@gimp 感谢提醒，不知道有这个规矩，下次如果要发这种应该弄个 gist 再在这里发链接之类的

我觉得 ctrl+k 最重要，我只用这个，完全不用 tab

让 AI 解释一下，不过我不会 rust ，看得还不是很懂，楼主看看有没有帮助

```
// 这是一个 Rust 语言中 Option 类型的 unwrap_or_else 方法实现
// 它用于在 Option 为 Some 时返回其值，为 None 时执行传入的闭包并返回其结果
// 这个函数的主要用途是提供一种安全的方式来处理可能为 None 的 Option 值，同时允许在 None 情况下执行自定义逻辑

// 为泛型类型 Option<T>实现方法
impl<T> Option<T> {
// 定义公共方法 unwrap_or_else ，接受一个闭包 f 作为参数
pub fn unwrap_or_else<F>(self, f: F) -> T
where
// 约束 F 必须是一个 FnOnce 闭包，且返回类型为 T
F: FnOnce() -> T
{
// 使用 match 匹配 self （当前 Option 实例）
match self {
// 如果是 Some(x)，直接返回 x
Some(x) => x,
// 如果是 None ，执行闭包 f 并返回其结果
None => f(),
}
}
}

// 使用示例：
fn main() {
let some_value: Option<i32> = Some(42);
let none_value: Option<i32> = None;

// 当 Option 为 Some 时，直接返回值
let result1 = some_value.unwrap_or_else(|| {
println!("Some case");
0
});
println!("Result1: {}", result1); // 输出: 42

// 当 Option 为 None 时，执行闭包返回默认值
let result2 = none_value.unwrap_or_else(|| {
println!("None case");
0
});
println!("Result2: {}", result2); // 输出: 0
}
```

增加肌肉量以后发热能力会提高，多运动提高血液循环能力

建议把所有相关的想法写下来，可以分成支持和不支持的两类，会有各种纠结矛盾的部分，所有想法都写好理清楚以后，你应该自然而然能够得出结论，还无法得出结论那就是还有模糊纠结不清的点可以继续写出来

因为玩手机所以户外时间不够，所以这么说也有一定道理

多去获得幸福四激素：多巴胺（吃喝、目标达成、睡饱、泡澡），催产素（社交、抚摸、撸猫狗、助人），内啡肽（运动、大笑、听音乐），血清素（日晒、冥想、林间漫步）
这些会帮你从一个个瞬间里增强生活的意义感。

失去的或者有可能会失去的才会比较珍贵，所以楼主不能都一直主动配合度高，也要有一些不一样的节奏有紧有松

自由恋爱：我挑别人
相亲：去别人挑剩的里面选
实际上不一定是这样的情况，有可能会找到很合适的，但是心里大概会有这么先入为主的想法导致有偏见

内耗的原因是对结果要求完美不能有缺陷
降低期望，说服自己接受结果就是低质量的就能减少内耗，结果如果比自己期望的高就会得到惊喜和幸福感

建议读一下《如何成为不完美主义者》，参考一下里面作者是如何从恐惧到开始尝试和女人交往甚至自如地搭讪女人的。

虽然一次说不清楚，但是说个大概，然后每次选个局部不断地进行小迭代，就可以很快朝着你要的样子变化，我觉得相当满意了。

有些技能的水平肯定是下降了，但是这些技能既然 AI 能够做得很好，说明已经不属于核心技能了，非核心技能上省下来的经历可以投入到更核心的技能上。

我在 PC 上运行也好卡

cursor+deepseek api
当然这种姿势用不了搜索，知识完全只能用大模型具备的

建议先问一下 AI：“新手在论坛上问软件技术问题有什么注意事项”

我现在用 postwoman

如果是 RAG ，那么相关性的检索是由 embedding 和向量数据库来完成的，然后 LLM 的功能是对搜索到的功能进行总结回答，这里效果好不好要看 embedding 那部分好不好，而主要不是由 LLM 来决定的，当然现在 RAG 经过很多迭代发展出来很多做法比如向量检索和全文检索相结合之类的
如果不用 RAG ，那就要用上面说的超长上下文的做法，这种成本可能也不低，而且一般也不是本地开源 LLM 能搞定的，需要比较强的硬件