协助调试pycharam代码的AI网站

以下为您推荐的 AI 绘画课程： 【野菩萨】课程： 预习周课程：包括 AI 绘画电脑配置要求、高效 AIGC 创意者的数字人工具包、SD 插件安装方法、画静为动的 AIGC 视频制作讲解等。 基础操作课：涵盖 AI 绘画通识课、AI 摄影虚拟的真实、AI 电影 穿越的大门等内容。 核心范式课程：涉及词汇的纸牌屋、核心范式应用、控制随机性等方面。 SD WebUi 体系课程：包括 SD 基础部署、SD 文生图、图生图、局部重绘等。 ChatGPT 体系课程：有 ChatGPT 基础、核心 文风、格式、思维模型等内容。 ComfyUI 与 AI 动画课程：包含部署和基本概念、基础工作流搭建、动画工作流搭建等。 应对 SORA 的视听语言课程：涉及通识 欢迎参加电影的葬礼、影像赏析、基础戏剧影视文学等。 免费课程机会：参与 video battle，获胜者可获得课程奖励，包括冠军 4980 课程一份、亚军 3980 课程一份、季军 1980 课程一份，入围奖励 598 野神殿门票一张。 扫码添加菩萨老师助理，了解更多课程信息。 【Stable Diffusion 零基础入门宝典】课程： 作者从事平面设计行业，基于对 Stable Diffusion 的学习和研究，开发了这套课程。 课程初衷是为刚入门或想了解 SD 的小伙伴做全面梳理，因为新人面对众多内容往往不知所措。 课程特色暂未提及。 SD 新手视频教程： 章节教学视频： 第一节课：AI 绘画原理与基础界面 第二节课：20 分钟搞懂 Prompt 与参数设置，你的 AI 绘画“咒语”学明白了吗？ 第三节课：打破次元壁！用 AI“重绘”照片和 CG 第四节课：AI 绘画模型，“画风”自由切换 第五节课：提高 AI 绘画分辨率的方式 第六节课：LoRa|Hypernetwork 概念简析 第七节课：定向修手修脸，手把手教你玩转局部重绘！ 第八节课：提示词补全翻译反推，“终极”放大脚本与细节优化插件 第九节课：LoRA 从原理到实践 第十节课：零基础掌握 ControlNet！

以下是一些与 AI 相关的舆情分析或信息订阅产品： 腾讯研究院开发的系列产品： AI 每日速递：高度凝练的日报产品，帮助读者在 35 分钟内快速掌握 AI 领域当日十大关键进展。 AI 每周 50 关键词：周报产品，基于 AI 速递内容构建，通过梳理一周热点关键词并制作可交互索引，为研究者提供便捷的“检索增强”工具。 科技九宫格：以 35 分钟视频形式解读科技热点与关键技术原理的短视频栏目，通过可视化呈现促进读者对前沿技术的理解与讨论。 此外，团队还开展了 AGI 专题分析、AGI 线上圆桌、AI&Society 高端研讨会与 AI&Society 百人百问等系列研究探讨。 个人订阅的 AI 信息源： 包括公众号、Telegram、微博、即刻等平台。 推荐的 Telegram 频道：黑洞资源笔记、科技新闻投稿、AI 探索指南、ChatGPT 新闻聚合、ChatGPT 精选、极客分享、开源社区、深度技术资源、AI News、AI Copilot、GIthub 仓库推荐等。 公众号“卡尔的 AI 沃茨”也会有一些 AIGC 周报等。 一种通过文章链接订阅公众号，定时推送情报消息，并实现情报 CoT 问答的方式： 利用 wewerss，建议使用 Docker。浏览器打开 http://127.0.0.1:4000 或 http://wewerss 服务的 IP:端口（为上面设置的外部端口）。 点开后输入 Dash 管理页面密码，先点帐号管理，然后点“添加读书帐号”（即使用微信读书来实现公众号订阅），扫码添加帐号。 然后在公众号源上，点添加，将想订阅的公众号的一篇文章链接粘贴并点确定即可订阅公众号文章，但建议不要短时间订阅太多公众号（最好不超 40 个）。在本地 data/目录会生成一个 SQLite 数据库文件 wewerss.db。

以下是为您组织的学习 AI 的流程： 一、了解 AI 基本概念 建议阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、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。 二、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。 三、选择感兴趣的模块深入学习 AI 领域广泛，涵盖图像、音乐、视频等方面。您可以根据自己的兴趣选择特定的模块进行深入学习，同时一定要掌握提示词的技巧，它上手容易且很有用。 四、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，在知识库中也有很多大家实践后的作品、文章分享，欢迎您实践后也进行分享。 五、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，获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 另外，费曼学习法也是一种有效的学习方式。它强调通过教授他人来深化个人理解和知识的掌握，基本步骤包括选择一个概念、教给他人、回顾和简化、组织和比较。其应用场景包括个人学习、教学和培训、知识分享等。 WaytoAGI（通往 AGI 之路）是一个致力于人工智能学习的中文知识库和社区平台，汇集了上千个人工智能网站和工具，提供最新的 AI 工具、AI 应用、AI 智能体和行业资讯，还有丰富的学习资源、实践活动，并倡导开放共享的知识体系。在没有任何推广的情况下，WaytoAGI 一年时间已有超过 100 万用户和超千万次的访问量，目前合作过众多公司和产品。

