AI

tags: AI, AI Burnout 随着工作年限积累，在当前这个环境下我陷入一种职业倦怠里：一种苦练多年的技艺无处施展的无所适从。 当计算机算法逐步碾过象棋和围棋时，那些热爱象棋和围棋的人应该会有同感吧。 当然我也在一直积极的尝试挣脱这种状态：消极的使用 AI。毕竟像我这样脑袋空空没有多少创意的人是无法感受 AI 所带来的美好愿景：Making things。 好的产品创意从来都是一个稀缺品，我除了制造一堆写完再也没有碰过的 AI Slop 之外，AI 之于我成了一个献祭大脑助长懒惰的工具。 最近读到的一篇文章： How to keep enjoying programming in a world of LLMs 给了我很大的启发， 让我来重新审视我和 AI 的关系。作为一个热爱编程的开发者，我享受编程过程中的学习和发现带来的乐趣和成就感。 毋庸置疑，用 AI 节省了我大量的时间，但是催生出了一种失控感，且剥夺了乐趣和成就感。 在懒惰和不甘于人后的焦虑下我心怀抵触的使用 AI，工作完成的很快而且好像还不错，我则看似掌控了什么了不得的工具， 但是我知道这工具不属于我，不像我电脑里装的 Emacs 那样属于我：运行在我自己的电脑上、我自己的配置、 可以不依赖网络运行。实践是检验真理的唯一标准，我已经开始参考这篇文章进行实践： 用 AI 进行计划，自己进行大部分的编程和实现，可以留下一些无聊、低风险、重复的工作给 AI，让 AI 来完成； 让 AI 执行 review-cycle：编写代码 -> AI review -> 调整/重复； 让 AI 研究不是仅仅生成总结：让 AI 列出来源，自己验证并搞懂； 不要只和 AI 聊天，和真实的人建立真实的连接。 当计算机算法战胜了围棋，依然有人热爱围棋。The Problem is not the AI Code, but Nobody Knows Anything Anymore 中提到当前 AI 还只是生成平均水品的代码，Coding is NOT solved 中也提到：那些认为大模型生成的代码足够好的人大概率写代码不如 AI， 所以当 AI 才可以编写平均水平的代码，我为什么不热爱编程呢？未来不远处即使 AI 能编写超高水平的代码，我会选择向 AI 学习编程，而不再献祭大脑。

tags: AI

tags: AI, The Dark Side Of AI source: https://ronjeffries.com/articles/-v026/x/t/ We should resist “AI”, because AI Genie is not our friend. Harms Environmental Intellectual: Think less and do less are harmful. Human: AI’s taking our job opportunities.

tags: AI, The Dark Side Of AI source: https://www.reddit.com/r/tolkienfans/comments/1dakqgt/ai_is_the_one_ring/ Today I have a strong feeling that AI is the One Ring. Then I did a search, the source is what I found. Now we’re all desiring the AI do the magic for us. I’m losing the interesting of programming. I don’t want to study any more, I sold my soul to AI, to the dark lord Sauron.

tags: Live Happier, AI source: https://www.experimental-history.com/p/why-arent-smart-people-happier Well-defined and poorly defined problems require completely different problem-solving skills. Ability to solve Well-defined Problems “reasoning” and “problem-solving” if solving a bunch of well-defined problems did not make our predecessors happier, it probably won’t make us happier, either. Poorly Defined Problems “ungoogleable question” AI is good at well-defined problems and keep going better. So we can spend more time on poorly defined problems?

tags: AI

tags: AI

tags: AI

tags: AI

source: github.com/MemPalace/mempalace/ tags: AI,Agents,MCP,Claude Mem

tags: AI

SOURCE: https://news.ycombinator.com/item?id=47783940 tags: AI, Agents, AI Use Case 结论 OpenClaw 确实有人用，但偏小众，主要价值不是“全自动 agent”，而是做一个带长期记忆、聊天入口和轻量自动化的私人助手底座。 实用场景 个人：Obsidian/笔记记忆、待办提醒、体重/健身/药物追踪、新闻和邮件摘要、语言学习陪练 工作：软件工程辅助、低风险工作流协调、多系统之间的信息整理 家庭：家族历史归档、家庭群问答记录、homelab 价格监控、家人共享助手入口 评论区共识 适合：记忆、整理、提醒、归档、轻自动化 不适合：高权限、高可靠性、长链路自治任务 主要问题：脆弱、维护成本高、很多场景可被脚本或直接问通用 LLM 替代 一句话判断 OpenClaw 更像“个人/家庭 AI 胶水层”，不是“万能 AI 员工”。

tags: AI, Vibe Coding source: https://github.com/thedotmack/claude-mem

tags: AI, Vibe Coding source: https://github.com/rtk-ai/rtk Reduce LLM token consumption on common dev commands.

tags: AI, Vibe Coding source: https://github.com/Fission-AI/OpenSpec/blob/main/docs/workflows.md Vibe complex tasks with OpenSpec. It costs more.

