返回首页
一周热榜
力量举的编程并不像电子表格看起来那么复杂；一旦去掉噪音，结构就能轻松地适应手机。我将其分为两个部分：基本的组数、重量、重复次数、感知努力等级（RPE）和一重复最大重量（1RM），以及你在此基础上构建的自定义分析。SigmaLifting 完全在你的手机上处理第一部分，采用移动优先的用户界面和灵活的数据模型，能够表达大多数电子表格风格的程序。至于第二部分，你可以导出数据，并通过自己的工具（或大型语言模型）进行你所需的任何分析。
我对现有的“魔法蘑菇剂量计算器”感到很沮丧：大多数要么界面粗糙，要么只处理立方菌，要么硬编码一个效力值而忽略了物种、耐受性和降解因素。
因此，我创建了 Mycodosing.wtf——一个基于研究的计算器，试图在以下三个方面做得更好：
1. 使用每克的裸盖菇素/裸盖菇碱/巴埃菇碱的效力模型，针对松露（以及合成品）提供独立的效力档案。
2. 输出剂量范围（最小值/中位数/最大值），而不是单一的魔法数字，使用每种物种的不确定性因素来反映现实世界的变异性。
3. 包含一个基于5-HT2A受体下调的耐受性模型（剂量依赖的指数衰减，约14天），并提供可选的体重调整和MAOI标志。
物种效力数据来自LC-MS/MS和经典化学论文（例如，Garcia-Romeu 2021，Gotvaldová 2021，Gartz/Stríbrný），然后用Vite + React构建了一个新极简主义的用户界面，100%客户端。
我希望能收到以下方面的反馈：
- 剂量模型本身（数学或假设上是否存在缺陷？）
- 您希望调整或补充的物种数据
- 您希望在版本2中看到的内容
网站： [https://mycodosing.wtf/](https://mycodosing.wtf/)
代码： [https://github.com/ing-norante/mycodosing.wtf/](https://github.com/ing-norante/mycodosing.wtf/)
每周有8亿人使用ChatGPT和Claude。目前，他们获得的是文本回复。很快，他们将获得真实的界面：产品卡片、博客文章、预订流程、支付界面，直接在对话中呈现。<p>我们为此构建了一个开源组件库。只需一条命令即可安装任何模块，并根据您的品牌进行定制。<p>如果您正在构建MCP服务器或尝试开发AI原生应用，这可能会为您节省时间。<p>您是否在为AI助手开发应用？我们很想听听您在工作流程中觉得缺少什么。
你在生产环境中运行RAG（检索增强生成）。然后，AWS账单来了。每月$2,400，50个查询/天。每个查询$48。
我们为企业客户构建了一个RAG系统，并意识到大多数生产环境中的RAG都是优化灾难。文献过于关注准确性，而完全忽视了单位经济学。
### 三个成本类别
**向量数据库（账单的40-50%）**
标准的RAG流程每个问题会进行3-5次不必要的数据库查询。我们原本应该只进行1.5次，却进行了5次往返。
**大型语言模型API（30-40%）**
标准的RAG向大型语言模型输入8,000到15,000个标记。这是必要数量的5-10倍。我们发现：超过3,000个标记的上下文，准确性就会达到饱和。超出部分只是噪音和成本。
**基础设施（15-25%）**
向量数据库闲置，监控开销，不必要的负载均衡。
### 实际推动变化的因素
**基于标记的上下文（节省35%）**
基于预算的组装，当使用的标记足够时停止。之前：每个查询12,000个标记。之后：3,200个标记。准确性保持不变。
```python
def _build_context(self, results, settings):
max_tokens = settings.get("max_context_tokens", 2000)
current_tokens = 0
for result in results:
tokens = self.llm.count_tokens(result)
if current_tokens + tokens <= max_tokens:
current_tokens += tokens
else:
break
```
**混合重排序（节省25%）**
70%的语义评分 + 30%的关键词评分。更好的排名意味着需要的块更少。从前20个检索到前8个，同时保持质量。
**嵌入缓存（节省20%）**
工作区隔离的缓存，TTL为7天。我们看到日内命中率为45-60%。
```python
async def set_embedding(self, text, embedding, workspace_id=None):
key = f"embedding:ws_{workspace_id}:{hash(text)}"
await redis.setex(key, 604800, json.dumps(embedding))
```
**批量嵌入（节省15%）**
批量API定价每个标记便宜30-40%。同时处理50个文本，而不是逐个处理。