Один из самых удобных способов записать данные это использование готовых форматов, такие как JSON или YAML.
Из плюсов такого подхода стоит отметить вот что:
🔸 готовый, повсеместно используемый и поддерживаемый формат
🔸 простой и понятный файл, удобочитаемый для человека
🔸 можно легко редактировать в любом текстовом редакторе без специальных программ и библиотек
Но есть и минусы
🔹 затраты времени при записи файла (кодирование данных в нужный формат строки)
🔹 затраты времени при чтении файла (декодирование данных в Python объекты)
🔹 размер файла увеличивается из-за разметки данных (скобки, запятые, переносы, отступы...)
🔹 перед записью все данные должны быть помещены в память в полном объёме (не всегда)
🔹 при чтении необходимо считать весь файл в память и только потом декодировать данные
Если нужно писать немного данных в несколько файлов, то затраты по времени не ощутимы. Обычно это файлы конфига или какие-либо метаданные. Это отличный вариант под такие задачи.
Есть и другой поход к записи файлов - это бинарные файлы. Используется, когда данных достаточно много и никто их не собирается читать глазками😳.
🔸 очень быстрая запись
🔸 чтение значительно быстрей чем JSON, YAML итд
🔸 размер файла значительно меньше, так как нет разметки
🔸 можно записывать данные по мере поступления не загружая всё в память
🔸 можно извлечь любую часть данных независимо
Из минусов
🔹 нужно определить свой формат записи данных (если не используете готовую спецификацию определённого формата)
🔹 не получится открыть файл и визуально понять что там записано, а для чтения файла потребуется знать его спецификацию.
🔹 не так-то просто создать такой файл без специальной библиотеки
В таком виде удобно записывать большой массив любых однородных данных. Например, мониторинг валютной биржи или кэшированная анимация 3D геометрии.
(Это не означает что нельзя записать данные разного типа, просто это будет не так удобно)
Представьте себе JPG-картинку. По сути это немного мета-информации и большой массив пикселей. Тоже самое со звуком или видео файлом. Поэтому, если вы попробуете открыть картинку в текстовом редакторе вы увидите что-то вроде такого
f15d cd29 a564 4578 ...
09e2 9bc4 a696 1253 ...
84e9 4de1 3b23 c24a ...
2534 5161 28e0 709d ...
...
Это и есть записанные байтики. И для их чтения требуется определённый софт который знает что с ними делать. Под каждый тип файла.
К чему это я? Читайте в следующем посте...
#tricks#basic
Little Language Lessons
https://labs.google/lll/en
最近谷歌创意技术专家推出的基于 Gemini 最新模型的实验作品 Little Language Lessons,用 AI 驱动学习语言。
它主要由 3 部分微型学习实验场景组成。Tiny Lesson:随时学习单词、句子和用法; Slang Hang:学习母语使用者的习惯;Word Cam:直接 AI 驱动的识图识场景教语言功能。作者在介绍文档中给出了提示这些提示词,可以拿来自己学习。
这个玩具确实非常精美、有趣,值得使用。现在学习可选择场景太多了,间隔重复、沉浸翻译、语音对话、AI 生成,学吧。
最近 Notion CEO 提到 Notion = Lego + Al + tools for thought,同时能驾驭这三者的人很少,对这三者感兴趣和深耕的也不多。我倒是觉得 Google 有这个调性,各种分支的实验作品,以及 Steven Johnson 领导的 NotebookLM,作为 AI 驱动的思维工具,称得上也非常好用。
相关链接
介绍文档:How It’s Made: Little Language Lessons uses Gemini’s multilingual capabilities to personalize language learning
#tft#AI
一篇 PKM 与 AI 结合的最新研究论文
Creating Automatic Connections for Personal Knowledge Management
最近一位 X 佬在 Springer Nature 上发布了一篇关于个人知识管理(PKM)与大型语言模型/自然语言处理集成的 AI 应用研究。作者参考了很多笔记软件如 RR 这些,在论文主页 Notes 可以查看,主要提到了 Tana AI 助手的文本探索、Obsidian 图谱和 Readwise 的 AI 应用等,利用 AI 在个人知识管理领域轻松拉起整个知识图谱节点的研究。
这篇论文有个在线版本可以直接查看,论文还参考了 47 条书籍文献,如前两条 Sönke Ahrens 的聪明笔记和第二大脑书籍参考,以及语义分析/知识图谱等研究引用,可在主页查看
这篇论文基本踩到了我的「发布癖」上,PKM 与 AI 的交媾,诞出人类智识意义上的放大和命题延伸,即我前面提到过的 IA(intelligence amplification),这也是我一直在探索的领域。
这里几篇我喜欢的关于工具的技术文章,再分享。这个领域我还比较期待两位 K 神的研究分享,Karpathy 和 Kepano.
- Andy Matuschak 关于革命性思维工具的理解:How can we develop transformative tools for thought?
- Roam Research 白皮书 Roam White Paper.
- 没有银弹丨Fred Brooks 关于软件开发困难论述的经典论文
相关链接
1 Roam Research 复兴之后丨创新、式微及其影响
2 Intelligence Amplification
3 工具如何错误地塑造我们丨异化
4 On shortification of "learning"丨学习的简化
5 博客 2.0 时代丨知识库与数字花园
#TfT#AI