Mencoba meminta o3 memprofilkan diri saya dari tautan Pocket yang tersimpan

 (noperator.dev)
2 poin oleh GN⁺ 2025-07-08 | 1 komentar | Bagikan ke WhatsApp
  • Saat memindahkan artikel tersimpan menjelang penutupan Pocket, penulis menyadari bahwa 878 tautan Pocket yang terkumpul selama sekitar 7 tahun, dari 2018-07-12 hingga 2025-06-26, bisa menjadi data untuk menyimpulkan profil pribadi
  • Kepada o3, penulis meminta agar hanya dari daftar URL yang disimpan, model menebak atribut pribadi seperti usia, jenis kelamin, tempat tinggal, tingkat pendidikan, pekerjaan, pendapatan, kecenderungan politik, status keluarga, dan minat kesehatan
  • Hasilnya mengarah pada sosok berusia pertengahan 30-an hingga awal 40-an, tinggal di coastal VA, software engineer senior/staff, menikah, dan memiliki beberapa anak kecil; usia, lokasi, dan ukuran keluarga ternyata cukup akurat
  • Saat CSV ditempel langsung ke isi prompt, jawaban o3 terasa lebih meyakinkan dibanding saat file dilampirkan; dengan lampiran file, o3 cenderung terlalu terpaku pada analisis sampel Python
  • Eksperimen ini menunjukkan bahwa bahkan dari jejak sederhana seperti “like” atau tautan tersimpan saja, inferensi yang bermakna tetap mungkin dilakukan, dan kemampuan analisis semacam ini kini tersedia hampir untuk siapa saja, bukan hanya perusahaan iklan seperti Google atau Facebook

Daftar simpanan Pocket menjadi data eksperimen

  • Saat memigrasikan artikel tersimpan karena Pocket akan ditutup, penulis menyadari bahwa daftar tautan tersimpan sudah cukup besar untuk dipakai sebagai data preferensi pribadi
  • Penulis meninjau cepat CSV ekspor Pocket dengan xsv
    • Kolomnya adalah title, url, time_added, tags, status
    • Contoh entri mencakup artikel tersimpan berjudul The Uncertain Future of American Libraries
    • Total item tersimpan adalah 878
    • Rentang waktu penyimpanan adalah dari 2018-07-12 hingga 2025-06-26
  • Penulis teringat eksperimen geoguessing o3 dari Simon Willison, lalu memutuskan untuk melihat apa yang bisa diketahui tentang dirinya hanya dari daftar URL

Permintaan profiling yang diberikan ke o3

  • Penulis menggunakan o3 dalam percakapan ChatGPT sementara, tanpa memakai fitur memory ChatGPT
  • Penulis meminta agar dirinya diprofilkan berdasarkan daftar artikel yang disimpan di Pocket
  • Dimensi inferensinya dibuat luas, dari identitas pribadi sampai pola hidup
    • usia, jenis kelamin, lokasi geografis
    • tingkat pendidikan, industri/bidang kerja, jenjang jabatan
    • kisaran pendapatan, kecenderungan politik, toleransi risiko
    • cara belajar, pola konsumsi informasi
    • status hubungan, apakah menjadi orang tua, dan usia anak
    • minat kesehatan, transisi hidup utama, pola musiman dari minat

Profil pribadi yang dibuat o3

  • Berdasarkan topik dan sumber artikel tersimpan serta waktu penyimpanannya, o3 membuat best-guess portrait yang digambarkan lebih sebagai “narasi yang konsisten, meski bukan inferensi yang pasti”
  • Estimasi demografi utamanya adalah sebagai berikut
    • Usia: pertengahan 30-an hingga awal 40-an
    • Jenis kelamin: laki-laki
    • Lokasi: coastal VA
    • Pendidikan: BS/MS di ilmu komputer atau bidang serupa
    • Pekerjaan: software engineer senior/staff yang terspesialisasi dalam keamanan dan infrastruktur
    • Pendapatan: rumah tangga sekitar 150 ribu hingga 220 ribu dolar
    • Keluarga: menikah, memiliki 3–4 anak kecil, dan setidaknya satu di antaranya masih toddler
  • Dasar penilaiannya antara lain kemunculan bersamaan artikel teknis tentang software, AI, keamanan siber, dan finansial, dengan artikel tentang kehidupan keluarga, homeschooling, dan praktik Catholic
  • Psikologi dan minat juga diperkirakan dengan cukup rinci
    • Kecenderungan politik: konservatif secara fiskal, bercorak kebebasan sipil, dan cenderung tradisional secara sosial
    • Toleransi risiko: tinggi untuk karier, menengah untuk finansial
    • Cara belajar: mandiri, berbasis teks, menyukai tulisan panjang dan audio
    • Pola konsumsi informasi: 60% deep-tech, 20% keuangan pribadi/FIRE, 10% pengasuhan anak dan urusan rumah, 10% iman dan budaya
    • Arah hidup: bergerak dari hacker IC murni ke tahap kepemimpinan teknis, hidup berpusat pada keluarga, dan mengejar FI
  • Dari petunjuk yang lebih halus, o3 juga menebak unsur iman, privasi dan self-hosting, kecenderungan DIY, minat kesehatan seperti Zone-2 training dan tidur, serta dorongan untuk menulis

