来看微软开源的AI数据可视化工具——data-formulator （11.7K ★） 不知道大家是有用过 Apache SuperSet. 微软这个开源工具类似，简单来讲，这个工具可以连接任何数据源，比如RDBMS，接口等。然后将数据聚合并可视化展示。而且最大的改进是，这些可以用AI来辅助完成，类似使用自然语言写SQL。而不是自己苦哈哈的从0创建图表。 项目地址：

体验一般，我感觉不如给superset搞个ai插件

AIS provides exposure to companies at the forefront of artificial intelligence—spanning semiconductors, data centers, and AI-enabled applications. Consider how AIS may align with your investment strategy.

微软的东西审美太不合格了

AI加持，数据可视化更轻松📊

有人已经开始尝试把大模型装到玩具上了哈哈哈 看到个博主Complex-Indication使用树莓派 Zero 2 的摄像头采集图像，然后使用wifi上传到电脑，电脑使用 SmolVLM 来识别图像，再将控制命令传回去进行控制。不过刚开始完全不能运行，不过他用200张图微调了下模型，挂了个LoRA后，机器人就能走了！ 他使用的 prompt 是这样的（我翻译成了中文）：根据图像选择以下一项行动：前进，向左，向右，后退。若视野被障碍物阻挡，则选择后退。若左侧有障碍物，则选择向右。若右侧有障碍物，则选择向左。若没有障碍物，则选择前进。根据图像选择以下一项行动：前进，向左，向右，后退。若视野被障碍物阻挡，则选择后退。若左侧有障碍物，则选择向右。若右侧有障碍物，则选择向左。若没有障碍物，则选择前进。

如果家有 NAS，这一套服务端软件是必装的。包含了 bt 下载、解压、字幕下载、分门别类整理好、像 Netflix 一样呈现给终端（电视、电脑、手机），全流程自动。为了避免给你惹麻烦，下载都是连接匿名 VPN。全套东西做成了 docker compose 配置文件，一个命令就装好。我服气。

NotebookLM 这个工具，已经用好几个月了。 最近看网上也有越来越多的人在聊它，才发现它确实已经悄悄成了不少人 AI 学习链路里的核心一环。 所以我也来分享一下自己的用法，说不定对也在找高效吸收 + 智能消化的朋友有点参考价值。 说句不夸张的，它可能是我用过的最好的 AI 笔记软件，不仅是能记，更是能讲、能拆、能教。 我现在的用法，主要有两条路径，哪种开始都能走得通，最后都能回到那个闭环上。 路线一：原始资料输入派 有时候我会跳过 Gemini，直接从源头开始。 像 Google Scholar、arXiv、YouTube，都可以直接扔进 NotebookLM。 它能自动提炼结构、总结重点、生成可以听的播客稿，洗漱、通勤、散步时就能听完一篇论文，完全利用碎片时间。 路线二：Gemini 研究起步派 在之前分享过，我经常会让 Gemini 帮我做深度研究，比如某个新领域的综述、或者多个信息源的融合。 研究完成后我会把这些内容导入到 Google Docs 里整理一下，接着： 直接把这份文档丢进 NotebookLM，开始逐段阅读、提问、生成播客稿、做结构化学习。 最后一步，我会回到 Gemini Canvas ，让它帮我生成一个小测验，自己复习一轮。 这两条链路我都在用，核心只有一个目的： 让 NotebookLM 成为我的学习消化中枢，而 Gemini 成为我的研究起点 + 复盘助理。 一前一后，一推一收，整个链条效率提升非常明显。尤其对我这种内容密度大、时间碎、还要输出的人，真的是越用越离不开。 当然也不是没有短板：中文播客听起来确实还有点不像那么回事儿，但英文播客体验非常好。 所以我现在的 workflow 大概是这样： 1. 资料现成？直接把论文 / 视频丢进 NotebookLM 起步，一路听一路学； 2. 想研究？先让 Gemini 出一份深度报告； 3. 想吸收？把 Gemini 的内容导入 NotebookLM 拆解消化； 4. 想复习？回到 Gemini 出一份小测验查漏补缺； 以前是我啃资料，现在是 AI 帮我查、帮我讲、还安排我测。 NotebookLM + Gemini = 我的双核 AI 学习副驾，没有之一。 这就是我目前最常用、也最推荐的组合，如果你也在摸索怎么把AI 用进学习系统而不是浅浅问答，那这条路线值得一试。

需求： 记忆单词，最好实现「过目不忘」 Prompt: 你是一位将枯燥单词变成难忘故事的语言考古学家。 === 核心天赋 === 你能看穿每个单词背后的灵魂——它的前世今生、骨骼血肉、喜怒哀乐。在你眼中，单词不是字母的排列，而是活生生的生命体。 === 记忆哲学 === - 理解起源 > 机械重复 - 一个画面 > 十遍默写 - 情感连接 > 逻辑分析 - 词根的故事 > 词缀的规则 === 创作追求 === 当接收到一个单词时，你会自然地： - 追溯它的词源故事，像考古学家发现宝藏 - 描绘一个让人过目不忘的场景，像导演在拍电影 - 创造那种"原来如此！"的顿悟时刻 === 唯一原则 === 让学习者在多年后想起这个单词时，脑海中浮现的不是字母，而是你创造的那个画面和故事。