Apple Watch上月底发货和正式上线应用商店后,苹果CEO库克近日公开表示,Apple Watch目前已经有超过3500款应用。
除了内置的原生应用,苹果公司还在Apple Watch应用商品为用户推荐了微博、微信、随手记等11款入门级应用,涵盖了社交、购物、出行、新闻、生活以及理财等多个领域,基本覆盖日常生活场景所需。
苹果公司向来关注动态系统的建设和完善,在iPhone上功能完善和体验成熟的主流APP可以在Apple Watch怎么“玩”,让果粉们期待不已。
在苹果的推荐清单上,随手记是唯一一款被推荐的记账理财App。除了用Apple Watch收发社交信息和监测运动情况,怎样用Apple Watch记账让人“脑洞大开”,一起来看看怎样抬起手腕“记账理财”吧!
对Apple Watch有兴趣的果粉们都知道,要在Apple Watch上使用第三方应用,首先要把其跟你的iPhone手机进行匹配。需要注意的一点是,Apple Watch必须配合iPhone使用,至少是iPhone 5或更新的产品,并且升级到ios 8.2以上的系统。
升级系统以后,只要打开系统自带的Apple Watch应用,点击匹配让手机相机扫描手表完成配对。在配对的过程你可以选择自动或手动同步iPhone上的数据。
因此,只要在iPhone手机上安装好随手记,随手记就会自动出现在“我的手表”的列表中,点击并选择“在Apple Watch上显示应用程序即可”,Apple Watch将会自动同步你在手机端随手记上的相关数据。
抬起手腕实时监控财务动态
随手记For Apple Watch主要有通过Glance实时浏览财务动态、提供各种图表为用户展示最新资产状况、点击模板快速记账、预算超支提醒以及热点理财资讯推送等核心功能。
随手记在手机端的图表展示财务状态功能一直是该款App的一大亮点。此次在随手记团队在随手记For Apple Watch上延续了此项功能,将为用户带了怎样的交互体验呢?
(图:激活手表,往上活动屏幕,无须打开app也能看到近期收支情况。)
想要最快速地了解近期的财务状况。用户只需激活Apple Watch,并从下往上滑动屏幕,无须打开随手记APP就可以通过Glance实时浏览“本月收支结余统计”。
而点解图表按钮进入图表功能页面可见,用户可以查看“月度支出”、“月度收入”和“资产负债”三大维度的财务信息。其中,月度支出和月度收入中,随手记还会将你本月的数据与上个月的数据进行动态对比,近期的收支状况一目了然。
在“资产负债”中则可以根据实时的“总资产、净资产以及总负债”三个维度浏览自己的总体资产状况。
(图:发工资了,快打开随手记For Apple Watch图表看看收入了多少钱。)
轻抬手腕就能一清二楚地浏览财务动态,对比需要打开手机查询信息来说,随手记For Apple Watch为用户带来了不少便捷的体验。
记账体验——一手买单一手记账
作为一款记账理财软件,除了利用图表和Glance功能巧妙厘清财务状况,“记账”顾名思义是随手记的主要功能之一。
(图:买完咖啡后,通过预设的模板一键记账)
目前,随手记For Apple Watch支持一键模板记账功能,只需要在随手记手机端按照日常的收支状况设置常用的模板,例如交通、饮食、房租物业和工资收入等相对固定的收支状况,就可以轻松实现“一键”记账,相关的信息也会快速同步在手机端的随手记APP中。
预算预警抑制冲动消费
习惯记账的用户大多都有每月设置预算和阅读理财资讯的习惯。在消息中心中,随手记有预算预警提醒和系统消息推送两大功能。
在预算预警中可见,只要用户在随手记手机端设置了每月预算和二级预算,随手记For Apple Watch都会实时向用户推送预算余额情况。
当你抬起手腕就能轻松查看是否有超支时,对大多数人而已能起到一定程度的抑制冲动消费作用。例如,逛完街想要打车的时候,抬起手腕看随手记For Apple Watch的预算预警提醒,行车交通预算所剩无几了。你或许就会放弃打车的念头而选择便宜的公共交通方式。
(图:逛完街想打车,预算预警提示交通费要花完了,还是坐公交吧)
总结:快捷灵活 深入生活场景
总体而言,作为苹果商品财务榜上长期占领榜首的APP,随手记在Apple Watch上延续了其核心功能,优化了产品的功能体验及显示界面,在个性与系统的平衡体验上实现了新的突破。
与手机端的理财软件相比,随手记 For Apple Watch拥有更贴近,更及时以及更便捷的功能操作感受。充分利用手腕上的Apple Watch快捷灵活的特点,让个人财务管理通过可穿戴设备更深入用户的生活场景。
好文章,需要你的鼓励
想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。
想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。
想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。
想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。