兼职背景：当代大学生碎片化时间情境下，面对生活中的缺钱问题，提出利用互联网直播红利的方法，并以做聊天室语音主播之一为实践。该兼职的意义在于其重新调研并总结了新时代即后疫情时代背景下的网络直播市场发展现状，为想要以该兼职赚钱的大学生们提供一个在直播领域的参考案例。

兼职获取渠道：BOSS直聘

兼职合同：不存在

兼职形式： 工资/周 = 周礼物流水 * 一定比例。

• 每日晚上选择2小时时间段，在8人上麦的语音聊天室中，作为其中1人上麦，并配合其他7麦，进行聊天。该方法用于吸引游客关注、刷礼物，并磨合老朋友进行刷礼物。
• 对每个并非其他麦的老朋友观众，进行私信，或称“写作业”。以吸引他们对自己的关注，最终达成获得礼物的目标。

兼职状况： 以新人身份直播10天。

• 在最初的1-3天，处于对行业相关黑话如“写作业”、“白了”的学习阶段。该阶段不具有吸引观众的能力。
• 在4-6天，逐渐熟悉“写作业”流程，并将其运用于实践，用户对作业有了初步的回应，建立了初步的 主播-人 关系，但该阶段收到由于关注而获得的礼物的概率不大。
• 在7-9天，明白语音聊天过程。对该行业较为失望，遂随便聊天。并尝试将直播与其他工作并行执行。
• 10天，收到由其他平台“富姐”转鱼声平台的新人对聊天室所有人的同级打赏。共计大约人均70元。在此过程中，某麦位于该用户较为亲近互动，后续体现出该用户对该麦位的关照打赏。
• 11天。离职。

市场分析：该市场最初以秀场直播成为一个新兴行业，后经历了游戏直播、泛娱乐直播、电商直播三个不同领域的阶段，直至现在稳定为电商直播方面1。而语音聊天室仍属于秀场直播的行业范围，该领域经历一定的发展，逐步趋于稳定状态，且据聊天室某麦位所说，传统的秀场直播圈子已经成为老用户的小圈子。且小圈子的经济交易呈现出无实质化交易的特点，我认为这将导致新人难以快速融入这种封闭交易圈中，因此不符合大学生浮躁内心背景下赚块钱的目的。

总结：该研究以亲身经历的形式，作为一个秀场直播圈新人，浅探秀场直播圈，对传统的秀场直播行业进行了一次较为短暂的调研，快速掌握圈内规则及相关规律，总结出该行业不符合大学生浮躁内心背景下赚快钱的目的的规律，从而及时退出达到及时止损。

预见2024：《2024年中国网络直播行业全景图谱》(附市场规模、竞争格局和发展前景等)

sudo vim /etc/docker/daemon.json

然后编辑

{
  "proxies": {
    "http-proxy": "http://proxy.example.com:3128",
    "https-proxy": "https://proxy.example.com:3129",
    "no-proxy": "*.test.example.com,.example.org,127.0.0.0/8"
  }
}

文件即可。

最后执行

sudo systemctl restart docker

注意：linux中，docker对该配置文件的缩进严格要求。 因此最好手打。 分别为4个空格与2个空格

- 阅读剩余部分 -

本项目提出一种基于大模型对项目文件进行全方位管理与构建的Agent框架，解决了项目构建中，大模型对项目结构的理解不够、大模型在修改代码时不考虑项目结构的问题。

本项目的Agent结构如下： 1.代码总结模型：该部分提取项目文件夹下的所有文件，并将文件代码以路径+文件代码的形式传入大模型，利用大模型的代码总结能力总结出该部分代码的功能与函数接口。 2.结构分析模型：该部分模型将传入的各个代码文件以及路径进行分析，以提取出项目结构以及项目想要完成的功能，以及各部分代码的具体功能。 3.交互模型：

