ZD至顶网CIO与应用频道 06月08日 专栏:有时候只是让你保持还不错的状态需要艰巨的努力。你落后的越多,就越不可能达成目标。所以当你被各种任务和待办事项缠身的时候你该怎么做?
这时候你需要追踪目标。
Google Play Store提供了大量目标追踪应用,但是选择适合你的那个应用可能有些难度。下面就可以5个可以帮助你追踪目标和实现目标的应用。
1、GoalTracker
想要为一周、一个月或者一年设定目标?想要追踪家庭、财务、健康、社交、兴趣爱好、或是职业生涯?GoalTracker(如图A)可能正是你所需要的。它提供了一个易于使用的、只需要5个步骤的向导,帮助你完成创建目标的整个流程。你可以设置和跟踪时间间隔和平均值,增加提醒和图像,创建一个目标口号和说明,分类整理目标以便更容易查看,等等。
图A
一旦你创建了一个目标,你就可以通过目标仪表盘查看进度。个人目标仪表盘让GoalTracker脱颖而出成为该领域的佼佼者。如果你时常被大量信息淹没,需要一款应用让单个的目标看起来更有序,这时候你就需要GoalTracker了。
2、Goal Tracker & Habit List
如果你需要一种简单的方式来追踪目标——一个不需要太多细节或者功能,但仍然可以保证完成任务——Goal Tracker & Habit List(如图B)可能会很适合你。有了这款应用,你就可以开始为一个目标创建一个条目了。然后你可以在日历中打开这个目标,每天都做一个标记,是完成了还是没有完成每天的要求。这款特殊的应用没有什么花哨的东西……但是它的确可以非常出色地、快速地想你展示目标进度。
图B
你可以以细节、周、或者月来查看目标,可以导入和导出目标(点击左上角的菜单按钮,弹出快速访问工具栏看到更多选项)。对于那些希望追踪任务流程又不想有太多花哨功能的人来说,这是一款完美的应用。
3、Raise the Bar
这款目标追踪应用旨在帮助你养成良好的习惯,它会通过百分比进度条来显示每日的进度。Raise the Bar(如图C)还让你可以创建每天待办事项,以完成更多的详细的目标。
图C
创建一个目标很简单,这要感谢它的嵌入式向导。你给目标设定一个名称,选择你希望追踪目标的方式(提醒、里程碑或者检查表),给目标设定一个完成日期,然后自定义你的目标栏。一旦你创建了目标栏,你就可以查看状态、标记目标、从列表中划去项目,等等。你可以设置不限数量的目标,甚至是在现有目标中编辑数据。
4、HabitBull
HabitBull(如图D)提供了一个完全可自定义的简单界面,帮助你追踪你的各种习惯。你可以从从Work & Study、Arts、Health & Fitness、Housekeeping & Pets、Money以及Self Improvement中选择,创建新的习惯。
图D
在你选择了一种习惯之后,你可以决定追踪的方式(简单的“是”或者“不是”、一个数字、或者来自Google Fit的数据)。然后,给这个习惯设定一个名称,选择你希望在哪些天追踪它,以及/或者为这个习惯设定一个目标数字(例如连续多少天成功)。在这个习惯的日历视图中,点击被标记为成功、不成功或者空白的那些天。你可以为这些习惯设定提醒、笔记、以及可视化呈现。
5、My Goals
My Goals(如图E)采用了一种独特的方法。你创建目标(任务、期限、图像等),然后应用会在主屏幕上创建一个动机。是的,这看起来似乎有点俗气。但是你可以给这个目标选择一个图像,立即进入这个特定目标的细节界面。细节界面让你可以点击完成任务、标记目标、检查进程。尽管My Goals不包括GoalTracker中的那些额外功能,但是它精巧的设计和易用性可以作为弥补。
图E
其他选择?
正如我们有很多自己追踪目标的方法,现在有很多目标追踪应用。你的需求以及你的工作方式将决定了哪些应用最适合你。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。