如何计算一个企业需要的推理算力。

微调所需算力的计算较为复杂，会受到多种因素的影响。以下是一些相关的要点： 在一些教程中，如“大圣：全网最适合小白的 Llama3 部署和微调教程”，提到微调可能需要购买算力，预充值 50 元。 对于大型语言模型（LLM）的微调，由于模型规模大，更新每个权重可能需要很长时间的训练工作，还需考虑计算成本和服务麻烦。 调整用于微调的超参数通常可以产生产生更高质量输出的模型。例如，在某些情况中，可能需要配置以下内容： 模型：可选择“ada”、“babbage”、“curie”或“davinci”之一。 n_epochs：默认为 4，指训练模型的时期数。 batch_size：默认为训练集中示例数量的 0.2%，上限为 256。 learning_rate_multiplier：默认为 0.05、0.1 或 0.2，具体取决于 final batch_size。 compute_classification_metrics：默认为假，若为 True，在分类任务微调时在每个 epoch 结束时在验证集上计算特定分类指标。配置这些超参数可通过 OpenAI CLI 上的命令行标志传递。

微调所需算力的计算较为复杂，会受到多种因素的影响。以下为您提供一些相关信息： 在“大圣：全网最适合小白的 Llama3 部署和微调教程”中提到，微调可能需要预充值 50 元购买算力。 “9.生成式 AI Studio 简介”课程中指出，微调大型语言模型（LLM）时，由于模型规模大，更新每个权重可能需要很长时间的训练工作以及巨大的计算成本。 “微调（Finetuning）”部分提到，调整用于微调的超参数通常可以产生产生更高质量输出的模型。需要配置的超参数包括： model：要微调的基本模型的名称，可选择“ada”、“babbage”、“curie”或“davinci”之一。 n_epochs：默认为 4，指训练模型的时期数。 batch_size：默认为训练集中示例数量的 0.2%，上限为 256。 learning_rate_multiplier：默认为 0.05、0.1 或 0.2，具体取决于 final batch_size。 compute_classification_metrics：默认为假，若为 True，在分类任务微调时会在每个 epoch 结束时在验证集上计算特定指标。 需要注意的是，不同的模型和任务，其算力需求的计算方式可能会有所不同。

微调所需算力的计算涉及多个因素，目前没有一个固定的通用公式。但以下是一些相关的要点和参考： 在一些教程中，如“大圣：全网最适合小白的 Llama3 部署和微调教程”，提到微调可能需要预充值购买算力，费用约 50 元。 对于大型语言模型（LLM）的微调，由于模型规模大，更新每个权重可能需要很长时间的训练工作，计算成本较高。 在微调过程中，超参数的配置也会影响算力需求。例如，选择不同的基本模型（如“ada”、“babbage”、“curie”或“davinci”）、设置训练的时期数（n_epochs）、批量大小（batch_size）、学习率乘数（learning_rate_multiplier）等。批量大小通常为训练集中示例数量的 0.2%，上限为 256；学习率乘数默认为 0.05、0.1 或 0.2，具体取决于最终的批量大小。 需要注意的是，不同的模型和具体的微调任务，其算力需求会有所不同。

目前消耗大量算力的行业和企业主要包括以下方面： 1. 科技巨头：如 Google 拥有大量的 GPU 和 TPU 算力，用于复杂的推理任务和模型训练。 2. 云计算公司：例如 Amazon 和 Microsoft，其 AI 云计算收入主要来自模型托管。 3. 从事 AI 研发的公司：像 xAI 计划用十万块 H100 连成巨大集群，OpenAI 拉上微软打造算力中心 StarGate。 4. 特定领域的企业：如 Apple 利用自身优势发展边缘和远端混合的组合模型。 对于小公司而言，直接参与基础设施建设机会较小，但为当地企业提供 AI 训练的算力支持，并配备服务团队帮助整理知识、寻找业务场景、做垂直训练和微调等，可能存在一定机会。

