智谱agent智能体的使用方法

智谱 AI 相关信息如下： 2024 年 10 月 AI 行业大事记中，智谱开源了文生图模型 CogView3Plus3B。 智谱 AI 开源的语言模型列表（Chat 模型）： ChatGLM26B32k：第二代 ChatGLM 长上下文对话模型，在 ChatGLM26B 的基础上进一步强化了对长文本的理解能力，能处理最多 32K 长度的上下文。 ChatGLM26B32kint4：ChatGLM26B32K 的 int4 版本。 ChatGLM6B：第一代 ChatGLM 对话模型，支持中英双语，基于 General Language Model架构，具有 62 亿参数。 ChatGLM26B：第二代 ChatGLM 对话模型，相比一代模型性能更强，基座模型的上下文长度从 2k 扩展到 32k，在对话阶段使用 8K 的上下文长度训练，推理速度相比初代提升 42%。 ChatGLM26Bint4：ChatGLM26B 的 int4 量化版本，具备最小 5.1GB 显存即可运行，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。

智谱清言是智谱 AI 和清华大学推出的大模型产品，其基础模型为 ChatGLM 大模型。2023 年 10 月 27 日，智谱 AI 于 2023 中国计算机大会（CNCC）上推出了全自研的第三代基座大模型 ChatGLM3 及相关系列产品。 模型特点： 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。 更擅长专业能力，但代码能力有优化空间，知识百科与其他第一梯队模型相比稍显不足。综合来看，是很有竞争力的大模型。 适合应用： 场景广泛，可优先推进在 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效果不错。 广告文案、文学写作方面也是很好的选择。 在对结构化 prompt 的测试和反馈中，输入智谱清言后，问题和文心一言一样，需先改写再看输出效果。改写后效果不错，能理解 prompt，输出内容感觉良好。这里最大的体会是结构化 prompt 非常重要，要从结构化开始，且要不断迭代，根据输出结果不断优化。

智谱 AI 插件的调用方式如下： 针对智谱，重复类似操作，调用的是 https://chatglm.cn/chatglm/backendapi/v1/conversation/recommendation/list 接口。这里只用到了 conversation_id 一个字段，用的是 GET 请求。通过此接口返回问题，参数用的是整轮对话窗口的唯一 Id：66c01d81667a2ddb444ff878 。 打开飞书多维表格，新增列时，您可以选择字段捷径，在字段捷径的 AI 中心，找到智谱 AI 的字段插件。智谱 AI 近期发布了 3 个飞书多维表格的字段插件：AI 内容生成、AI 视频生成和 AI 数据分析。 在微信超级 AI 知识助手教学（上）—智谱共学营智能纪要中，有智谱大语言模型的使用与功能介绍，包括角色扮演模型设置、变量插入方法、插件调用情况等。还提到了智浦轻颜的功能与应用，如文章总结功能、视频生成功能、画图功能等，以及多维表格相关内容。

智谱 AI 插件可在飞书多维表格中找到。具体操作如下： 1. 打开飞书多维表格，新增列时，选择字段捷径。 2. 在字段捷径的 AI 中心，就能找到智谱 AI 的字段插件，包括 AI 内容生成、AI 视频生成和 AI 数据分析插件。 智谱 AI 的 3 个字段插件均免费，您可以尝试将其运用在工作中。同时，若想基于 GLM4Flash 开发更多免费插件，可参考。

