最新

我在学习西班牙语课程期间制作了这个应用程序，目的是找到使用我正在学习的动词时态（现在时、过去时、将来时、虚拟式等）的文本。首先，我从网上抓取了约 10,000 首公共领域的西班牙语诗歌。然后，我为 550 多个最常见的动词构建了一个变位词典，使用规则生成规则动词，并从网上抓取不规则动词。仅凭这一点，您就可以确定哪些诗歌包含您试图针对的最多类型的动词。为了更进一步，我使用 Python 中的 k-means 聚类算法，根据动词时态的频率将诗歌分为四个难度级别（例如，包含大量虚拟式将来完成时动词的诗歌比仅包含现在时的诗歌更难）。 我于 2024 年 12 月首次完成了这个项目，几乎完全是手工完成的，主要使用 LLM 来创建一个交互式的 Plotly Dash 应用程序。（我在数据可视化方面拥有丰富的经验，尤其是 ggplot2；这是我第一次使用 LLM 在新领域进行编码。）上周，我花了一个小时使用 Claude，将前端完全更新为 Javascript 和 Plotly.js。 我希望有人能从中受益。这可能是回答诸如“19 世纪哪位哥伦比亚诗人使用将来时动词最多？”之类问题的唯一方法。（当然，这取决于可用的语料库。） 如果我今天从头开始做这个项目，我会使用 LLM 来生成动词形式，而不是像我之前那样创建词典。但我仍然会使诗歌的分析具有确定性。我还会使用 LLM 来评估主题和话题，作为额外的筛选条件。当然，还会扩展到更多语言 :)

我一直在将 DeepSeek v4 flash 用于引导式代理工作流（IDE 内、提示/审查差异），并且在这些工作流中没有发现使用 Haiku、Opus、Sonnet 有任何明显的好处。 每天花费大约一美元，我的生产力就能提高一倍多。那么，前沿模型是什么？它们在解决什么问题？ 它们是为一次性应用设计的吗？我们是否期望能够“ YOLO 式”地提示 LLM，让它们在无人监督的情况下完成工作？