协助调试pycharam代码的AI网站

以下是为您整理的关于 AI 提示词的学习资料： 《拘灵遣将|不会写 Prompt（提示词）的道士不是好律师——关于律师如何写好提示词用好 AI 这件事》：指出要从古人总结的智慧中学习写提示词，接受 AI 存在的“不稳定性”，提示词应是相对完善的“谈话方案”，成果在对话中产生，不能期待完美的提示词和答案。 《从零开始：AI 视频制作小白的成长之路📹》：提到提示词有很多坑，如有人花钱学习但仍上手困难。提示词的框架为主体（什么东西）+动作（干啥了）+场景+镜头（怎么拍），并举例说明。 《雪梅 May 的 AI 学习日记》：2023 年 ChatGPT 出现后，提示词成为基本功，沉淀了一些经典框架。作者学习了一段时间 Agent 后，打算看吴恩达的体系课程，推荐吴恩达的 prompt 课程，并分享了相关学习链接。作者还通过练习用 prompt 写白皮书，实际体验中 AI 能帮助完成约 20%的工作。

根据所提供的内容，国外访问量最大的 AI 工具中，ChatGPT 独占 140 亿流量，占总流量的 60%。Writerbuddy AI 分析了 3000 多种 AI 工具，选出访问量最大的 50 个工具，共产生超过 240 亿次访问量，且 AI 行业每月增长 2.363 亿访问量，这 50 个工具增长率达 10.7 倍。在分析的前 50 名 AI 工具的地理行为方面，中国排名第 47 位。美国在顶级 AI 公司数量方面领先，欧洲以及澳大利亚和加拿大在 AI 投资和采用方面落后，所有欧盟国家合计产生了 39 亿流量，占总量的 16.21%。

目前在翻译长篇英文文档方面，没有绝对的“最好”的 AI 。不同的 AI 翻译工具都有其特点和优势，例如谷歌翻译、百度翻译、有道翻译等。它们的翻译质量会受到文档的领域、语言风格、复杂程度等多种因素的影响。您可以根据具体的需求和文档特点，对不同的翻译工具进行尝试和比较，以找到最适合您的那一个。

以下是入门 AI 提示词的建议： 1. 了解 AI 基本概念：建议阅读「」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。同时，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，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。您还可以通过在线教育平台（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，您可以根据自己的兴趣选择特定的模块进行深入学习。建议您一定要掌握提示词的技巧，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 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 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。 6. 国内大语言模型工具好用，学习可以从提示词开始。提示词的结构可以参考主体（什么东西）+动作（干啥了）+场景+镜头（怎么拍），例如“母亲很疲惫看着孩子”。 希望以上内容对您有所帮助。

学习 AI 提示词是有必要的。提示词是给大语言模型的输入文本，用于指定模型应执行的任务和生成的输出，能“提示”模型做什么。设计高质量提示词需根据目标任务和模型能力精心设计，良好的提示词可让模型正确理解需求并给出符合预期的结果。 了解大模型的特性以及具备清晰表述自己需求和任务的能力，才能用好这个工具。 不过也有人持反对观点，认为像打字和写作一样，方法论不是关键，不断尝试和大模型交互就是最佳方法。但在与大模型交互时，用 Markdown 格式清晰表达问题有助于模型更好地理解用户意图，其具有结构清晰、格式化强调、适用性广等优点。 像 DeepSeek 这样的推理型大模型，更懂人话，不需要用户提供详细的步骤指令或特定的提示词模板，用自然语言描述真实场景和具体需求即可。还可以通过一些方式让 DeepSeek 的回答更符合需求，如让其“说人话”、激发深度思考、进行文风转换等。 总之，尽管有些模型可能不太依赖提示词，但学习提示词仍有助于您更好地与各类模型进行交互，并更有效地获得满意的结果。

以下是一些提供最新 AI 资讯的网站： 公众号“超时空视角”，地址：https://mp.weixin.qq.com/s/TBHiM_0w_bwUc20_KVQQ 小红书/抖音：EverAI B 站：Ever AI 酱（这里会有教程及 AI 工具界面操作） Recraft AI：https://www.recraft.ai/ ，更新了 60 种新的图像风格，是 AI 平面设计工具，用户可以使用其生成和编辑插画、海报、产品周边等，对所有用户每日都有免费的试用点数，并允许对生成的图像进行商业使用。 文小言 APP 中的“学习强国公文助手”，可以帮助用户进行文汇检索、AI 公文书写、AI 公文润色等。 Notion 近期进行了重构更新，增强了内置 AI 功能，旨在提供更自然的用户体验。新版本采用对话式交互，用户可通过聊天与 AI 进行工作安排，并能跨页面、跨应用调用素材。 WaytoAGI 网站（https://www.waytoagi.com/），提供和 AI 知识库对话、集合精选的 AI 网站、集合精选的提示词、知识库精选等功能。 文章中提到的 6 个精准的海外 AI 信息渠道，包括 TechURLs（科技媒体汇总）、Toolify.ai（AI 产品导航和排行榜）、SimilarWeb（数据分析工具）、A16Z（硅谷知名投资机构）等。

