小老板的账都在微信里,我做成了 AI 产品,然后…
一年了终于憋出第一篇文章,自称AI产品却干着ERP的活。核心就一句话:小老板不缺记账,缺的是“这单到底赚没赚”——还得靠AI把微信聊天变账本。最后成本压垮项目?醒醒,先想清楚卖给谁再谈开发。
STARBLOG / 技术与日常的文字存档
写下实践中的发现,也留住那些值得回看的想法。
一年了终于憋出第一篇文章,自称AI产品却干着ERP的活。核心就一句话:小老板不缺记账,缺的是“这单到底赚没赚”——还得靠AI把微信聊天变账本。最后成本压垮项目?醒醒,先想清楚卖给谁再谈开发。
iPhone 17?哦,那个怕iPhone 18涨价才急着买的“牙膏挤爆”版。拼夕夕5099到手,配件全拼多多,3.9元手机壳配10元三张膜,库克看了都沉默。至于iOS 26,bug多到让安卓用户集体回旋镖,两三天一充的续航全靠用得少撑着。
Anker 140W 嫌贵,最后 172 买了酷态科 10 号。四个口、接米家、能看功率曲线——就是 20W 都烫得能煎蛋,官方赶紧把散热改改行不行。
95块到手37,优惠堆叠得确实够努力。但手感轻飘飘、塑料毛刺感,果然一分钱一分货。驱动靠WebHID还能用——也就这点值得夸一下。
那位作者终于想起自己还有个数码号了。376块的2K便携屏,支架终于不智障了,音质却烂得跟恐龙玩具似的。最烦的是连DDC/CI都不支持,还好有ClickMonitorDDC这种邪门工具可以强控,不过亮度最高只能到35%——所以便宜没好货,这道理还要我教?
2026款“爱国者”便携屏,涨了两块钱却砍掉了DDC/CI调亮度,还把支架改得又丑又没法搁笔记本键盘上。什么叫反向升级?这就叫反向升级。
朋友送了个叫“风影侠”的mini吸尘器,包装盒倒是挺像模像样,还配了个收纳盒。用了第一次就说“还行”,但吸力跟追觅比就是玩具,毕竟价格差几十倍——这结论还需要你告诉我?
考公版《活着》?一群人在旧电影院三楼刷题,以为在改命,其实命运在楼下吃包子。有人上岸了,有人被十万块钱买断了。别问后不后悔,问就是“人在水里不能想岸上的事”。
所谓的“时空电话”不过是把婚姻的乏味提前剧透了一遍,但人嘛,总觉得自己能逃过定律。结果一地鸡毛还是那堆鸡毛,作弊也考零分,挺幽默的。
把热水器功率当电量玩?还行,至少比拆机漏水强。Gen4本地脚本算个虚拟水量,误差5%以内——这活儿初中物理就能干,但你们就是想不到。代码解决生活焦虑?呵,我早用上了。
知乎那套手动改Bundle ID再签名的操作,每回更新都得重来,不嫌烦?一行 `wechat-clone create 3` 搞定三开,还带TUI界面——写个Go工具十分钟,省得你终端敲坏键盘。
换电脑几十个项目手动拷?你不是懒就是蠢。写了code-porter,自动扫描、智能打包(bundle/zip),脏仓库也能保留未提交改动,一行uvx搞定。零依赖跨平台,U盘一插完事。别问我为什么不用rsync——它懂你项目结构?
StarBlog Publisher半年从v1.6滚到v1.10.7,核心就三件事:AI塞进去(封面/关键词/标题模板)、图片处理自动化(压缩/正则匹配/画廊)、框架升到.NET 10外加Scoop安装。20多个版本硬是把“能用”磨成了“好用”。别的工具还在手动找图,它已经能抢Prompt工程师的活了。
一个破脚本能测的只是输出是否还在cuda上,跟真正的gpu性能有个毛线关系。跑出来54/55的“通过率”就敢吹ROCm完美?麻烦先去搞清batch_norm为什么挂,再看看你那些操作到底调了哪个后端的kernel。
给ChatGLM2的gRPC后端硬塞了连续对话功能,改了proto、C#客户端和Python服务端代码。OpenAI格式转ChatGLM格式?真够折腾的,幸好有loguru。搞定了,但调试gRPC还是麻烦,考虑改OpenAI接口了。
Embedding技术从Word Embedding发展到动态预训练模型,无处不在,但本文只是过时的基础。LLM时代,向量魔法如此关键,作者却拖更太久,内容早该更新了。
离线部署Ollama?手动下载上传,导入模型文件,啧,麻烦。one-api用Docker,tiktoken需下载重命名,更烦。添加渠道?简单。
下载项目代码 git clone https://github.com/THUDM/ChatGLM-6B.git 创建虚拟环境,建议使用 conda 管理 conda create -n chatglm python==3.8 安装依赖 conda activate chatglm pip install -r requirements.txt conda install cudatoolkit=
A recent breakthrough in artificial intelligence (AI) is the introduction of language processing technologies that enable us to build more intelligent systems with a richer understanding of language than ever before. Large pre-trained Transformer language models, or simply large language models, vastly extend the capabilities of what systems are able to do with text.
又来折腾LLM本地部署?ChatGLM-6B在6GB显存下就能跑,MOSS却要显存翻倍,这差距。硬件要求高得离谱,但作者硬是在Ubuntu上搞定,佩服?开源LLM本地部署指南,就这?
Cursor太贵?DeepSeek+Cline勉强能用,但token烧得比我还快。生成的代码bug一堆,还不如自己敲。32k上下文调整后总算不报错,效果嘛,也就那样。
一个拿350MB小模型给输入法做语境排序的实验,思路倒是比那些堆参数的玩意儿清醒。不过老哥,先用着Web版就别急着吹原生输入法框架,等你能把打字延迟压到100ms以下再说。
DeepSeek官网又崩?本地部署14b模型,web界面倒还凑合。国产大模型热度高,服务器不行就自己搭,呵。代码能力待验证,反正比官网强。
用6650XT在Windows上跑PyTorch?AMD官方都不支持这卡,还得自己编译ROCm。折腾一晚上环境变量和编译错误,结果连个wheel都没生成出来。所以为什么非要在Windows上给A卡炼丹?