tags: AI,Vibe Coding source: https://github.com/Wei-Shaw/claude-relay-service Claude Code Configuration /path/to/project/.claude/settings.local.json { "env": { "ANTHROPIC_BASE_URL": "https://example.com/api", "ANTHROPIC_AUTH_TOKEN": "YOUR Claude Relay Service API KEY" } } Codex Code Configuration $HOME/.codex/config.toml model_provider = "crs" model = "gpt-5.3-codex" model_reasoning_effort = "medium" [projects."/Users/wh/codes/flageval/flageval-proxy"] trust_level = "trusted" [notice.model_migrations] "gpt-5.3-codex" = "gpt-5.4" [model_providers.crs] name = "crs" base_url = "https://example.com/openai" # 根据实际填写你服务器的ip地址或者域名 wire_api = "responses" requires_openai_auth = true /path/to/project/.codex/auth.json { "OPENAI_API_KEY": "YOUR Claude Relay Service API KEY" } Nginx http { underscores_in_headers on; # 避免部分带下划线的 HTTP 头被忽略 server { # 省略基础配置 location ~ ^/(web|admin|api|openai) { # 传递真实用户 IP proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; # 支持 WebSocket / SSE 等流式通信 proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection "upgrade"; proxy_buffering off; # 长连接 / 超时设置（适合 AI 聊天流式传输） proxy_read_timeout 300s; proxy_send_timeout 300s; proxy_connect_timeout 30s; # ---- 安全性设置 ---- # 严格 HTTPS 策略 (HSTS) add_header Strict-Transport-Security "max-age=31536000; includeSubDomains" always; # 阻挡点击劫持与内容嗅探 add_header X-Frame-Options "DENY" always; add_header X-Content-Type-Options "nosniff" always; # Referrer / Permissions 限制策略 add_header Referrer-Policy "no-referrer-when-downgrade" always; add_header Permissions-Policy "camera=(), microphone=(), geolocation=()" always; # 隐藏服务器信息（等效于 Caddy 的 `-Server`） proxy_hide_header Server; # ---- 性能微调 ---- # 关闭代理端缓存，确保即时响应（SSE / Streaming） proxy_cache_bypass $http_upgrade; proxy_no_cache $http_upgrade; proxy_request_buffering off; proxy_pass http://crs; } } }

tags: AI

tags: AI, Vibe Coding Skip Login ~/.claude/settings.json { "apiKeyHelper": "echo {apiKey}" } Project settings /path/to/project/.claude/settings.local.json { "env": { "ANTHROPIC_BASE_URL": "https://openrouter.ai/api", "ANTHROPIC_AUTH_TOKEN": "FILL-WITH-API-KEY", "ANTHROPIC_API_KEY": "" } }

tags: AI

tags: AI, HuggingFace, Fine-Tune source: https://discuss.huggingface.co/t/how-to-save-a-mapped-dataset/42303/4 I have a Dataset.map that runs every time I run the script: train_ds.map(prepare_dataset, num_proc=1) I solved it by setting cache_file_name : train_ds = train_ds.map(prepare_dataset, num_proc=1, cache_file_name="trans.ds.cache")

tags: Fine-Tune, AI source: https://huggingface.co/spaces/huggingface/hf-speech-bench

tags: AI

tags: AI

tags: AI, Fine-Tune, Whisper source: “Fine-Tune Whisper For Multilingual ASR with 🤗 Transformers.” Accessed August 22, 2024. https://huggingface.co/blog/fine-tune-whisper.

tags: AI Clone nltk_data git clone https://github.com/nltk/nltk_data.git ~/.local/nltk_data Link nltk_data ln -sf ~/.local/nltk_data/packages ~/nltk_data Unzip cd ~/nltk_data/path unzip xx.zip

tags: AI,Deep Learning source: “Neural Network From Scratch.” Accessed January 5, 2022. https://sirupsen.com/napkin/neural-net.

tags: AI What is the Difference Between CNN and RNN?

tags: Translate,Deep Learning,AI,Incomplete 原文链接：Deep Learning Algorithms : The Complete Guide。 深度学习正在影响整个世界。 深度学习的炒作始于 2012 年：一个神经网络（Neural Network）在图片识别任务上表现出超人的性能，并且只有少数人能预测将会发生什么。 在过去 10 年，越来越多的算法落地到我们生活中。越来越多的公司开始将其加入到日常业务中。 这里，我尝试覆盖近几年各种应用如计算机视觉和自然语言处理（Natural Language Processing）中所涉及的所有最重要的算法和构思。 其中有一些算法比其他一些使用的更加频繁并且每一种都有其自身的优点和缺点。 我的主要目标是给你一个当前领域通用的思路去帮助你理解每一种情况应该使用什么算法。 因我知道它看起来会对一些从零开始的人造成一定程度的混乱。 但是通过阅读这份指南，我有信心你会认识到什么是什么并且你可以准备好去立即使用他们。 所以如果你正在寻找一份深度学习真正的完整指南，那就让我们开始吧。 Contents 但是什么是深度学习? 神经网络 前馈神经网络（FNN） 卷积神经网络（CNN） 循环神经网络（RNN） 递归神经网络（Recurisive Neural Network） 自编码器（AutoEncoders） 深度信念网络 (Deep belief network)和受限玻尔兹曼机 (Restricted Boltzmann machine) 生成对抗网络（GAN） Transformers 图神经网络（GNN） 自然语言处理中的深度学习 词嵌入 (Word embedding) 序列建模（Sequence Modeling） 计算机视觉中的机器学习 本地化和物体识别 单发探测器（Single shot detectors） 语义分割（Semantic Segmentation） 姿势估计（Pose Estimation） 深度学习在科学和企业界取得了疯狂的人气。从 2012，卷积神经网络（CNN）在图像识别竞赛（ ImageNet Large Scale Visual Recognition Challenge）中获得了惊人的准确性，每年都出现了越来越多的研究论文并且越来越多的企业将神经网络收录到他们的业务中。据估计，深度学习目前的市场规模为 25 亿，预计到 2023 年将达到 181.6 亿。 ...