PS:应该是分享的界面应用选择器是知乎自行编写的，而安卓的分享api可以选择注册回调，同样也可以获取目标应用，但是这是只有分享成

PS:应该是分享的界面应用选择器是知乎自行编写的，而安卓的分享api可以选择注册回调，同样也可以获取目标应用，但是这是只有分享成功后才有的，做不到中途拼接。而知乎这种分享链接则能有效保证数据库存储的关联信息中，确定分享点击来源基本都为同一场景。 也就是说，任何应用分享都会有风险，请注意

网站115资源分享网站功能：115网盘资源分享

网站115资源分享 网站功能：115网盘资源分享 网站简介：一个115网盘的资源分享工具。按影视资源、音乐、综艺等多个类别进行分类，资源很多很大，当然115网盘存储空间也很大。 网站链接：点击打开 频道 群聊 投稿 商务

苹果公司上线开发者专属YouTube账户 用于分享WWDC 2024视频

苹果公司上线开发者专属YouTube账户 用于分享WWDC 2024视频 视频按主题编排成播放列表，便于查找App Store、Swift、空间计算、Safari 等方面的内容。在 WWDC 2024 的公告中，苹果表示开发者可以在整个一周内在 YouTube 上体验 WWDC24，并提到了新的 YouTube 频道。苹果还计划在开发者网站和苹果开发者应用上分享内容。上传到 YouTube 的视频将包括苹果就最新软件更新举行的所有不同视频会议。WWDC 2024 将于 6 月 10 日星期一拉开帷幕，我们期待看到iOS 18、iPadOS 18、macOS 15 等。 ... PC版： 手机版：

ℹLINE 应用小技巧： LINE 分享连结网站缩图标题错误、无法显示？用这工具可强制更新修正#Shengti

ℹLINE 应用小技巧： LINE 分享连结网站缩图标题错误、无法显示？用这工具可强制更新修正#Shengti 当我们在 LINE 与好友聊天时，也经常分享一些有趣的内容。当 LINE 用户将网址贴上并传送出去后，连结下方会一并显示该页面的标题、描述...

LIHAI 分享

一个分享频道，进频道先看置顶，不定时不定量更新，希望推送内容对你能有帮助 有问题或投稿找资源私聊 bot @lihaibaBot 助力： https://t.me/boost/lihba LIHAI的收藏夹 @lih GitHub的存档 @iGitHub Aliyun优质资源分享存档 @iAliyun 转载原档请注明出处 @lihba 频道资源均收集于网上各大博客论坛资源网站等，对资源源以及真实性一概不知，如不慎对您的权利造成了伤害，请立即与我们 BOT 联系进行处理

最近拜读了去年火热的斯坦福AI小镇文章的作者Joon Sung Park的两篇文章，分别是22年的Social Simulacr

最近拜读了去年火热的斯坦福AI小镇文章的作者Joon Sung Park的两篇文章，分别是22年的Social Simulacra和23年的Generative Agents（斯坦福AI小镇本文）。两篇都发在交互顶会UIST上（后者得了best paper） 比起Generative agents，22年发表的Social Simulacra聚焦于一个更小的领域- 交互设计原型（prototyping）。具体的思路是：交互原型设计师常常需要了解一个设计的效果，目前的常用做法是招募少量的真人做用户调查。 然而，现实情况下，少量用户的反馈往往并不能体现出这个设计的实际效果，或者使用的潜在隐患。这是因为“用户的行为会彼此影响”。 作者在这里举了“反社会行为”作为例子，比如说，一个人在使用社交媒体时，可能只会根据自己的信息发表观点，但是当很多人都参与讨论时，就会带来煽动性言论（inflammatory comments）或者钓鱼引战（trolling）等现象。这样的问题在小规模的用户测试中是无法被检测到的。 为了在“设计阶段”就能了解到大规模用户可能涌现的群体行为，有一种特定的方法叫做social computing system。这个方法可以看作代理人基模型（agent-based model）在设计学中的应用。尽管代理人基模型在其他学科里已经有很广泛的应用了，但是在设计和用户体验方面的探索还很少，这是本研究的一个创新点。 这篇文章的另一个亮点在于，使用了大语言模型（llm）：首先，设计师把自己的设计意图输入给语言模型，然后语言模型生成一系列的用户行为（比如发帖/回复）。基于大量社交媒体数据训练的GPT3，已经足够生成各种积极或者消极的回复，其中也包含作者关注的反社会行为。 最后，作者通过用户实验＋一个类似于图灵实验的方式来说明这个方法的有效性：让用户区分真实的用户行为，和使用Social Simulacra生成的用户行为。结果显示，用户在超过40%的数据上都无法判断这是真人还是生成数据，这说明了Social Simulacra在模拟真实用户的表现上效果很好。 阅读22年的Social Simulacra一文，可以看到很多Generative agents的影子：二者都使用了大语言模型（GPT3和GPT3.5），二者都尝试用llm去模拟人（一种是社交媒体行为，一种是生活行为），二者都考虑到了人类互相影响所带来的1+1＞2的集体效应，并尝试用技术的方法去模拟这种人类群体效应。 两句话总结体会：1. 阅读Social Simulacra对于理解Generative Agents的想法有很大的帮助，两者结合更可以体现作者思考的连贯性。2. 此外，作者对前沿技术的敏感也让人惊讶。想到这篇文章要在22年3月投稿，而gpt3在20年6月才首次发布beta版本。要在很短的时间内把一项尚不成熟的技术用于解决跨学科问题，作者的技术嗅觉真是很准确也很超强啊。