我是那种会纠结最佳实践的人，即使是无关紧要的事，记得在巨硬实习的时候，需要用 win，我问 mentor “你们一把会把代码存在哪个目录” ，感觉 mentor 看我像傻子 hhh

因为 mac 选手一般是 /Users/<user_name>/Developer，mac 甚至会给这个文件夹自动改图标

而且我估计很多实习生会像我一样，很多傻傻的问题不好意思问，怕露怯 但有了 copilot 真的不一样了，你甚至可以问 “一般命名习惯” “帮我起个变量名” “一般放在哪个文件夹”，这种 约定俗成，但又不好查到文档和问前辈的问题

一个有趣的提取文章中 tags 的流程

首先，将文章切割成 1000 字每块，200 字 overlap 的块，然后从中均匀采样 5 块

对每块使用 llm 去分析出 5 个可能的标签，且对每个标签与原文的相关度进行打分。prompt 中 强调 “这是一篇文章中的切片，你需要根据你的经验去推测适合整篇文章的标签”

然后，五块采样，一共会获得 25 个标签及打分。进行合并操作，如果两个标签完全相同，则得分取平均值。合并完后，取得分最高的前五个标签。

对原文进行均匀采样，且可以根据需求动态调整采样数，来节约 token 数 让 llm 打分，来量化的找到最合适的 tag 所有请求都是并发的，跟单次请求耗时一致

当然这个效果到底能比其他方式好多少，会之后通过实验来测试，并进行定量分析。 prompt 是有 “玄学” 部分，但我们可以量化的 LLM ops 来验证我们这些 “灵光一闪” 的 prompt tricks 是否有效

这个操作基于我之前的一个想法

我们正常的压缩是站在计算机和信息论的角度，也就是从数据角度来讨论 无损和有损压缩，整个过程中只处理数据，不存在类人的 认知和理解

但，随着模型的知识和理解能力的提高，我们是否可以从 认知角度去理解压缩这件事。例如跟模型说 “美国 全名” 就会获得 “美利坚合众国”，在这个过程中，是有模型的认识和理解参与进来，而不是单纯从数据角度

那进一步，人类语言中的冗余部分是很多的，信息密度并不高，我们可以假设其中 40% 的字符量输入给 AI，AI 就能理解原文 95% 的含义，这个理解过程是掺杂了 AI 对 “人类常识” 的预先了解。

在这个理解的基础上，用抽样提取标签只是非常小的一个 demo，是想尝试让 AI 去 “从文章切片去推测整篇文章可能的标签”，让 AI 去进行合理脑补，来用小的信息输入 + AI 预先掌握的常识，来获得更好的效果。 如果这个想法是对的，我觉得是会有更好玩的落地场景出来

一点小感受，AI 取代人类工作的一个关键点在于，这个工作是否是容易 测试/评价/获得反馈的

例如，CRUD 的任务，就容易取代，因为任务清晰，容易测试，并且可以根据测试和的结果进行迭代，实现方法也比较套路化了。 类似 typeChat 也是类似的思路，把一些面向 AI 的任务用 AI 好理解的方式进行编码，且在 AI 出错的时候，也能提供 AI 容易理解的报错信息。

而交互、UI 这些不容易被 AI 取代。虽然我现在 UI 大部分也是 AI 写，但测试需要我自己去运行 + 调试一下，再手动反馈给 AI。

两者核心的区别在于，评价和测试 UI 的是人类，而评价和测试 API 可以是机器

之前还在做可视化的时候，工业界有两个 team 一个 team 做面向数据分析师的工具 另一个 team 说，国内没有数据分析师的群体和土壤，他们认为核心的使用场景，就是你心里已经有了关于数据的 insights，只是希望用工具更好的把这个 insights 展示出来

所以他们的产品就是把数据，用非常炫酷的可视化展示出来，面向的就是汇报的场景，越炫酷越好

读书做可视化相关研究时，主要的思路就是： 算法是不能做到 100% 正确率的，那就用算法做初筛，把值得关注的数据点用更高质量的可视化工具展示出来，然后由人类进行详细的分析，最终发现需要进一步处理的异常点。

以散点图寻找聚集区域为例，在巨大的数据量中由人类观察就是低效的。先有算法找到可疑的区域，再用可视化的密度图等方式叠加一个图层上去，让人类进一步分析和标记，就能在正确率和效率中取得平衡。

Github copilot/ any-copilot 都是类似的思路，工具化的 gpt 应该是未来。由 AI 给出 一个/多个 可能的解决方案，然后由人类选择并继续优化，也能作为数据反馈给训练数据