以下是关于数据、算法、算力的相关知识： 数据：数据的质量对于生成理想的大模型至关重要，早期大模型存在使用不太合规数据等导致乱说的情况。 算法：算法有技术架构的迭代，如英伟达的显卡辅助模型训练。 算力：算力的字面意思是计算能力，可以直接转化成 GPU 就是算力，电脑里的显卡就是 GPU。一张显卡除了 GPU 外，还有一个很重要的参数是显存。GPU 是一种专门在个人电脑、工作站、游戏机和一些移动设备上做图像和图形相关运算工作的微处理器，其诞生源自对 CPU 的减负，使显卡减少了对 CPU 的依赖，并进行部分原本 CPU 的工作。显存的作用是用来存储显卡芯片处理过或者即将提取的渲染数据。GPU 的生产商主要有 NVIDIA 和 ATI。

国内的 GPU 算力平台中，支持快速搭建 AI 大模型预训练环境和微调环境的有： 1. 阿里云：提供云计算资源，用户可根据需求租用算力服务。 2. 腾讯云：具备相应的算力支持，为用户提供灵活的选择。 3. 亚马逊 AWS：基础设施提供商建立的“算力集市”，可满足用户的算力需求。 在搭建环境时，通常需要考虑以下步骤： 1. 选择合适的部署方式，如本地环境部署、云计算平台部署、分布式部署、公共云服务商部署等，根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础，例如可以使用开源的预训练模型如 BERT、GPT 等，也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 5. 部署和调试模型，将训练好的模型部署到生产环境，并对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护，大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 此外，英伟达还发布了统一的超算平台 DGX B200，用于 AI 模型训练、微调和推理。它包括 8 个 Blackwell GPU 和 2 个第五代 Intel Xeon 处理器，包含 FP4 精度功能，提供高达 144 petaflops 的 AI 性能、1.4TB 的 GPU 内存和 64TB/s 的内存带宽。但模型训练能耗也是一个关键问题，例如由 8 张 A100 GPU 组成的 DGX 服务器，最大功率达到 6.5 千瓦，运行一小时就会消耗 6.5 度电，若有 1000 台这样的服务器同时运行，每天的电费将达到惊人的 20 万元。

以下是一些常见的 LLM 训练推理模型： 1. FengshenbangLM： 地址： 简介：是 IDEA 研究院认知计算与自然语言研究中心主导的大模型开源体系，开源了姜子牙通用大模型 V1，是基于 LLaMa 的 130 亿参数的大规模预训练模型，具备翻译、编程、文本分类、信息抽取、摘要、文案生成、常识问答和数学计算等能力。除姜子牙系列模型之外，还开源了太乙、二郎神系列等模型。 2. BiLLa： 地址： 简介：开源了推理能力增强的中英双语 LLaMA 模型。较大提升 LLaMA 的中文理解能力，并尽可能减少对原始 LLaMA 英文能力的损伤；训练过程增加较多的任务型数据，利用 ChatGPT 生成解析，强化模型理解任务求解逻辑；全量参数更新，追求更好的生成效果。 3. Moss： 地址： 简介：支持中英双语和多种插件的开源对话语言模型，MOSS 基座语言模型在约七千亿中英文以及代码单词上预训练得到，后续经过对话指令微调、插件增强学习和人类偏好训练具备多轮对话能力及使用多种插件的能力。 此外，Andrej Karpathy 的相关介绍中提到了 LLM 训练的一些情况，如训练过程涉及大约 10TB 的文本，通常来源于互联网的抓取，需要大量的互联网资源和一个 GPU 集群，费用大约 200 万美元。Karpathy 的视频还详细介绍了 LLM 训练的全部过程，包括预训练、有监督微调和强化学习等。

