24小时热榜

我喜欢iOS的屏幕时间功能，因为应用程序的限制是在操作系统层面进行的。它内置于每部iPhone中，因此你无法像卸载第三方应用那样轻易删除它。 最大的弱点是“忽略限制”按钮。你可以设置一个屏幕时间密码，但因为你知道这个密码，所以你总是可以输入它，从而绕过自己的限制。 因此，我开发了WaitToUnlock。 它会生成一个随机的屏幕时间密码，并引导你以故意混淆的顺序输入（例如：输入5，输入8，删除它，输入2……），这样你很可能不会记住它。然后，这个密码会被锁定，你必须等待至少6个小时才能取回它。 这使得你的屏幕时间限制变得无法绕过。因为你不再知道密码，所以你无法简单地点击“忽略限制”并在诱惑来临时输入它。如果你想解除限制，你必须等到密码再次可用。

我正在斯里兰卡构建一个处理文档和其他敏感数据的SaaS平台。每个用户可以上传自己的文档和信息，平台使用RAG（检索增强生成）根据该用户的数据回答问题。这部分我觉得是合理的。 我主要担心的是，当用户没有上传足够的信息时会发生什么。我仍然希望大型语言模型（LLM）能够使用来自互联网（或经过筛选的知识库）的可靠信息提供准确的答案，并附上适当的引用。 我正在考虑以下两种架构： 选项1： 基础LLM（通过Azure AI Foundry或Amazon Bedrock的OpenAI/Anthropic） ↓ 平台RAG（由我们管理的全球知识库） ↓ 用户特定RAG 在这种方法中，我们维护一个全球知识库，由我们（平台管理员）进行策划和更新。每个用户都可以访问这个共享知识，而他们自己上传的文档则通过个人RAG进行搜索。 选项2： 开源LLM ↓ 在斯里兰卡/特定领域数据上进行微调 ↓ 用户特定RAG 在这里，我们使用斯里兰卡或特定领域的数据对开源模型进行微调，每个用户仍然拥有自己的RAG来处理私有文档。 我关注的问题是： 微调在这里是否真的是正确的解决方案，还是不必要的？ 全球/共享RAG是否比微调更好？ 如果你想设计这个架构，你会如何做： 准确的领域知识回答 用户私有文档搜索 引用/来源 良好的可扩展性以支持数千个用户 我倾向于选项1，因为微调似乎成本高、耗时，并且我对此还没有经验。然而，我不确定我是否在正确思考这个问题。 我非常希望听到其他人如何解决这个问题。