Μνημοσύνη

기억 저장소

[尼古丁的依赖（💯fo） @luyao_100fo]

我这可爱的老祖宗们，创造了这么可爱的象形字！

[말러팔삼 @mahler83]

많은 영감을 주는 시각화 방식이네

[Μνημοσύνη @shenminkui_]

#몽골

[. @SER32903633]

몽골의 김홍도 마르잔 샤라브의 풍속화

진짜 김홍도 그림처럼 몽골의 일상 풍속이 다 그려져있어요

음식, 예절,연애, 샤먼,등등

몽골 박물관에서 고화질 현대/그림 비교자료랑 설명도 있는데 너무 좋으니까 사이트 많이 봐주시길...ㅠ진짜 좋음
https://t.co/8CL9FdPXL3

[우용곡 @Woo_yong_gok]

고려시대에 제작된 이제현 필 현후도(賢后圖)가 국립중앙박물관에 보관되어 있다. 본 작품은 고려시대 궁중 관복 연구에 활용되고 있다.

작품명에서 드러나듯이 해당 화첩은 임금이 주인공이 아니며, 왕실 여인들을 주인공으로 그린 그림이다.

몽골제국 시기에 제작되었으나 배경은 송나라다. 이제현이 원나라 화가들과 교류하면서 이 그림을 그렸다고 추정된다.

-사진 출처 : 국립중앙박물관
『열조현후도(列朝賢后圖)』
『현후실적도(賢后實跡圖)』

[Μνημοσύνη @shenminkui_]

#AI #LLM

[Leo @leoxbtt]

Bro… el ingeniero que CREÓ Claude Code soltó un video de 28 minutos y me voló la cabeza

Olvídate de los prompts genéricos que todo el mundo copia y pega

Este tipo te enseña exactamente cómo sacar el 300% de Claude: archivos CLAUDE.md, memoria permanente, sesiones paralelas y trucos de prompting que nadie te cuenta

Pagué cursos de 300 dólares que no llegan ni a la mitad de lo que él explica en los primeros 10 minutos

Y lo mejor: es gratis

No importa si estás empezando o si ya programas todo el día…

después de ver esto vas a usar la IA de una forma que ni sabías que existía

Guárdalo. Vas a volver mil veces 🔖

[Μνημοσύνη @shenminkui_]

#초상 #관우

[XingWu🐉ChineseFolklore @x1ngwu]

𝐆𝐮𝐚𝐧𝐝𝐢
#ThreeKingdoms warrior #GuanYu(關羽), revered for loyalty and fighting spirit, transcended history to become a #god in Chinese religion.
Worshipped as a guardian & protector, his image adorns temples, art, and hearts, a symbol of strength and virtue.
ALT
#mythology

[Μνημοσύνη @shenminkui_]

#불교미술

[agaru @kala_agaru]

@kimbanwol992 지나가다 멘션실례합니다. 당간은 신라~고려때로 보이는데 번은 조선후기 양식이라 살짝 매치가 안되는 감이 있습니다. 신라시대 불번 유물로 추정되는 것은 창녕 말흘리 출토유물이 있고, 형태 추정으로는 경주 표암 암각화가 있습니다. 또 돈황이나 일본 호류지 소장 유물 등도 참고자료로 쓰입니다.

[andex @andexlabs]

EN LUGAR DE VER NETFLIX ESTA NOCHE.

Dedica 1 hora a esto.

EL CURSO COMPLETO de Claude AI te ENSEÑA a CREAR y AUTOMATIZAR cualquier cosa.

Guarda este post, ya me lo agradecerás 🔖

[文学通信 @BungakuReport]

論文PDFのOCRがなかなか満足できるものがないので（グーグルドキュメントもアドビも）、NDL OCR-Liteをmacに入れて、Automaterでフォルダにぼこっと出てくる仕組みにしたら、どのOCRよりもすばらしかった。2段組みのレイアウト認識とかちゃんとしてて、すばらしい。

[Mehmet Songur @mehmetsongur_]

Akademisyenler için Claude Code’u nasıl kullanacağınıza dair basit bir giriş.
Alessandro Spina'ya ait sunum slaytları ve GitHub deposu.

🔗 https://t.co/FCfOers2Lw

[Edward @aestheticedwar1]

We built a demo that explains multimodal embeddings in under 60 seconds.

Enter 𝗢𝗺𝗻𝗶𝗦𝗲𝗮𝗿𝗰𝗵, our newest demo in the Weaviate playground.