以下是关于人力 AI 产品的相关信息： AI Native 硬件： AI Pin：由 Humane 公司开发的可穿戴设备，通过激光投影技术在手掌显示信息，由高通 Snapdragon 芯片驱动，运行 OpenAI 的 GPT4 语言模型，集成麦克风、摄像头和传感器，能语音通话、上网和回答问题，注重隐私保护，配备“信任灯”功能，但价格高昂且面临市场竞争。 TAB AI：挂在脖子上的小冰盘，本质是麦克风和电池，使用蓝牙传输音频到手机和云端，ChatGPT 在云端转录对话，各种人工智能模型提取见解，是人工智能伴侣。 OpenAI 和 Lovefrom 在软银 10 亿美元融资开发的备受期待的“人工智能 iPhone”。 AI 面试官相关产品： 用友大易 AI 面试产品：具有强大技术底座、高度场景贴合度、招聘全环节集成解决方案、先进防作弊技术和严密数据安全保障，能完成面试、初筛和自动发送面试邀约。 海纳 AI 面试：通过在线方式自动面试、评估，精准度高达 98%，面试效率提升 5 倍以上，候选人到面率提升。 InterviewAI：在线平台，提供面试问题和 AI 生成的推荐答案，候选人用麦克风回答，每个问题最多回答三次，会收到评估、建议和得分。 AIPM 技能树： 传统软件/互联网 PM 面对 AI 产品时，AI PM 作为更专业化角色逐渐形成，需具备跨学科知识背景，在技术和业务间有效沟通和决策。 掌握算法知识的必要性： 理解产品核心技术，做出更合理产品决策。 与技术团队有效沟通，减少信息不对称误解。 评估技术可行性，在产品规划阶段做出更准确判断。 把握产品发展方向，了解算法前沿。 提升产品竞争力，发现独特优势，提出创新特性。 提升数据分析能力，很多 AI 算法涉及数据处理和分析。

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

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。

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。

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。

AI 在生成单元测试代码方面有以下新的进展与方向： 1. 基于规则的测试生成： 测试用例生成工具：如 Randoop 可基于代码路径和规则为 Java 应用程序生成测试用例，Pex 是微软开发的能为.NET 应用自动生成高覆盖率单元测试的工具。 模式识别：Clang Static Analyzer 利用静态分析技术识别代码模式和潜在缺陷来生成测试用例，Infer 是 Facebook 开发的能自动生成测试用例以帮助发现和修复潜在错误的工具。 2. 基于机器学习的测试生成： 深度学习模型：DeepTest 利用深度学习模型为自动驾驶系统生成测试用例以模拟不同驾驶场景并评估系统性能，DiffTest 基于对抗生成网络（GAN）生成测试用例来检测系统的脆弱性。 强化学习：RLTest 利用强化学习生成测试用例，通过与环境交互学习最优测试策略以提高测试效率和覆盖率，A3C 是基于强化学习通过策略梯度方法生成高质量测试用例的工具。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成：Testim 是 AI 驱动的测试平台，能通过分析文档和用户故事自动生成测试用例以减少人工编写时间，Test.ai 利用 NLP 技术从需求文档中提取测试用例以确保测试覆盖业务需求。 自动化测试脚本生成：Selenium IDE 结合 NLP 技术可从自然语言描述中生成自动化测试脚本，Cucumber 使用 Gherkin 语言编写的行为驱动开发（BDD）框架能通过解析自然语言描述生成测试用例。 此外，峰瑞资本投资的 AI Coding 创业公司 Babel 专注于 AI Agent 的研发，其核心产品 Test Gru 已在美国上线，能为客户自动生成单元测试，客户侧 PR 接受率约为 70%。还有如 Cursor 等工具，可借助其生成测试代码提升代码可靠性，但使用时也需注意方法，如使用 Git 管理代码版本、对 AI 代码进行 Review 等。

用 AI 处理销售数据不一定需要写代码，这取决于具体的情况和所使用的工具。 Python 是常用于自动化处理数据的语言之一，在处理销售数据时，它有丰富的库可用于各种任务，如数据收集、处理等。相关的 AI 脚本提示可按照操作意图分类，例如 Web Scraping Prompts、Data Processing Prompts 等。 如果您不熟悉代码，ChatGPT 等工具也能在一定程度上帮助您处理销售数据。 另外，让 AI 写出您想要的代码时，可通过创建优质的.cursorrules 来明确相关要求，例如说明自己是谁、要做什么、项目的规矩、文件存放位置、使用的工具、测试方法、参考资料以及 UI 要求等。 在处理数据库相关的销售数据时，若不会写 SQL 代码，可借助 AI 帮忙。例如向豆包提供具体需求，如操作的数据表、执行的操作及相关条件等，它能为您生成相应的 SQL 语句。

