资讯可视化流程分析
这篇想解决的是一个很具体的阅读问题:用户读资讯时,遇到数字、公司、术语和事件线索,经常要跳出去查。我的方案不是另做一个大而全的 Agent,而是把文章拆成可追踪的 chunk,再把解释、图表和时间线嵌回原文附近。
这篇想解决的是一个很具体的阅读问题:用户读资讯时,遇到数字、公司、术语和事件线索,经常要跳出去查。我的方案不是另做一个大而全的 Agent,而是把文章拆成可追踪的 chunk,再把解释、图表和时间线嵌回原文附近。
最近这段时间,我几乎每天都在和各种 AI 编程工具打交道。这个过程有点像是在玩一场大型的"抽卡游戏",有时候你会抽到 SSR,有时候则是连续的 R 卡。
项目下的fixed、final等等文件,是否都是之前调试过程中的产物呢?现在调试完成了,是否应该对测试模块下的代码进行一个整体性的梳理,去掉这些 │ Fixed、Final 等等文件,将其编写为整洁的代码呢? 另外帮我分析一下目前的这个测试模块,其程序设计、技术选型等等是否合理,有没有更好的方案。
我们最近要开发一个组件给业务方使用,网页对于性能有较高的需求。而我们的组件代码量比较大,会导致组件的 CDN 比较大,加载耗时较长。因此我们需要对组件进行分包处理,将原本较大的 CDN 拆分为多个相对较小的 CDN。
这篇不是在说“封装几个组件”。我真正想拆的是:一个可视化组件库怎么跨框架使用,怎么同时支持 CDN 和 npm,怎么按需加载,组件销毁时怎么把事件、动画和资源清理干净。
最近需要开发一个前端组件协议,根据历史经验,协议的制定是非常关键的,一旦设计得不合理,就会埋下巨大的隐患,影响后续组件的可扩展性和可维护性。因此以往这个环节的工作都是比较头疼的,且都由相对资深的开发人员来完成,且制定了也会很慌,总是担心考虑不够周到。
这段时间最大的收获是形成了「早上听 -> DeepResearch 调研 -> 生成可视化网页巩固理解」这条信息获取闭环,以及用多窗口并行写代码来压榨 AI Coding 的效率。代价是同时处理太多线索容易被【打断】后失忆,所以提前一天梳理第二天的工作、保持单一时间线,比单纯堆窗口更重要。
LangExtract 是由 Google 开发的一个 Python 库,专门用于使用大型语言模型(LLMs)从非结构化文本中提取结构化信息。该项目提供了一个完整的信息抽取流水线,具有高度的准确性和可扩展性。
在过去的几周里,我和我的团队深度参与了一个 Chrome 插件开发项目,从最初的技术选型到最终的 POC 验证,踩了不少坑,也积累了一些经验。今天我想把这些经验分享给正在考虑 Chrome 插件开发的你。
最近在使用 Obsidian 做笔记管理时,发现一个痛点:虽然 Obsidian 内置的书签功能能收藏重要文件和文件夹,但访问起来不够便捷,特别是当项目文件越来越多的时候。于是我们决定开发一个书签管理插件,通过一个优雅的仪表板界面,让用户能够快速访问收藏的文件夹、笔记和最近打开的文件。