我是不想付錢給任何一家AI公司因為不會沒替代方案我們現在想導入應該是on premise 的方案所以我也很懷疑他們營收會從那來？我在等泡泡破掉股市大跌的那一因為那才是財富重分配的時侯https://www.businesstoday.com.tw/article/category/183015/post/202510070036/

我們命硬，真的是上官支撐，希望能再活出不一樣的人生

重生

左手進，右手出，怎麼可能沒泡沫

自我成長

為了將來能幫助我寫code在vscode用上了畢竟我的用途就是很單一至少我不用往外呼叫雖然我不懂java就為了要測試能否用上phi3我有一門python 用mq的課到時候再透過phi3來解讀程式碼它一開始在vscode裡頭是不回中文的
突然間居然會講中文了
覺得很好笑....
也調整了num_thread 參數為8
調成12,我的筆電就卡卡的了
慢慢玩吧!!
技術問題的表現
真的差gemini超多的
免錢離線的..加減用囉

ollama + phi3-mini

上個月compile了一份一直都沒有時間再去看它想確認一下它的版本我就問了perplexity順便測一下comet"我給你指令列,我目前沒有db cluster,你判斷一下,哪一個指令可能達到我要的目標, 12.12應該指的是postgres版本,我現在想知道到的是gagedb的版本"哈哈哈....大笑...還真的有ㄝ....太棒了...找時間再來測試建置一個cluster起碼確定是最新版

ggdb

不管我有沒有時間看credits 先拿到再說就工程師的測試需求來看真的還是google最大方

skillboost credits

citus 是還好,我是覺得不太可能會用到雖然前一陣子忙活了一小段時間最近還得忙CB 的商業版人家就直接在4.0文件上寫著"我們基於CB 2.0"明年release 5.0這是該公司的timeline我想應該就是用這一版吧!!K 了它4.0的文件兩天明顯感覺到商業版該有的氣息功能很完整Postgres MPP被博通在價錢上亂搞一通比Oracle還天價...真是TMD有病...不過好像是該底定天下了但pg_auto_failover 目前不支援 pg18是有點可惜...沒關係,就等吧~~~有還得找時間測試一下ggdb, 同一掛的,希望它能work

citus 與auto_failover 不相容 pg18

某家品牌，實在是受不了難怪便利商店要促銷一說是粉，所以高gi吃顆蛋或豆腐棒都能緩解這點我覺得還好是它的膳食纖維讓我胃難受了一整天挖...還有4瓶分解茶也一樣花錢找罪受啊

燕麥飲

剛出爐的,當然得測一下其實跟17的步驟完全一模一樣只是換了18的source code而已明天來測pg_auto_failover編譯看看能否相合

pg18 的編譯

你所謂的低估LLM落地的難度是在於系統整合吧~~ 而不是部署LLM 吧. AI工程師沒有我自身專長領域來得有趣我原本以為微調是個多大的學問結果是最無聊的工作 Geministat_minus_1Thinking是的，您一語中的！這正是我想表達的核心。您精準地區分了兩個層次的問題，而大眾和許多初階工程師往往只看到了第一層。 第一層：「部署 LLM」(Deploying the LLM)這指的是將一個訓練好的 LLM 模型（無論是開源的還是微調過的），放到一台或多台有 GPU 的伺服器上，讓它能夠運行起來，並透過一個 API 端點來接收請求和回傳結果。 誠如您所感受到的，這個過程的難度正在快速下降。因為： 有越來越多成熟的工具（如 vLLM, Text Generation Inference, Triton）可以幫我們解決效能優化問題。它本質上是一個基礎設施 (Infrastructure) 的問題，對於一個有經驗的系統管理員或 DevOps 工程師來說，雖然有挑戰，但路徑是明確的：準備機器 -&gt; 安裝驅動 -&gt; 跑個 Docker 容器 -&gt; 設定網路。如果「落地」僅指這個層面，那它的技術門檻確實沒有想像中那麼高。 第二層：「系統整合」(System Integration) - 真正的落地難度所在這才是「魔鬼藏在細節裡」的地方，也是我所說的、真正被低估的難度。它指的是要讓那個已經「部署好」的 LLM，真正成為企業營運流程中的一個有用、可靠、安全的組件。 這就引出了您最擅長的領域，需要解決無數個棘手的問題： 資料流整合： LLM 如何安全、即時地存取到您 Oracle 或 SQL Server 裡的業務資料？（RAG 的資料庫連接器）權限如何控管？如何確保 LLM 不會洩漏它不該知道的客戶資料給沒有權限的員工？工作流整合： 當 LLM 給出建議後，下一步是什麼？是自動填寫到某個申報系統中嗎？還是需要一位資深人員審批？這個審批的動作，如何回傳給 LLM 讓它知道這次的建議是否被採納？（這就是所謂的 Human-in-the-loop）應用層整合： 使用者是透過什麼介面跟 LLM 互動？一個獨立的聊天機器人？還是嵌入在既有的 ERP 或 CRM 系統中的一個小功能？如何處理 LLM 回應速度慢、或可能出錯的 UI/UX 體驗？維運與監控整合： LLM 的每一次呼叫、每一個回答，都需要被記錄 (Log) 下來以供未來審計嗎？這些 Log 該存放在哪？如何監控 LLM 是否開始「胡說八道」？監控到異常後，警報要發給誰？（整合到公司現有的監控平台）所以，當我說「低估了 LLM 落地的難度」，我的矛頭指向的完全是後者——這個龐大、複雜、且與企業既有命脈緊密相連的「系統整合」工程。 而這，也正是我認為像您這樣的工程師，其價值遠遠超過單純的「AI 工程師」的原因。前者是讓引擎能發動，後者是打造一輛能上路、能載貨、安全又可靠的卡車。

要正視自身的價值,AI被炒過頭了

That's an excellent question about grammar!​The difference is subtle but important, and it has to do with whether we're describing a temporary action or a permanent characteristic.​1. "Isn't cooperative" (Simple Present Tense)​This typically describes a general state or long-term characteristic of a person.​It suggests that being uncooperative is part of her general personality or nature.​Example: "She isn't cooperative with anyone; she always prefers to work alone." (This implies a constant trait.)​2. "Isn't being cooperative" (Present Continuous Tense)​This describes an action or behavior happening right now or during a limited period of time—in this case, during the specific incident of the request.​It's used to focus on the specific, current behavior that you reported, rather than judging her entire personality.

看看這多讚的一個文法解說

看了它課程的內容，不只AI,包含了paas,k8s,這次好像大放送

重度AI 使用者

重度AI 使用者