RAG（检索增强生成）工作流主要包括以下几个阶段： 1. 问题解析阶段：接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，以用于后续检索。 2. 知识库检索阶段：知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 3. 信息整合阶段：接收检索到的信息，与上下文构建形成融合、全面的信息文本，整合信息准备进入生成阶段。 4. 大模型生成回答：整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。 RAG 的基本概念： RAG 是一种结合了检索和生成的技术，能让大模型在生成文本时利用额外的数据源，提高生成的质量和准确性。其基本流程为，首先给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文），然后将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示指导模型生成期望输出（如答案或摘要），最后从大模型的输出中提取或格式化所需信息返回给用户。 在实际调试预览中，例如： 1. 知识库检索部分：把输入的问题通过 Embedding 做向量化，使用语言模型优化问题、添加接近的检索词，知识库向量检索时抽取条件包含相似度 0.85，通过检索抽取出多个内容块。 2. 大模型对话部分：将相关信息传递给 LLM 最终得到 AI 的回答。

RAG 工作流主要包括以下几个阶段： 1. 问题解析阶段：接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，以用于后续检索。 2. 知识库检索阶段：知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 3. 信息整合阶段：接收检索到的信息，与上下文构建形成融合、全面的信息文本，整合信息准备进入生成阶段。 4. 大模型生成回答：整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。 RAG 是一种结合了检索和生成的技术，其基本流程为：首先，给定用户输入（如问题或话题），RAG 从数据源（如网页、文档、数据库记录）中检索出相关文本片段（即上下文）。然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望输出（如答案或摘要）。最后，从大模型输出中提取或格式化所需信息返回给用户。 在实际调试预览中，例如： 1. 知识库检索部分：把输入的问题通过 Embedding 做向量化，使用 qwen 语言模型优化问题、添加接近的检索词，知识库向量检索时抽取条件包含相似度 0.85，通过检索抽取出 11 个内容块。 2. 大模型对话部分：将相关信息传递给 LLM（大语言模型），最终得到 AI 的回答。

以下是关于调试情感 bot 的 prompt 的相关知识： 在实验方面，在八个指令感应任务上评估情绪提示在零样本和少样本学习中的表现，涵盖语言理解的不同方面，在四个大型语言模型（ChatGPT、Vicuna13b、Bloom、FlanT5Large）上进行测试，对于不同模型有相应的设置。零样本实验中情绪刺激可简单添加到原始提示中构建情绪提示，少样本上下文学习中评估与零样本相同的提示，并随机抽取 5 个输入输出对作为上下文演示。基准测试将情绪提示与原始零样本和少样本提示、零样本思维链进行比较。数据集和任务包括情绪分析、句子相似性、原因选择等八个任务。 Prompt 是一段指令，用于指挥 AI 生成所需内容，每个单独的提示词叫 tag（关键词）。支持英语，emoji 也可用。语法规则包括用英文半角符号逗号分隔 tag，可改变 tag 权重，有两种设置权重的写法，还可进行 tag 的步数控制。 希望以上内容对您学习调试情感 bot 的 prompt 有所帮助。

以下是关于如何用 Coze 智能体调试提示词的相关内容： 大模型节点配置入门要点： 1. 输入与输出的变量名称可自定义，按习惯设定以便识别字段含义。 2. 输入方面，由于取得的是开始节点中用户输入的{{BOT_USER_INPUT}}，可直接选择引用。 3. 提示词区域中，因 LLM 需要根据输入信息处理，所以需两个双花括号写明输入项参数名，如{{input}}。 4. 输出方面，有几项子内容需生成就设置几项。 为让大模型理解最终输出形式要求，需在用户提示词最后添加输出格式段落，描述每个变量名称、输出内容、输出格式。 务必注意变量名称、对应的输出内容、输出格式要前后完全一致，否则会输出失败。 搭建 AI 智能体的配置过程： 1. 创建 Bot。 2. 填写 Bot 介绍。 3. 切换模型为“通义千问”（测试下来，通义对提示词理解和执行效果最好）。 4. 将配置好的工作流添加到 Bot 中。 5. 新增变量{{app_token}}。 6. 添加外层 bot 提示词（可按需求和实际效果优化调整）。完成上述步骤后，可在「预览与调试」窗口与 AI 稍后读智能体对话并使用全部功能。

