随笔周刊——第 7 期

中秋和女朋友一家爬鸟巢

🎶𝓦𝓮𝓮𝓴𝓵𝔂 𝓼𝓸𝓷𝓰 𝓹𝓲𝓬𝓴 🪗：

打开原始内容

知识小品

Awesome LLM Strawberry (OpenAI o1)

https://github.com/hijkzzz/Awesome-LLM-Strawberry

一个专注于 OpenAI o1 和推理技术的 LLM 相关研究论文、博客和项目的集合。

【python】我用了多进程怎么程序反而变慢了？

https://www.youtube.com/watch?v=xFtEg_e54as

视频一步步阐述了为什么很多人用了multiprocessing之后，程序没有变得理想中那么快，甚至还变慢了。视频很用心啊，作为一个从来不敏感程序优化的人，看到 up 主对代码内部的运行机制如此了解，着实佩服，不愧是 python core dev。视频中提到的 viztracer 插件看起来很不错，对于有项目性能优化的可以试试，直观的看到项目中哪部分代码占用了大多数的时间。

An open source game about learning Git!

https://ohmygit.org/

Oh My Git! 是一个开放源代码的教育游戏，专注于帮助玩家学习和掌握 Git 版本控制系统的基础知识和高级技巧。游戏设计为一系列的关卡，每个关卡都对应一个 Git 命令或概念，通过解决关卡中的挑战，玩家可以在实践中理解 Git 的工作原理。这个项目不仅包括游戏本身，还提供了相关的学习资源和社区支持，使得学习 Git 变得更加有趣和互动。Oh My Git! 的目标是让 Git 的学习过程更加直观和容易理解，适合初学者和希望提高技能的开发者。

Good Refactoring vs Bad Refactoring

https://www.builder.io/blog/good-vs-bad-refactoring

主要讨论了代码重构的重要性，并指出虽然重构是维护代码库健康的关键部分，但如果不当地进行，可能会导致代码更难以理解和维护，甚至可能引入性能问题和新的错误。

随便看看

I Unlocked a Hidden Map on Earth! 55 km Trek Across Iceland’s Mysterious Highlands

https://www.youtube.com/watch?v=PRYyp2A1RBk

妈呀，Links 真的一周一更了！那天晚上忙碌到晚上 12 点后，打开订阅，发现 Links 更新啦~ 赶紧去看，看 Links 的视频时，总是能很沉浸，刚才的疲惫也抛之脑后了，沉浸在这世间奇景中 🥰

提示工程已经死了吗？

https://baoyu.io/blog/prompt-engineering/is-prompt-engineering-dead

随着 OpenAI 推出新的推理模型 o1 preview，人们质疑提示工程是否已经过时，认为提示工程师可能是最短命的职业之一。文章指出，提示工程包括技巧和指令两部分，其中技巧部分随着模型升级而变化，如角色设定、情感勒索和思维链等技巧在新一代模型中效果不佳。然而，指令部分，即如何清晰表达意图、让 AI 理解上下文、将复杂任务拆分、精确控制 AI 行为、防止用户滥用以及针对特定任务提出创造性解决方案，这些是提示工程的核心，并不容易被模型升级取代。

虽然自己也收藏过一些 prompt 教程，但是始终还没系统的学习过，每次对 AI 的提问也都是比较随意的，除非遇到很得意的 prompt 会添加到快捷用语中，时长使用。有时遇到比较复杂的任务，或者说意图不是很明显的，我也会感受到即使使用 top1 模型，也不能得到较好的回复，下一个提问大多就是强调自己的意图，但可能还不是很清晰~（这也是一些人说 AI 也不行的原因吧，因为自己不会用 🤣）。所以我也认为提示工程不会死，后续最多可能是自动化了，用户输入一段简单的 prompt，有个隐藏的工具优化 prompt，能够交互提供信息补充 prompt。

Claude3.5 实现二叉搜索树的可视化

https://gallery.selfboot.cn/zh/blog/binarysearchtree

随着模型的不断迭代升级，学习可能越来越方便简单了，对于不会的算法，可以和 AI 一起编程进行可视化，既能锻炼编程能力，也能学会知识。

发现作者的主页还有很多的开源算法可视化实现，太赞了，感觉这个也可以自己尝试做一下：https://gallery.selfboot.cn/zh/algorithms

PaperQA2

https://github.com/Future-House/paper-qa

提供了一个高精度的基于检索增强生成（RAG）模型，用于从科学文档中回答问题，并能够提供引用支持。该项目的最新版本（PaperQA2）采用了一系列先进的技术和算法，包括 LLM 模型和 PaperQA 算法，以实现智能问答。PaperQA2 支持命令行界面（CLI）和库使用，提供了简单的接口和详细的配置选项，以便用户能够轻松地获取高质量的答案。