WaytoAGI 背后使用的知识库模型算法是哪家的

WaytoAGI 的创始人是 Purz 。

企业与 WaytoAGI 的合作形式主要包括以下几种： 1. 数据合作：如 Abaka AI 提供智能数据工程平台与数据集构建服务，满足人工智能应用场景对于先进的智能标注工具以及高质量数据的需求。 2. 技术交流与合作：例如 ComfyUI 众星云集的活动中，众多技术专家和企业代表进行交流与合作。 3. 共同举办活动：如与 MIT CEO 联合举办硅谷 AI 创投 Meetup 等活动，促进交流与合作。 4. 资源共享与推广：WaytoAGI 作为一个 AI 开源社区，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，与其他企业进行资源共享和推广。 5. 项目孵化：WaytoAGI 引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 目前与 WaytoAGI 合作过的公司/产品包括阿里云、通义千问、淘宝、智谱、支付宝、豆包、火山引擎、marscode、coze、堆友、即梦、可灵、MiniMax 海螺 AI、阶跃星辰、百度、Kimi、吐司、liblib、华硕、美团、美的、360、伊利、魔搭、央视频、Civitai、Openart、Tripo3D、青椒云等。

WaytoAGI 与飞书有着密切的关系。“飞书智能伙伴创建平台”（英文名：Aily）是飞书团队旗下的企业级 AI 应用开发平台，为企业构建和发布 AI 应用提供便利。云雀是字节跳动研发的语言模型。WaytoAGI 专属问答机器人基于 Aily 和云雀大模型。在飞书 5000 人大群里，内置了一个智能机器人「waytoAGI 知识库智能问答」，它是基于飞书 Aily 搭建的。用户可以通过在飞书群里发起话题时来使用，它能够自动回答用户关于 AGI 知识库内的问题，进行知识搜索、文档引用等多种操作，还支持多语言问答等功能。此外，关于飞书如何搭建 FAQ 机器人，会议介绍了相关情况，包括利用 AI 技术帮助用户检索知识库内容，引入 RAG 技术，使用飞书的智能伙伴功能搭建等。

WAYTOAGI 具有以下功能： 1. 自动问答：自动回答用户关于 AGI 知识库内涉及的问题，可以对多文档进行总结、提炼。 2. 知识搜索：在内置的「waytoAGI」知识库中搜索特定的信息和数据，快速返回相关内容。 3. 文档引用：提供与用户查询相关的文档部分或引用，帮助用户获取更深入的理解。 4. 互动教学：通过互动式的问答，帮助群成员学习和理解 AI 相关的复杂概念。 5. 最新动态更新：分享有关 AGI 领域的最新研究成果、新闻和趋势。 6. 社区互动：促进群内讨论，提问和回答，增强社区的互动性和参与度。 7. 资源共享：提供访问和下载 AI 相关研究论文、书籍、课程和其他资源的链接。 8. 多语言支持：支持多语言问答，满足不同背景用户的需求。 此外，WaytoAGI（通往 AGI 之路）是一个致力于人工智能（AI）学习的中文知识库和社区平台，具有以下特点： 1. 知识库与社区平台：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。 2. 学习资源：提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 3. 实践活动：定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 4. 开放共享：引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 5. 用户基础：在没有任何推广的情况下，一年时间已有超过 100 万用户和超千万次的访问量。 6. 目标与愿景：目标是让每个人的学习过程少走弯路，让更多的人因 AI 而强大。目前合作过的公司/产品包括阿里云、通义千问、淘宝、智谱、支付宝、豆包、火山引擎、marscode、coze、堆友、即梦、可灵、MiniMax 海螺 AI、阶跃星辰、百度、Kimi、吐司、liblib、华硕、美团、美的、360、伊利、魔搭、央视频、Civitai、Openart、Tripo3D、青椒云等。

WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源知识库。它于 2023 年 4 月 26 日诞生，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量，是很多 AI 爱好者知识的源头，社群的 Slogan 是让更多的人因 AI 而强大，有很多学社和共学共建的活动。 WaytoAGI 网站提供以下功能： 1. 和 AI 知识库对话：可以在这里问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，可按需求找到适合的工具。 3. AI 提示词：集合了精选的提示词，能复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库各自独立又相互关联，希望成为您学习 AI 路上的好助手。

