索->过滤->评分」这个流程，在推理过程中，结合已有的信息和 LLM 的反馈，来判断要不要继续检索，过程中会获得足够多的包含了评分的内容
3）根据已获得的信息的权重进行重新整理，将与内容相关、能够支撑事实以及高可用的内容保留下来
4）可以进行全局设定，对于事实性要求高的推理任务，增加检索频次；对于创造性要求高的推理任务，减少检索频次
这个算法思路的表现非常良好，只不过在过程中需要跟大模型进行多次交互，与 ToT（Tree of Thought） 类似，比较消耗资源。
它有一个工程上的完整实现，可以戳这个项目：https://github.com/AkariAsai/self-rag
👍2