和 AI 交互，让 AI 帮助自己学习，用 AI 提升学习的效率，看起来是个很自然的过程。错觉是，AI 已经帮我们更好的搜索了，但实际上并不是。没有目的和方法的和 LLM 聊天只会浪费更多时间，因为它本身会产生不可避免的幻觉（hallucination），再就是需要至少 2-3 轮的对话才能获得相对准确的答案，要考虑到 AI 交互的隐性成本 , #21 。

背后的几个关键问题是：学习的资料、信息从哪里来，这些信息和 LLM 交互的链接（Agent ，RAG），LLM 模型本身的针对性优化（fine-tuning），再就是和 LLM 交互的技巧（prompt）。 #26

汇总一下现在常用的小玩意：

学习 GitHub 仓库的代码

Code Search | Grep by Vercel,关键字正则搜索找到相关 GitHub 仓库，然后：

  • GitHub Repo to Text Converter - 在线将 GitHub 仓库内容转换为格式化文本文件，以便大型语言模型 (LLM) 使用。极大简化了仓库数据转化为 LLM 输入的过程。

    https://github.com/abinthomasonline/repo2txt , https://repo2txt.simplebasedomain.com/

  • 一个完全在本地的把代码整合成 txt 纯文字文档的工具，太好用了：https://github.com/Dicklesworthstone/your-source-to-prompt.html

  • 直接和 GitHub 仓库还有 huggingface 仓库的代码对话：https://sage.storia.ai/

  • 将任何 GitHub 存储库转换为适合LLMs的结构化文本格式，包括文件结构、项目摘要和内容。您可以使用 Python 包并在本地运行 UI，或者将任何 GitHub URL 中的“hub”替换为“ingest”，或者仅使用网站 gitingest.com。

    GitHub：https://github.com/cyclotruc/gitingest

搜索

在各自的搜索基础url后面加上search?q=%s添加到浏览器的搜索快捷键就OK了