“通往 AGI 之路”（WaytoAGI）是一个致力于人工智能（AI）学习的中文知识库和社区平台，具有以下特点： 1. 提供系统全面的 AI 学习路径，涵盖从基础概念到实际应用的各个方面。 2. 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 3. 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 4. 引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 5. 拥有庞大的用户基础，在没有任何推广的情况下，一年时间已有超过 100 万用户和超千万次的访问量。 6. 目标是让每个人的学习过程少走弯路，让更多的人因 AI 而强大。 7. 其品牌 VI（视觉识别）融合了独特的设计元素，以彩虹色彰显多元性和创新，以鹿的形象象征智慧与优雅，通过非衬线字体展现现代感和清晰性。 8. 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。 9. 目前合作过众多公司/产品，如阿里云、通义千问、淘宝、智谱、支付宝、豆包、火山引擎等。 如果您对 AI 学习感兴趣，加入“通往 AGI 之路”社区将是一个不错的选择。在这里，您可以获取最新的 AI 知识，参与实践活动，与志同道合的学习者共同成长。

以下是关于飞书知识库 AI 机器人的相关信息： 简介：在飞书 5000 人大群里，内置了一个智能机器人「waytoAGI 知识库智能问答」，它是基于飞书 aily 搭建的。（） 如何使用：在飞书群里发起话题时即可，它会根据 waytoAGI 知识库的内容进行总结和回答。 功能： 自动问答：自动回答用户关于 AGI 知识库内涉及的问题，可以对多文档进行总结、提炼。 知识搜索：在内置的「waytoAGI」知识库中搜索特定的信息和数据，快速返回相关内容。 文档引用：提供与用户查询相关的文档部分或引用，帮助用户获取更深入的理解。 互动教学：通过互动式的问答，帮助群成员学习和理解 AI 相关的复杂概念。 最新动态更新：分享有关 AGI 领域的最新研究成果、新闻和趋势。 社区互动：促进群内讨论，提问和回答，增强社区的互动性和参与度。 资源共享：提供访问和下载 AI 相关研究论文、书籍、课程和其他资源的链接。 多语言支持：支持多语言问答，满足不同背景用户的需求。 搭建问答机器人的分享：2024 年 2 月 22 日的会议首先介绍了 WaytoAGI 社区的成立愿景和目标，以及其在飞书平台上的知识库和社区的情况。接着，讨论了如何利用 AI 技术帮助用户更好地检索知识库中的内容，引入了 RAG 技术，通过机器人来帮助用户快速检索内容。然后，介绍了基于飞书的知识库智能问答技术的应用场景和实现方法，可以快速地给大模型补充新鲜的知识，提供大量新的内容。之后，讨论了如何使用飞书的智能伙伴功能来搭建 FAQ 机器人，以及智能助理的原理和使用方法。最后，介绍了企业级 agent 方面的实践。 背后的技术：「飞书智能伙伴创建平台」（英文名：Aily）是飞书团队旗下的企业级 AI 应用开发平台，提供了一个简单、安全且高效的环境，帮助企业轻松构建和发布 AI 应用，推动业务创新和效率提升。云雀是一款由字节跳动研发的语言模型，通过便捷的自然语言交互，能够高效的完成互动对话、信息获取、协助创作等任务。 关于“我是谁”：是 WaytoAGI 专属问答机器人，基于 Aily 和云雀大模型。 使用方法： 方法 1：在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（下图二维码仅作示意，请在找到最新二维码），然后点击加入，直接@机器人即可。 方法 2：在 WaytoAGI.com 的网站首页，直接输入问题，即可得到回答。 做问答机器人的原因： 整个知识库的内容已经非常庞大，内容越来越丰富的同时，作为一个刚进入知识库的用户，并没有办法可以很快的找到知识库的内容。 传统的搜索是基于关键词及关键词的相关性。例如搜索“吃了吗？”和“昨天晚上鸡腿好吃”，在字面意义上的差异和语义上的价值。 作为一个 AI 知识库，需要用更先进的办法来解决：RAG 技术。 在群中提供一个可以快速供大家检索信息的方式，使用更加便捷。

