Merge pull request #8 from genffy/master

.gitignore

@@ -1,6 +1,6 @@
 book
 .idea
-
+.DS_Store
 
 # Added by cargo
 

src/dsl-driven-development.md

@@ -102,7 +102,7 @@ function messageToThought (splitContent: string[]) {
 - 可扩展性：内部DSL可以利用宿主编程语言的灵活性和可扩展性进行自定义和扩展。开发人员可以使用宿主语言的特性来定义新的DSL构造，增加DSL的表达能力和领域特定性。
 
 以Kotlin语言为例，它提供了强大的内部DSL支持。我们可以利用Kotlin的语法和特性来创建具有领域特定性的DSL，并将其嵌入到Kotlin代码中。
-详细可以参考：https://kotlinlang.org/docs/type-safe-builders.html
+详细可以参考：[https://kotlinlang.org/docs/type-safe-builders.html](https://kotlinlang.org/docs/type-safe-builders.html)
 
 ### 简单示例
 

src/finetune-llm-ops.md

@@ -86,7 +86,7 @@ markdown 作为数据，但是从经常性输出 markdown 的结构和 ChatGPT 
 在训练之前，我们需要准备一些数据，对于现有的 LLM，我们通常采用如下的：instruction、input、output 的结构方式，并由人或者现有的
 AI API 来辅导我们进行数据准备。
 
-出自《**A Survey of Large Language Models》**
+出自《**[A Survey of Large Language Models](https://arxiv.org/abs/2303.18223)**》
 
 在进行 MVP 阶段数据处理时，可以考虑多种方式结合：
 
@@ -148,6 +148,6 @@ Intellij IDEA 自带的 InlayModel，可以支持：Inline，AfterLine，Block 
 参考资料：
 
 * 《**CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis**》
-* 《**Evaluating Large Language Models Trained on Code》**
-* 《**A Survey of Large Language Models》**
+* 《**Evaluating Large Language Models Trained on Code**》
+* 《**[A Survey of Large Language Models](https://arxiv.org/abs/2303.18223)**》
 

src/finetune-setup.md

@@ -7,8 +7,7 @@ Adaptation of LLM，即插件式的微调）训练。
 训练。 在花费了上千元（成本主要在 OpenAI API 调用和云 GPU —— 感谢 **AIOS club** 和 **OpenBayes 赞助**）
 的云费用之后，我们训练了 3 个 Lora：详细需求（用户故事）生成（**3k 数据**）、测试代码生成（**8k 数据**）、代码生成（**20k 数据**）。
 
-仅就结论来说：LoRA 毫无疑问可以满足大部分的需求，特别是可以解决跨部门的数据共享问题。但是，考虑到数据的 **
-GIGO（垃圾进，垃圾出）**的基本现象，**如何构建高质量的数据是一大挑战？**
+仅就结论来说：LoRA 毫无疑问可以满足大部分的需求，特别是可以解决跨部门的数据共享问题。但是，考虑到数据的 **GIGO（垃圾进，垃圾出）** 的基本现象，**如何构建高质量的数据是一大挑战？**
 
 ## Instruction 的设计
 

src/future-realtime-software-generation.md

@@ -6,7 +6,7 @@
 
 ### 引子
 
-从 2019 年，写了那篇《[无代码编程](**[https://zhuanlan.zhihu.com/p/61288928](https://zhuanlan.zhihu.com/p/61288928))》开始，我也一直在思考，诸如于 [2021 年]([https://www.phodal.com/blog/frontend-strategy-2021/](https://www.phodal.com/blog/frontend-strategy-2021/)) 和 [2022 年]([https://www.phodal.com/blog/frontend-strategy-2023/](https://www.phodal.com/blog/frontend-strategy-2023/)) 的前端趋势总结。
+从 2019 年，写了那篇《[无代码编程]([https://zhuanlan.zhihu.com/p/61288928](https://zhuanlan.zhihu.com/p/61288928))》开始，我也一直在思考，诸如于 [2021 年]([https://www.phodal.com/blog/frontend-strategy-2021/](https://www.phodal.com/blog/frontend-strategy-2021/)) 和 [2022 年]([https://www.phodal.com/blog/frontend-strategy-2023/](https://www.phodal.com/blog/frontend-strategy-2023/)) 的前端趋势总结。
 
 先前，我并不看好当前的低代码/无代码方案，先我们来思考一下这个过程：
 

src/future-unit-mesh.md

@@ -2,7 +2,7 @@
 
 > Unit Mesh 是一种基于人工智能生成的分布式架构，与传统的分布式架构不同，Unit Mesh 中的服务单元 (Unit) 是由 AI 生成的，应用程序中的服务和数据抽象为一个个独立的单元，并通过统一的控制平面进行管理和部署。
 