DeepSeek 深度推理+联网搜索目前断档第一，具有以下特点和成就： 发布了大一统模型 JanusPro，将图像理解和生成统一在一个模型中。 统一 Transformer 架构，使用同一个模型就能完成图片理解和生成。 提供 1B 和 7B 两种规模，适配多元应用场景。 全面开源，支持商用，MIT 协议，部署使用便捷。 Benchmark 表现优异，能力更全面。 模型（7B）：https://huggingface.co/deepseekai/JanusPro7B 模型（1B）：https://huggingface.co/deepseekai/JanusPro1B 官方解释：JanusPro 是一种新型的自回归框架，通过将视觉编码解耦为独立路径解决先前方法局限性，利用单一统一 Transformer 架构处理，缓解视觉编码器角色冲突，增强框架灵活性，超越之前统一模型，匹配或超过特定任务模型性能，成为下一代统一多模态模型有力候选者。 下载地址：https://github.com/deepseekai/Janus 官方频道： 微信公众号：DeepSeek 小红书：@DeepSeek（deepseek_ai） X DeepSeek R1 的成就： App Store 排名：冲到美国区 App Store 第一名，超越 OpenAI 的 ChatGPT。 口碑与技术实力：依靠技术实力和口碑赢得用户认可，没有市场部和市场投放。 技术特点： 性能与成本：效果比肩顶尖闭源模型 o1，价格仅为 o1 的 27 分之一。 开源与创新：开源让行业认知整体拉齐，得到全世界尊重和喜爱。 创新模型 R1 Zero：跳过监督微调训练，发现模型思考能力可自我涌现。 影响： 行业影响：引发美国科技界恐慌，Meta 内部对 DeepSeek V3 出色表现感到震惊。 市场影响：低成本和高性能使英伟达市场地位受挑战，股价短期内大跌超 3%，市值蒸发超 300 亿美元（27 日盘前又跌 14%）。 未来展望： 开源模型的进步将超越闭源模型，顶级模型推理价格急速下降，技术更加普惠平权。 AI 编程将随着模型能力提高显著提升效率并降低门槛，AI 创作能力不断提升，催生更多 AI 创作的可消费内容形式。

未来类似 DeepSeek 这种推理大模型普及，结构化提示词不会成为过时的知识。 虽然未来模型可能在某些情况下无需提示词，仅通过简单对话就能理解用户意图，但基础的如何与模型对话的认知仍需具备，这就涉及提示词。例如李继刚老师的结构化提示词能让模型给出更优质、完整的答案。操作过程中有很多有意思的提示词，如“酷老师”“抬杠高手”等，近期提示词有升级，李继刚老师将其玩到新高度，cloud 等大语言模型可直接显示编译结果内容。输入特定提示词可生成卡片，小创业项目可利用并改变提示词形成独到见解或小应用。 从工程视角看，AI 提示词在游戏创作及优化中也有应用。此外，提示工程的本质是提供足够的信息来明确指定要求，即使模型在理解上下文方面变得更好，能够清晰地陈述目标始终很重要，仍需要明确预期结果的能力和技巧。未来可能会更多地利用提示工程来让模型为我们生成、调整提示词，对于没有太多提示工程经验的人来说，提示词生成器可以帮助他们。未来的提示可能更像是一种自省，模型会尝试理解用户真正在思考什么、需要什么。 在 R1 时代，使用 AI 提示词的关键在于提供足够的背景信息，而非复杂的结构。简单大白话仍然有效，但信息量不足则难以得到理想结果。示例和框架可帮助理清思路，但最终影响在于用户的思考和表达。利用乔哈里视窗分析信息需求，避免过度指令化，让 AI 自由思考，从而激发更高的创意和效果。“有用的不是技巧，而是你的思考！”