以下是知识库中已有的 AI 工具按能力分类列举： 工具入门篇 数据工具： 多维表格小白之旅 适用人群：Excel 重度使用者、手动数据处理使用者、文件工作者 简要说明：用表格+AI 进行信息整理、提效、打标签，满足 80%数据处理需求 编程工具： Cursor 的小白试用反馈 适用人群：0 编程经验、觉得编程离我们很遥远的小白 简要说明：通过 AI 工具对编程祛魅，降低技术壁垒 音乐工具： Suno 的小白探索笔记 适用人群：0 乐理知识、觉得作词作曲和我们毫不相关成本巨大的小白 简要说明：AI 赋能音乐创作，无需乐理知识即可参与音乐制作 100 个 AI 应用 81 100： AI 菜谱口味调整工具 已有产品：下厨房口味调整功能 一句话介绍：根据用户反馈调整菜谱口味。 AI 语言学习纠错平台 已有产品：英语流利说纠错功能 一句话介绍：帮助语言学习者纠正错误。 AI 电影剧情分析系统 已有产品：豆瓣电影剧情分析工具 一句话介绍：分析电影剧情，提供深度解读。 AI 办公文件分类系统 已有产品：腾讯文档分类功能 一句话介绍：自动分类办公文件，方便管理。 AI 美容护肤方案定制平台 已有产品：美丽修行定制方案功能 一句话介绍：根据用户肤质定制护肤方案。 21 40： AI 菜谱生成平台 已有产品：豆果美食 APP 一句话介绍：根据用户口味和现有食材生成个性化菜谱。 AI 语言学习助手 已有产品：沪江开心词场 一句话介绍：辅助用户学习语言，提供个性化学习方案。 AI 电影推荐系统 已有产品：爱奇艺智能推荐 一句话介绍：根据用户喜好推荐电影，发现优质影片。 AI 办公自动化工具 已有产品：WPS Office 一句话介绍：提高办公效率，实现自动化办公流程。

构建企业 AI 知识库可以参考以下步骤： 1. 结合企业私有数据与 RAG 模型的私有化部署。如有特殊需求，还可以进行模型的 Finetuning（微调），以优化性能。基础模型负责提供推理提示，RAG 用于整合新知识，实现快速迭代和定制化信息检索。 2. 确定功能范围，包括编写【prompt】提示词，设定 Bot 的身份和目标。 3. 创建【知识库】： 整理“关键字”与“AI 相关资料链接”的对应关系，并将信息存储起来。 选择创建知识库路径，如个人空间知识库创建知识库。 支持的知识库文档类型包括本地文档、在线数据、飞书文档、Notion 等，可根据需求选择，如本次使用【本地文档】。 按照操作指引上传文档、分段设置、确认数据处理。 小技巧：知识库的好用程度与内容切分粒度有关，可以在内容中加上特殊分割符，如“”，便于自动切分数据。分段标识符号选择“自定义”，内容填“”。如果内容有误需要编辑，可以点击具体内容，鼠标右键会看到“编辑”和“删除”按钮进行相应操作。 在构建过程中，KnowHow 很重要，同时工作流不必复杂，能实现目的即可，所以在设计 Bot 前“确定目的”和“确定功能范围”很关键。