COZE 的优点： 1. 逼真且有沉浸感：通过图片和文字描述模拟急诊室的真实场景，用户可体验到紧张真实的医疗环境。可进一步增加场景细节，如急诊室的声音效果，增强沉浸感。 2. 互动性强：设置多个决策点，用户需做出选择，提高用户参与感和学习效果。可引入更多分支场景，根据用户不同选择生成不同结局，提高互动的深度和多样性。 3. 情感共鸣：通过详细的病人背景故事，用户能更好理解患者处境，增强同理心。可增加更多病人案例，覆盖不同病情和背景，使情感共鸣更丰富多样。 4. 延续字节风格，能自己做闭环，可在工作流基础上用用户界面包装成产品发布。 COZE 的缺点：商业化探索尚未铺开，用户来源不明确。目前没有明确信息表明其是否开源，社区参与和开源协作程度可能不如 Dify。 智谱 AI 的优点： 目前信息中未明确提及智谱 AI 的具体优点。 智谱 AI 的缺点： 目前信息中未明确提及智谱 AI 的具体缺点。 两者的对比： 1. 开源性：Dify 是开源的，允许开发者自由访问和修改代码；Coze 目前没有明确信息表明其是否开源。 2. 功能和定制能力：Dify 提供直观界面，结合多种功能，支持通过可视化编排基于任何 LLM 部署 API 和服务；Coze 提供丰富插件能力和高效搭建效率，支持发布到多个平台作为 Bot 能力使用。 3. 社区和支持：Dify 作为开源项目有活跃社区，开发者可参与共创共建；Coze 可能更多依赖官方更新和支持，社区参与和开源协作程度可能不如 Dify。

以下是为您找到的关于主流大模型应用能力评测的相关报告： 小七姐的测评： 测评机制：以同组提示词下 ChatGPT 4.0 生成的内容做对标参照，对智谱清言、文心一言 4.0、Kimi Chat 进行测评。 能力考量：包括复杂提示词理解和执行（结构化提示词）、推理能力（CoT 表现）、文本生成能力（写作要求执行）、提示词设计能力（让模型设计提示词）、长文本归纳总结能力（论文阅读）。 测评轮次：共分为五轮，分别针对不同的任务和模型进行多次测试。 中文大模型基准测评 2023 年度报告： 优秀模型：文心一言 4.0 API（百度）。 模型特点：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，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，各项能力表现均衡且水平较高。 适合应用：能力栈广泛，可应用于查询搜索知识应用、任务拆解规划 Agent、文案写作、代码编写及纠错等方面，在逻辑推理方面表现不俗，可关注在科学研究、教育、工业方面的落地能力。 观点文章中的测评： 目前体验效果比较好的有科大星火模型、清华 ChatGLM、百度文心一言。 星火目前感觉最接近 GPT3.5（0301 版本）的 80%90%，但 GPT3.5 进化到 6 月版本效果更强。 对大模型的评估可从基础能力、职场能力、探索对话三个方面判断，基础能力包括语言（文本）生成和语言理解，如常识类问题和分词类问题。

AI Agent 是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。 AI Agent 包括以下几个概念： 1. Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作是一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 2. Router：我们可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 3. Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 总结下来我们需要三个 Agent： 1. Responser Agent：主 agent，用于回复用户（伪多模态） 2. Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体） 3. Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈 这三个 Agent 每隔一段时间运行一次（默认 3 分钟），运行时会分析期间的历史对话，变更人物关系（亲密度，了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，有概率主动聊天（与亲密度正相关，跳过夜间时间）。 此外，心灵社会理论认为，智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，从低层次的感知和反应到高层次的规划和决策，每个层次由多个 Agent 负责。每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务，如视觉处理、语言理解、运动控制等。智能不是集中在单一的核心处理单元，而是通过多个相互关联的 Agent 共同实现。这种分布式智能能够提高系统的灵活性和鲁棒性，应对复杂和多变的环境。同时，在《心灵社会》中，还存在专家 Agent（拥有特定领域知识和技能，负责处理复杂的任务和解决特定问题）、管理 Agent（协调和控制其他 Agent 的活动，确保整体系统协调一致地运行）、学习 Agent（通过经验和交互，不断调整和优化自身行为，提高系统在不断变化环境中的适应能力）。 从达特茅斯会议开始讨论人工智能（Artificial Intelligence），到马文·明斯基引入“Agent”概念，往后，我们都将其称之为 AI Agent。

