最新

我在学习西班牙语课程时制作了这个应用程序，目的是寻找使用我正在学习的动词形式（现在时、过去时、将来时、虚拟式等）的文本。首先，我从网上抓取了大约10,000首西班牙语的公共领域诗歌。然后，我为550多个最常用的动词建立了一个变位词典，使用规则生成规则动词，并从网上抓取不规则动词。仅凭这些，你就可以识别出哪些诗歌包含你想要针对的动词类型。为了进一步分析，我在Python中使用了k-means聚类算法，将诗歌根据动词形式的频率分为四个难度等级（例如，包含大量虚拟式将来完成时动词的诗歌比仅有现在时的诗歌更难）。 我在2024年12月首次完成了这个项目，几乎完全是手动完成的，主要使用大型语言模型（LLMs）来制作一个交互式的Plotly Dash应用程序。（我在数据可视化方面有丰富的经验，尤其是使用ggplot2；这是我第一次使用LLMs在一个新领域进行创作。）上周，我与Claude合作，在一个小时内将前端完全更新为JavaScript和Plotly.js。 我希望有人能觉得这个工具有用。这可能是回答“哪位19世纪的哥伦比亚诗人使用了最多将来时动词？”这样问题的唯一方法（当然，这取决于可用的语料库）。 如果我今天从头开始做这个项目，我会使用LLMs来生成动词形式，而不是创建我之前制作的词典。但我仍然会保持对诗歌分析的确定性。我还会使用LLMs来评估主题和话题，作为额外的筛选条件。当然，我还会扩展到更多语言 :)

我一直在使用 DeepSeek v4 的闪存功能来进行引导代理工作流程（在 IDE 中，提示/审查差异），并发现使用 Haiku、Opus 和 Sonnet 在这个工作流程中并没有明显的好处。<p>每天花费大约一美元，我的生产力可以翻倍。前沿模型是什么？它们试图解决什么问题？<p>这些模型是为了单次应用而设计的吗？我们是否期望能够“随意”提示大型语言模型（LLM），让它们在无人监督的情况下完成工作？