最新

今年我开始大力投入人工智能，因为我想更自主地完成更多工作，但随后我的 token 使用量急剧增加，以至于我的每周配额在周内就会用完，有时甚至在周初的几天内就用完了。 我意识到我必须采取措施，否则就得将花费翻倍。于是我决定开始跟踪我每种任务类型的成本。这显示出我的大部分花费都用在了搜索/扫描或像侦察任务这样简单的事情上。 然后我决定将其开发成一个简单的命令行工具，可以在本地读取你的 OpenAI 风格日志，分析成本并与其他模型进行比较，然后告诉你通过切换到更便宜的模型可以节省多少钱。 当你运行 `analyze` 时，你会得到一个基于 LiteLLM 定价的离线估算，并受 LMArena 层级限制。大致的节省范围来自 RouteLLM 发表的研究；但你可以通过两个命令自行确认——`--measure`（并排显示提示-响应输出）和 `--judge`（一个被选定的模型进行比较）。这些命令会将日志中的一部分提示发送给候选模型——无论是默认选择还是你指定的模型。这次调用直接面向模型提供商（绝不会经过我），就像任何正常的 LLM 调用一样，响应会被显示并判断为更好、更差或持平。 它故意做得小巧，因为我有时倾向于过度复杂化/思考问题：`analyze` + `capture` + 几个命令，完成三项工作。成本、质量可见性、路由推荐。 没有任何内容被托管。`capture` 是你本地机器上一个可选的本地代理，你的数据路径中没有任何端点。你可以通过检查源代码来确认这一点。 我包含了一个演示，你可以查看输出。它有一个合成的 56k 调用日志（相当于一个月的使用量），显示了成本如何从每月 549.46 美元降至 343.91 美元。节省了 37.4%。 试试看： ``` uvx frugon analyze --demo ``` 或者 ``` uv tool install frugon ``` 然后将其指向你自己的日志。 所有反馈都欢迎，尤其是关于路由/质量逻辑的，或者其他任何方面，无论好坏。

作为一名同性恋者，我发现现有的视频网站的搜索引擎非常糟糕，主要依赖用户对视频的标签和标题。这些标签和标题往往是虚假或

最近已从 Cortex-M4 (NXP K64F @ 120MHz) 移植到 Cortex-M7 (STM32H753ZI @ 480MHz)。仍在调试互斥锁 + FPU 交互（LDREX/STREX 与延迟堆叠）。

在过去的几个月里，我一直在实现一个我长久以来的想法。当时，大型语言模型（LLM）并不流行，也并不普及，因此要构建我现在能够构建的东西——一个拥有不同形式智能的鲜活世界——是相当不现实的。在这个世界里，这些智能体将通过它们的基本需求、个性以及它们一生中所经历的事件来找到自己的道路和意义。

您好，我正在攻读硕士学位，拥有两年数据分析师经验，熟练使用Excel、Tableau、Looker Studio、机器学习等工具。我正在寻找兼职项目，请发送邮件至：adhilbinmujeeb@gmail.com