AI Agent 是当前 AI 领域中较为热门的概念，被认为是大模型未来的主要发展方向之一。 从原理上看，中间的“智能体”通常是 LLM（语言模型）或大模型。为其增加的四个能力分别是工具、记忆、行动和规划。目前行业中主要使用 langchain 框架，将 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。例如，给大模型提供长期记忆，相当于给予一个数据库工具让其记录重要信息；规划和行动则是在大模型的 prompt 层进行逻辑设计，如将目标拆解并输出不同的固定格式 action 指令给工具。 从产品角度，Agent 可以有不同的设定。比如是一个历史新闻探索向导，身份为历史新闻探索向导，性格知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析，还可以为其设计背景故事使其更加生动。 在人工智能领域，Agent 智能代理是一种能够感知环境并根据感知信息做出决策以实现特定目标的系统，能够自动执行任务，如搜索信息、监控系统状态或与用户交互。

AI Agent 被认为是大模型未来的主要发展方向之一，其发展具有以下特点和阶段： 从原理上看，中间的“智能体”通常是 LLM 或大模型，为其增加了工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。 在人工智能的发展历程中，AI Agent 并非一蹴而就，其发展可分为几个阶段，并受到符号主义、连接主义、行为主义的影响。在人工智能的黎明时期，符号人工智能作为主导范式，以对符号逻辑的依赖著称，代表之作是基于知识的专家系统。其特点是基于逻辑和规则系统，使用符号来表示知识，通过符号操作进行推理。优点是推理过程明确、可解释性强，缺点是知识获取困难、缺乏常识、难以处理模糊性。时间为 20 世纪 50 70 年代。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等。AI Agent 在辅助高效处理信息和简便信息表达方面表现出色，例如智能摘要能辅助快速筛选信息，自然语言描述可生成美观可用的图片。在工作流方面，每个人应根据自身情况找到适合的工具，如产品经理可使用 AI 进行用户画像、竞品调研、设计产品测试用例、绘制产品功能流程图等。关于 AI Agent 的未来，曾被认为异想天开的想法都可能成为现实，技术迭代会不断向前。

以下是 AI Agent 或工作流的一些落地场景： Long horizon task 长期任务执行：Agent 能像称职的项目经理，分解大任务为小步骤，保持目标导向并适时调整策略。 多模态理解：Agent 能同时理解文字、图像、声音等多种交流方式，全方位感知世界和任务上下文。 记忆与行动：通过先进的记忆机制，Agent 能积累经验，记住对话、操作步骤和效果，行动更精准高效。 自适应学习：从每次交互中吸取经验，不断完善策略，实现“智慧成长”。 在技术层面，有两条技术路线：以自主决策为核心的 LLM 控制流和以工作流（Workflow）编排为重点的工具集成系统。Anthropic 提出的 MCP（Model Context Protocol）提供了通用接口协议，将外部资源抽象为“上下文提供者”，便于模型与外部世界交互。 工作流驱动的 Agent 搭建，简单情况分为 3 个步骤：规划，包括制定任务关键方法、总结目标与执行形式、分解子任务等；实施，在 Coze 上搭建框架并分步构建和测试功能；完善，全面评估并优化效果。 典型例子如利用 Kimi Chat 进行网页搜索和总结分析。 包括 Agent 自行规划任务执行的工作流路径，适用于简单或线性流程。 多 Agent 协作，如吴恩达通过开源项目 ChatDev 举例，让大语言模型扮演不同角色共同开发应用或复杂程序。 OpenAI 研究主管 Lilian Weng 提出 Agent 的基础架构为“Agent=LLM+规划+记忆+工具使用”，规划包括子目标分解、反思与改进。

AppAgent 是由腾讯开发的一种基于大型语言模型（LLM）的多模态 Agent 框架。 其主要特点和功能包括： 多模态代理：能够处理和理解多种类型的信息（如文本、图像、触控操作等）。 直观交互：通过模仿人类的直观动作（如点击和滑动屏幕）来与手机应用程序交互，能够在手机上执行各种任务，例如在社交媒体上发帖、帮用户撰写和发送邮件、使用地图、在线购物，甚至进行复杂的图像编辑等。 对于之后模仿数据的反利用也有不错的应用场景，例如互联网或 AI 或涉及到原型+UE 的工作都可以在基于模仿数据的基础上进行反推，进而让设计出的产品原型和 UE 交互更优解。 AppAgent 在 50 个任务上进行了广泛测试，涵盖了 10 种不同的应用程序。该项目由腾讯和德州大学达拉斯分校的研究团开发。 相关链接： 官方网站：https://appagentofficial.github.io 相关报道：https://x.com/xiaohuggg/status/1738083914193965528?s=20

