12345678英文名称: CAMEL: Communicative Agents for “Mind” Exploration of Large Language Model Society中文名称: CAMEL：大型语言模型社会的“心智”探索沟通代理链接: https://arxiv.org/pdf/2303.17760.pdf代码: https://github.com/camel-ai/camel 4.4K Star作者: Guohao Li（李国豪）, Hasan Abed Al Kader Hammoud, Hani Itani, Dmitrii Khizbullin, Bernard Ghanem机构: 沙特阿拉伯阿卜杜拉国王科技大学日期: 2023-03-31引用次数: 56 1 读后感 以往的工作流程主要通过人与 LLM 的交互来控制。文中作者使用一个 Agent 来取代人的计划和决策，而另一个 Agent 负责执行具体的操作。通过这两者的交互，实现复杂工具，从而把人们从繁重的工作中解脱出来。为了示范这个过程，作者开发了一个股票投资机器人。同时通过实验发现并总结了 A ...

1 StockFormer 1234567中文名称：StockFormer: 混合交易机与预测编码英文名称：StockFormer: Learning Hybrid Trading Machines with Predictive Coding作者：Siyu Gao, Yunbo Wang∗, and Xiaokang Yang机构：MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University发表时间：IJCAI-23代码：https://github.com/gsyyysg/StockFormer地址：https://www.ijcai.org/proceedings/2023/0530.pdf 2 读后感 这里采用了预测编码模型与强化学习的结合方法。三个独立的预测编码模型分别用于预测短期（1 天）和长期（5 天）的回报率，以及各股票间的动态相关性。在训练预测编码模型的过程中，可获取有价值的潜在状态，并将这些状态组合成一个状态空间，用于训练强化学习模型。 论文带来一些启发：可以将 ...

1 引言 之前，尝试做股票工具一直想做的大而全，试图抓取长期的各个维度数据，然后统计或者训练模型。想把每个细节做到完美，结果却陷入了细节之中，最后烂尾了。 最近，听到大家分享了一些关于深度学习、时序模型、强化学习在股票预测方面的新论文。但是觉得这些理论与我们的实际操作还有很大的距离。目前好像更需要的是一些具体而实用的辅助工具。 这次，尝试用 50 行代码完成一个简单的股票回测工具。输入的数据是 A 股的股票代码和时间，通过工具抓取股票数据。然后编写了策略，并使用回测工具来展示策略在数据上的具体操作和盈亏。 具体使用场景如下：当我们想采用某种策略来操作某支股票时，可以选择想要购买的股票，或者选择与之类似的股票；然后，选择一个与当前大趋势相似的时段，用历史数据来验证这个策略是否可行，以及其可能带来的盈利效果。 你不会编写策略也没关系。这里使用的 backtrader 库自 2015 年就已经开源，相关资料丰富。一般的交易策略代码，编程机器人（如 gpt4, copilot）都能根据文字描述直接编写，只需要稍作修改即可。 2 工具介绍 这里采用了两种工具，一是用于抓取 A 股股票数据的 a ...

项目地址：https://github.com/paul-gauthier/aider 编程语言：主要使用 Python Star：8.9K+ 功能：在终端中直接与 GPT-3.5/GPT-4 交互，编写或修改代码 主要优点：增加了代码生成的可控性，一次可以修改多个文件 1 编程工具 以前我们使用的辅助编辑工具多数是嵌入在 IDE 里的插件，主要提供代码段和建议。或者与 Agent 结合，实现复杂项目。相对来说比较细碎且不可控，还是主要以人为主。 另外，编程时使用大模型和问答场景一样，也存在数据问题，例如如何精准地提问、如何在有限的上下文限制下传达重要信息、如何判断哪些信息最相关，以及如何在解决问题时节约 token 等。 与问答不同之处在于，编程返回内容有更高要求，生成的程序需要可执行，并且在修改代码的场景中最好能看到代码对比效果。同时，我们还有一些工具可以辅助生成数据，例如语法检查工具，在运行的错误信息传给大模型继续修改。通过 Agent 之间的配合可以实现多步组合效果。 目前这些功能基本由本地端的编程工具控制，最好能让程序员更为可控，比如批量调用；再如简化工作流程：查 -&g ...

1 适用场景 需要多步组合、选择路径的复杂问题。 该问题可以被拆分成多个子模块，每个子模块都能清晰地定义输入、输出和功能，并能判断是否达成目标。 可能感觉有解决的方法，但不能确定具体的每一步方法。 可能存在多种组合方式，而不仅限于单一的方法，并且我们无法确定最优的解决方案。 对于单个模块而言，只需将接口描述清楚，无需过多考虑它与其他模块之间的调用关系。 2 原理 Thought->Action->Observation (Repeated many times)。 代理根据用户输入及当前状态选择一个动作，执行该动作并观察结果，然后继续下一个动作。 有了代理，就不需要手动编写 if/else 逻辑了，只需将选项提供给模型，让其进行判断。 |500 （图片来自网络） 3 langchain agent Langchain 本身提供一些工具，例如 Google 搜索、GitHub 和 Python 等。如果需要自己实现工具，则需要继承 BaseTool 类，并实现 run 方法。模型根据工具的描述调用相应的方法，并观察其返回结果。 3.1.1 类别 计划代理：通过 l ...