Check it out here: https://t.co/9iD9G71KmN

[Ldovis @dovis65906]

「袞服」上的「十二章紋」，「十二章紋」是帝王以及高級官員禮服上繪繡的十二種圖案。分別是：日，月，星辰，山，龍，華蟲，宗彝，藻，火，粉米，黼，黻。

[Policar Bizar¡ @PolicarBizar]

Subí 10 papers a NotebookLM.
Me devolvió el análisis que me habría costado una semana.
Le pedí esto:

El prompt exacto:

"Actúa como mi asistente de investigación. Para cada paper, identifica: la pregunta de investigación, el marco teórico, las fortalezas y debilidades metodológicas, la contribución al campo y las limitaciones. Después, compáralos entre sí mostrando contradicciones, lagunas metodológicas y teóricas. Dame una tabla de evaluación crítica y una síntesis escrita."

Resultado: un análisis que normalmente toma días, listo en minutos.

Pero hay un segundo prompt que pocos conocen.

Este organiza toda la literatura por temas y cronología:

"Actúa como mi asistente de mapeo bibliográfico. Extrae de cada paper: año, problema central, teoría usada, métodos y hallazgos. Crea una línea de tiempo mostrando cómo ha evolucionado la investigación. Luego agrupa los papers por temas y escribe una síntesis narrativa que explique qué tendencias emergen y qué huecos quedan por investigar."

Dos prompts.

Una herramienta gratuita.

El trabajo de una semana convertido en una tarde.

La clave: sube papers de calidad. Si la fuente es mala, el análisis también lo será.

¿Usas NotebookLM en tu flujo de trabajo? ¿O tienes otra herramienta para investigación académica?

[松云 @sysongyun]

中国传统服饰 衮龙袍/gunlongpao
有各种颜色，在明代明黄色赭黄专属皇帝本人，其他人不得穿，皇太子、亲王用赤色，龙爪数量也有区别
来源见水印
#Hanfu #汉服

[크롱 @Krongggggg]

어디서 굴러먹던 50만원짜리 강의보다 이게 백배 나음. Anthropic 제작자가 직접 30분 동안 Claude Code 제대로 깎는 법 보여주는데 안 볼 이유가 없음. 기능 40개도 모르고 맨날 채팅만 쳤으면 도구 탓하지 말고 이런 근본 워크숍부터 챙겨야 함 ㅋㅋㅋ

[GPTaku @GPTaku]

바이브코딩을 시작한 일반인들이
가장 어려워 하는건?? 깃허브(github)

그래서 깃허브 온보딩을 쉽게할수 있는
플러그인을 만들어 왔어!
바르다 깃선생

클로드 코드의 경우 수정될때마다
로그가 남지 않기 때문에
히스토리 관리용으로 깃허브를 꼭 써야해
그러니 어렵더라도 플러그인과 함께
차근차근 배워나가길 추천해!!

바이브코딩을 시작하는 이라면
GPTaku Plugin과 함께하세요!!

[말러팔삼 @mahler83]

연구자를 위한 AI Agent 입문 강의 1시간짜리 영상을 만들어왔습니다. 너무 길어서 어차피 안 보실 걸 알지만 좋아요는 눌러주실거라 믿으며 링크 남깁니다🫰🫰

https://t.co/KTSOalNEjw

[지라프 @o_girraffe]

15년 소프트웨어 엔지니어 수석이 말아주는
개발 코드 작성 프롬프트 팁 (간단)

1. 클로드한테 '~ 기능 만들어줘' 개발 역량 낮음

2. 랄프 루프로 반복 시키는건 '덧불이기'에 불과.

3. 리팩토링 시간/과정 소모가 큼

이에 대한 해결방안은 간단함

아래 프롬프트를 제시해주면 됨

(번역)
"지금까지 알게 된 것들을 바탕으로,
만약 이 기능을 처음부터 다시 구현한다면
어떻게 다르게 접근하겠는가?

특히 코드 복잡성과 파편화를 줄이기 위한
리팩토링 관점에서 답변해줘.
이 기능을 시작하기 전에 미리 해두었어야
할 작업은 무엇이었을까?"

(원문)
Ask "Knowing what we know now,
if we were to start reimplementing this feature
from scratch, how would we do things differently,
particularly with an eye for refactoring
to reduce code complexity and fragmentation.

What should we have done prior to even starting
this feature?" when you notice the LLM is
struggling on a feature, then start from
scratch with that as the baseline.

[Cognac(꼬냑) @supernovajunn]

안드레 카파시가 GitHub에 파일 하나를 올렸다.

코드도 없다. 앱도 없다. 그냥 마크다운 문서 하나만 있는데. 이름은 llm-wiki.md. 올린 지 10시간 만에 별 1,757개, 포크 318개를 받았다.

이 뜻은 전 세계 개발자들이 그 파일 하나 보고 "바로 이거야"를 외쳤다는 뜻이다.

그동안 우리가 AI를 쓰는 방식이 사실 꽤 비효율적이었다는 것을 아는가?