Agent（智能体）是一种能够在环境中自主感知、思考并采取行动以实现特定目标的实体。它可以是软件程序，也可以是硬件设备。 从产品角度来看，比如我们的 Agent 可以是一个历史新闻探索向导，具有知识渊博、温暖亲切、富有同情心的性格，主导新闻解析和历史背景分析。为使角色更生动，可设计背景故事，明确其起源、经历和动机，定义性格特点、说话方式和风格，以及设计对话风格和角色技能。 在结合大型语言模型（LLM）的情况下，LLM Agent 能够利用大型语言模型的自然语言处理能力，理解用户的输入，并在此基础上进行智能决策和行动。其组成部分包括规划（负责将复杂任务分解成可执行的子任务，并评估执行策略）、记忆（包括短期记忆用于存储对话上下文，长期记忆存储用户特征和业务数据）、工具（如 API 调用、插件扩展等辅助手段）和行动（将规划和记忆转换为具体输出，包括与外部环境的互动或工具调用）。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，还包括规划（子目标分解、反思完善）、记忆（短期记忆、长期记忆）和工具使用（调用外部 API 获取额外信息）等方面。

以下是关于如何用低代码工具构建 AI 智能体和 LLM 应用的一些建议： 在构建基于 LLM 的应用时，Anthropic 建议先寻找最简单的解决方案，只在必要时增加复杂度。智能系统通常会以延迟和成本为代价来换取更好的任务表现，开发者需要考虑这种权衡是否合理。当需要更复杂的解决方案时，工作流适合需要可预测性和一致性的明确任务，而智能体则更适合需要灵活性和模型驱动决策的大规模场景。不过，对于许多应用来说，优化单个 LLM 调用（配合检索和上下文示例）通常就足够了。 目前有许多框架可以简化智能系统的实现，例如： 1. LangChain 的 LangGraph。 2. 亚马逊 Bedrock 的 AI Agent 框架。 3. Rivet（一个拖放式 GUI 的 LLM 工作流构建器）。 4. Vellum（另一个用于构建和测试复杂工作流的 GUI 工具）。 这些框架通过简化标准的底层任务（如调用 LLM、定义和解析工具、链接调用等）使入门变得容易，但它们往往会创建额外的抽象层，可能会使底层提示词和响应变得难以调试，也可能诱使开发者在简单设置就足够的情况下增加不必要的复杂性。建议开发者先直接使用 LLM API，许多模式只需要几行代码就能实现。如果确实要使用框架，请确保理解底层代码。 此外，还有以下相关工具和应用： 1. VectorShift：能在几分钟内构建和部署生成式人工智能应用程序，利用大型语言模型（例如 ChatGPT）构建聊天机器人、文档搜索引擎和文档创建工作流程，无需编码。 2. Unriddle：帮助更快阅读、写作和学习的工具，能简化复杂的主题，找到信息，提问并立即获得答案。 工具使用或函数调用通常被视为从 RAG 到主动行为的第一个半步，为现代人工智能栈增加了一个新的层。一些流行的原语如网页浏览（Browserbase、Tiny Fish）、代码解释（E2B）和授权+认证（Anon）已经出现，它们使 LLM 能够导航网络、与外部软件（如 CRM、ERP）交互并运行自定义代码。Omni 的计算 AI 功能体现了这种方法，它利用 LLM 直接输出适当的 Excel 函数到电子表格中，然后执行计算并自动生成复杂查询供用户使用。 详细示例请参考：https://github.com/anthropics/anthropiccookbook/tree/main/patterns/agents