以下是为您整理的关于开源的 LLM 微调推理、agent 开发平台的相关内容： LLM 作为 Agent 的“大脑”的特点： 1. 知识获取能力：通过预训练学习大量语言数据，掌握丰富语言信息和常识知识，能处理多种任务。 2. 指令理解：擅长解析人类语言指令，采用深度神经网络进行自然语言理解和生成，精准理解意图。 3. 泛化能力：在未见过的数据上表现良好，能利用先前知识处理新挑战，形成对语言结构的通用理解。 4. 推理和规划：能够进行逻辑推理和未来预测，分析条件制定最佳行动方案，在复杂环境中做出理性选择。 5. 交互能力：拥有强大对话能力，在多人多轮次对话中自然流畅交流，改善用户体验。 6. 自我改进：基于用户反馈和效果评估，通过调整参数、更新算法提升性能和准确性。 7. 可扩展性：可根据具体需求定制化适配，针对特定领域数据微调提高处理能力和专业化水平。 相关产品和平台： 1. ComfyUI：可在其中高效使用 LLM。 2. Vercel AI SDK 3.0：开源的工具，可将文本和图像提示转换为 React 用户界面，允许开发者创建丰富界面的聊天机器人。 3. OLMo7BInstruct：Allen AI 开源的微调模型，可通过资料了解从预训练模型到 RLHF 微调模型的所有信息并复刻微调过程。 4. Devv Agent：能提供更准确、详细的回答，底层基于 Multiagent 架构，根据需求采用不同 Agent 和语言模型。 实例探究： 1. ChemCrow：特定领域示例，通过 13 个专家设计的工具增强 LLM，完成有机合成、药物发现和材料设计等任务。 2. Boiko et al. 研究的 LLM 授权的科学发现 Agents：可处理复杂科学实验的自主设计、规划和执行，能使用多种工具。

以下是一些关于开源大模型训练推理、应用开发 agent 平台的相关信息： Agent 构建平台： Coze：新一代一站式 AI Bot 开发平台，集成丰富插件工具，适用于构建各类问答 Bot。 Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，可将 Copilot 部署到多种渠道。 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者打造产品能力。 MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识等，并访问第三方数据和服务或执行工作流。 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等场景，提供多种成熟模板。 钉钉 AI 超级助理：依托钉钉优势，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 Gemini 相关：大型语言模型的推理能力在构建通用 agents 方面有潜力，如 AlphaCode 团队构建的基于 Gemini 的 agent 在解决竞争性编程问题方面表现出色。同时，Gemini Nano 提升了效率，在设备上的任务中表现出色。 成为基于 Agent 的创造者的学习路径：未来的 AI 数字员工以大语言模型为大脑串联工具。Agent 工程如同传统软件工程学有迭代范式，包括梳理流程、任务工具化、建立规划、迭代优化。数字员工的“进化论”需要在 AI 能力基础上对固化流程和自主思考作出妥协和平衡。

目前国内逻辑推理能力较强的大模型有以下几种： 1. Baichuan213BChat（百川智能）：是百川智能自主训练的开源大语言模型。在逻辑推理、知识百科、生成与创作、上下文对话等基础能力上排名 200 亿参数量级国内模型第一，其中逻辑推理能力超过 34B 参数量级的大模型，生成与创作能力超过 72B 参数量级的模型。可应用于小说/广告/公文写作等内容创作场景、智能客服/语音助手以及任务拆解规划等场景，还能部署在教育、医疗、金融等垂直行业中应用，同时可部署在低算力终端处理基础智能任务。 2. 智谱清言（清华&智谱 AI）：是智谱 AI 和清华大学推出的大模型产品，基础模型为 ChatGLM 大模型。在工具使用排名国内第一，在计算、逻辑推理、传统安全能力上排名国内前三。可应用于 AI 智能体方面相关的应用，包括任务规划、工具使用及一些长文本记忆相关的场景，在较复杂推理应用上的效果也不错，广告文案、文学写作方面也是很好的选择。 3. 文心一言 4.0API（百度）：在计算、逻辑推理、生成与创作、传统安全这 4 大基础能力上排名国内第一。另外在代码、知识与百科、语言理解与抽取、工具使用能力上排名国内前三。能力栈较为广泛，可应用于查询搜索知识应用、任务拆解规划 Agent、文案写作以及代码编写及纠错等方面，在科学研究、教育、工业方面的落地能力也值得关注。