• 修改功能模型：传入项目结构与用户要求，大模型根据项目结构和用户要求返回需要修改的代码文件名。系统查找需要修改的代码文件名，并传入给代码修改模型，以前后比对方式进行代码修改。
• 增删功能模型：TODO

flowchart TD
    %% 定义整体框架和主要功能模块顺序
    %% 各模块按工作顺序展现清晰的执行过程
    A[Agent 启动] -->|触发任务| B[代码总结模型]
    B --> B1[提取项目文件及路径]
    B1 --> B2[路径+代码传入大模型提取特征]
    B2 --> B3[总结代码功能与函数接口]
    B3 --> C[结构分析模型]
    
    C --> C1[分析各代码文件与路径]
    C1 --> C2[构建项目结构]
    C2 --> C3[提取各部分代码功能]
    C3 --> D[交互模型]
    
    D --> D1[修改功能模型]
    D1 --> D1_1[输入项目结构 & 用户需求]
    D1_1 --> D1_2[确定需修改文件名]
    D1_2 --> D1_3[定位相关代码文件]
    D1_3 --> D1_4[传入代码修改模型实施修改]
    D1_4 --> D1_5[比对代码修改前后结果]
    D1_5 --> G[完成修改功能]
    
    D --> D2[增删功能模型 - TODO]
    D2 --> D2_1[TODO: 定义增删逻辑]
    D2_1 --> D2_2[TODO: 增删代码文件并更新结构]
    D2_2 --> G

    G --> H[返回结果并结束任务]

1-2的流程已经完成了正常的对一个github项目的分析功能，可以辅助用于后续的开发。 3的流程可用于构建一套项目管理工作流。

要创建一个具有情感、记忆和其他人类特质的模拟人类，使用像LLaMA 3.2这样的大语言模型是一个不错的起点。以下是一个大致的架构和思路：

架构

1. 核心语言模型（LLaMA 3.2）

   • 用于自然语言理解和生成，是整个系统的大脑和语言处理中心。

2. 情感模块

   • 基于情感分析技术，识别输入信息中的情感，同时生成具有情感的输出。
   • 可集成情感数据集和特定规则，增强情感识别和生成的能力。

3. 记忆模块

   • 存储交互历史，使用数据库或内存缓存技术（如Redis）。
   • 允许基于上下文的个性化对话，模拟记忆持久性和个性化。
   • 使用向量存储（如FAISS或Pinecone）实现高效的相似性搜索。

4. 人格模块

   • 定义模拟人类的个性特征，如幽默感、开放性、严肃性等。
   • 根据用户配置或随机初始值来设置人格参数，影响模型生成的输出风格。

5. 目标导向模块

   • 允许模拟人类设定和跟踪目标，模拟人类的动机和行为导向。
   • 和记忆模块结合，使用强化学习策略（如Deep Q-Learning）实现目标导向的对话。

6. 对话管理模块

   • 管理对话流程、主题切换和上下文跟踪。
   • 结合BERT等上下文处理工具，提供流畅的多轮对话体验。

实现思路

1. 训练微调

   • 在情感、个性、记忆相关的数据集上微调语言模型，使其更能反映人类特质。
   • 利用RLHF（基于人类反馈的强化学习）技术增强模型的交互性。

2. 多模态输入

   • 如果可能，结合视觉或音频输入（使用OpenAI Clip或Whisper等），丰富模型的感知能力。

3. 持续学习

   • 开发在线学习机制，使模型能从每一次交互中学习，逐渐丰富其记忆和改进能力。

4. 模块间协作

   • 设计清晰的模块接口和数据流，确保各模块之间高效协作和信息共享。

5. 本地化部署

   • 优化模型大小及性能以适应本地运行，这可能需要进行量化或知识蒸馏。

注意事项

• 隐私和安全

  • 尽管不考虑合法性，仍需确保个人数据的处理符合安全标准，防止意外泄露或误用。

• 性能与资源管理

  • 确保本地计算机能够支持高效运行，可能还需要适应性负载管理。

• 情感与道德

  • 在情感和道德决策方面进行谨慎设计，避免产生不当或有害的建议。

通过结合这些架构组件和实现思路，可以建立一个初步的模拟人类系统，具备基本的人类特质和交互能力。