지금 대부분의 사람들은 AI에게 파일을 던져주고 "이거 요약해줘", "이거 분석해줘"를 반복한다. 질문할 때마다 AI는 그 문서를 처음 읽는다. 어제 읽었던 논문, 지난달에 저장해둔 기사, 3년 전에 메모해둔 아이디어를 말이다.

AI는 그걸 기억하지 못한다. 매번 새로 읽고, 매번 새로 연결하고, 매번 새로 이해한다. 쌓이는 게 없다.

이걸 RAG 라고 부른다. 기술적으로는 아무 문제없다. 근데 생각해보면 이상하다. 당신이 매일 같은 책을 처음 읽는 사람한테 질문을 던지는 거랑 같다. 그 사람은 절대 전문가가 될 수 없다. 어제 읽은 걸 오늘 잊으니까.

카파시가 제안한 건 다르다. AI가 지식을 읽을 때마다 그냥 답을 뱉고 끝내는 게 아니라, 그걸 위키에 쌓아두는 것이다. 연결하고, 모순을 찾아 표시하고, 업데이트하고, 계속 더 풍부하게 만들어간다. 새 자료가 들어올수록 위키는 더 똑똑해진다. 쌓인다. 마치 이자의 복리처럼.

구조는 단순하다. 세 겹이다.

첫 번째 겹은 원본 자료들. 논문, 기사, 메모. AI는 이걸 읽기만 하고 절대 건드리지 않는다.

두 번째 겹은 위키. AI가 직접 쓰고 유지하는 마크다운 파일들. 요약 페이지, 개념 페이지, 연결 페이지. 당신이 읽고, AI가 쓴다.

세 번째 겹은 스키마. AI한테 "이 위키를 어떻게 관리해"라고 알려주는 설정 파일. 카파시는 이걸 AGENTS.md나 CLAUDE.md에 넣어두라고 한다.

카파시 본인은 왼쪽에 AI 에이전트, 오른쪽에 옵시디언을 열어두고 쓴다고 했다. AI가 위키를 수정하면 옵시디언에서 실시간으로 업데이트되는 걸 본다고. 그의 표현이 정확하다. "옵시디언은 IDE, AI는 프로그래머, 위키는 코드베이스다"

예를 들어, 책을 읽는 방식도 달라진다. 소설 한 권 읽으면서 챕터마다 AI한테 넣으면, 끝날 때쯤 등장인물 관계도, 복선 추적 페이지, 주제 연결 지도가 완성되어 있다. 톨킨 게이트웨이처럼 수천 명이 수년에 걸쳐 만든 팬 위키를 혼자, AI와 함께, 책 한 권 읽는 시간에 만들 수 있다.

근데 이 파일이 왜 이렇게 빠르게 퍼졌냐. 기술적으로 새로운 게 있어서가 아니다.

카파시가 이 파일을 "아이디어 파일"이라고 부른 게 핵심이다. 코드가 없다. 우리가 직접 설치할 게 없다. "이 아이디어를 당신 에이전트에게 그대로 복붙하면, 에이전트가 당신 상황에 맞춰 직접 구현해준다"는 것이다.

시대가 바뀌었다. 더 이상 앱을 공유하는 게 아니라 아이디어를 공유하는 방향으로 흐르는 것 같다. 받은 사람이 실행하는 게 아니라, 받은 사람의 에이전트가 실행한다.

이게 왜 충격인지 생각해보면 된다. 오픈소스 소프트웨어는 코드를 나눈다. 하지만 코드는 여전히 직접 설치하고, 설정하고, 유지해야 한다.

아이디어 파일은 다르다. 에이전트가 당신 환경, 당신 워크플로우, 당신 취향에 맞게 알아서 구현한다고 보면 될 것이다.

우리는 오래전부터 "정보가 너무 많아서 문제"라고 했다. 근데 사실 정보가 많은 게 문제가 아니었다. 정보가 연결되지 않는 게 문제였다.

LLM 위키는 그 연결을 AI한테 맡기는 거다. 당신이 할 건 좋은 자료 찾아오는 것, 그리고 좋은 질문 던지는 것. 나머지 연결, 요약, 교차참조, 모순 발견, 업데이트는 에이전트가 한다. 우리의 생각과 뇌는 더 중요한 일에 쓰인다.

지식을 쌓는다는 건 원래 그런 거였다. 연결되고, 업데이트되고, 깊어지는 것. 우리는 그냥 그걸 할 인내심이 없었을 뿐이다. 에이전트는 인내심이 무한하다.

[정희 @clavicles_wood]

아주대학교 디지털역사연구센터에서 개발한 텍스트 마이닝 프로그램이라는 데 이번에 공부하다가 이걸 처음 봤다. 이걸 처음 봤어!!! 근데 사실 이걸 어떻게 사용해서, 어떤 것을 구현할 수 있는지에 대한 지식이 아직 없다는 문제가 있음 ㅎㅎㅎ