以下是关于本地构建知识库的详细步骤和相关知识： 一、硬件配置要求 运行大模型需要较高的机器配置，个人玩家可能负担不起。 生成文字大模型： 最低配置：8G RAM + 4G VRAM 建议配置：16G RAM + 8G VRAM 理想配置：32G RAM + 24G VRAM（如果要跑 GPT3.5 差不多性能的大模型） 生成图片大模型（比如跑 SD）： 最低配置：16G RAM + 4G VRAM 建议配置：32G RAM + 12G VRAM 生成音频大模型： 最低配置：8G VRAM 建议配置：24G VRAM 二、RAG 技术 利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用。在进行本地知识库的搭建实操之前，需要先对 RAG 有大概的了解。 RAG 是指检索增强生成（Retrieval Augmented Generation），当需要依靠不包含在大模型训练集中的数据时，通过以下 5 个过程实现： 1. 文档加载（Document Loading）：从多种不同来源加载文档。LangChain 提供了 100 多种不同的文档加载器，包括 PDF 在内的非结构化的数据、SQL 在内的结构化的数据，以及 Python、Java 之类的代码等。 2. 文本分割（Splitting）：文本分割器把 Documents 切分为指定大小的块。 3. 存储：涉及将切分好的文档块进行嵌入（Embedding）转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 5. Output（输出）：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 三、本地知识库搭建步骤 如果想要对知识库进行更加灵活的掌控，需要一个额外的软件：AnythingLLM。 1. 安装 AnythingLLM 安装地址：https://useanything.com/download 安装完成后，会进入到其配置页面，主要分为三步： 第一步：选择大模型 第二步：选择文本嵌入模型 第三步：选择向量数据库 2. 构建本地知识库 AnythingLLM 中有一个 Workspace 的概念，可以创建自己独有的 Workspace 跟其他的项目数据进行隔离。 首先创建一个工作空间。 上传文档并且在工作空间中进行文本嵌入。 选择对话模式。AnythingLLM 提供了两种对话模式： Chat 模式：大模型会根据自己的训练数据和上传的文档数据综合给出答案。 Query 模式：大模型仅仅会依靠文档中的数据给出答案。 测试对话：当上述配置完成之后，就可以跟大模型进行对话了。 四、写在最后 “看十遍不如实操一遍，实操十遍不如分享一遍”。如果对 AI Agent 技术感兴趣，可以联系作者或者加作者的免费知识星球（备注 AGI 知识库）。

以下是关于如何搭建定制知识库的相关内容： 要搭建基于 GPT API 的定制化知识库，需要给 GPT 输入定制化的知识。但 GPT3.5（即当前免费版的 ChatGPT）一次交互支持的 Token 数量有限，约 4096 个，相当于 3000 个单词或 2300 个汉字，容量对于多数领域知识不够。为处理大量领域知识，OpenAI 提供了 embedding API 解决方案，可参考 OpenAI embedding documents。 embeddings 是浮点数字的向量（列表），两个向量之间的距离衡量它们的关联性，小距离表示高关联度，大距离表示低关联度。向量是用一串数字表示大小和方向的量，在计算机科学和数据科学中通常用列表表示。向量之间的距离是度量相似性的方法，常见的如欧几里得距离。在 OpenAI 词嵌入中，靠近的向量词语在语义上相似。 LlamaIndex 是更高一层 LangChain 的抽象，之前叫 GPT Index。之前的文章中的例子使用了 LlamaIndex 包，它简化了 LangChain 对文本分割和查询的接口，并提供了更丰富的 Data Connector。LlamaIndex 只针对 GPT Model 做 Index，而 LangChain 可对接多个 LLMs，可扩展性更强。参考 https://gptindex.readthedocs.io/en/latest/ 在基于大模型+知识库的 Code Review 实践中，对于自定义知识库飞书文档（自定义），没有格式要求，能看懂正确代码即可。可直接使用 LangChain 提供的文档加载类，对有权限的飞书文档进行获取，使用 CharacterTextSplitter/RecursiveCharacterTextSplitter 将文本分割成固定长度的块（chunks），方法有两个主要参数：chunk_size 控制每个块的长度，如设置为 1024，则每个块包含 1024 个字符；chunk_overlap 控制相邻两个块之间的重叠长度，如设置为 128，则每个块会与相邻块重叠 128 个字符。 因为大模型有足够多的数据，想让大模型按要求执行就需要用到“Prompt 提示词”。 最近各家大厂接连放大招，AI 技术和应用突飞猛进，GPT4 接口已支持最大 32K 输入，AI 的开发和使用门槛会越来越低。垂直领域知识库的搭建和优化可能更多是业务问题，而非技术问题。

