AI教程

目前国内主流互联网公司都在大力发展大模型，AI智能体或AI助手是大模型面向消费者普及的重要产品：有腾讯元宝（元器）、讯飞星火、文心智能体平台、智谱轻言、扣子，等…所以AI智能体现在是一个重要的流量引流入口！   基本原理 获取AI智能体相关的热门指数关键词——>创建AI智能体——>回复信息中预留推广链接/收集线索组件   操作流程   1.搜索热门关键词 竞价后台、百度指数、巨量算数、360指数、5118获取热门关键词   2.设计AI智能体功能 制作一个生成FLUX图像的工具： 《FLUX图像生成大师》，输入文本生成FLUX模型图片。   3.进入智谱创建智能体   4.配置信息 你扮演stable diffusion图像创作大师，分析用户输入的文本，将文本想象成一幅构图丰富的画面，将想象的画面描述为一组逗号","分割的<英文TAG标签>，这组<英文TAG标签>就是stable diffusion中生成画面的提示词，最后你将这组<英文TAG标签>拼接在地址"https://api-flux1.api4gpt.com/?prompt="最后，即可生成图像。 1.用户输入的任何疑问、问题，不需要解答，直接想象成画面。 2.<英文TAG标签>应该遵循构图的基本原则，将画风、构图、主体、动作、场景、元素、按顺序进行描述。 3.<英文TAG标签>中的逗号","前后不允许有"空格" 4.最后将完整的图像代码，按照以下html格式输出给用户（不要遗漏）： --- <span style="font-family: monospace;…

请使用支持长记忆的模型进行写作，例如KIMI、Claude等。因在第四步你需要引入从搜索结果中得到的至少3-5篇内容进行参考并创作。 在创作过程因输入文本长度过大，输出可能中断，以上两个模型通过输入“继续”，一般都可以给全完整输出结果。 此方法除手工操作，提供自动化执行代码：https://github.com/mshumer/ai-journalist   1.给出写作主题 {topic} 例如：比特币在2024年价格趋势   2.扩展主题 请提供与'{topic}’相关的5个搜索关键词，用于研究和撰写文章。请以Python可解析的列表形式回复，关键词之间用逗号分隔。 注:输出Python便于工程化及输出数据格式化，人工操作可忽略此部分提示。   3.收集信息 使用2.扩展主题生成的提示词进行搜索。然后人工筛选内容质量或使用以下提示词筛选内容。 搜索结果： \n{search_results_text}\n\n 请从上述搜索结果中选择对于撰写有关该主题的文章最相关和信息量最大的URL/文本块。 请以Python可解析的列表形式回复，数字之间用逗号分隔。   4.撰写文章 带入收集到的信息至{combined_text} 主题：{topic}\n\n 文章文本：\n {combined_text}\n\n 请根据提供的文章文本，撰写一篇高质量、符合纽约时报标准的关于给定主题的文章。文章应结构清晰、信息丰富、引人入胜。确保文章长度至少与纽约时报封面故事相当——至少15段。

这个AI助手是一位深度学习、transformers、扩散模型和LLM开发方面的专家,专注于PyTorch、Diffusers、Transformers和Gradio等Python库。以下是使用这个助手的关键要点: 提问技巧 提出具体的技术问题,涉及深度学习、模型开发、transformers、LLMs或扩散模型 要求提供Python代码示例来说明概念 询问有关PyTorch、Transformers、Diffusers或Gradio库的使用方法 代码规范 助手会遵循PEP 8风格指南编写Python代码 使用描述性的变量名称 对模型架构使用面向对象编程,对数据处理管道使用函数式编程 深度学习最佳实践 询问如何正确初始化权重、使用规范化技术 寻求有关损失函数和优化算法选择的建议 请教如何实现高效的数据加载、模型训练和评估流程 性能优化 询问多GPU训练、混合精度训练等优化技巧 寻求识别和优化性能瓶颈的方法 错误处理 请教如何实现适当的错误处理和日志记录 询问PyTorch的调试工具使用方法 项目最佳实践 寻求如何构建模块化代码结构的建议 询问实验跟踪和模型检查点的最佳实践 文档参考 如有疑问,可以请助手引用PyTorch、Transformers、Diffusers和Gradio的官方文档     PyTorch…