加强对智能体的训练和调试可以从以下几个方面入手： 1. 强化学习中的 Q 学习： 将所有状态动作对的 Q 值初始化为零，并设定状态奖励值作为初始化值。 由于智能体起初不知如何获得奖励，可能会探索很多状态，所以要定义训练长度（如 100 步）或训练达到某些状态，避免陷入学习无用状态行动的过程。 例如在网格世界中，智能体逐步探索环境，从目标状态到起始状态附近建立链条后，算法会快速收敛到解，并进一步调整找到最佳策略。 2. 在正式项目中部署智能体时的考虑： 尝试使用提示：在微调模型前先尝试用提示满足需求，只有提示无法满足质量、性能或成本目标时再考虑微调。 编写并测试提示：通过编写和测试提示验证任务可行性，作为微调基线。若提示已达标，微调可能进一步提升效果，否则微调成功可能性低。 关注数据质量：检查并确保数据质量，必要时删除或修正问题数据，高质量数据是模型优良表现的基础。 使用真实场景数据进行微调：即使数据不完美，只要能代表真实场景下的整体分布，就可用于微调。 保留测试集：不要将所有数据用于训练，留出部分作为测试集评估模型性能。 选择适当的模型规模：根据任务难度选择匹配的模型规模，过大或过小都可能影响效率和效果。 设立快速评估指标：制定可快速计算的评估指标，便于多次日常评估和快速迭代。

AI 能够实现自动生成增删改查的后端代码。例如，使用编程工具 Cursor，输入 command+i 唤起 composer，基于用户故事生成代码结构，点击回车。建议使用 claude3.5sonnet 模型，其目前代码生成能力较强。自动生成代码后，需点击 Accept all 才会生效，且最好先阅读输出结果，查看是否理解意图，避免频繁修改。若发现遗漏文件，可让 AI 自行检查并补充。此外，像 Coze 工作流也能在一定程度上辅助生成代码，其代码节点自带 IDE 里的 AI 功能生成代码后，除了直接在节点的试运行功能测试外，还可用「测试代码」功能进行测试。但需要注意的是，生成的代码可能存在不完善之处，需要仔细检查和优化。

以下是一个简单的 C 语言程序，用于输出“Hello World”： ```c include <stdio.h> int main { printf; return 0; } ```

要让 GPT 写出可靠的代码，可以参考以下方法： 1. 当需要进行复杂计算时，不要完全依赖 GPT 模型自身，而是指导模型编写并运行代码。 2. 特别地，指示模型将要运行的代码放入指定格式，例如使用三个反引号（backticks）。 3. 对于程序开发人员，可利用 GPT 生成代码，例如在求 1000 以内的所有质数时，先让 GPT 编写代码，然后开启新对话输入代码，再让模型充当代码执行器运行代码。 4. 编写代码时，GPT4 写复杂代码的能力更强。 5. 代码执行的另一个好用例是调用外部 API，可通过向模型提供说明如何使用 API 的文档和/或代码示例来指导模型。 6. 但需注意，执行模型生成的代码本身并不安全，任何试图执行此操作的应用程序都应采取预防措施，特别是需要一个沙盒代码执行环境来限制不受信任的代码可能造成的危害。

