@DOLLOR 从语义上说，let 没有一定是常量的意思，它的本意是"让"，但是 constant 关键字定义其含义更准确，就是常量了。

我玩过 basic, Fortran, pascal, c, asm, FORTH, js, coffeescript, lisp, java, scala, go, rust 也玩，但不喜欢,我更喜欢 zig 一点。

@w568w 错了，js 最早根本没有 let,只有 var ，这意义也很明确。let 是后来出现的，为了表示其的生命域与 var 不同而出现的。不过现在 js 已经被 ECMAScript 标准弄的一团糟，感觉是一群搞 java 的人在瞎弄。实际上，有一段时间，在 js 中使用 const 性能反而比 let 更低，不过我没关注，因为我以为区分 const 和变量是好事，另外选择 js 本身就是需要它的高度动态可扩展的特性，而非关注它的性能，尽管 v8 的优化很给力。

@InkStone 这是你以为,变量就变量，常量就常量，而语言内部是否以 immutable 为主，那应该是语言特性，而不是开发者操心的，只不过如果开发者在 immutable 为主的语言中滥用变量，受到的惩罚会加重。

从未来 AI 层面来说，AI 的语料来自人类，因此哪一门语言的表达更贴近原始人类的语义，更类似自然语言的，将有更大的优势：也就是说你不需要去看专门的语法书，你只看代码就能读懂，AI 理解会更好。同时这门语言的对人来说学习门槛更低，或者说几乎不用学习。

而且 MoonBit 还丑在大量使用缩写: fn, pub 。如果这是一门汇编语言，那也就算了。

这是专业知识问题，需要外挂专业专家知识库，掌握这些知识一般人都容易会被误导，更别说 AI.一旦涉及到深入，都需要各行业的专家的支持，互联网的信息最多趋同的，往往并不准确。

比如 js,现在你问 AI,JS 的 ES6 的 class 是增强了 js 的特性，还是削弱了 js 的特性？大都会认为是增强而不是削弱。

不喜欢它的语法，特别是把 let 当常量。 估计只有被 rust 训过后的才能适应，但是搞 rust 的可以直接 wasm.

@mark2025 这个是预留和 quotas 相关。

@uprit 人家是学习，cpu 足够了，微调个 7b int qlora 。真要训练，那不得上服务集群。

@ltaoo1o 是的，需要机器支持。gem12pro 有接口

如果个人实验，现在的纯 cpu(最好 amd ） 可以跑 70b 4int 量化用 llamacpp ，不过很慢，但能忍。30b 以下很快。
这时限制在内存，内存尽可能要大，内存至少要 32G, 最好 64G ， 然后支持 Oculink 接口，外接显卡。这样的 miniPC 机器 我配了一台 天呗 gem12pro 2400 + 4t ssd + 64g DDR5 大概 5k 左右

还有这个 https://ml5js.org/

@ryd994 崩溃后，已经没用 zfs 了，当时我主用 zfs ，连 root 和 boot 分区都是 zfs, 导致挂了后不能启动，一直卡在 scrub.

另外，现在想来，zfs 最好还是要经常 cron scrub 。我的 ZFS 系统当时已经稳定工作很长的一段的时间(大概 3 年)，一直到仓库快满了，才出现的问题。

对桌面 PC 来说，是的，compression 不是问题。但是基于应用级的压缩无法做到压缩后的数据在整个盘中只保存一份，而 dedup 能做到。

自从 zfs 挂了，我现在用的就是支持 bbu cache 的 raid 卡，当时买成 900 多，带超级电容,1G RAM ，现在只要 400 多（不带超级电容）。raid 上是纯机械硬盘，放需要安全保存的数据； ssd 只放 boot 分区，以及需要加速的应用和数据。

@ryd994 就因为 zfs 有 dedup 才用的，省硬盘。如果不用的话，为啥不直接 mdadm,组软 raid ，后期直接上 raid 卡也成。

取决于你想干啥，比如,🙆‍♀️也许想这么干：

翻译家.ai.yaml

---
input: ['lang', 'text']
output: {type: 'object', properties: {target_text: {type: string}}}
parameters:
temperature: 0
---
system: 你是全球最棒的多语言翻译家。
user: 请直接把接下来的文字翻译为{{lang}}："{{text}}"
assistant: [[AI]]
-> json(output)


nodejs 调用：

import {AIScript} from '@...'
const result = await AIScript.execFile('翻译家.ai.yaml', {text: 'here is text', lang: '中文'})
// result: {target_text: '这是文本'}

我的一点使用 ZFS 的❄️的教训:

1. 必须至少上 RegRAM,还有就是尽可能多的 RAM,至少要满足最小值，具体计算我忘记了，根据你组的磁盘总大小计算，尤其是你启用了 deduplication, 它严重依赖 RAM ，如果 RAM 有错误，写入就会错误！
2. 当 ZFS 快写满了，如果这时候仓库错误，恢复几乎不太可能，折腾几天，几乎进度不动。我的数据...

Good ，推荐基于这个弄： https://github.com/apify/crawlee easily Extract data for AI, LLMs. Works with Puppeteer, Playwright, Cheerio, JSDOM, and raw HTTP. Both headful and headless mode. 并添加了自己的反屏蔽功能和类人指纹。

这个要单独分几块弄

1. 建立 UI 自动化脚本规范,要简单易懂，能很自然扩展到桌面应用，采用类自然语言，使得 LLM 更好理解
2. 开发 UI 自动化脚本引擎库
3. 设计 PPE 可编程提示词工程(引擎)，目的是规范化提示词,使 AI 提示任务工程化，简单化，打通代码和 LLM 之间的 gap ，这个我在弄，目前部分开源： https://github.com/offline-ai/cli 目前进展是实现了类自然语言的结构化聊天消息，只实现了 js 可以像调普通函数一样调用 llm 提示词任务， 反过来 llm 提示词也可以调用任意 js 或其他 PPE. PPE 支持继承,import,export. 还没作广泛宣传，自我感觉完成度不高，仅在 Linux 上开发测试。有一两个应用例子. 提示词这块坑多，模型规模越小，坑越多。大模型也有坑，所以想通过规范化提示词避坑。
4. 引入 UI 自动化脚本引擎库，让 LLM 调用.

VertX 太底层！不过，如果你正在寻找一个能够快速开发高性能 Web 应用的框架，那 Play Framework 是一个极佳的选择。它支持 Java 和 Scala ，好像是从 3.0 开始用 scala 重写底层的，采用异步模型处理请求，非常适合构建高并发的应用。内置热部署功能让你在开发时可以即时看到代码改动的效果，极大地提高了开发效率。同时，简洁的路由配置、强大的表单处理机制和内置模板引擎都使得开发变得更加直观和高效。对于想要构建 RESTful API 的开发者来说，Play 提供了流畅的支持和工具。

sbt new playframework/play-java-seed.g8

供参考：DIY 自己的开源 NAS https://riceball.me/article/diy-cloud-computing-2/

应该是太贵，本地离线 llm 高端 pc 才带得动，小设备没戏。如果只是 online.所有的现在的伪智能音箱厂家只要后端改下服务接口就可以做到，只是服务而已，随时可以切换，也可以随时跑路，比如京东智能音箱

还是 Git 操作要有规范，这个彼此合并，左右互搏，啧啧，建议使用 Git flow 规范，有 git 插件支持： https://danielkummer.github.io/git-flow-cheatsheet/index.zh_CN.html