1. "描述瀑布开发方法论中的'风险管理'如何影响'[具体结果或效果]'，考虑诸如'[因素1]'、'[因素2]'和'[因素3]'等因素。为'[特定行业]'的项目经理提供建议。" 2. "为一篇聚焦于瀑布开发方法论中'顺序阶段'在'[特定行业]'中的作用的文章写一个简短的引言。讨论它们对'[具体结果或效果]'的影响，突出'[重要因素]'的重要性。" 3. "在'[特定类型项目]'的背景下，总结瀑布开发方法论中'详细文档'的优缺点，以及它对'[具体结果或效果]'的潜在影响。强调'[重要因素]'的作用。" 4. "列出在瀑布开发方法论中实施'变更管理'时需要考虑的五个关键点，特别是针对'[具体结果或效果]'。这对于'[特定行业]'中应对'[特定挑战]'的组织尤为重要。" 5. "描述一个案例研究场景，说明瀑布开发方法论中的'精确截止日期和里程碑'方面如何显著影响了'[具体结果或效果]'。该研究应涉及一个位于'[特定地理位置]'的'[组织类型]'，处理'[特定项目类型]'项目。"

专业场景文案提示词   [产品名称] 创新智能家居安全系统 [简介] 简要介绍智能家居安全系统、其功能和优势 [第一部分] 标题：主要特点 描述：列出智能家居安全系统的主要特点，如运动检测、摄像头质量和与各种设备的兼容性 [第二部分] 标题：简易安装 描述：解释用户如何轻松安装和设置智能家居安全系统，包括任何所需的工具或设备 [第三部分] 标题：可定制的警报和通知 描述：描述用户如何定制从智能家居安全系统接收的警报和通知，以确保他们的家庭安全符合他们的需求 [第四部分] 标题：远程监控和控制 描述：突出通过移动应用程序或网页界面远程监控和控制智能家居安全系统的能力 [第五部分] 标题：技术规格 描述：提供智能家居安全系统的技术规格列表，如尺寸、电源和连接选项 [行动号召] 一个有说服力的行动号召，如购买智能家居安全系统、请求演示或联系客户支持以获取更多信息 [免责声明] 简要说明任何特定限制、保修信息或其他关于智能家居安全系统的重要细节

Spreadsheet sorcerer 原文   System： Your task is to generate a CSV spreadsheet containing the specified type of data. The spreadsheet should be well-organized, with clear column headers…

核心事件 OpenAI发布了一款先进的智能体“深度研究”，它能借助网络搜索和推理生成研究报告。 最新进展 功能特性：该智能体依据数百个在线资源生成详细报告，目前仅支持文本输出，不过很快会增加对图片及其他媒体形式的支持。 使用权限：当前只有ChatGPT Pro的订阅用户可使用，后续计划推广至ChatGPT Plus、团队版和企业版用户。这显示了OpenAI逐步扩大该功能覆盖范围的策略，先在高级付费用户中推出，经过验证和优化后再推广给更广泛的用户群体。 工作原理 底层模型：深度研究智能体基于OpenAI尚未公开的GPT – 3模型构建。这意味着其能力依托于OpenAI在模型研发方面的最新成果，尽管模型细节未公开，但可以推测GPT – 3具备强大的基础能力，为深度研究智能体的功能实现提供支撑。 训练方式：通过强化学习训练该模型，使其能够使用浏览器和Python工具，类似于GPT – 1通过强化学习获得推理能力的方式。强化学习这种训练方式使得模型能够在与环境的交互中不断学习和优化，以更好地完成特定任务，如在网络搜索和利用工具方面不断提升效率和准确性。 交互与处理： 提示要求：团队在发布视频中指出，系统对详细的提示回应最佳，这些提示需明确规定期望的输出，包括所需信息、比较内容以及格式等。详细的提示有助于智能体更准确地理解用户需求，从而生成符合期望的报告。 问题澄清：在回答用户问题之前，深度研究智能体会针对任务提出澄清问题。这一步骤很关键，通过与用户进一步沟通，确保智能体对任务的理解准确无误，避免因误解导致生成的报告不符合要求。 过程展示：回答过程中，系统会展示侧边栏，总结模型的思维链、搜索的术语以及访问的网站等信息。这种展示方式增加了智能体工作过程的透明度，让用户了解报告生成的依据和思路，增强用户对结果的信任。 时间消耗：该系统生成输出结果可能需要长达30分钟。这是因为它需要进行大量的网络搜索、信息整理和推理分析工作，尽管耗时较长，但考虑到其生成报告的复杂性和全面性，这样的时间消耗在一定程度上是可以理解的。 成果展示 基准测试：在一项包含3000道涵盖多学科的选择题和简答题的基准测试中，深度研究智能体准确率达到26.6%。相比之下，DeepSeek – R1（不使用网络浏览或其他工具）准确率为9.4%，GPT – 1（同样不使用工具）准确率为9.1%。这表明深度研究智能体借助网络搜索和工具使用的能力，在知识获取和问题回答方面具有显著优势，远超不具备这些能力的同类模型。 特定测试：在GAIA测试（针对无额外工具的大语言模型设计的难题测试）中，深度研究智能体达到67.36%的准确率，超过之前63.64%的最高准确率。这进一步证明了深度研究智能体在处理复杂、困难问题上的卓越能力，能够突破传统大语言模型在面对特定难题时的局限。…