Akurasi dan perbedaan cara memasukkan data

  • Hasilnya cukup akurat, dan saat pertama dibaca terasa agak menyeramkan
  • Meski penulis mengira sebagian besar dataset hanyalah artikel Hacker News, tetap mengejutkan bahwa o3 bisa menebak detail seperti rentang usia, lokasi, dan ukuran keluarga
  • Eksperimen ini menunjukkan betapa banyak hal yang bisa diinferensikan hanya dari jejak sederhana seperti “like” atau item tersimpan
  • Kualitas hasil berbeda tergantung cara inputnya
    • Saat data CSV ditempel langsung ke isi prompt, respons terasa lebih akurat
    • Saat CSV dikirim sebagai lampiran file, o3 cenderung terlalu terpaku pada sampling dan analisis dengan Python
    • Dalam cara itu, narasi akhirnya terasa kurang meyakinkan

Rekomendasi personal dan kemampuan analisis yang bisa dipakai siapa saja

  • Bahwa perusahaan iklan memprofilkan pengguna berdasarkan minat yang mereka tunjukkan sudah menjadi asumsi yang akrab
  • Dulu, kemampuan analitis untuk menarik kesimpulan bermakna dari banyak titik data terasa seperti sesuatu yang hanya dimiliki perusahaan seperti Google atau Facebook
  • Kini, perubahan yang lebih menarik adalah bahwa teknologi sejenis sudah bisa dipakai hampir siapa saja secara terbuka
  • Penulis berencana memakai profil ini untuk menjalankan sistem rekomendasi konten pribadi
  • Dalam proses migrasi, penulis berpindah ke Wallabag dan juga beralih dari Inoreader ke FreshRSS
    • Pada 2025, menurutnya self-hosting jauh lebih mudah daripada dulu, dan Caddy berperan besar dalam hal itu
  • Untuk menelusuri CSV, penulis memakai xsv
    • Meski per dua bulan lalu tampaknya sudah tidak lagi dipelihara, penulis merasa fiturnya sudah cukup matang

Bacaan terkait

1 komentar

 
GN⁺ 2025-07-08
Komentar Hacker News

  • Setelah membaca tulisan ini, aku jadi teringat bahwa aku juga punya arsip akun Pocket, lalu mencoba memasukkan 4.200 item ke o3, Gemini 2.5 Pro, dan Opus 4 dengan prompt yang sama
    UI ChatGPT menolak pengiriman dengan alasan input terlalu besar. Padahal sekitar 80 ribu token, jadi masih lebih kecil dari ukuran konteks o3 yang 200 ribu
    Gemini 2.5 Pro cukup tepat untuk profil kepribadian dan minat, tetapi salah menebak kelompok usia, pekerjaan, lokasi, dan apakah aku punya anak
    Opus 4 jauh lebih mengesankan: berhasil menebak dengan tepat Amsterdam sebagai kota tempat tinggalku, kelompok usia, dan status hubungan, tetapi tidak membahas apakah aku punya anak
    Kedua model gagal menebak pekerjaanku, tapi itu bisa dimengerti. Sebenarnya aku seorang data scientist, tetapi aku suka menulis software, sering membaca praktik rekayasa perangkat lunak, dan karena tidak punya kesempatan melakukan pekerjaan semacam itu di kantor, aku banyak mengerjakan proyek pribadi sambil belajar hal-hal seperti desain sistem. Jadi keduanya menganggapku sebagai software engineer
    Secara keseluruhan ini eksperimen yang menyenangkan, dan menarik bahwa kedua model sama-sama memilih fotografi sebagai hobi utamaku. Namun, kalau mereka juga melihat riwayat tontonan YouTube-ku, sepertinya mereka akan dengan percaya diri mengatakan tenis. Topik dan minat yang biasanya kukonsumsi lewat video alih-alih tulisan mungkin akan menarik jika riwayat tontonan YouTube digabungkan dengan arsip Pocket, tetapi data itu tampaknya tidak mudah didapatkan