在即梦 AI 中，智能画布中的参考图具有以下重要作用： 1. 实现多种商业创意设计：只需上传一张参考图，就能快速生成多种创意设计，例如模特图的变装、换发型、换脸、换发色和调整人物姿势；产品图的材质和背景改变；电商海报的背景、元素更改等。 2. 提升设计的灵活性和可塑性：在奶茶宣传图的制作中，参考图在制作步骤中发挥了关键作用，如在第 1 步找参考图，为后续的生成和融合等操作提供基础。 基础操作包括： 1. 打开即梦官网 https://jimeng.jianying.com/ 。 2. 选择图片生成。 3. 选择导入参考图（上传一张参考图，点击智能参考）。 相关案例： 1. 模特图自由定制：通过智能参考，轻松实现模特图的多种变化。 2. 产品图随心变化：可以改变产品材质和画面背景。 3. 电商海报一键搞定：支持随意更改背景、元素，适应不同营销主题。 原文链接：https://mp.weixin.qq.com/s/sD0RFMqnFZ6Bj9ZcyFuZNA

在即梦 AI 中，智能画布中的参考图具有以下重要作用： 1. 实现多种商业创意设计：只需上传一张参考图，就能快速生成多种创意设计，例如模特图的变装、换发型、换脸、换发色和调整人物姿势；产品图的材质和背景改变；电商海报的背景、元素更改等。 2. 提升设计的灵活性和可塑性：在奶茶宣传图的制作中，参考图在制作步骤中发挥了关键作用，如在第 1 步找参考图，为后续的生成和融合等操作提供基础。 基础操作包括： 1. 打开即梦官网 https://jimeng.jianying.com/ 。 2. 选择图片生成。 3. 选择导入参考图（上传一张参考图，点击智能参考）。 相关案例： 1. 模特图自由定制：通过智能参考，轻松实现模特图的多种变化。 2. 产品图随心变化：可以改变产品材质和画面背景。 3. 电商海报一键搞定：支持随意更改背景、元素，适应不同营销主题。 原文链接：https://mp.weixin.qq.com/s/sD0RFMqnFZ6Bj9ZcyFuZNA

人工智能作为一个领域始于二十世纪中叶。最初，符号推理流行，带来了如专家系统等重要进展，但因从专家提取知识并以计算机可读形式表现及保持知识库准确的复杂性和高成本，20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源便宜、数据增多，神经网络方法在计算机视觉、语音理解等领域展现卓越性能，过去十年中“人工智能”常被视为“神经网络”的同义词。 在国际象棋对弈程序方面，早期以搜索为基础，发展出阿尔法贝塔剪枝搜索算法，后来采用基于案例的推理，如今能战胜人类棋手的程序基于神经网络和强化学习。 在创建“会说话的程序”方面，早期如 Eliza 基于简单语法规则，现代助手如 Cortana、Siri 或谷歌助手是混合系统，未来有望出现完整基于神经网络的模型处理对话，如 GPT 和 TuringNLG 系列神经网络已取得巨大成功。 最初，查尔斯·巴贝奇发明计算机用于按明确程序运算，现代计算机仍遵循相同理念。但有些任务如根据照片判断人的年龄无法明确编程，这正是人工智能感兴趣的。 译者：Miranda，原文见 https://microsoft.github.io/AIForBeginners/lessons/1Intro/README.md

以下是一些常见的数据分析产品的智能体类型： 1. 简单反应型智能体：根据当前的感知输入直接采取行动，不维护内部状态和考虑历史信息。例如温控器，根据温度传感器的输入直接控制加热器。 2. 基于模型的智能体：维护内部状态，对当前和历史感知输入进行建模，能推理未来的状态变化并据此行动。比如自动驾驶汽车，不仅感知当前环境，还维护和更新周围环境的模型。 3. 目标导向型智能体：具有明确的目标，能根据目标评估不同的行动方案并选择最优行动。像机器人导航系统，有明确目的地并规划路线以避开障碍。 4. 效用型智能体：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣并权衡利弊。例如金融交易智能体，根据市场条件选择最优交易策略。 5. 学习型智能体：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。比如强化学习智能体，通过与环境互动不断学习最优策略。 此外，还有一些具体的数据分析产品智能体，如颖子团队的“市场分析报告”生成智能体，它能根据输入的行业/类目关键词自动检索关联信息并生成报告，数据化呈现且附带信息来源网址便于校正，适用于企业管理层、投资者、创业者、营销人员等，可减少信息收集时间，聚焦决策判断。 在智谱 BigModel 开放平台工作流搭建中，也有相关的智能体节点，如具有自主规划任务、使用工具、记忆的 Agent 节点。