对于非计算机专业出身想要快速入门 AI 的人，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您能找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，对于不会代码的您，20 分钟上手 Python + AI 的方法如下： 在深入学习 AI 时，许多朋友发现需要编程，变得头大。同时，各类教程都默认您会打命令行，导致入门十分困难。鉴于此，就有了这份简明入门，旨在让大家更快掌握 Python 和 AI 的相互调用，并使您在接下来的 20 分钟内，循序渐进的完成以下任务： 1. 完成一个简单程序。 2. 完成一个爬虫应用，抓取公众号文章。 3. 完成一个 AI 应用，为公众号文章生成概述。 一些背景： 1. 关于 Python： Python 就像哆拉 A 梦，它拥有一个百宝袋，装满了各种道具，被称为标准库。当遇到问题时，都可以拿出来直接使用。 如果百宝袋里的道具不够用，还可以打电话给未来百货，去订购新道具。在这里：打电话对应 pip 一类的工具，可以用来订购任何的道具；未来百货对应 GitHub 一类的分享代码的平台，里面啥都有。 Python 被全世界广泛使用，尤其是在 AI 领域，所以遍地是大哥。 2. 关于 OpenAI API： OpenAI 通过两种方式提供服务：其一，通过 ChatGPT，提供开箱即用的服务，直接对话即可，简单直观；其二，通过 OpenAI API，提供更加灵活的服务，通过代码调用，来完成更多自动化任务，比如全自动将本地的 1 万本小说，从中文翻译成英文。 欢迎来到“AI 企业落地应用”专栏，在这里，我们将分享 AI 技术在真实商业场景中落地应用的有趣案例故事和实战经验教训。做为铺垫和开始，这是一篇能带你快速搞懂本轮 AI 大模型革命相关核心知识信息的文章，我们将从历史到今天，从原理到应用，从产业到趋势，用尽可能通俗易懂但又不失专业严谨的方式，带你快速走入 AI 的世界，跟上 AI 大势。阅读提示：为了方便没有计算机学习背景但又热衷学习 AI 应用的伙伴更好的阅读，下面的内容可能会使用打比方、作类比的方式来让那些晦涩枯燥的知识变得更为有趣和更容易入心入脑，帮助于您在学习应用 AI 的路上走得更加顺畅和稳健，但这也势必会一定程度带来专业性上的不严谨，我们将会显性的做出标注提示，方便您识别，您可以关注文末的论文推荐导引，去了解真实的技术细节。此外，文章中可能还会涉及一些相对专业和可能超纲的知识内容，我们也将会显性的做出标注提示，告诉您这部分内容即使不懂，也完全没关系，可以放心跳过，不必焦虑。

以下是为您整合的相关内容： Transformer 模型和 BERT 模型： 模型训练与评估：定义模型后，传递训练数据集和验证数据集及训练时期数，训练完成后评估性能，如达到 85%准确率。 模型性能可视化：绘制准确性和随时间的损失图。 保存与加载模型：使用 model.save 方法导出并保存模型到本地路径，保存后可加载进行预测。 预测示例：对不同情感的评论句子进行预测。 部署模型到 Vertex AI：检查模型签名，上传本地保存的模型到 Google Cloud 存储桶，在 Vertex 上部署模型并获得在线预测。 提示工程： 策略：将复杂任务分解为更简单的子任务。 技巧：使用意图分类识别用户查询中最相关的指令。例如在故障排除场景中，根据客户查询分类提供具体指令，如检查路由器连接线、询问路由器型号、根据型号提供重启建议等。模型会在对话状态变化时输出特定字符串，使系统成为状态机，更好控制用户体验。 OpenAI 官方指南： 战术：将复杂任务拆分为更简单的子任务。 策略：使用意图分类来识别与用户查询最相关的指令。例如在故障排除场景中，基于客户查询分类向 GPT 模型提供具体指令。已指示模型在对话状态变化时输出特殊字符串，将系统变成状态机，通过跟踪状态等为用户体验设置护栏。