-之所以叫 Unit Mesh，是因为我们写了一个底层服务叫 [Unit Runtime](https://github.com/prompt-engineering/unit-runtime) ，还有参考了 Service Mesh 和 Data Mesh 架构理念，所以 AI 取建议我们叫 \***\*Unit Mesh\*\*** 。
+之所以叫 Unit Mesh，是因为我们写了一个底层服务叫 [Unit Runtime](https://github.com/prompt-engineering/unit-runtime) ，还有参考了 Service Mesh 和 Data Mesh 架构理念，所以 AI 取建议我们叫 **Unit Mesh** 。
 
 ### TLDR 版本
 

src/llm-arch-github-copilot.md

@@ -7,8 +7,7 @@ TreeSitter 的。可惜的是，直到最近才有空，研究一下它是如何
 
 ## GitHub Copilot 的上下文构建
 
-与 ChatGPT 相比，GitHub Copilot 的强大之处在于，它构建了足够多的上下文，结合其对 LLM 的训练（或微），可以写出非常精准的**生产级代码
-**。
+与 ChatGPT 相比，GitHub Copilot 的强大之处在于，它构建了足够多的上下文，结合其对 LLM 的训练（或微），可以写出非常精准的**生产级代码**。
 
 ### Copilot 的可见上下文
 

src/prompt-patterns.md

@@ -411,7 +411,7 @@ console.log(result);
 
 ![Bootstrap](images/bootstrapping.png)
 
-TODO：重新解释，上图出自：《[Bootstrapping in Compiler Design](https://www.geeksforgeeks.org/bootstrapping-in-compiler-design/)
+TODO：重新解释，上图出自：《[Bootstrapping in Compiler Design](https://www.geeksforgeeks.org/bootstrapping-in-compiler-design/)》
 
 先看例子 1：文章
 
@@ -480,7 +480,7 @@ TODO：重新解释，上图出自：《[Bootstrapping in Compiler Design](https
 
 ### Code
 
-- https://github.com/microsoft/prompt-engine, This repo contains an NPM utility library for creating and maintaining prompts for Large Language Models (LLMs).
+- [https://github.com/microsoft/prompt-engine](https://github.com/microsoft/prompt-engine), This repo contains an NPM utility library for creating and maintaining prompts for Large Language Models (LLMs).
 
 ### 安全问题
 

src/prompt-understand.md

@@ -339,22 +339,22 @@ fun createTicketOrder(@RequestBody ticketOrder: TicketOrder): String {
 
 ### AI 生态不友好
 
-诸如于 PyTorch，以前是支持 ROCm 加速的，现在的版本不行了：https://pytorch.org/get-started/locally/ 。
+诸如于 PyTorch，以前是支持 ROCm 加速的，现在的版本不行了：[https://pytorch.org/get-started/locally/](https://pytorch.org/get-started/locally/) 。
 
 ## 本文相关资源
 
 AI 生成图片：
 
-- Stable Diffusion Webui GitHub： https://github.com/AUTOMATIC1111/stable-diffusion-webui
-- 通用的 AI 模型社区：https://huggingface.co/
-- Stable Diffusion AI 艺术模型社区：https://civitai.com/ （18 禁）
+- Stable Diffusion Webui GitHub：[https://github.com/AUTOMATIC1111/stable-diffusion-webui](https://github.com/AUTOMATIC1111/stable-diffusion-webui)
+- 通用的 AI 模型社区：[https://huggingface.co/](https://huggingface.co/)
+- Stable Diffusion AI 艺术模型社区：[https://civitai.com/](https://civitai.com/) （18 禁）
 
 代码模型相关：
 
-- Salesforce 模型：https://huggingface.co/Salesforce/codegen-6B-mono
-- CarpserAI： https://huggingface.co/CarperAI/diff-codegen-6b-v2
+- Salesforce 模型：[https://huggingface.co/Salesforce/codegen-6B-mono](https://huggingface.co/Salesforce/codegen-6B-mono)
+- CarpserAI： [https://huggingface.co/CarperAI/diff-codegen-6b-v2](https://huggingface.co/CarperAI/diff-codegen-6b-v2)
 
 ControlNet 加强：
 
-- 模型：https://huggingface.co/lllyasviel/ControlNet
-- 预编译：https://huggingface.co/kohya-ss/ControlNet-diff-modules
+- 模型：[https://huggingface.co/lllyasviel/ControlNet](https://huggingface.co/lllyasviel/ControlNet)
+- 预编译：[https://huggingface.co/kohya-ss/ControlNet-diff-modules](https://huggingface.co/kohya-ss/ControlNet-diff-modules)