搭建私人知识库可以参考以下方法： 1. 基于 GPT 搭建： 给 GPT 输入（投喂）定制化的知识，但 GPT3.5（即当前免费版的 ChatGPT）一次交互（输入和输出）只支持最高 4096 个 Token，约等于 3000 个单词或 2300 个汉字，容量对于绝大多数领域知识不够。 OpenAI 提供了 embedding API 解决方案，embeddings 是一个浮点数字的向量（列表），两个向量之间的距离衡量它们的关联性，小距离表示高关联度，大距离表示低关联度。 将大文本拆分成若干个小文本块（chunk），通过 embeddings API 将小文本块转换成 embeddings 向量，在一个地方（向量储存库）中保存这些 embeddings 向量和文本块，当用户提出问题时，将问题先通过 embeddings API 转换成问题向量，然后与向量储存库的所有文本块向量比对，查找距离最小的几个向量，把这几个向量对应的文本块提取出来，与原有问题组合成为新的 prompt（问题/提示词），发送给 GPT API。 2. 本地部署大模型搭建： 利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用，在进行本地知识库的搭建实操之前，需要先对 RAG 有大概的了解。 RAG 的应用包括文档加载（从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器）、文本分割（把 Documents 切分为指定大小的块）、存储（将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库）、检索（通过某种检索算法找到与输入问题相似的嵌入片）、Output（把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案）。 文本加载器就是将用户提供的文本加载到内存中，便于进行后续的处理。

目前有以下几种智能体适合处理 Excel 表格： 1. Excel Labs：这是一个 Excel 插件，新增了基于 OpenAI 技术的生成式 AI 功能，可在 Excel 中直接进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的 AI 工具，整合了多种办公软件，能通过聊天形式让用户告知需求，自动完成如数据分析、格式创建等任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还能根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。但请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下为您介绍一些较好的 AI 数字人相关的资源和产品： 1. 数字人躯壳构建： 可以使用 web 前端页面（Live2D 就提供了 web 端的 SDK）或者 Native 的可执行程序进行部署。笔者的开源数字人项目（项目地址：https://github.com/wanh/awesomedigitalhumanlive2d）选择了 live2d 作为数字人躯壳，因为这类 SDK 的驱动方式相比现在的 AI 生成式的方式更加可控和自然，相比虚幻引擎这些驱动方式又更加轻量和简单。另外超写实的数字人风格在目前的技术能力下，处理不好一致性问题，容易带来虚假的感觉或者产生恐怖谷效应，而卡通二次元的形象给人的接受度更高。关于 live2d 的 SDK 驱动方式可以参考官方示例：https://github.com/Live2D。 2. 数字人课程： 强烈推荐卡尔的 AI 沃茨做的这门数字人课程，一共 15 节视频课，持续更新还会不定时增加最新的数字人内容，附赠课外社群辅导，专门解决数字人相关的问题。关于卡尔，从创建 AIGC 开源学习网站 learnpromptl.pro，到建立卡尔的 AI 沃茨万人社群，他一直致力于 AI 学习圈。这一次，他建立了一套完整的数字人学习体系，放在这门《克隆你自己》的课程中，带领大家全方位掌握数字人各技能。同时，他详细回顾了 2023 年数字人领域的破圈事件，如 AI 马斯克对谈 AI 乔布斯超 331.9k 播放、霉霉说中文火遍全网、AI 郭德纲讲英文相声、硅语翻译｜海外明星送出中文新年祝福、通义千问｜兵马俑跳科目三、小冰推出支持交互的多模态数字人、阿根廷新总统用 HeyGen 做演讲等。数字人的出现，可以极大程度上优化工作流，尤其在制作个人 ip 短视频、配音、直播甚至到智能客服、虚拟偶像等各种领域都可以完成赋能。如果您想加入这场数字人浪潮，拥有自己的数字分身，优化自己的工作流，这门具备完整数字人学习体系的课程，正是您的需求。（扫码可以查看课程详细内容和介绍） 3. 算法驱动的数字人相关开源代码： ASR 语音识别：openai 的 whisper:https://github.com/openai/whisper ；wenet:https://github.com/wenete2e/wenet ；speech_recognition:https://github.com/Uberi/speech_recognition 。 AI Agent：大模型部分包括 ChatGPT、Claude、ChatGLM、文星一言、千帆大模型、通义千问等等。Agent 部分可以使用 LangChain 的模块去做自定义，里面基本包含了 Agent 实现的几个组件 。 TTS：微软的 edgetts：https://github.com/rany2/edgetts，只能使用里面预设的人物声音，目前接口免费；VITS：https://github.com/jaywalnut310/vits，还有很多的分支版本，可以去搜索一下，vits 系列可以自己训练出想要的人声；sovitssvc:https://github.com/svcdevelopteam/sovitssvc，专注到唱歌上面，前段时间很火的 AI 孙燕姿。 当然这种简单的构建方式还存在很多的问题，例如：如何生成指定人物的声音？TTS 生成的音频如何精确驱动数字人口型以及做出相应的动作？数字人如何使用知识库，做出某个领域的专业性回答？