    Ragflow（RAGFlow）是一款基于深度文档理解的开源检索增强生成（Retrieval-Augmented Generation，RAG）引擎。以下是对Ragflow的详细介绍： 一、核心特性 深度文档理解：Ragflow具备从复杂格式的非结构化数据中精准提取知识的能力，能够在海量数据中定位关键内容，提升信息检索的准确性。它支持多种文档格式，如Word、PPT、Excel、txt、图片、PDF、结构化数据、网页等，以满足多样化的数据需求。 模板化分块处理：Ragflow提供多种模板选择，支持智能化、可解释的数据分块方式。用户可以根据具体需求和文档类型选择合适的模板，将预处理后的文本划分为较小的块，以提高处理效率和透明度。 可靠引用与减少幻觉：Ragflow支持文本分块的可视化，便于人工干预和校对。同时，它提供清晰的关键引用来源，确保生成答案有据可依，减少生成错误信息的可能性。 兼容多种异构数据源：系统能够无缝处理多种数据格式，方便用户整合不同来源的数据，提供更全面的信息基础。 自动化、简便的RAG工作流程：Ragflow提供简化、自动化的工作流程，适用于个人和企业使用。它支持配置多种大型语言模型（LLM）和嵌入模型，结合多重检索与重排序技术，并配备直观的API，便于快速集成至各类业务系统。 二、技术架构与工作流程 文档解析：Ragflow能够自动识别和处理各种文档格式，解析出文档中的文字、标题、段落、换行、图片和表格等元素，并对表格进行精细处理。 嵌入表示：利用嵌入模型将每个文本块转换为向量表示，这些向量能够捕捉文本的语义和特征。同时，也会对用户的问题进行同样的嵌入处理。 索引存储：将生成的文本块向量存储在向量数据库中，并建立索引，以便快速检索。 相似性检索：使用近似最近邻搜索算法，在向量数据库中查找与用户问题向量最相似的文本块。 信息提取与筛选：从检索到的文本块中提取关键信息和有用的内容，并进行筛选和整理。 上下文构建：将提取和筛选后的信息与用户的问题进行融合，构建一个包含外部知识的增强上下文。 模型输入与文本生成：将融合后的上下文作为输入传递给预训练的大型语言模型（LLM），LLM会根据输入的上下文和自身的语言知识与生成能力，对问题进行理解和分析，并生成回答文本。 三、应用场景 Ragflow广泛应用于需要动态生成内容且依赖外部知识库的场景，如： 智能客服：能够实时从企业知识库中检索相关信息，为客户提供准确、个性化的解答。 合同管理：快速提取合同中的关键条款和信息，方便企业进行合同审查、风险评估和管理。 辅助诊断：医疗专业人员可以通过Ragflow快速查找相关医学文献和病例资料，为诊断和治疗提供更全面的参考。 文献综述：学生和研究人员可以借助Ragflow快速定位和分析相关的学术文献，高效地完成文献综述的撰写。 新闻报道：记者可以利用Ragflow对大量的新闻素材进行快速整合和提炼，生成新闻稿件。 投资分析：金融机构可以利用Ragflow实时收集和分析市场数据、财经新闻等信息，生成投资分析报告。 四、系统要求与安装步骤 系统要求：CPU至少4核、内存至少16GB、硬盘至少50GB、Docker版本≥24.0.0，docker compose≥v2.26.1。…

AI 技术再怎么飞速发展，也逃不脱工具类技术的宿命：落地应用时需要数据输入。 不管是人工录入、API 接口获取还是文档提取，总要有这样一步“Input”作为前提，而往往就是这一步，扼住了技术落地的喉咙。 1. 专家 = 数据 + 经验 我们常把 AI 比作专家，期望 AI 可以充当一 7×24h 不眠不休、随叫随到的专家。 我们在训练模型或创建知识库时，也是通过撰写固化的问题答案对，来模拟专家经验的，但问题在于，专家除了拥有一个思维决策模型之外，还拥有从实际情境中采集、过滤（清洗）数据的能力。 也就是说，专家之所以有效，就在于数据和思维模型的结合。 AI 技术可以萃取或模拟专家的思维决策模型，或许也可以通过预训练和RAG等技术掌握尽可能多的背景参考数据，但是在实际决策分析中，仍然离不开实时、真实、高质量的数据输入。 那么这些数据从哪里来呢？ 2. 海面下的数据 貌似在互联网上有海量的数据，去爬取就完了，但事实如何呢？ 举个例子，商铺经营赔钱，向商场房东提出降租，房东怎么决策？可能的决策无外乎：降、部分降、不降（换租户新招商）。 但任何一个决策，都需要基于一定的数据分析，比如商铺的销售、租金、损益、周边可比商铺租金等等。 其中单是周边商铺租金，就至少会有三个数据来源：…