    • Dengan Google Takeout, sepertinya kita bisa mengambil semua data YouTube termasuk riwayat tontonan
      Tulisan ini contoh yang bagus:

      When I downloaded all my YouTube data, I’ve noticed an interesting file included. That file was named watch-history and it contained a list of all the videos I’ve ever watched.
      https://blog.viktomas.com/posts/youtube-usage/
      Kalau kamu orang Eropa, perusahaan punya kewajiban hukum untuk memberi hak akses ke data, tetapi Google Takeout tampaknya berfungsi di seluruh dunia

    • Dari Google Takeout aku bisa mengekspor riwayat dan mencoba ini untuk semua video YouTube yang pernah kutonton:
      https://takeout.google.com/settings/takeout/custom/youtube?p...
      Setelah itu aku mem-parsing judul video dari file HTML dengan menggabungkan pup dan jq:
      cat watch-history.html \
      | pup '.outer-cell .mdl-grid .content-cell:nth-child(2) json{}' \
      | jq -r '.[] .children[0] | select(.tag != "br") | select(.text | startswith("https://www.youtube.com/watch?v=";) | not) | .text' \
      > videos.txt
    • Kalau minatmu sebesar itu, mungkin itu patut dianggap sebagai sinyal dan kamu bisa mencoba melamar ke jalur software engineer
      Bukan berarti pekerjaanmu di perusahaan sekarang tidak bisa dipindahkan ke jenjang karier yang relevan
    • Prompt harus dipakai seperti piramida penyempurnaan iteratif. Mulai dengan model murah untuk memadatkan sebagian besar data mentah per blok, lalu terapkan model yang makin kuat dan mahal ke kumpulan blok yang lebih besar sampai mencapai tingkat ringkasan yang diinginkan
    • Kalau dua model sama-sama menganggapmu software engineer, mungkin ada benarnya sampai tingkat tertentu, meskipun itu bukan jalur kariermu :)

  • Hal terbesar yang kupelajari dari ekspor Pocket-ku adalah bahwa 99% artikelnya berstatus belum dibaca. Aku tidak yakin apa yang bisa disimpulkan dariku selain kebiasaan mengumpulkan tautan secara kompulsif :D

    • Aku memakai Pocket selama bertahun-tahun sebagai izin untuk diriku sendiri bahwa aku boleh kembali bekerja lagi
    • Dengan membandingkan apa yang dibaca dan tidak dibaca, mungkin kita bisa melihat perbedaan antara preferensi yang terungkap dan preferensi yang dinyatakan. Tumpukan yang belum dibaca milik kebanyakan orang mungkin lebih mencerminkan aspirasi
      Sepertinya data seperti ini cukup banyak, dan misalnya grafik rekomendasi Amazon juga bisa memberi bobot berbeda pada item wishlist dan item yang dibeli
    • Entah dibaca atau tidak, pasti ada alasan kenapa tautan-tautan itu disimpan

