Expected Goals vs. Actual Completion
- 每次坐下，都要測驗自己的精神層級 → 70% 完成
- 深度理解 RAG，並且實際能做出項目級別 Demo → 本來排定週六，但沒有完成
- 每天保持 3 次冥想 10 分鐘，並在 X 上打卡 → 100% finish
- 早上起床後：曬太陽行走冥想
- 午飯後：坐著冥想
- 睡前：拉伸冥想
- Take PM role → 不是這週重點，但要規劃 → 0%
Reflection on reasons for unmet goals and how to improve next time.
Obvious Stuck Points
- 工作量有下降，但還是超出預期，實際上還是沒有辦法做到 plan 的事情 (大概 80%) → 下週要很清楚的知道什麼該做、什麼不該，有確切的時間分配
- 目前我沒有一個長期計劃、實行的框架，長會導致目標中斷，或是只能在意中期目標，而無法看到長期，這個是從前到現在就有的問題，必須要解決
What can improve my work
Reflection & Improvement (Next Week’s Goals)
- Atomic habit 實踐
- 每週有明確的時間分配，每週強迫自己遵守
- 設計一個可以讓我不間斷看到長期目標，一步一步實現的框架
Insights & Takeaways
開刀後的反思
這週花了兩天在開刀，主要在解決自己長期以來的呼吸問題
也有了足足兩天時間休息和思考，絕大部分時間我都花在“得到”聽書、sourcery 上這週聽完了四本書：
- 格局 — 吳軍
- 真需求 — 梁寧
- 原子習慣 — james clear
- AGI — 劉嘉
主要有幾個深刻體悟：
- 我對世界的深度認知不足
- 我對於資訊的搜集、整理、運用，沒有一個有效的系統
- 我對於如何主動獲取資訊，依照需求建構資訊，把資訊實用並沒有一個好的框架
每個點其實是相輔相成
並沒有一個好的資訊搜集框架，所以導致自己的認知無法有長期持續的增長，大部分認知增長是非計劃內
（因為某些不可預知的事件而產生）
並沒有不好，世界大多數人也都是這樣生活著，但這樣活著其實跟隨波逐流沒什麼兩樣，努力也只是在做邊緣優化，而沒有指數型成長
這幾件事會是今年下半年我需要去提升的點
更深度認知第一性原理
Elon Musk 在 YC AI school 又再講了一次第一性原理 昨天也花了半天時間在解決一個課題上，總結他講的話和我自己實踐下來的經驗，又有了更深刻認知
第一性原理簡介：
- 識別基本假設
在面對複雜問題時，先拋開所有習慣性思考、類比或傳統「經驗法則」，找出支撐該問題的最根本前提。例如，要設計新電池，第一性原理會讓你回到材料、化學反應的最基本物理規律，而不是從已有電池的改良思路出發。 - 從底層邏輯重建
拆解後，將問題分解成若干原子化的命題，再根據這些命題的內在邏輯和已知自然法則，逐一推演、組合，形成新的解決路徑，而不侷限於現成方案。這樣可以減少路徑依賴，激發更具創新性的設計或決策。 - 與類比思維的區別
- 類比思維：借鑑、套用已有模式，優點是快速、低成本；缺點是容易陷入「大家都這麼做」的同質化陷阱。
- 第一性原理：回歸本質、從零開始，優點是能突破常規、發現全新可能；缺點是耗時、需要較深的領域知識和嚴謹推導。
Musk 火箭和 XAI 的例子就是很經典的詮釋 在做項目時候，做到一個“識別重複”的問題，要把新聞有重複的抓出來，並且標記為同一群類
一開始使用了 embeding 和 cosine similiarity 在實作，有了不錯的效果，但仍會有 1/6 的新聞無法被好好的聚類
老闆和夥伴開始因為成效不彰而推給我各種算法和 embedding 模型，於是排出時間去嘗試，想要測試出一個最好的去重算法，花了一下午做了資料集、測試算法 但最終發現，其實我並沒有把這個東西拆成最底層的要素
去重算法的基本其實是要用 AI 去識別兩者相似度，只要能超過閾值，不需要過度優化
並且我去深度實測了幾種方式，前沿的方法差距微乎其微
基本上系統完全可以用目前簡單的方式實現，之前沒有實現主要問題來自中間過程代碼在實際環境運行中帶來不確定性，而非問題本質不能解或是遠始做法需要改善
主要應該花時間在優化過程，而非底層算法
這是另一種解題思路，在解決問題，要確認“該”解決哪裡
應該要一層一層去把基本要素列出來，並且去查看是哪個不達標，針對他去做優化 而非針對既有解決方案做優化，這樣優化到點上就變成機率問題