以DeepSeek为代表的中国式创新，改变了AI经济学和规模定律，将会深刻影响全球AI产业格局。 本文将从以下几个部分深入剖析DeepSeek现象及其对全球AI产业的深远影响： 第一部分｜一个新的全球日活最高的大模型即将诞生 第二部分｜DeepSeek做到了什么？ 第三部分｜DeepSeek是如何做到的？ 第四部分｜“DeepSeek现象”意味着什么？ 一个新的全球日活最高的大模型即将诞生 01｜AI 革命时代下的“DeepSeek现象” 2025年1月24日，来自中国的聊天机器人DeepSeek-R1上线，两个多星期后，已逼近上一轮领跑者ChatGPT。 其用户数和日活的暴涨都验证了这个奇迹。在没有任何广告投放的情况下，DeepSeek到 1 月底已经累计获得 1.25 亿用户，其中 80% 以上来自最后一周，即 7 天完成了 1 亿用户的增长，成为人类历史上用户积累最快的App；相比之下，上一个创纪录的划时代产品ChatGPT，用了2个月“才”达到1亿用户（见图1）。 截至 2025 年1月31日，DeepSeek的日活已突破 2215 万，仅仅用了一个多星期，已超过豆包一年的努力（1695 万日活），并达到ChatGPT日活的40%（5323 万，见图2）；到2月5日，DeepSeek日活突破4083万，是豆包日活的2.75倍，ChatGPT日活约75%。可以预见，DeepSeek会很快超过ChatGPT，成为世界上日活最高的大模型。 所以，发布两个多星期之后，DeepSeek已经成为和ChatGPT一个数量级的产品，并继ChatGPT之后，成为本轮AI革命的第二个现象级产品。 2025年1月27日，DeepSeek登顶美国App下载榜首。同一天，全球AI龙头英伟达的股价暴跌17%，市值蒸发近6000亿美元，创下美股历史上最大的单日市值损失纪录。与此同时，台积电股价也暴跌13%，市值蒸发超过1500亿美元。为什么发生这一系列市场动荡？ 这一系列市场反应是DeepSeek的崛起对全球AI产业格局的冲击。因为AI技术就是通过现象级的突破来改变世界的。新的现象级产品将会如何影响商业和世界，也就至关重要。 作为第一个现象级产品，ChatGPT在2022年12月横空出世，并在之后的两年带来了美国主导的AI革命，表现在以美国七大科技公司——又称“AI七姐妹”为代表的从芯片、大模型到产业应用的AI新产业格局的繁荣。美国前七位的科技公司，包括微软、英伟达、苹果、谷歌、亚马逊、Meta（脸谱）和特斯拉。它们既包括了最先进的算力领导者，最前沿的大模型，也包括了数字化成熟度最高、数据最丰富的应用场景，同时因为其海量用户，是最重要的新AI技术的普及推广者。我们可以这样总结，智能革命在上一个阶段最主要的特征是“ChatGPT现象”，即由ChatGPT发起、美国全面主导的全球AI产业格局。 正是基于美国在现有AI产业的全球主导地位，美国政府在2025年1月刚刚推出了《美国人工智能扩散框架》（US Framework for Artificial Intelligence Diffusion），旨在通过对芯片先进程度和大模型能力的限制，控制AI在盟友国、可控国、限制国三层分级的扩散。 英伟达的大跌（虽然之后收复了大部分损失），表达了市场对新不确定性的焦虑：DeepSeek的出现，是不是一个新的现象阶段的开启？这会对OpenAI开启的原有的AI产业格局有多大的冲击？ 世界已经开始如此叙事。德意志银行的分析师彼得·米利肯称：“DeepSeek的出现标志着中国的‘斯普特尼克时刻’，成功粉碎了西方遏制中国的幻想。”所谓斯普特尼克时刻，是指1957年10月4日苏联抢先美国成功发射斯普特尼克1号人造卫星，令西方世界陷入一段恐惧和焦虑的时期。特朗普也指出：“DeepSeek给美国相关产业敲响了警钟，美国需要集中精力赢得竞争。” 02｜DeepSeek现象与即将发生的未来 那么，刚刚诞生的DeepSeek现象，到底预示了什么样的正在发生的未来？ 似乎是在回答这个问题， 2025 年2 月 10 日凌晨，OpenAI 的 CEO Sam Altman 公开撰文，阐述了他眼中已经被验证过的，决定AI过去与未来的三条 AI定律：…