最新

我是一名结构工程专业的博士生。我的论文课题是关于使用 LLM 代理在公司常用的乌克兰软件上自动化有限元分析（FEA）计算。我现在正在撰写文献综述，并且我用 vibecode 搭建了一个个人本地仪表盘，帮助我管理文献综述过程。 我使用 LLM 代理来填充 LaTeX 模板（以实现格式自动化，您也可以使用 IDE 来查看差异），该模板位于 GitHub 仓库中。然后，我运行 ChatGPT Pro 来收集所有与我的主题相关的论文（以及如何相关）。然后，我收集在线可获取的论文，即 PDF 可用的论文。我有一个特殊的文件夹结构，其中包含纯文本文件，如 Markdown 和 JSON。 仪表盘的理念如下：我通过网络聊天运行 Codex 来识别相关引文——与我的论文主题相关——以及它们如何相关，它将它们组合成与每个引文相关联的多个主张，并附带链接。然后，我手动审查每个引文和每个主张，并勾选复选框。还有一个按钮可以运行验证脚本，该脚本会验证确切的引文确实存在于 PDF 中。通过这种方式，我可以收集真实的证据，并在阅读这些内容时获得新的见解。 我记得在我于英国攻读硕士学位时，我手动完成了所有这些。那是一段非常糟糕且乏味的经历，部分原因是我患有 ADHD。 所以我的问题是，这是否不诚实？ 因为我可以为综述中的每个主张辩护，因为我构建了验证流程并手动审查了每一个。可以说，我对文献的理解比我自己手动阅读并高亮所有内容要好。但我知道许多大学会将任何 AI 生成的文本视为学术不端行为。 我真的不太明白这种立场背后的原则。因为如果你外包校对任务，没有人会关心。当你使用 Grammarly 时，也是一样。但是如果我使用 LLM 从经过验证的、结构化的、人工审查的证据中创建文本——这可能被认为是不诚实的。

<a href="https://docs.fcc.gov/public/attachments/DOC-420034A1.pdf" rel="nofollow">https://docs.fcc.gov/public/attachments/DOC-420034A1.pdf</a><p><a href="https://www.fcc.gov/document/fcc-adds-routers-produced-foreign-countries-covered-list" rel="nofollow">https://www.fcc.gov/document/fcc-adds-routers-produced-forei...</a><p><a href="https://docs.fcc.gov/public/attachments/DA-26-278A1.pdf" rel="nofollow">https://docs.fcc.gov/public/attachments/DA-26-278A1.pdf</a>

我们几个月前发布了一些内容，大家似乎很喜欢我们正在构建的东西。从那时起，我们增加了许多功能！ - 社论文章 - 通过筛选功能探索城市 - 保存和分组的对比 - 更多的数据点和更高质量的数据

我做了一个实验，想看看 CLI 到底是不是调用工具最直观的格式。（正如一位前 Manus AI 后端工程师所声称的那样）我给我的模型提供了随机场景和一个名为“run”的单一工具——我告诉它这个工具的工作方式类似于 CLI。我让它猜测命令。 它猜测的命令很棒，但它总是以冒号开头来格式化，例如： :help :browser :search :curl 它接受的训练是终端的样子，而不是你实际输入的内容（你不会输入“:”）。 从那以后，我更新了我的代理工具中的代码，不再与这种直觉对抗。 大型语言模型学习的是文档/制品中命令的样子，而不是人类在键盘上实际输入的内容。 这似乎很明显。这就是为什么你必须测试你的大型语言模型，看看它自然是如何工作的，这样你就不用用你的系统提示来与它对抗了。 顺便说一句，这是 Kimi K2.5。

我搭建了 Burn Room——一个自托管的 SSH 聊天服务器，消息会在 1 小时后焚毁，房间会在 24 小时后自动销毁。没有任何内容会被写入磁盘。无需账户、邮箱，也不需要浏览器。 ``` ssh guest@burnroom.chat -p 2323 密码：burnroom ``` 或者从浏览器连接（xterm.js 网络终端）：<a href="https:&#x2F;&#x2F;burnroom.chat" rel="nofollow">https:&#x2F;&#x2F;burnroom.chat</a>