AI 资讯
已同步 36981 条公开资讯，来源和发布时间保留在每条记录中。
AIGOOD 已同步公开来源；每条资讯详情保留来源和原文链接。
刚从 codex 转到 Pi ，感觉非常好 迅速、精准、简洁、可控 目前只加了 Ponytail 、web-access 和 multi-skills 几个插件 不过之前一直用 ChatGPT 的客户端，用惯了 GUI 这一下切到 TUI ，还是有些许不习惯 特别是输入，现在基本上一言不合就 Ctrl+G 开 VS Code 来编辑 试用了一下 @ agegr /pi-web ，完成度还偏低 向看看各位使用 Pi 的姿势 不管是 TUI 改善还是好用的 GUI 或者各类插件推荐 请狠狠砸向我，谢谢
刚从 codex 转到 Pi ，感觉非常好 迅速、精准、简洁、可控 目前只加了 Ponytail 、web-access 和 multi-skills 几个插件 不过之前一直用 ChatGPT 的客户端，用惯了 GUI 这一下切到 TUI ，还是有些许不习惯 特别是输入，现在基本上一言不合就 Ctrl+G 开 VS Code 来编辑 试用了一下 @ agegr /pi-web ，完成度还偏低 向看看各位使用 Pi 的姿势 不管是 TUI 改善还是好用的 GUI 或者各类插件推荐 请狠狠砸向我，谢谢
刚从 codex 转到 Pi ，感觉非常好 迅速、精准、简洁、可控 目前只加了 Ponytail 、web-access 和 multi-skills 几个插件 不过之前一直用 ChatGPT 的客户端，用惯了 GUI 这一下切到 TUI ，还是有些许不习惯 特别是输入，现在基本上一言不合就 Ctrl+G 开 VS Code 来编辑 试用了一下 @ agegr /pi-web ，完成度还偏低 向看看各位使用 Pi 的姿势 不管是 TUI 改善还是好用的 GUI 或者各类插件推荐 请狠狠砸向我，谢谢
刚从 codex 转到 Pi ，感觉非常好 迅速、精准、简洁、可控 目前只加了 Ponytail 、web-access 和 multi-skills 几个插件 不过之前一直用 ChatGPT 的客户端，用惯了 GUI 这一下切到 TUI ，还是有些许不习惯 特别是输入，现在基本上一言不合就 Ctrl+G 开 VS Code 来编辑 试用了一下 @ agegr /pi-web ，完成度还偏低 向看看各位使用 Pi 的姿势 不管是 TUI 改善还是好用的 GUI 或者各类插件推荐 请狠狠砸向我，谢谢
刚从 codex 转到 Pi ，感觉非常好 迅速、精准、简洁、可控 目前只加了 Ponytail 、web-access 和 multi-skills 几个插件 不过之前一直用 ChatGPT 的客户端，用惯了 GUI 这一下切到 TUI ，还是有些许不习惯 特别是输入，现在基本上一言不合就 Ctrl+G 开 VS Code 来编辑 试用了一下 @ agegr /pi-web ，完成度还偏低 向看看各位使用 Pi 的姿势 不管是 TUI 改善还是好用的 GUI 或者各类插件推荐 请狠狠砸向我，谢谢
发布摘要：SiteData 原来一次 Google Ads 标题模糊查询最快也要约 6 秒，我最后把搜索层换成 Manticore ，把查询压到约 0.6 秒，也让免费的 Ads 投放站点数从手动触发变成可以自然展示。 大家好，我是饭特稀。 最近给 SiteData 做了一次性能优化。 这次优化不是为了让页面看起来更快一点，而是为了解决一个非常具体的问题： 千万级以上 Google Ads 标题和关键词数据，怎么做到可以实时模糊查询？ 其实之前这个功能已经有了。 比如你在 Google 搜索一个关键词，SiteD…
发布摘要：SiteData 原来一次 Google Ads 标题模糊查询最快也要约 6 秒，我最后把搜索层换成 Manticore ，把查询压到约 0.6 秒，也让免费的 Ads 投放站点数从手动触发变成可以自然展示。 大家好，我是饭特稀。 最近给 SiteData 做了一次性能优化。 这次优化不是为了让页面看起来更快一点，而是为了解决一个非常具体的问题： 千万级以上 Google Ads 标题和关键词数据，怎么做到可以实时模糊查询？ 其实之前这个功能已经有了。 比如你在 Google 搜索一个关键词，SiteD…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。…
8月26日，2026年“数据要素×”大赛浙江赛区决赛落下帷幕。 8月26日，2026年“数据要素×”大赛浙江赛区决赛落下帷幕。经多轮专业评审与同台竞技，海亮科服选送的“智绘生涯成长蓝图 赋能智慧教育新发展”项目从全省209支参赛队伍中突围， 斩获人力资源与教育赛道一等奖，成为全省唯一获得一等奖的智慧教育项目 ，获推全国总决赛资格。也是海亮科服继去年“基于多模态数据的大模型助力教育高质量发展”项目杭州赛区获奖后，再次拿到赛事更高荣誉。 “数据要素×”大赛由国家数据局牵头，中央网信办、工业和信息化部等二十余家中央部委…