对于编程纯小白，如果想使用 Cursor 之类的 AI 软件进行编程实现自己的想法，需要具备以下编程或计算机方面的基础知识： 1. 下载 Cursor：访问 https://www.cursor.com/ 进行下载。 2. 注册账号：可以使用自己的邮箱（如 google、github、163、qq 邮箱）直接登录，接受二维码登录。 3. 安装中文包插件。 4. 在设置中进行 Rule for AI 配置。 5. 清晰表达需求：例如做一个贪吃蛇游戏，在网页中玩。需要明确游戏的规则和逻辑，如游戏界面是在矩形网格上进行，玩家控制蛇的移动方向（上、下、左、右），游戏界面上会随机出现食物，蛇吃到食物身体增长，存在撞墙或撞自己的死亡条件，吃到食物可得分，游戏难度会递增，游戏结束时能看到得分等。 对于纯小白，如果需求远比 AI 直出的内容复杂，无法一次性直出，那就需要耐下性子，在 AI 的帮助下一步一步来，并在这个过程中学会一点点编程。

目前市面上有一些能够计算工程预算的软件和具备相关功能的 AI 工具。例如广联达，它是一款在建筑工程领域广泛使用的预算软件，功能较为全面和专业。还有鲁班软件，也在工程预算计算方面有一定的优势。 此外，一些新兴的 AI 工具如某些基于大数据和机器学习算法的在线预算计算平台，能够根据您输入的工程参数和要求，快速生成较为准确的预算结果。但在选择时，您需要考虑软件的适用性、价格、操作便捷性等因素，以满足您的具体需求。

GPU（图形处理器）具有以下计算特性： 1. 专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。 2. 诞生源自对 CPU 的减负，使显卡减少了对 CPU 的依赖，并进行部分原本 CPU 的工作，尤其是在 3D 图形处理时。 3. 所采用的核心技术有硬件 T&L（几何转换和光照处理）、立方环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素 256 位渲染引擎等，硬件 T&L 技术可以说是 GPU 的标志。 4. 生产商主要有 NVIDIA 和 ATI。 5. 在矩阵乘法方面表现出色，早期使用游戏用的 GPU 能使运算速度提高 30 倍。 6. 随着 AI 领域的发展而不断发展，例如在训练神经网络方面发挥重要作用。

目前市面上有一些无代码工具可以帮助您搭建数据大屏，例如： 1. 阿里云 DataV：提供丰富的可视化组件和模板，操作相对简单。 2. 腾讯云图：支持多种数据源接入，具备强大的可视化编辑能力。 3. 帆软 FineReport：功能较为全面，能满足多样化的大屏搭建需求。 您可以根据自己的具体需求和使用习惯选择适合的工具。

很抱歉，目前飞书知识库中没有关于您所描述的这种特定需求下应选定哪种 prompt 框架的相关内容。但一般来说，构建这样的企业每日利润表分析与汇报助手的 prompt 框架可以考虑以下几个方面： 1. 明确数据来源和格式：清晰描述数据来自 Excel 或 MySQL 数据库，以及包含的具体字段。 2. 定义分析维度和指标：如按板块、国家等维度汇总数据，关注利润相关的指标。 3. 设定时间范围：明确分析近一周的数据变化。 4. 描述图表要求：指定以柱状图展示数据。 5. 解释变化原因：阐明导致数据变化或波动的关键因素。 您可以根据实际情况进一步细化和完善这个框架。

要创建这样一个智能体助手来分析您提供的数据，以下是一些建议的步骤： 1. 数据获取与预处理： 从 Excel 或 MySQL 数据库中读取数据。 对数据进行清洗和预处理，例如处理缺失值、异常值等。 2. 数据分析与计算： 按照用户需求的维度（如板块、国家、品牌等）对数据进行分组和汇总计算。 计算近一周的数据变化情况。 3. 图表生成： 使用合适的图表库（如 matplotlib、Seaborn 等）将汇总后的数据以柱状图的形式展示。 4. 变化原因分析： 通过比较不同维度的数据，找出导致变化或波动的关键因素。 在技术实现方面，您可以使用 Python 编程语言来完成上述任务。例如，使用 Pandas 库进行数据处理和分析，使用 Matplotlib 库生成图表。希望这些建议对您有所帮助，如果您在实现过程中遇到具体的技术问题，欢迎随时向我咨询。