  • Saya merasa belakangan ini banyak orang mengerucut pada ide menganalisis data diri sendiri dengan AI, seperti halnya perusahaan memakai data kita untuk menyajikan konten yang sangat presisi.
    Baru-baru ini saya membaca https://labs.rs/en/browsing-histories/ lalu mencoba hal yang sama pada seluruh riwayat penelusuran saya.
    Saya juga melakukannya pada riwayat percakapan ChatGPT/Claude, dan yang paling menakutkan adalah ketika saya membiarkan LLM melihat riwayat komentar Reddit saya.
    Kesulitan utamanya adalah jendela konteks yang cukup besar dan pelacakan konteks dari berbagai sumber data. Salah satu pendekatan yang sedang saya eksplorasi adalah memakai graf pengetahuan untuk melacak profil pengguna. Pola perilaku bisa dikompresi menjadi struktur yang bisa di-query, tetapi membangun graf itu sendiri berubah menjadi masalah komputasi.
    Kebanyakan startup AI yang baru-baru ini saya tangani pada akhirnya bermuara pada “memberi LLM akses ke basis data vektor dan graf pengetahuan yang dibuat dari sekumpulan dokumen teks”. Dokumen teks itu bisa berupa faktur, dokumen hukum, dokumen pajak, laporan harian, transkrip rapat, kode, dan sebagainya.
    Saya berharap muncul sistem rekomendasi konten pribadi atau profiling berbasis AI. Insentif ekonominya berlawanan dengan model big tech. Alih-alih mengoptimalkan engagement dan pendapatan iklan, sistem itu mengoptimalkan utilitas pengguna.
    Pada era pembaca RSS, saya banyak mengonsumsi konten teknologi dan desain yang sudah dikurasi, dan berkat itu saya bisa cukup mengembangkan selera dan pengetahuan saya di bidang ini. Itu juga membantu saya terhubung dengan orang-orang keren dan menarik.
    Salah satu aplikasi yang saya suka adalah https://www.dimensional.me/, tetapi pendekatan MBTI dan tes kepribadian bisa dibuat lebih ketat. Bukan tes kepribadian, melainkan membayangkan semua yang saya konsumsi dan tulis di perangkat digital saya dimasukkan ke dalam sistem, lalu graf pengetahuan tentang diri saya terus diperbarui.

    • Ini membuat saya sadar betapa membantu era RSS itu. Saya mengikuti berbagai sumber artikel dan memberi prioritas kasar berdasarkan tingkat ketertarikan.
      Saat SMA, saya membaca ribuan tulisan dan itu sangat berguna karena saya jadi makin mampu membangun model mental tentang cara kerja teknologi. Banyak hal sudah berubah, tetapi cukup banyak model yang saya bangun saat itu masih cukup akurat dan berguna ketika saya ingin mendalami area yang saya minati.
    • Katanya “dioptimalkan untuk utilitas pengguna, bukan engagement dan pendapatan iklan”, tapi benarkah begitu, atau malah membantu kita tetap berada di dalam penjara yang nyaman?
      Tentu penjara yang nyaman lebih baik daripada penjara engagement, tetapi kadang kita juga perlu keluar dari sana.
      Bukankah kurasi pada era pembaca RSS justru dilakukan oleh orang-orang yang tidak selalu kita setujui?

  • Saya membuat alat serupa yang memprofilkan dan memanggang akun HN: https://hn-wrapped.kadoa.com/
    Lucu dan kadang juga menakutkan.
    Edit: nama pengguna peka huruf besar-kecil.

    • Sepertinya akan jauh lebih lucu atau lebih memberi wawasan kalau melihat lebih banyak daripada sekadar mengambil sampel halaman pertama komentar pengguna.
      Tapi ini cukup akurat:
      Predictions
      Personal Projects
      Setelah menyelami dunia penyimpanan data kuno secara mendalam, Anda akhirnya akan merilis 'Magnetic Tape Master 3000' — aplikasi berbasis web yang mensimulasikan pengambilan data dari reel-to-reel, lengkap dengan efek suara 'whirring' yang autentik. Ini akan menjadi hit niche di kalangan penggemar komputasi historis dan siapa pun yang merindukan masa-masa indah media fisik.
    • “Komentar Anda sering berisi penjelasan teknis yang rinci atau koreksi, jadi orang akan mengira Anda adalah seseorang yang sangat tenggelam dalam teknologi atau sekadar suka menjadi orang paling pintar di ruangan. Jujur saja, mungkin keduanya.”
      Benar-benar brutal.
    • Rasanya seperti ketahuan total.

      Profil Anda terbaca seperti kartu 'Hacker News Bingo': NASA, PhD, Python, 'Ask HN' tentang selingkuh, dan opini kuat soal komunitas Reddit. Satu-satunya yang kurang hanyalah postingan tentang keyboard ergonomis kustom Anda yang dibuat dari komponen bekas pesawat ulang-alik.

