推荐一个开源免费的notion替代品：Anytype
这是一款本地优先、注重隐私的Notion替代品。Anytype区别于Notion的云存储，提供强大的排版功能，并支持本地Markdown+双链笔记。它以对象（Object）的概念代替了模块（Block），允许用户创建和记录各种类型的对象到他们的记录集合（Collection）中，如联系人、任务或收藏品。软件支持中文！
最近准备好好研究下，主要有时候不开代理notion会很卡，让我很难受。
github.com/anyproto
官网：anytype.io
这是一款本地优先、注重隐私的Notion替代品。Anytype区别于Notion的云存储，提供强大的排版功能，并支持本地Markdown+双链笔记。它以对象（Object）的概念代替了模块（Block），允许用户创建和记录各种类型的对象到他们的记录集合（Collection）中，如联系人、任务或收藏品。软件支持中文！
最近准备好好研究下，主要有时候不开代理notion会很卡，让我很难受。
github.com/anyproto
官网：anytype.io
来自油管博主KevinFeng总结的YouTube难度分级自学频道，感兴趣的可以针对性学习一波⬇️
入门推荐：
English by Jay：场景化教学，带剪辑效果，趣味性强
Volka: 情景式教学，通过实景教英语表达
初阶推荐：
Ariantina la Gringa：模拟真实场景（咖啡店点单、超市购物等）教英语
Speak English with Vanessa: 情景式教实用对话和表达方式
丝滑衔接中阶推荐：
English with Brittany: 通过与孩子的生活Vlog情景教学
The Crosbys: 儿童娱乐，语速适中，用词简单但有趣
J House Vlogs: 与孩子全球旅行学习外国文化
阳离子东游记：通过中美文化对比学习英语
中阶推荐：
Elliot Choy：通过大学校园生活Vlog学习相关英语表达
ur mom ashley：随性的生活轻松学习英语表达
Fred Liu：通过与他人交流的生活Vlog学习英语
高阶阶段：
不做任何推荐，因为上述频道如果能听懂没问题，其实在油管上可以消费任何内容了。也就是英语自由，英语彻底蜕变为工具，这时候还是根据自己的兴趣爱好探索无限的可能吧😊，比如用英语学知识，比如看看国外的编程，计算机网络全英教程，读读英文原版书等等，通过针对性的爱好学习专业领域的特定单词。
入门推荐：
English by Jay：场景化教学，带剪辑效果，趣味性强
Volka: 情景式教学，通过实景教英语表达
初阶推荐：
Ariantina la Gringa：模拟真实场景（咖啡店点单、超市购物等）教英语
Speak English with Vanessa: 情景式教实用对话和表达方式
丝滑衔接中阶推荐：
English with Brittany: 通过与孩子的生活Vlog情景教学
The Crosbys: 儿童娱乐，语速适中，用词简单但有趣
J House Vlogs: 与孩子全球旅行学习外国文化
阳离子东游记：通过中美文化对比学习英语
中阶推荐：
Elliot Choy：通过大学校园生活Vlog学习相关英语表达
ur mom ashley：随性的生活轻松学习英语表达
Fred Liu：通过与他人交流的生活Vlog学习英语
高阶阶段：
不做任何推荐，因为上述频道如果能听懂没问题，其实在油管上可以消费任何内容了。也就是英语自由，英语彻底蜕变为工具，这时候还是根据自己的兴趣爱好探索无限的可能吧😊，比如用英语学知识，比如看看国外的编程，计算机网络全英教程，读读英文原版书等等，通过针对性的爱好学习专业领域的特定单词。
👏4
每天分享一个心理学知识｜琐事瘫痪📎🌀
📌 你是不是也经常这样：
🖥️ 打开电脑想写方案，结果花两个小时在调封面排版。
📷 想发一条内容，但封面图选图选到崩溃，正文一句没写。
🗂️ 想启动一个计划，却陷在文件命名、字体格式、按钮颜色的循环中动弹不得。
这个现象，在心理学中，有一个精准又犀利的名字：
🧠 琐事瘫痪（Triviality Trap）
又叫 帕金森琐事法则
➤ 概念来源：
英国学者帕金森发现，在会议中，人们反而喜欢讨论那些简单的、不重要的小事，