智能体（Agent）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，可以是软件程序或硬件设备。 智能体的定义： 智能体是自主系统，通过感知环境（通常通过传感器）并采取行动（通常通过执行器）来达到目标。在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并辅以规划、子目标和分解、反思和完善、记忆、工具使用等关键组成部分。 智能体的类型： 1. 简单反应型智能体（Reactive Agents）：根据当前感知输入直接采取行动，不维护内部状态，不考虑历史信息。例如温控器。 2. 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入进行建模，能推理未来状态变化并据此行动。例如自动驾驶汽车。 3. 目标导向型智能体（Goalbased Agents）：具有明确目标，能根据目标评估不同行动方案并选择最优行动。例如机器人导航系统。 4. 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动。例如金融交易智能体。 5. 学习型智能体（Learning Agents）：能通过与环境交互不断改进其性能，学习模型、行为策略以及目标函数。例如强化学习智能体。 智能体功能实现： 本智能体主要通过一个工作流实现，采用单 Agent（工作流模式）。工作流全景图按照市场分析报告内容划分，分成 7 个分支处理，每个分支调研并生成报告中的一部分，以发挥并行处理的效率。工作流主要节点包括文本处理节点、必应搜索节点、LinkerReader 节点、代码节点、大模型节点和结束节点。文本处理节点将用户输入与报告主题拼装形成关键词句；必应搜索节点根据关键词句搜索相关网络内容；LinkerReader 节点获取网页详细内容；代码节点对搜索到的网页链接信息进行过滤；大模型节点生成报告内容并添加引用链接；结束节点将 7 部分内容拼接并流式输出。

OpenAI 能够跑通所有 AGI 技术栈的方法原理主要基于以下几个方面： 1. 方法论明确：有着清晰的逻辑结构和明确的推论，甚至可以用公理化的方式描述。 公理 1：The bitter lesson。长期来看，AI 领域所有的奇技淫巧都比不过强大的算力夹持的通用的 AI 算法，强大的算力加持的通用的 AI 算法才是 AGI 路径的正道。 公理 2：Scaling Law。一旦选择了良好且通用的数据表示、标注和算法，就能找到一套通用规律，保证数据越多、模型越大、效果越好，甚至能在训练模型之前预知效果。 公理 3：Emerging properties。这是一条检验公理，用于判断 scaling law 带来的是质变而非量变，即随着 scaling law 的进行，模型会突然稳定掌握之前不能掌握的能力。 2. 具体实践： 在 GPT 中，良好且通用的数据表示是 tokenizer 带来的 embedding，数据标注是文本清理和去重的一套方法，算法是大家熟知的 transformers + autoregressive loss。 在 Sora 中，良好且通用的数据表示是 video compress network 带来的 visual patch，数据标注是 OpenAI 自己的标注器给视频的详细描述，算法是大家熟知的 transformers + diffusion。 3. 数据和任务： 大量数据从世界本身获取，世界产生的数据是 AGI 需要的数据的最小集合，OpenAI 未来会执着于持续获得或者构造数据。 要最有效地利用数据，需要做生成模型，能够模拟和生成整个世界，OpenAI 未来还会在更多的模态和数据上去做生成模型。 通用模型也是 OpenAI 追求的方向。