以下是一些具有可视化代码功能的 AI 软件： 1. Lucidchart：流行的在线绘图工具，支持多种图表创建，包括逻辑视图、功能视图和部署视图，用户可通过拖放界面轻松创建架构图。 2. Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能，如逻辑视图（类图、组件图）、功能视图（用例图）和部署视图（部署图）。 3. ArchiMate：开源的建模语言，专门用于企业架构，支持逻辑视图创建，可与 Archi 工具配合使用，该工具提供图形化界面创建模型。 4. Enterprise Architect：强大的建模、设计和生成代码工具，支持创建多种架构视图，包括逻辑、功能和部署视图。 5. Microsoft Visio：广泛使用的图表和矢量图形应用程序，提供丰富模板用于创建逻辑视图、功能视图和部署视图等。 6. draw.io（现称为 diagrams.net）：免费的在线图表软件，允许创建各种类型图表，包括软件架构图，支持创建逻辑视图和部署视图等。 7. PlantUML：文本到 UML 的转换工具，通过编写描述性文本自动生成序列图、用例图、类图等，帮助创建逻辑视图。 8. Gliffy：基于云的绘图工具，提供创建各种架构图的功能，包括逻辑视图和部署视图。 9. Archi：免费的开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图创建。 10. Rational Rose：IBM 的 UML 工具，支持创建多种视图，包括逻辑视图和部署视图。 以下是一些写代码或辅助编程的 AI 产品： 1. GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出的 AI 编程助手，支持多种语言和 IDE，能为程序员快速提供代码建议。 2. 通义灵码：阿里巴巴团队推出的智能编程辅助工具，提供多种能力。 3. CodeWhisperer：亚马逊 AWS 团队推出的 AI 编程软件，由机器学习技术驱动，为开发人员实时提供代码建议。 4. CodeGeeX：智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，可快速生成代码。 5. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助强大的代码语义索引和分析能力，了解开发者的整个代码库。 6. CodeFuse：蚂蚁集团支付宝团队为国内开发者提供智能研发服务的免费 AI 代码助手，基于自研的基础大模型微调的代码大模型。 7. Codeium：由 AI 驱动的编程助手工具，通过提供代码建议、重构提示和代码解释帮助软件开发人员提高效率和准确性。 更多辅助编程 AI 产品，还可以查看：https://www.waytoagi.com/category/65 。每个工具的功能和适用场景可能不同，您可以根据需求选择最适合的工具。 此外，还有一些相关的工具和资源： 1. Screenshot to Code：利用 GPT4 Vision 视觉能力将屏幕截图转换为代码，支持 HTML/Tailwind CSS、React 等，集成 DALLE 3。 2. 交互创意体验网址：http://reboot.studio ，提供丰富的交互创意体验，鼓励加入更多 AI 元素。 3. 沃顿商学院发布的教学提示词库：https://www.moreusefulthings.com/prompts ，包含多用途学习和教育提示词，适合学生、教师和家长收藏。

以下是一些可以设计复杂代码的 AI 工具及相关信息： 1. 在独立游戏开发中，如果让 AI 写小功能，可把不方便配表而又需要撰写的简单、模板化、多是调用 API 且只牵涉小部分特殊逻辑的代码交给 AI。以 Buff 系统为例，用 Cursor 让它仿照代码写一些 Buff，生成结果有时可以直接用，但目前 Cursor 生成复杂代码还需要复杂的前期调教，用多了之后 ChatGPT 会更方便。教 AI 时要像哄小孩，有正确的需要及时肯定，指出错误时要克制。 2. OpenAI o1：推理能力强，适合作为架构师或算法顾问，用于复杂算法与架构设计。 3. Claude 3.5/Cursor：Claude 擅长长上下文任务，Cursor 适合上下文控制较好的 IDE 开发，可快速生成代码与网页设计。 4. v0.dev：是网页设计的利器，支持设计稿生成网页。 5. Gemini：长上下文支持（2M Tokens），适合代码反编译与混淆代码分析。 同时需要注意，AI 目前在完成复杂项目方面存在一些限制，如上下文窗口限制、自然语言描述不精确、无法感知环境和直接执行、幻觉问题等。复杂项目需要全局理解，AI 难以设计架构和模块化，项目需求常需反复讨论才能明确，AI 难以完全掌握，编译、部署、调试等复杂任务 AI 难以独立完成，且 AI 可能编造不存在的 API 或错误代码，需人工严格审查。

可开源的 AI 工具是指其源代码可以被公开获取和使用的人工智能工具。这意味着您有机会查看和研究其代码的实现方式。 以下为您列举一些常见的可开源的 AI 工具： 1. CodeGeeX：由智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，能快速生成代码，提升开发效率。 2. ：一个带 Web 界面简单易用的声音克隆工具。可使用任何人类音色，将一段文字合成为使用该音色说话的声音，或者将一个声音使用该音色转换为另一个声音。 3. ：一个开源的音频、音乐和语音生成整合工具包。 4. ：一键部署私人 GPT/LLM 的聊天机器人。支持语音合成、多模态和可扩展的插件系统，可以联网、画图、爬虫等。 5. ：能够利用爬虫，自动抓取与整合指定 URL 地址中的各种信息，并生成一个 output.json 的数据文件。将其喂给 ChatGPT，便可快速定制您的专属 GPT，打造个人知识库或者智能助理。 6. ：给 AI 看一眼截屏，便能直接生成代码。该项目可借助 GPT4 Vision 的能力，直接给您将屏幕截图转换为 HTML/Tailwind CSS，并利用 DALLE 3 的图像生成能力，生成外观相似的图像。 7. ：可在命令行终端，直接调用与展示各种大模型能力。实现了视频和照片编辑、系统配置更改、自动生成并运行 Demo 源码，AI 一对一聊天问答等功能。 需要注意的是，不同的开源 AI 工具在功能和适用场景上可能会有所不同，您可以根据自己的需求选择最适合您的工具。