txt_world_domination
V1.0 Wise Books
다차원 분류 분류를위한 확장 기능을 갖춘 마크 다운을 기반으로 서버리스 CMS ( 평범한 텍스트 !!! )를 기반으로 주제 (축) 및 하위 주제 (좌표)를 기반으로 컨텐츠를 탐색 할 수 있습니다.
이 프로젝트는 "Long Life"(년 또는 수십 년) 문서 관리를위한 사용하기 쉬운 도구를 제공하는 것을 목표로합니다.
연구 (PhD) 작업, 복잡한 소프트웨어 문서, 복잡한 절차, 책 쓰기, "산업"웹 페이지를 안전하게 저장하고 분류하는 것이 좋습니다. 참을성이없는 몇 가지 예 :
컨텐츠는 단지 일반 텍스트 (vs 이상한 이진 데이터베이스 형식)이므로 "한 가지 작업을 수행하고 올바르게 수행하십시오"에 따라 많은 도구가 재사용 될 수 있음을 의미합니다. 유닉스 철학.
다음 기능은 무료로 제공됩니다.
┌──────────────────────────────────────────────────────────────┐
├─ CONVENTIONAL CMS (CONFLUENCE, SHAREPOINT, ...) ────────────┤
├──────────────────────────────────────────────────────────────┤
│ │
│1) Central CMS Server 2) "Fool" Browser │
│ ────────────────── ────────────────│
│ DDBB <··· network···> Render conent │
│ Single place of failure │
│ (single place of attack) │
│ Binary format │
│ Server/CMS/Network Admins │
│ │
├──────────────────────────────────────────────────────────────┤
├─ STATIC SITE GENERATOR (NEXT, ...) ─────────────────────────┤
├──────────────────────────────────────────────────────────────┤
│ │
│1) "Source" Content 3) Web Server │
│ ───────────────── ┌····> ──────────── ···┐ │
│ (git versioned, p2p · Publish · │
│ distributed) · "compiled" html · │
│ · · · │
│ · · · │
│ · · v │
│ · 2) Compile 4)"Fool" Browser │
│ └─····> ───────────────── ────────────── │
│ Generates HTML Render content │
│ in opinionated ways │
│ using "complex" tooling │
│ (npm, transpilers, modules, │
│ packagers, ...) │
│ │
├──────────────────────────────────────────────────────────────┤
├─ TXT WORLD DOMINATION PROJECT ──────────────────────────────┤
├──────────────────────────────────────────────────────────────┤
│ │
│1) "Source" Content 2) "Inteligent" Browser │
│ ───────────────────────── ··> ─────────────────────────── │
│ markdown+topic.sub. tags Fetch local/remote "payload"│
│ (git versioned, p2p Processes it. Generate │
│ distributed) HTML, taxonomy, indexes, │
│ · extensions, ... │
│ · │
│ ├─·· or ··········>2) Printer │
│ · ─────────────────────────── │
│ · Print to paper │
│ · (extensions ignored) │
│ · │
│ ├─·· or ··········>2) LLM Learning Algorithm │
│ · ─────────────────────────── │
│ · - LLM training algorithm. │
│ · topics/subtopics provide │
│ · (huge) dimensionality │
│ · reduction!!! │
│ · │
│ ├─·· or ···········>2) JAVA/Rust/Python/... IDE │
│ · ─────────────────────────── │
│ · Improve source code │
│ · navigation based on │
│ · topics.subtopics concerns │
│ · like UI, QA, security, .... │
│ · │
│ ├─·· or ···········>2) (Fill with new ideas and │
│ · use-cases) │
└──────────────────────────────────────────────────────────────┘
텍스트 파일의 세트 또는 서브 세트 (Markdown, 소스 코드)는 "페이로드"목록을 통해 단일 "큰"최종 가상 파일로 그룹화 할 수 있습니다. 목록은 최종 Markdown 문서를 작성하기 위해 각각의 새로운 줄에 Markdown 파일 목록을 연결하는 일반적인 txt 파일입니다. 예:
full_book.payload security_book.payload frontend_book.payload
----------------- --------------------- ---------------------
./introduction.md ./chapter4.md ./chapter1.md
./chapter1.md ./chapter5.md ./chapter2.md
./chapter2.md ./chapter9.md ./chapter9.md
./chapter3.md
./chapter4.md
./chapter5.md
./chapter6.md
./chapter7.md
./chapter8.md
./chapter9.md
이 프로젝트가 실제 세계 문서를 문서화하는 데 사용되는 방법에 대한 몇 가지 예 :
기계 학습과 대형 언어 모델 시대에 메모를하는 이유는 무엇입니까?
간단히 말해. 그들은 서로를 보완합니다.
AI는 제한된 (예 : 작은 작은) 컨텍스트, 예를 들어 기본 프로그래밍 작업 또는 잘 정의 된 세트 및 작업 (대수 문제, 체스와 같은 문제 등)을 갖춘 (기본적으로 기본적이지 않은) 수학과 같은 작업에 적용될 때 "미세"작동합니다.
나는 소프트웨어 개발 세계에서 일합니다. 내 경험을 요약하겠습니다.
다른 한편으로, 전문가들로부터 메모를 할 때 경쟁 제품을 태그하고, 장단기/단점을 강조하고, 치트 시트를 가져 가고, 사용 사례로 주석을 달고, 보류되는 기능, 그와 같은 것들을 할 수 있습니다.
불완전한 콘텐츠가 "이해하기"시작하도록 몇 가지 "정보"를 가져와 이전 메모 (4 년 전에 작성)를 완료 할 수 있습니다. 마지막으로 훨씬 더 현명한 결정을 내릴 수 있습니다.
고급 프롬프트 엔지니어링을 통해 AI를 합리적으로 반환하는 것이 가능합니다. 그러나 고급 프롬프트 엔지니어링은 메모를 복용하고 분류하는 데 더 어렵고 시간이 많이 걸립니다 . 사실, 나는 잘 정의되고 안정적인 분류법을 만드는 메모를 취하고 분류하는 것이 "고급"프롬프트 엔지니어링의 "필수" 라고 말할 것입니다.
우리는 LLM 봇에게 작업을 해결하는 것에 대해 물어볼 수 있으며 여러 번 작동합니다. 몇 가지 질문이 발생합니다.
우리는 LLM을 요구하고 있습니다. 왜냐하면 우리는 솔루션을 먼저 무시하기 때문에 대체 솔루션을 무시하고 아마도 다른 많은 것들을 무시할 것입니다 ( 알 수없는 미지의 위험을 기억하십시오). 관련 작업 및 유사한 문제에 대한 관련 대안에 대한 메모를받는 경우 이제 프롬프트에 그러한 정보를 추가 할 수 있으며 "직교"측면 (QA, 보안, 참조, 최상의 패턴 등을 채우는 것을 고려할 수도 있습니다. 이런 식으로 우리는 LLM이 문제 차원을 줄이는 데 도움이되며 프롬프트는 훨씬 더 효율적인 프롬프트가 될 것입니다.
말할 것도없이, LLM은 주제와 하위 주제를 제안함으로써 분류법을 설계하는 데 도움이 될 수 있습니다. 그런 의미에서 두 시스템은 무한 루프로 서로를 공급할 수 있습니다. 좋아요?
