AI 小学生

嵌入结果将抽象的内容转换成了多维的向量表示，虽然维度变多了，但其中的内容却变得简单了，变成了数字。而且这些向量之间的大小关系是有现实意义的，更相近的向量意味着现实生活中二者也更加相似.

使用 AI Coding 时应该想清楚产品最终的模样，尽量一次性通过详细而精确的文字将需求描述清楚。基于一个模棱两可的想法去不断修改，借助 AI 不断完善功能，似乎并不是一个很好的选择

通过嵌入将两个图片的内容是否类似，一张猫的图片和一段描述一只可爱的小猫这类抽象的问题转换为数学问题。实现嵌入之后，比较向量的相似度即可。

MCP 本身并无法提升 LLM 的能力，他不会让 LLM 变得更聪明。但是他提供了一种让应用层开发者更友好的与 LLM 进行融合的方案，MCP 自然不是 function call 的替代者 。

将来自不同模态（如文本、图像、音频、视频等）的数据映射到一个统一的向量空间的技术，不同模态的数据可以在同一个语义空间中进行比较、关联和融合，从而实现对多模态信息的联合理解和处理

文本嵌入是将文本数据转换为数值向量 。这种转换使得计算机能够以数学方式理解和处理自然语言。其核心价值在于能够捕捉文本的语义信息，将语义上相似的文本映射到向量空间中相近的位置。

尝试使用 Trae 实现一个视频转 gif 动图的前端应用，从提出需求到一步步按照 Trae 的实现效果逐步修改，感受 Trae 的能力边界

借助 Android Studio 编译时期提供的 MLModelBinding 特性，可以快速帮我们生成推理模型的模板代码，提供更高层级的 API,屏蔽数据处理的细节，简化调用流程。

学习和了解 Google 官方提供的 LiteRT 在 Android 的部署，以经典的手写数字识别模型为例，逐步了解 LiteRT 的使用方法

使用神经网络训练后的模型可以实现图像风格的迁移，比如前一阵非常火爆的吉卜力风格。本文尝试在 Android 实现 PyTorch 风格迁移模型的部署， 实现基于固定风格的迁移。

前学习和了解使用 PyTorch 实现生成对抗网络（GAN），训练一个简单的图片生成模型，并尝试在 Android 端运行该模型，在手机上直接推理生成图片。

完善基于ML Kit 的 image-labeling 组件实现了一个图片选择器场景智能分类的 demo。 自定义 Loader 获取相册信息，使用周期性任务实现图像标签的获取。

以前对图像这种媒介的聚类只能基于图片在压缩编码时携带的信息进行处理。比如拍摄时间、地点、图片格式等这种传统信息进行划分和聚类展示。但是，使用机器学习组件我们就可以获取一些原本只有人的肉眼可以识别的信息