1 取视频中的音频 1$ ffmpeg -i xxx.mp4 -vn -acodec libmp3lame -ar 44100 -ac 2 -ab 192k xxx.mp4 2 加字幕 1$ ffmpeg -i xxx.mp4 -vf "subtitles=xxx.srt:force_style='FontName=SimSun,Bold=-1,Fontsize=8,outline=1,Shadow=0,OutlineColour=&H555555&'" -c:a copy -f mp4 xxx_out.mp4 3 换声音 1$ ffmpeg -i xx.mp4 -i xx.mp3 -c:v copy -map 0:v:0 -map 1:a:0 xxx.mp4 4 参考 ffmpeg 使用方法 ffmpeg 字幕设置

大道至简——皮肤的最高境界是你感觉不到它的存在。 自从开始使用 OB 以来，我几乎没有更换过皮肤，一直用 Blue topaz。在使用了两年半后，我终于决定换成了新的皮肤 Border，它是今年 Obsidian 官方大奖 Gems of The Year 的最佳主题。 小伙伴问我为啥，我认真想了想：并不是因为它好看，而只是因为它可以减轻我的阅读负担，让阅读和写作不那么辛苦。我有一点轻微的阅读障碍，在面对大段文字时总是当然地排斥。所以更倾向于使用工具来改善情况，觉得没有必要非得通过锻炼自己来解决问题，毕竟我也练不出来。 Blue Topaz 细致细腻，这种透明的质感女生都很喜欢。 经过多次更新，当前版本更朴素了。 实际上只使用了主色 (蓝) 和灰两种颜色，比较清新，但这也限制了它的表达能力。 主色深蓝和浅蓝之间的区别并不明显，不对比常常看不出标题层级。 Border 标题没使用彩色，标题前用不同颜色区分层级，细细一条又不突兀。 标题从大到小分别是：红橙黄绿蓝紫，符合色谱基本认知。 白底有 Word 某个版本的风格，有种久违的熟悉感，暗底不完全黑比较柔和。 使用强刺激的颜色：粗 ...

1 功能 我有一个本地服务器，想通过网络服务器端口映射的方式供其他主机连接。具体使用 SSH 端口映射的方式，并且希望在重新启动后，登录之前也能正常连接。 2 原理 定期检查 SSH 连接是否仍然正常，并在发现连接中断或不稳定时重新启动 SSH 进程。 它会创建一个额外的 " 监控端口 "（通常由 -M 选项指定），通过这个端口发送和接收数据包。如果发现数据包不能通过这个监控端口到达远程服务器，就认为连接已断开。如果不设置 -M 端口，autossh 会依赖于 SSH 本身的心跳（通过 ServerAliveInterval 等参数）来进行监控。 3 操作 3.1 配置服务 123456789101112131415161718$ vi /etc/systemd/system/autossh.service编辑如下：[Unit]Description=Autossh tunnelWants=network-online.targetAfter=network-online.target [Service]Type=simpleUser=xieyanExecStart=autossh - ...

1 使用场景 Longform 插件是 Obsidian 的一个功能强大的插件，用于帮助用户更好地管理复杂文档。它适用于写小说、长篇文档或管理复杂项目笔记等场景。 当文档很长时，一般将复杂内容都放在一个 markdown 文件中进行维护。我们常常将每个主题拆分为小文章，并在文章中相互链接。如果需要与他人分享这些文档，就比较麻烦。 在没有 Longform 插件之前，我们如何处理呢？首先，无法一次导出多个文档，只能手动合并后再导出；在维护项目时，可能需要生成索引文件，然后手动编辑这个文件以添加新文档，这也相当痛苦；文档之间的先后关系通过命名顺序（0_xx、1_xx）来调整，但如果改变顺序，则需要修改多个文件名。 2 原理 树型结构和网状结构都是比较松散的结构。无论笔记的重要性、大小还是时间顺序，对用户来说都是一样的。 而 Longform 可以看作是在树状结构和网状结构之外加入了一个“项目”的结构。每个项目包含多个文档，Longform 用以更好地组织这些文档，并提供视图、编辑、统计和导出功能。让我们能够专注于当前进行的项目，并快速切换到该项目，并管理文档之间的层次关系和先后关系。 具 ...

1 引子 前几天，AI 编程机器人 Devin 引起了热议。传言称：程序员的饭碗就要丢了。这两天，一个类似功能的产品 SWE-Agent 开源，在 SWE-Bench 上实现了与 Devin 类似的效果。下面让我们来看看 AI 程序员的具体实现方法。 2 信息 地址：https://github.com/princeton-nlp/SWE-agent 功能：修复 Github 库 Issue 中的问题。 3 原理 作者提出了：Agent-Computer Interface (ACI) 代理计算机接口。优化了 Agent 与计算机之间的衔接，使LLM 能够访问、查看、编辑和执行代码文件。 贡献如下： 添加了编辑时运行命令的 Linter，如果语法不正确，则不允许编辑命令通过。 为 Agent 提供了文件查看器，在每个回合只显示 100 行时，查看器效果最佳。作者构建的查看器支持上下文滚动，并且可以在文件中进行搜索。 为 Agent 提供了专门构建全目录字符串搜索命令，并发现以简洁的方式列出匹配项很重要。因为每次向模型展示每个匹配项反而会给模型带来更大混乱。 当命令的输出为空时， ...