对于创建指导高中孩子学习的老师的智能体，以下是一些建议： 1. 关于是创建全科智能体还是每门科单独创建智能体，这取决于您的具体需求和使用场景。如果您希望能够全面、综合地指导学生的学习，全科智能体可能更合适；但如果您想要针对每门学科进行更深入、专业的指导，那么每门科单独创建智能体可能效果更好。 2. 目前国产的 AI 产品中，很难说哪一家 100%能够保证回答正确且不会瞎说。不同的产品在不同的领域和场景中可能表现各异。您可以考虑一些在教育领域有一定口碑和应用案例的产品，并进行充分的测试和评估。 3. 以下是一些创建智能体的建议： 明确智能体的职责和功能，例如是主要进行课程规划、生成测验还是提供学习指导等。 为智能体提供详细准确的提示词，清晰地描述其任务和目标。 像导演一样，将复杂的任务拆分成科学合理的步骤，并确保每个步骤的结果能为后续步骤提供基础。 对于生成的内容，要进行检查和优化，不断调整和改进智能体的表现。 此外，您还可以参考一些相关的提示词库，例如沃顿商学院给教师和学生的提示词库，其中包含了结构化题型设计师和测验生成器等方面的内容。同时，很多 AI 网站都支持创建智能体，您可以为其配置提示词、知识库和能力等。

对于创建指导高中孩子学习的老师的智能体，以下是一些建议： 1. 关于是创建全科智能体还是每门科单独创建智能体，这取决于您的具体需求和使用场景。如果您希望能够全面、综合地指导学生的学习，全科智能体可能更合适；但如果您想要针对每门学科进行更深入、专业的指导，那么每门科单独创建智能体可能效果更好。 2. 目前在创建这种智能体方面，一些常见的 AI 产品如 GPT4、Gemini 等都可以考虑。然而，要确保回答 100%正确且不会瞎说是具有一定难度的，因为 AI 的回答仍然受到数据和算法的限制。 3. 以下是一些额外的建议： 参考沃顿商学院给教师和学生的提示词库，例如其中的结构化题型设计师和测验生成器的相关提示。 像导演一样，将创建智能体的任务拆解成科学合理的步骤，明确每个步骤的目标和结果。 注意提示语的逻辑，将复杂任务拆分成多个相互关联的步骤，使前一步的结果成为后一步的基础。 很多 AI 网站都支持创建智能体，您可以根据配置信息、知识库和能力配置等来自行定制。

目前市面上能力较强的 AI 模型来自多家公司和机构。 OpenAI 的 GPT4 是一个表现出色的大型多模态模型，在各种专业和学术基准测试中表现出与人类相当的水平。此外，OpenAI 还带来了其他优秀的模型，如 DALL·E 3 等。 Meta 开发的 Llama 3.1 是迄今为止最大版本，其在推理、数学、多语言和长上下文任务中能够与 GPT4 相抗衡，标志着首次开放模型缩小与专有前沿的差距。 谷歌 DeepMind 与纽约大学团队开发的 AlphaGeometry 在奥林匹克级几何问题基准测试中表现优异。 中国的 DeepSeek、零一万物、知谱 AI 和阿里巴巴等开发的模型在 LMSYS 排行榜上取得了优异的成绩，尤其在数学和编程方面表现出色，且在某些子任务上挑战了 SOTA。 Mistral 7B 是一个具有 73 亿参数的模型，在所有基准测试上超越了 Llama 2 13B，在许多基准测试上超越了 Llama 1 34B，在代码任务上接近 CodeLlama 7B 的性能，同时在英语任务上表现良好。 需要注意的是，AI 模型的能力评估会因不同的任务和应用场景而有所差异，且技术在不断发展和进步，新的更强的模型可能会不断涌现。