以下是一些不学编程入门 AI 的方法： 1. 阅读简明入门教程，比如在 20 分钟内掌握 Python 和 AI 的相互调用，完成简单程序、爬虫应用以及为公众号文章生成概述。 2. 了解 AI 基本概念： 阅读「」部分，熟悉术语和基础概念，包括人工智能的主要分支及它们之间的联系。 浏览入门文章，了解 AI 的历史、应用和发展趋势。 3. 开始 AI 学习之旅： 在「」中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）按自己节奏学习，并争取获得证书。 4. 选择感兴趣的模块深入学习，比如掌握提示词技巧。 5. 实践和尝试： 理论学习后进行实践，巩固知识，尝试使用各种产品做出作品，并在知识库分享实践成果。 6. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得实际应用体验。 对于中学生学习 AI 的建议： 1. 从编程语言入手学习，如 Python、JavaScript 等，学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台，如 ChatGPT、Midjourney 等，探索面向中学生的教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识，包括基本概念、发展历程、主要技术及在各领域的应用案例。 4. 参与 AI 相关的实践项目，如参加学校或社区组织的编程竞赛、创意设计大赛等，尝试用 AI 技术解决实际问题。 5. 关注 AI 发展的前沿动态，关注权威媒体和学者，思考 AI 技术对未来社会的影响。 总之，无论是成年人还是中学生，都可以从多个方面入手，全面系统地学习 AI 知识和技能。

以下是稳定使用 DeepSeek 的方法： 1. 访问网址：搜索 www.deepseek.com，点击“开始对话”。 2. 操作步骤： 将装有提示词的代码发给 DeepSeek。 认真阅读开场白之后，正式开始对话。 3. 设计思路： 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能。 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 用 XML 来进行更为规范的设定，而不是用 Lisp（对开发者有难度）和 Markdown（运行下来似乎不是很稳定）。 此外，DeepSeek 在一些案例中也有出色表现，比如在卫夕指北的案例中，经过细腻、严谨、自洽、深刻的思考，输出了符合要求的结果。 在获取 2048 游戏代码方面，DeepSeek 具有诸多优势，如国内能访问、网页登录方便、目前完全免费等。同时，也介绍了其他获取代码的工具和方法，如 Cursor 等。

以下是本地部署 DEEPSEEK 的方法： 1. 拥有扣子专业版账号：如果您还是普通账号，请自行升级或注册专业号后使用。开通成功的样式如相关描述。 2. 开通 DeepSeek R1 大模型：访问地址 https://console.volcengine.com/cozepro/overview?scenario=coze 。打开火山方舟，找到开通管理，找到 DeepSeek R1 模型，点击开通服务。添加在线推理模型，添加后在扣子开发平台才能使用。添加过程包括添加模型和完成接入。 3. 创建智能体：点击创建，先完成一个智能体的创建。 此外，DEEPSEEK 具有多种含义指向，包括 deepseek 公司：深度求索，以及 deepseek 网站、手机应用和 deepseek 大模型（尤其是指有推理功能的 deepseek R1 大模型，权重文件开源，可本地部署）。同时，相关社区动态也有关于 DeepSeek 的报道，如 DeepSeek 最新模型 V3 与 R1 采用混合专家（MoE）架构，显著提升计算效率等。

以下是 DeepSeek 的使用方法： 1. 访问网址：搜索 www.deepseek.com，点击“开始对话”。 2. 操作步骤： 将装有提示词的代码发给 DeepSeek。 认真阅读开场白之后，正式开始对话。 3. 特点与优势： 核心是推理型大模型，不需要用户提供详细的步骤指令，而是通过理解用户的真实需求和场景来提供答案。 能够理解用户用“人话”表达的需求，不需要用户学习和使用特定的提示词模板。 在回答问题时能够进行深度思考，不是简单地罗列信息。 可以模仿不同作家的文风进行写作，适用于多种文体和场景。 4. 更多提示词技巧请查看

要创建一个具备像马斯克等人思考能力和方法的 AI 智能体并非易事，以下是一些相关的要点和思路： xAI 的使命在于探索宇宙本质与智能体。从宇宙尺度看，意识进化存在狭窄窗口，计算机若不能解决至少一个基本问题，不能称之为 AGI。 对于使命陈述，短期内致力于更好地理解深度学习技术，工作中应始终记住构建与理解并重，追求科学是基础。 主要目标是创建能帮助更好理解宇宙的聪明智能体，相关数学研究可能为对基本物理或其他现实的思考开辟新方式，带来有趣视角，对现有问题产生启发，但目前多为推测性，尚无具体结论。 但需要注意的是，完全复制某个人的思考能力和方法在当前技术水平下是极具挑战性的，甚至可能无法实现。