最新

我一直在思考如何在不依赖情绪日志的情况下提高情绪自我意识，因为情绪日志通常让人觉得生硬或不自然。与其问“你感觉如何？”，不如看看某人一天做了什么——然后从他们的行为中推断他们的情绪状态？ 我尝试使用基于 BERT 的模型来实现这一点，该模型在 Google 的 GoEmotions 数据集（涵盖 28 种细微的情绪，如悔恨、喜悦、乐观等）上进行了训练。这个想法是让用户反思他们的善行或恶行，然后使用 NLP 来分类潜在的情绪。 我注意到了一些模式： * 在颜色编码的日历上可视化每日主要情绪，可以快速了解情绪概况。 * 比较不同日子的情绪，可以深入了解我们的行为如何塑造我们的情绪趋势。 * 与情绪日志相比，行动优先的自我反思似乎减轻了“表演”情绪的压力。 这都是我正在进行的 Android 实验的一部分。很好奇这里是否有人探索过类似的方法——使用 AI 根据行为而不是自我报告来建模情绪。很想听听您的想法或反馈。 如果您对实现感兴趣，或者想看看 Android 实验的实际效果，我在这里写了更多关于它的内容： [https://medium.com/@va6042/what-if-your-daily-actions-could-tell-you-how-you-really-feel-f339b99424e0](https://medium.com/@va6042/what-if-your-daily-actions-could-tell-you-how-you-really-feel-f339b99424e0) 欢迎提供反馈——技术、用户体验或哲学方面的反馈。

大家好， 我一直对（小型）团队难以采用像 Bazel 这样的 monorepo 构建工具感到很沮丧。所以我写了一个超级简化的 Bazel 版本，它去掉了所有复杂的东西，只是让你运行现有的 make 目标、npm 命令等，同时提供并行执行、缓存等功能。 我希望收到关于代码的反馈，也希望找到潜在的采用者，以便在正式发布 v1.0.0 之前获得更多实际使用经验。目前，我们只在我的工作场所使用它，它已经带来了巨大的帮助。 [https://grog.build/why-grog](https://grog.build/why-grog)

嗨 HN， 我刚开发了一个小型的 Web 应用，可以帮助你为你的网站生成 &#x2F;llms.txt 文件： <a href="https:&#x2F;&#x2F;llmstxt-cyuh.vercel.app" rel="nofollow">https:&#x2F;&#x2F;llmstxt-cyuh.vercel.app</a> GitHub: <a href="https:&#x2F;&#x2F;github.com&#x2F;mandarwagh9&#x2F;llmstxt">https:&#x2F;&#x2F;github.com&#x2F;mandarwagh9&#x2F;llmstxt</a> 什么是 &#x2F;llms.txt？ 你可以把它想象成 robots.txt，但它是为大型语言模型设计的。这是一个新兴的标准，为 LLMs 提供了一个清晰的、基于 Markdown 的你网站重要内容的地图（文档、指南、API）。LLMs 可以直接获取关键信息，而无需抓取臃肿的 HTML。 这个想法是由 Jeremy Howard 推广的，并且正在被 LangChain 和 Mintlify 等开发工具公司采用。 我为什么开发它 我希望有一个非常简单的方法，可以从任何文档站点或 URL 自动生成 &#x2F;llms.txt。这个工具会抓取你的网站，提取关键的 Markdown 链接，并为你提供一个可以直接复制粘贴的 llms.txt 文件。 无需设置，无需安装，只需粘贴你的 URL 并下载即可。 技术栈 前端：Vercel + 原生 JS 后端：使用 Gemini API（但可以替换成任何 LLM） 开发时注重极简的 UI 和性能 欢迎提供反馈、功能建议，或针对需要涵盖的边缘情况（如私有文档、多语言支持等）提出建议。 谢谢！

一位亲爱的朋友最近向我倾诉，他们正被迫离开团队。给出的选择是换团队或接受绩效改进计划（PIP）。给出的理由含糊不清。他们最近经历了经理更换，之前的经理给出了积极的反馈（表现出色，对目前的状态满意），但突然之间，在新经理的季度反馈中，表现却不尽如人意，然而却没有给出具体原因（一切都含糊不清且主观，这意味着可以任人解读，而且是经理对下属的解读）。 这个人是初级员工，我能看出这正在对他们造成心理打击。我从未当过经理，所以不了解大型组织（FANG）的运作方式，但我很好奇，你们当中有多少人经历过类似的事情，或者因为组织压力/环境，被迫对一个实际上表现并不差的员工进行绩效管理？ 我是一名技术领域的普通员工，鉴于当前的市场环境，我想保护自己免受类似情况的发生。最好的方法是什么？

概念化在通用人工智能（AGI）的发展中起着至关重要的作用，因为它将使超级智能能够像人类一样理解和处理抽象信息，但…… 从神经元的角度来看，什么是概念？ 概念可以定义为一种潜在的、抽象的、多模态的表征，它整合了来自不同来源的感官信息：视觉、听觉、嗅觉、触觉，这些信息被编码在一个超高维空间中，其结构源于多个神经元的激活模式。 这种表征是组合式的，因为它由更简单的表征的层次组合构成，并且是关系性的，因为它在拓扑上与相似或功能相关的概念相连，这取决于网络的训练。 类似于语言嵌入，概念在潜在空间中的“距离”反映了它们的相似程度：它们越接近，在意义、结构或功能方面就越共享。 许多概念与语言标签相关联，但这并非绝对必要；有很多事情我们无法命名。另一方面，语言标签——词语——本身就是概念，也被编码在该神经网络的潜在向量空间中。情况只能如此，因为语言是在同一个网络中处理的。 换句话说，我们的概念并非纯粹是语言性的。它们基于直接的经验：我们在现实世界中看到、听到、触摸、闻到、想象或体验到的东西。语言作为一种工具，用于指代和分享这些概念，但它本身并不能定义它们。概念性思维的基础是多模态的，不仅仅是语言性的，而词语只是一种模态，一种元模态。 有趣的是，我们对语言进行了深入的研究，甚至创建了一门专门研究其意义的学科：语义学。然而，我们对概念化的过程关注甚少。事实上，我们甚至没有一个词来命名这门学科：我们没有“概念学”或类似的词。所有逃避语言领域的东西——那些不容易简化为词语或方程式的东西——似乎像水一样从我们手中溜走，难以捕捉，难以理解和分析。直到人工智能神经网络的出现，我们才开始理解概念化。