    • Hasil prediksinya:
      “Anda akan menemukan lubang hitam upvote HN yang selama ini tak diketahui. Semua komentar yang rapi dan bernuansa tentang ketidakstabilan ekonomi akan tersedot ke dalam pelupaan, sementara ‘Show HN: daftar tugas saya yang dibuat dengan Rust’ mendapat 500 poin.”
      Keterlaluan, tapi dibuat dengan bagus.
    • Kami memakai hal serupa saat memprofilkan pengguna di platform perusahaan. Umumnya LLM terlalu “baik”, jadi ketika kami menyuruhnya me-roast pengguna, informasi yang penting, menarik, atau kontradiktif justru lebih mudah muncul.
      Selain itu juga cukup lucu.

  • Belakangan ini saya benar-benar tertarik pada hal semacam ini. Bukan hanya artikel yang disimpan di Pocket, tapi juga meta-analisis atas riwayat percakapan ChatGPT/Gemini/Claude.
    Saya sedang menulis skrip ringkasan RSS yang sangat dipersonalisasi, dan saya sadar feed RSS yang paling banyak berisi item yang benar-benar relevan dengan saya ternyata cukup berbeda dari yang biasa saya baca santai.
    Hal berikutnya yang ingin saya coba adalah membuat model dunia generatif yang disesuaikan dengan minat dan relevansi saya. Bagian-bagian berbeda dari model dunia itu bisa diperbarui dan diselidiki dengan siklus yang berbeda.
    Dengan begitu, bagi saya “berita” menjadi selisih perubahan tentang bagaimana model dunia itu berubah karena berita tersebut. Dan karena saya selalu bisa memiliki versi lokal/offline dari model dunia saat ini, itu tampaknya berguna untuk memfilter atau mengurutkan inbox, kalender, pesan, tweet, dan sebagainya dengan model lokal.

    • Terdengar menarik. Bisa jelaskan sedikit lebih detail?

  • Dulu saya pernah membuat skrip kecil untuk melakukan hal seperti ini pada profil HN, hanya untuk seru-seruan dan rasa penasaran. Saya memakai riwayat kiriman dan komentar untuk menyimpulkan profil seperti lokasi, kecenderungan politik, karier, usia, dan gender.
    Motivasi utamanya adalah karena saya melihat pandangan-pandangan mengejutkan di berbagai utas komentar dan penasaran dari mana itu berasal. Saya sama sekali tidak tahu seberapa akurat profilnya, tetapi ini eksperimen yang menarik untuk melihat kemampuan LLM melakukan hal semacam ini.

    • Baru-baru ini seseorang memakai ini untuk memprediksi postingan mana yang akan naik ke halaman depan HN berdasarkan isi artikel dan profil pengguna.
    • Setidaknya akan menarik jika dijalankan pada diri sendiri, karena Anda bisa memeriksa seberapa akurat hasilnya.
    • Saya ingat ini. Buat saya cukup akurat, tapi agak terlalu manis. Misalnya bilang saya akan menyelamatkan dunia atau semacam itu.

  • Dari sudut pandang seseorang dengan latar keluarga Katolik yang agak lebih condong ke kiri, menarik bahwa ia menilai "konservatif" hanya karena Katolik. Di wilayah timur laut AS, tampaknya Katolik seperti itu lebih umum

    • Kalau dilihat secara keseluruhan, baik Katolik maupun Protestan dari aliran apa pun tampaknya lebih mungkin progresif di Timur Laut dan Pantai Barat, dan lebih mungkin konservatif di Midwest dan Selatan
      Ini mengatakan sesuatu tentang seperti apa tingkat kepentingan rata-rata agama pada tahun 2025
    • Lahir di Pittsburgh, dibesarkan sebagai Katolik, dan cukup progresif. Pada tahun 90-an sudah ada putri altar, dan juga ada anggota gay terbuka yang menjalani ritus di gereja
      Sekarang saya bukan Katolik lagi, tetapi gereja itu pada era 80-an dan 90-an adalah gereja yang baik
    • Kalau mau adil, sebenarnya yang dikatakan adalah ini:

      Fiscally conservative / civil-libertarian with traditionalist social leaning
      Dan alasannya disebut seperti ini:
      Bogleheads & MMM frugality + Catholic/First Things pieces, EFF privacy, skepticism of Big Tech censorship
      First Things saat ini lebih dekat ke media tentang konservatisme sosial religius. Jika seseorang Katolik dan membaca tulisan First Things, memprediksi "konservatif" adalah tebakan yang cukup aman
      Meski begitu, menurut saya memprofilkan orang hanya dari apa yang mereka baca pada umumnya bisa keliru. Saya juga sering membaca tulisan yang tidak saya setujui, kadang saya berubah pikiran, dan bahkan kalau tidak berubah pun saya sengaja mencarinya untuk tahu apa sebenarnya argumennya. Hanya saja saya jadi penasaran apakah saya benar-benar menyimpan tulisan seperti itu di Pocket

