- 实现音乐自由的本地音乐播放器、手机遥控电脑、Windows 清理
受够了音乐 App 的开屏广告、清理软件的全家桶和弹窗,自己做了几个,源码放到了 GitHub,MIT 协议,免费、无广告、不用注册账号。
━━━━━━━━━━
① 拾音 · 本地音乐播放器(Android + Windows)
━━━━━━━━━━
• 歌词自动找:先看歌曲旁边的 .lrc,再看内嵌歌词,最后在线搜,还能调快慢
• 歌名乱码自动修,「歌手 - 歌名」文件名自动识别,封面可以联网补全
• 电脑版有桌面歌词,可锁定
• 手机和电脑在同一个 Wi-Fi 下互传歌曲和歌单,输 6 位配对码就行,支持断点续传
上手难度:★☆☆☆☆ 下载安装就能用,不需要服务器
地址:github.com
━━━━━━━━━━
② 驿 · 用手机遥控 Windows 电脑
━━━━━━━━━━
• 实时看电脑屏幕:点一下是左键,双指轻点是右键,双指滚动缩放,用手机键盘打字
• 遥控面板:关机、睡眠、锁屏、音量、切歌、打开网址和常用软件,还能看 CPU 和内存
• 自动选最快的连接
• 也能用一台电脑控制另一台
上手难度:同一个 Wi-Fi 下 ★☆☆☆☆,电脑手机各装一个,输配对码;在外面远程控制 ★★★☆☆,需要自己有一台服务器搭中转,有现成程序和教程,不用编译
地址:github.com
━━━━━━━━━━
③ 简境 · 干净的 Windows 清理工具
━━━━━━━━━━
• 清浏览器缓存(不会退出登录)、临时文件、更新残留、微信缓存(不动聊天记录)
• 每一类要删什么都能先点开看,你点了清理才会动
• 磁盘地图一眼看出谁占了空间,还能找大文件、重复文件
• 卸载软件顺带清残留,驱动和系统组件会标红提醒别卸
• 管理开机启动项、隐私清理、文件粉碎
• 大部分删除 30 天内能在恢复中心找回
上手难度:★☆☆☆☆ 双击就能用,不要管理员权限,不用另外装 .NET
地址:github.com
━━━━━━━━━━
安装包都在各仓库右边的 Releases 里,程序都不会自己弹更新,想更新时在设置里手动点。
如果觉得还可以的话,请赏一颗小星星⭐,谢谢3 赞 · 12 评论
#新人报道# 别乱堆Few-shot!AI Agent示例工程的5个隐形翻车点
很多人做AI Agent,一直陷入一个误区:Few-shot就是多放几个案例。
但线上Agent不稳定、解析报错、标签漂移、识别错乱,90%的问题,都不是模型不够强,而是示例工程不规范。
真正的企业级Few-shot工程,拼的从来不是示例数量,而是格式统一、样本边界、冲突可控、顺序可控、标签均衡。今天分享5个AI Agent落地必备的Few-shot工程核心知识点。
第一,示例格式一致性是最低底线。模型会全盘模仿示例的字段顺序、空值写法、大小写、分隔符和输出格式。如果示例格式混乱、字段不统一、空值写法五花八门,哪怕指令写得再标准,模型输出也会彻底漂移,导致下游解析失败、接口报错。正规落地方式:以Schema为唯一标准,统一渲染所有示例,全程格式校验。
第二,口语化场景必须覆盖失败样本。真实业务全是口语模糊输入、缺字段、歧义指代、错别字、多意图混杂。只放标准完美示例,模型完全无法适配真实工单,极易漏识别、错分类。优质Few-shot样本库,必须包含正常案例、缺失案例、歧义案例、高风险反例。
第三,警惕标签分布偏置问题。示例的类别占比,会直接成为模型的固有先验。某类样本过多,模型会无脑偏向该标签;样本过少,直接识别失效。生产环境必须动态校正样本比例,平衡标签分布,避免分类倾斜。
第四,忽略示例顺序效应。Prompt里的示例顺序不是无关紧要,顺序本身也是规则。模型会优先学习前后样本特征,造成结果偏差。工程化做法:测试阶段随机化评估,生产环境固定顺序,保证结果稳定可复现。
第五,严格处理指令与示例冲突。当Prompt文字指令和示例不一致时,模型永远优先相信示例,不会自主取舍。所有冲突必须提前通过Schema校验、格式自检清除,杜绝规则矛盾。
真正的AI Agent Few-shot工程流程:规范Schema定义→搭建全场景样本集→统一格式渲染→多样性筛选→固定顺序编排→模型推理→结果校验+失败样本回流迭代。
Prompt不是话术游戏,是严谨的工程体系。福利:我整理了AI Agent Few-shot 工程化全套笔记,含格式规范、样本筛选标准、冲突处理方案、生产落地模板。
关注公众号【Agent工程笔记集】,回复 Agent 免费领取,持续更新AI Agent实战干货!1 赞 · 2 评论- 用最少的字,你会怎么形容当下的生活?22 赞 · 235 评论