以下是一些可能有助于您快速完成对账工作的大模型或工具： 1. Coze 记账管家：它能通过大语言模型将用户输入的非结构化数据转变为结构化数据存入数据库。工作流程包括定义提示词，让大模型拆解并识别记账事项、发生时间、变动金额等，然后将这些数据存入数据库。 2. GLM4AllTools：可用于统计平台月度账单，例如您可以从平台导出月度明细数据，上传账单给沙盒，让模型统计账单数据和用量，还能分析账单数据波动。 3. 生成式 AI：在金融服务领域，它能帮助改进内部流程，如预测编写 Excel、SQL 和 BI 工具中的公式和查询，自动创建报告的文本、图表、图形等内容，为会计和税务团队提供税法和扣除项的可能答案，以及帮助采购和应付账款团队自动生成和调整合同、采购订单和发票等。

以下是几种适用于在飞书上构建企业每日利润表分析与汇报助手的 prompt 框架及样例： 1. ICIO 框架： 指令：明确执行的具体任务，如“分析企业每日利润表并生成详细报告”。 背景信息：提供执行任务的背景信息，如“企业近期业务拓展，成本有所增加”。 输入信息：大模型需要用到的一些信息，如“利润表的各项数据”。 输出信息：明确输出的具体信息的要求，如“报告以表格形式呈现，包含各项利润数据的同比和环比变化，并给出简要分析”。 2. BROKE 框架： 背景：说明背景，如“公司处于业务增长阶段，需要密切关注利润情况”。 角色：设定特定的角色，如“利润表分析专家”。 目标：明确任务的目标，如“准确分析每日利润表，为管理层提供决策支持”。 关键结果：明确可以衡量的结果，如“报告中的分析结论能帮助管理层制定有效的成本控制策略”。 调整：根据具体的情况，来调整具体的结果，如“根据市场变化调整利润分析的重点”。 3. CRISPIE 框架： 能力和角色：期望大模型扮演的角色洞察，如“专业的财务分析师”，提供幕后洞察力、背景信息和上下文。 声明：简洁明了的说明希望完成的任务，如“对每日利润表进行全面深入分析”。 个性：回应的风格、个性或者方式，如“以简洁明了、数据准确为特点”。 实验：提供多个回答的示例。 4. 情境框架： 情境：描述当前的情况，如“企业面临市场竞争，利润波动较大”。 任务：明确要完成的任务，如“分析每日利润表，找出利润波动的原因”。 行动：说明采取的行动，如“对各项收入和成本进行详细比对”。 结果：阐述期望得到的结果，如“生成包含原因分析和建议的报告”。

以下为您推荐两款可能满足您需求的免费 AI 软件： 1. 360AI 浏览器： 功能 1：看长视频，敲黑板划重点。可以帮您观看 B 站的字幕视频，短短几秒就能总结概要生成脑图，告诉您视频的重点和高潮剧情在哪。例如用 360AI 浏览器观看《2007 年 iPhone 发布会》，能生成内容摘要和思维导图，视频全程 20 个看点，点击其中任一看点，就能定位到进度条对应位置，直接观看感兴趣的重点内容。还可以对英文字幕进行翻译，帮助您理解内容。同时可通过 AI 助手对话，就视频内容进行追问和扩展提问。 功能 2：阅读国内外长论文和著作，自动翻译自动提炼，3 分钟 get 要点。目前支持 360k 长文本阅读。以《三体》为例，360AI 浏览器可以呈现《三体》两册完整的故事框架，还支持生成思维导图。 官网地址：ai.se.360.cn 2. Boardmix 博思 AI 白板：在 12 月数据国内总榜中，其属于思维导图分类。