以下是关于大模型的相关知识： 大模型与小模型的区别：小模型在特定任务上表现出色，但只能用于特定任务；大模型像多功能基础平台，能处理多种任务，应用范围广泛且拥有更多通识知识。 大模型的知识范围：大模型并不拥有无限知识，其知识来源于训练过程中接触的数据，这些数据有限，且训练后知识库不会自动更新，在某些特定或专业领域的知识可能不够全面。 大模型的运作机制：主要通过大量数据训练学习语言结构和模式，根据输入生成相应文本，类似于词语接龙游戏。 常见的大模型：包括 OpenAI 的 3.5 和 4 版本，微软 Bing 使用 4 和 3.5 的混合，谷歌的 Bard 由 PaLM 2 等基础模型驱动，Anthropic 的 Claude 2 具有非常大的上下文窗口，且不太可能恶意行事。 关于知识库的更新时间和使用的具体大模型，上述内容未明确提及。

深度学习是机器学习的一个子领域。 在机器学习中，深度学习是一种利用深度神经网络来学习数据特征和模式的方法。 深度学习的特点包括： 1. 具有复杂的网络结构，如前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）等。 2. 能够自动从大量数据中提取高级特征。 深度学习在图像识别、语音识别、自然语言处理等领域取得了显著的成果。

不同厂家的 AI 产品底层算法通常是不一样的。 以常见的 ChatGPT 和豆包为例，ChatGPT 是由 OpenAI 开发的，其底层算法具有独特的特点和优势。而豆包是由字节跳动开发的，也有其自身的算法设计和优化。 在当前的 AI 领域，大多数 AI 应用程序都由大型语言模型（LLMs）驱动，其中只有几个基础模型，由少数几个组织创建。例如 OpenAI 制作了 GPT3.5 和 GPT4，Google 有 Bard 等。 从相关的访问量数据来看，不同的 AI 产品在市场上的表现也有所不同。比如在某些月份，ChatGPT 的访问量较高，而豆包的访问量也在不断变化。但这并不能直接反映其底层算法的差异，只是从侧面反映了它们在用户中的受欢迎程度和使用情况。

目前最新、效果较好且代码和模型开源的人体姿态估计（动作捕捉算法）相关的研究有以下两篇： 1. 【SD】最强手部识别，controlnet 新预处理器 dw openpose 作者：白马少年｜公众号：【白马与少年】 发布时间：20230813 20:00 原文网址：https://mp.weixin.qq.com/s/_RiKxWy9MXt4DUJIKH5w 介绍：在 controlnet 中，手部识别一直使用的是 openpose 预处理器，但复杂手势有时无法识别。新的 dw openpose 预处理器能完美解决手部识别问题，将其放入特定目录即可使用。但需说明的是，目前这个 DW Pose 只是更精确的 openpose 预处理器，未对 ControlNet 的 openpose 模型做改动。 2. YOLONAS Pose：一个开源的实时人体姿态估计模型 应用场景：基于骨骼标记为基础，适用于智慧体育等场景，可对训练过程的姿态、数据、状态等进行统计和管理。 技术类型：视频、AI 学习模型 简介：主要功能是识别图片和视频中人的姿势，能快速处理图像并实时返回姿态数据，适应不同场景和设备。 主要特点： 实时性能：旨在提供实时的姿态估计，适用于需要即时反馈的应用。 高精度：利用神经网络架构搜索（NAS）提高姿态估计的准确性。 优化的网络结构：NAS 自动测试不同网络结构，找到最优模型。

很抱歉，目前知识库中没有模态分解算法的详细代码。但您可以通过以下途径获取相关代码： 1. 学术研究网站，如 arXiv 等，许多学者会在上面分享他们的研究成果及代码。 2. 相关的开源代码库，如 GitHub 等，您可以通过搜索关键词找到相关项目。 3. 专业的技术论坛，在那里与其他开发者交流，可能会获得有用的信息和代码示例。

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。

很抱歉，目前知识库中没有关于监控视频算法的相关内容。但一般来说，监控视频算法涵盖了目标检测、跟踪、行为分析等多个方面。常见的算法包括基于深度学习的目标检测算法，如 YOLO 和 SSD 等，用于识别视频中的人物、车辆等目标；还有基于光流的目标跟踪算法，用于持续跟踪目标的运动轨迹；在行为分析方面，会运用模式识别和机器学习算法来判断异常行为等。如果您能提供更具体的需求，我可以为您提供更有针对性的信息。