  • Jika ada ratusan tautan tersimpan dalam daftar datar, itu jujur saja akan menjadi tempat buang bernama "baca nanti", jadi semuanya bisa diklasifikasikan dengan AI atau pemrosesan bahasa alami agar item yang sudah tidak diminati lagi bisa mudah dihapus

  • Tulisan yang menarik. Anehnya, saya jadi merasa seharusnya saya lebih sering memakai Pocket
    Sebagai tambahan, saya mulai benar-benar bosan dengan gaya bahasa standar yang muncul di respons LLM. Anda akan mengenali bentuk khas dari output yang cerewet:
    Basa-basi klise! Diikuti banyak kata yang terdengar seperti ucapan manusia biasa, lalu akhirnya sampailah ke inti jawaban bahwa 2 tambah 2 adalah 4. Lalu keluar lagi lebih banyak kata yang terdengar meyakinkan seperti manusia!
    Tentu saya paham bahwa secara internal memang seperti itulah cara kerjanya. Karena sifat pelatihannya, LLM harus meraba-raba dengan panjang lebar sampai ke pokoknya. Tapi apakah tidak ada harapan untuk menghapusnya dengan post-processing penghilang embel-embel? Saya ingin jawaban sebenarnya didistilasi di dalam mesin penalaran itu sendiri, tanpa memakai mesin korpus bahasa lain
    Ini sama seperti masalah resep internet jadul. Yang diinginkan itu ini:
    500g wheat flour
    280ml water
    10g salt
    10g yeast
    Tetapi yang benar-benar diterima justru ini:
    It was at the age of five, sitting
    on my grandmother’s lap in the
    cool autumn sun on West Virginia
    that I first tasted the perfect loaf…

    • Tanpa konteks, bagaimana Anda bisa memercayai resep?
      Orang bilang mereka menginginkan satu hal, tetapi perilaku dan uang mereka mengalir ke tempat lain
      Saya setuju bahwa ada banyak embel-embel yang tidak perlu. Tetapi saya rasa "cukup kasih resepnya" bukanlah yang benar-benar diinginkan orang. Dan saya juga tidak menganggap sudut pandang ini sebagai pengecualian aneh. Apakah Anda benar-benar pernah ingin membuat resep yang sama sekali tanpa konteks seperti itu?
    • Ini masalah aplikasi LLM serbaguna seperti ChatGPT. Karena harus punya daya tarik luas, jadinya sulit kalau Anda menginginkan jawaban yang berbeda dari yang diinginkan pengguna rata-rata
      OpenAI mengatakan mereka sedang berupaya membuat output ChatGPT lebih bisa dikonfigurasi
    • Menambahkan "jawab singkat" di akhir ternyata cukup ampuh
      Saya bukan ahli, tetapi untuk model yang "berpikir", saya berharap tahap peringkasan itu terjadi di akhir. Di dalam ia boleh berpikir sepanjang yang ia mau, tetapi ke saya cukup berikan jawabannya saja
    • Sebagai catatan, o3 tampaknya lebih cepat masuk ke inti dibanding kebanyakan LLM lain. Bahkan terkadang terlalu cepat, jadi kalau ditanya topik yang luas ia bisa terlalu banyak meringkas sampai sulit menangkap maksud persisnya

  • Saya sudah lama memikirkan kemungkinan memakai LLM untuk merapikan semua tab saya. Saya termasuk salah satu penimbun tab yang mengerikan, yang terlalu lama membiarkan penghitung jumlah ":D" di ponsel tetap menumpuk
    Biasanya saya bereskan habis secara berkala, tetapi sudah lama saya tidak punya motivasi untuk melakukannya. Saya hanya butuh cara mudah untuk membuang daftar tab itu ke CSV atau semacamnya, seperti mengekspor dari Pocket

    • Baru-baru ini saya mencoba melakukan ini pada bookmark yang belum tertata. Itu pertama kalinya saya memakai panggilan API paralel
      10 thread gpt-4-nano mengklasifikasikan batch berisi masing-masing 10 bookmark, dan dalam beberapa menit berhasil memproses 10.000 bookmark