以下是关于学习 AI 的相关内容： 一、AI 工具的操作 要了解并掌握至少一种 AI 工具的基本操作，如智能代码、流程管理、智能报表、数据分析、图像识别、文字生成等。 二、AI 工具在本职工作的应用 思考并提出 AI 工具如何帮助更高效地完成本职工作，包括但不限于提高工作效率、优化工作流程、节约成本、提升交付质量等。 三、AI 工具在非本职工作的潜力推演 探索 AI 工具在非本职工作领域，如公司管理、团队领导、跨部门合作、团队发展以及市场研究等方面的作用，思考如何有效利用这些工具以及它们可能带来的改变。 四、学习路径 1. 对于不会代码的学习者： 20 分钟上手 Python+AI，在 AI 的帮助下可以完成很多基础的编程工作。若想深入，需体系化了解编程及 AI，至少熟悉 Python 基础，包括基本语法（如变量命名、缩进等）、数据类型（如字符串、整数、浮点数、列表、元组、字典等）、控制流（如条件语句、循环语句）、函数（定义和调用函数、参数和返回值、作用域和命名空间）、模块和包（导入模块、使用包）、面向对象编程（类和对象、属性和方法、继承和多态）、异常处理（理解异常、异常处理）、文件操作（文件读写、文件与路径操作）。 2. 新手学习 AI： 了解 AI 基本概念，建议阅读「」部分，熟悉术语和基础概念，浏览入门文章。 开始 AI 学习之旅，在「」中找到为初学者设计的课程，推荐李宏毅老师的课程，也可通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习并获证书。 选择感兴趣的模块深入学习，掌握提示词技巧。 实践和尝试，理论学习后通过实践巩固知识，在知识库分享实践作品和文章。 体验 AI 产品，如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人，了解其工作原理和交互方式。 五、工具推荐 1. Kimi 智能助手：ChatGPT 的国产平替，上手体验好，适合新手入门学习和体验 AI。不用科学网、不用付费、支持实时联网，是国内最早支持 20 万字无损上下文的 AI，对长文理解做得好，能一次搜索几十个数据来源，无广告，能定向指定搜索源（如小红书、学术搜索）。 PC 端： 移动端（Android/ios）： 2. 飞书：汇集各类 AI 优质知识库、AI 工具使用实践的效率工具，助力人人成为效率高手。

如果您在生成图像方面缺少工具，以下为您提供一些相关信息： 对于风格调音器：生成一个代码后，您可以使用 Parameter 添加到提示中。了解有关参数的更多信息可参考：https://docs.midjourney.com/parameterlist 。复制您的提示和参数，在页面底部找到您的自定义代码，单击 Copy 按钮复制原始提示和新生成的 style<code>参数。您可以与朋友分享您的 Style Tuner 页面并生成新代码，而无需使用任何额外的 GPU 分钟。返回不和谐，使用该 /imagine 命令并将复制的提示和 style<code>参数粘贴到 prompt 字段中，即可生成您的图像。您还可以使用其他 Midjourney 工具（例如 Upscale、Pan、ZoomOut、Remix 或 VaryRegion）进一步增强图像。 对于 Wojak memecoze 复刻版本：先写一个阴阳怪气的 prompt，原作里面就是把用户输入的职业、人物或者概念去尽量解构，用讽刺风趣的 meme 来解读。生成图片时没有用图像流里面的工具，而是用工作流，调用插件来实现。例如用 ByteArtist 插件里面的 ImageToolPro 工具，将 model_type 选 2，就可以根据用户图片风格进行生成。输入一个参考丑图，比如从 glif 官网别人的作品里面选一个 10241024 的老大爷，将其 url 输入给 image_url。 对于 ComfyUI BrushNet：通俗易懂地说，这个过程有点像小时候玩的连点成图游戏。掩码就像是一张有洞的纸覆盖在图片上，电脑程序通过这些洞了解哪些部分需要修复。编码器是电脑的大脑，它把需要修复的图片转换成电脑能理解和处理的信息。噪声潜在空间为了让修复的部分不那么单调，程序会加入一些随机性，这样修复出来的图片看起来更自然。BrushNet 和冻结的 UNet（Frozen UNet，值预训练好的固定不变的）是处理图片的工具，就像画家的画笔和调色板，帮助电脑细致地完成修复工作。程序会尝试去除不需要的噪声，并最终创建出看起来很真实的图片部分。最后，程序会用一种特殊的技巧，将新生成的图片和原始图片融合在一起。