AI 产品的诞生，我们就假设是一个模拟角色对话类的 AI 产品。 第一步就是模型选择，其实就是 LLM 类的模型选择，之前我总有一种错觉是，这种模型会很大，但是其实并不然，像很多模型其实并不大，至少比我想象的要小，7、8B 参数量基本上就能满足要求，这种参数量我们的自己的 PC 都能带动起来。 选模型的过程会占用很多时间，如果对模型要求并不高的话，其实找一些常见的模型，比如 LLama，MIs ...

端午节前两周，我主要的工作放在模型搭建部署和测试上，期间需要看明白和写一些 Python 语言相关的程序。 按照以往的经验，学习编程语言要开始打基础，了解这些编程语言相关的基础语法，比如之前(23年)学习 JAVA 的时候，我会在印象笔记里建一个笔记，专门存放我学过的 JAVA 相关的语法。 但是到了学 Python 这里，我已经开始不再纠结于基础的编程语法，并不是说基础的编程语法 （比如条件 ...

说来有些惭愧，很多年来我一直对“抽象”和“规律”这两个概念感到困惑。 刚工作的时候，老大经常对我说，你把这段代码抽象出来，我就感觉有点困惑，啥是抽象。对于一个程序员来说，不明白抽象这俩字真是要命了，因为抽象是面向对象的核心思想之一。随着编程不断的深入，我也能比较深刻的理解到抽象这两个字的含义。 上学的时候，我也特别不理解，什么是历史规律。我记得当年看明朝那些事的时候，作者讲到朱元璋废除丞相制度 ...

之前的文章聊过手机嵌入端模型的一些趋势 AI大潮来袭，移动开发迎来第二春？最近做的需求正好是将端模型引入到了我们的应用里。 大家知道模型种类有很多，有语言模型，生图模型，生视频模型，其实理论上来说有多少业务场景，就会有多少种模型的出现。我们做的是将 Text To Speech 端模型引入到移动端，来降低语音生成的过程对服务端的依赖，同时完成降本。 不过在实践过程中还是踩了一些坑。 模型文件下 ...

好几年之前在油管上关注了一个学前端的温州妹子，当时她还是在加拿大工作，后来她回了上海工作，最近又重新关注到她，发现她已经回家创业了，而且做的有声有色。 我之前在手机公司上班的时候，有一个同事也是温州的，他是公司的创业元老，手里大把公司的期权，然而在当时公司看起来已经快要走出财务困境的时候，他也离职回家创业了。 我队友认识的一个温州妹子，她妈妈是很能折腾的一位女性，之前一直在从事移民相关的生意， ...

去年年中的时候 Kindle 已经没有办法再下载云端的图书，也没有办法再通过发邮件的方式去向 Kindle 发送图书。这就导致，如果想要往 Kindle 里同步书的话，就必须插上USB线去同步，这就很繁琐，而且有的时候把书拖到 Kindle的目录下，莫名其妙还是看不了... 正好去年我对苹果的阅读软件感兴趣，于是把阅读这件事放在了iPhone和 mac 上，苹果对图书同步做的确实还挺好的，电脑 ...

同时只做一件事。可能有的人是可以同时完成很多件事情，以及当对某件事情很熟练的时候，很多人也可以大概做到一心二用，但一心二用不是普适的做事方式，专心把手头的工作做好，可能有的时候看起来效率很低，但绝大多数时候，慢即是快。 先想后做。任何事都是两步创造，脑子里对要做的事情有一个大概的框架，想清楚怎么做之后，做起来的时候脑子里就不会陷入犹豫和内耗。这个想的过程可以通过写作的方式完成。 ...

得用发展的眼光看AI。AI的发展太快了，半年甚至几个月之前你觉得AI做不到的事情，现在再去尝试可能已经能做到了，所以眼光不能停留在过去。半年之前你能想到Cursor这么牛逼？ 端部署模型可能会是未来的趋势，现在端上部署模型还是差点意思，比如deepseek那个1.5b量化到4bit的生成效果就差点意思，但是手机硬件会越来越好，量化甚至整个模型的训练过程都会朝着更精简的方向去。毕竟 ...

推理模型和指令模型的作用是不一样的。xx-R1 是推理模型，xx-V1是指令模型。推理模型和指令模型的侧重点是不一样的。大多数场景其实根本用不到推理模型。 参数模型越大，模型文件越大，文件模型越大就只能在服务端部署，本地部署的都是比较小的模型，比如1.5B的模型。641B的模型就只能在服务端部署。 参数量越大的模型效果越好，类似参数越大记忆的东西越多，输出会更加准确， ...

最近和一些我认为的聪明人交流，再次印证了我之前的一个看法，那就是聪明的人都是有相同的特质的。 保持好奇心是一个，他们从来不自以为是，觉得自己啥都懂，而是当聊起自己不熟悉的领域时，他们会很耐心的倾听对方，遇到不太理解的地方，他们会提出自己的疑问，通常来说他们提问的点都是事情比较关键的节点，也就是他们似乎能一下子抓住这个事情的本质。 说是保持好奇心，其实也就是保持自己头脑开放，始终对新事物 ...