比如茶水间摆放、员工车棚颜色，而对真正复杂的大项目——比如核反应堆预算——保持沉默。
因为越是重要、复杂、风险大的任务，越容易让人感到焦虑、缺乏信心。
但小事人人都懂，也容易有参与感、控制感和“做了事”的满足感。
于是，大脑开始偷偷转移目标：
“我没有拖延，只是在优化细节。”
🎯 在现实生活中，它的表现是这样的：
🧴 想上线产品，结果三天在选按钮阴影色
🧾 想做预算，结果先做了十页“可爱模板”尝试
📍 想写内容，结果一天都在挑标题标点符号的语气强度
你在用处理琐碎事务的 “努力”，来逃避开启那些真正关键的事情。
🔍 为什么我们会陷入琐事瘫痪？
🔹 琐事提供安全感
越关键的任务，越可能失败。越小的事，越能掌控。
🔹 认知资源保护机制
做重要的事，需要思考、判断、承担选择。
而琐事就像“低配版工作”，不需要做决定，却能“看起来很忙”。
🔹 假性成就感
改好一个排版、选好一张配图，就能获得“我今天也完成任务了”的错觉。
✅ 如何打破琐事瘫痪？
1️⃣ “推进感优先”原则
每天优先做一件“最让你抗拒但最重要的事”，哪怕只做10分钟。
2️⃣ 标记伪进展
下次做任务时，试着标记哪些行为其实是“逃避性的细节打转”。
逼自己面对“核心问题是什么”。
3️⃣ 降低完美标准，允许粗糙起步
你越追求完美开局，越容易卡在细节。
“写得很烂”没关系，关键是先写下去，再改起来。
4️⃣ 问问自己：我是在准备，还是在拖延？
很多时候我们怕的，不是任务本身，而是开始那一下的“失败可能”。
🌌 启示时刻
我们都曾在琐事里转圈，
以“做得好”为借口，逃避“做得对”。
以“我还没准备好”为盾，掩盖“我其实害怕失败”的心情。
📍关键不是动了多少手指，而是迈出了哪个方向。
🌼 别因害怕不完美，就困在不重要的小事里。
📌 你是不是也经常这样：
🖥️ 打开电脑想写方案，结果花两个小时在调封面排版。
📷 想发一条内容，但封面图选图选到崩溃，正文一句没写。
🗂️ 想启动一个计划，却陷在文件命名、字体格式、按钮颜色的循环中动弹不得。
这个现象，在心理学中，有一个精准又犀利的名字：
🧠 琐事瘫痪（Triviality Trap）
又叫 帕金森琐事法则
➤ 概念来源：
英国学者帕金森发现，在会议中，人们反而喜欢讨论那些简单的、不重要的小事，
比如茶水间摆放、员工车棚颜色，而对真正复杂的大项目——比如核反应堆预算——保持沉默。
因为越是重要、复杂、风险大的任务，越容易让人感到焦虑、缺乏信心。
但小事人人都懂，也容易有参与感、控制感和“做了事”的满足感。
于是，大脑开始偷偷转移目标：
“我没有拖延，只是在优化细节。”
🎯 在现实生活中，它的表现是这样的：
🧴 想上线产品，结果三天在选按钮阴影色
🧾 想做预算，结果先做了十页“可爱模板”尝试
📍 想写内容，结果一天都在挑标题标点符号的语气强度
你在用处理琐碎事务的 “努力”，来逃避开启那些真正关键的事情。
🔍 为什么我们会陷入琐事瘫痪？
🔹 琐事提供安全感
越关键的任务，越可能失败。越小的事，越能掌控。
🔹 认知资源保护机制
做重要的事，需要思考、判断、承担选择。
而琐事就像“低配版工作”，不需要做决定，却能“看起来很忙”。
🔹 假性成就感
改好一个排版、选好一张配图，就能获得“我今天也完成任务了”的错觉。
✅ 如何打破琐事瘫痪？
1️⃣ “推进感优先”原则
每天优先做一件“最让你抗拒但最重要的事”，哪怕只做10分钟。
2️⃣ 标记伪进展
下次做任务时，试着标记哪些行为其实是“逃避性的细节打转”。
逼自己面对“核心问题是什么”。
3️⃣ 降低完美标准，允许粗糙起步
你越追求完美开局，越容易卡在细节。
“写得很烂”没关系，关键是先写下去，再改起来。
4️⃣ 问问自己：我是在准备，还是在拖延？
很多时候我们怕的，不是任务本身，而是开始那一下的“失败可能”。
🌌 启示时刻
我们都曾在琐事里转圈，
以“做得好”为借口，逃避“做得对”。
以“我还没准备好”为盾，掩盖“我其实害怕失败”的心情。
📍关键不是动了多少手指，而是迈出了哪个方向。
🌼 别因害怕不完美，就困在不重要的小事里。
❤4
每天拆解一个AI知识点：Token（词元）
👉 什么是Token？
Token 是大语言模型在处理文本前，把文本切分成的一种“最小语言单位”。切分后的 token 会被映射为一个数字编号（ID），供模型理解和运算。
🎈Token 可以是：
1️⃣ 单个字符（如英文的 "a"、中文的 "字"）
2️⃣ 一个完整的词（如英文的 "cat"、中文的 "模型"）
3️⃣ 词的一部分（如英文单词 "happiness" 可能被拆分为 "happy" + "ness"，中文的 "巧克力" 可能被拆分为 "巧" + "克力"）
4️⃣ 标点符号或特殊符号（如 "?"、"\n"）。
[种草R] token生成过程示例：
1️⃣ 先分词：例如，Unhappy → "Un" + "happy"（不同模型的分词规则可能不同）
2️⃣ 再编码："Un" → 12345，"happy" → 42（具体映射成的数字取决于模型的词表）
👉 为什么需要Token？
大模型本质上是“数学工具”，只能处理数字，无法直接理解文字。Token 的作用是将文本标准化为模型能计算的数字单元，相当于在人类语言和机器计算之间架了一座桥。
🌸为什么不能直接处理文字？
1️⃣ 语言太灵活：人类语言有无数种表达方式（如缩写、错拼、方言），直接处理原始文本对计算机来说就像读天书。Token 通过固定规则切分，将混乱的文本转化为结构化数据。
2️⃣ 拆分后更易学习：比如，整词 "unbelievable" 对模型只是一个陌生符号，拆成 "un" + "believ" + "able" 后，模型能复用已知部分（如 "un" 表示否定，"able" 常见于形容词），举一反三。
3️⃣ 节省资源：共享子词，从而减少词表大小，降低存储和计算开销。例如，"ing" 对应所有动词进行时，把它作为一个独立的token，就无需在词表中存储所有表示进行时的动词。
👉 Token在大模型里怎么用？
1️⃣ 输入文本（提示词）会被切分成 token，每个 token 是模型词汇表里的一个编号。
2️⃣ 每个 token 会映射成一个词嵌入向量（embedding），用来表示它的语义。
3️⃣ 模型通过计算这些词嵌入之间的关系，理解上下文，并推理生成下一个 token。
4️⃣ 输出的 token 再被转换回文字，生成自然语言结果。
👉 什么是Token？
Token 是大语言模型在处理文本前，把文本切分成的一种“最小语言单位”。切分后的 token 会被映射为一个数字编号（ID），供模型理解和运算。
🎈Token 可以是：
1️⃣ 单个字符（如英文的 "a"、中文的 "字"）
2️⃣ 一个完整的词（如英文的 "cat"、中文的 "模型"）
3️⃣ 词的一部分（如英文单词 "happiness" 可能被拆分为 "happy" + "ness"，中文的 "巧克力" 可能被拆分为 "巧" + "克力"）
4️⃣ 标点符号或特殊符号（如 "?"、"\n"）。
[种草R] token生成过程示例：
1️⃣ 先分词：例如，Unhappy → "Un" + "happy"（不同模型的分词规则可能不同）
2️⃣ 再编码："Un" → 12345，"happy" → 42（具体映射成的数字取决于模型的词表）
👉 为什么需要Token？
大模型本质上是“数学工具”，只能处理数字，无法直接理解文字。Token 的作用是将文本标准化为模型能计算的数字单元，相当于在人类语言和机器计算之间架了一座桥。
🌸为什么不能直接处理文字？
1️⃣ 语言太灵活：人类语言有无数种表达方式（如缩写、错拼、方言），直接处理原始文本对计算机来说就像读天书。Token 通过固定规则切分，将混乱的文本转化为结构化数据。
2️⃣ 拆分后更易学习：比如，整词 "unbelievable" 对模型只是一个陌生符号，拆成 "un" + "believ" + "able" 后，模型能复用已知部分（如 "un" 表示否定，"able" 常见于形容词），举一反三。
3️⃣ 节省资源：共享子词，从而减少词表大小，降低存储和计算开销。例如，"ing" 对应所有动词进行时，把它作为一个独立的token，就无需在词表中存储所有表示进行时的动词。
👉 Token在大模型里怎么用？
1️⃣ 输入文本（提示词）会被切分成 token，每个 token 是模型词汇表里的一个编号。
2️⃣ 每个 token 会映射成一个词嵌入向量（embedding），用来表示它的语义。
3️⃣ 模型通过计算这些词嵌入之间的关系，理解上下文，并推理生成下一个 token。
4️⃣ 输出的 token 再被转换回文字，生成自然语言结果。
❤2