fast api 是什么？

以下是关于 Claude API 接口写提示词的一些要点： 1. 采用“Human:”/“Assistant:”的标准格式。Claude 被训练为交替对话形式的机器人，对话形式固定为：“Human:”/“Assistant:”。如果提示词在 API 里出现，固定开头为“\n\nHuman:”，固定结尾是：“\n\nAssistant:”。例如：prompt=“\n\nHuman:Why are sunsets orange?\n\nAssistant:”。 2. 提示词要清晰明确，Claude 对清晰明确的提示词反馈最好。 3. 可以指定想要的精确输出格式，也可以为 Claude 写好回复的开头（在“Assistant:”之后）。 4. 如果 Claude 在执行任务前有时间一步一步地思考，它会表现得更好。 5. 对于输入内容，可进行无害性筛选。如果内容提到有害、色情或非法的活动，回复。 6. 若 Claude 不理解任务，可后退几步，再进行提示词迭代，并询问 Claude 是否理解。

以下是为您推荐的与 DeepSeek API 相关的内容： 此外，还有以下与 DeepSeek 相关的其他信息供您参考： 同时，关于 DeepSeek 的其他相关日报信息： DeepSeek 暂停 API 充值服务，已充值金额可继续使用。DeepSeekchat 模型优惠期至 2025 年 2 月 8 日 24:00，之后按每百万输入 tokens 2 元，每百万输出 tokens 8 元计费。Deepseekreasoner 模型上线即按每百万输入 tokens 4 元，每百万输出 tokens 16 元计费。 Google 修改 AI 伦理原则，允许军事用途。

以下是关于出门问问语音合成（TTS）API 的相关信息： 接口请求域名：https://open.mobvoi.com/api/tts/v1 接口请求频率限制：5 次/秒 调用参数及说明： 字段名：text 必填：是 类型：String 描述：要合成的文本内容，限制为 1000 字符。支持 ssml 标记语言，使用说明见附录 3。 字段名：appkey 必填：是 类型：String 描述：开发者在 AI 开放平台上申请的 appkey。 字段名：signature 必填：是 类型：String 描述：签名，通过“appkey+secret+timestamp”进行 md5 加密，得到的 32 位 MD5 值。其中加号也参与 MD5 的计算。每次请求实时计算签名，签名有效期为 10 分钟。 字段名：timestamp 必填：是 类型：Long 描述：当前时间戳，单位为秒。 字段名：speaker 必填：否 类型：String 描述：合成音频指定发音人。默认值：cissy_meet。其他发音人传值及计费价格请参考声音商店。 字段名：audio_type 必填：否 类型：String 描述：合成音频的格式。默认值：mp3。可选值：pcm/mp3/speexwb10/wav。只支持这四种格式中的一种。 字段名：speed 必填：否 类型：Float 描述：发音人合成的语速，支持小数点后两位。默认值：1.0。可选值：0.5 2.0。 字段名：convert 必填：否 类型：String 描述：默认值：无。可选值：robot。是否转化为机器声。 字段名：rate 必填：否 类型：Long 描述：音频采样率。默认值：无，由 speaker 指定默认值。可选值：8000/16000/24000。 字段名：volume 必填：否 类型：Float 描述：合成音量。默认值：1.0。可选值：0.1 1.0。 字段名：pitch 必填：否 类型：Float 描述：语调参数，参数小于 0 则语调变低，反之则高。默认值：0。可选值：10 < pitch < 10（streaming 接口不支持）。 字段名：symbol_sil 必填：否 类型：String 描述：符号停顿时长映射方法（逗号分割）见下方停顿符号映射表。充值后自动开通权限（streaming 接口不支持）。 字段名：ignore_limit 必填：否 类型：Boolean 描述：默认值：false。可选值：false/true。是否限制字符数，如果设置 true，传输的文本可以超过 1000 字符限制，最大字符数 3000。充值后自动开通权限。 出门问问语音合成技术（TTS）可以将任意文本转化为语音，实现让机器和应用张口说话。其可应用于视频 APP 配音解说、小说 App 有声阅读、移动 App 新闻语音播报、智能设备语音提醒、车载导航语音合成的个性化语音播报等场景。该服务提供了普通话、台湾腔、粤语、四川话、东北话等多种方言，数百个发音人，上千种风格，满足不同场景的选择需求。实时合成支持 SSML，语法详见 SSML 标记语言。 HTTP Method：支持 POST 请求。

获取 API key 的方法如下： 火山引擎 API 申请：在火山引擎申请 API，注册链接有送代金券，可用于 token 消耗。 通义千问大模型：先去，点击创建 API key，复制保存即可。 腾讯云（新用户）： 1. 点击去注册腾讯云：。 2. 进入腾讯云，微信扫码注册。 3. 首次注册选择推荐页面的第一个或第二个。 4. 点击立即试用，选择地域和镜像（下拉框最上边的宝塔 8.1.0），然后点击“立即试用”。 5. 进入腾讯云服务台，点击“登录”。 6. 登录后，在当前页面复制 sudo /etc/init.d/bt default，粘贴进入图示位置，然后点击回车，保存此处输出的内容。 7. 返回服务器控制台，点击空白区域，选择“防火墙”菜单栏，点击【添加规则】按钮，新增规则，手动输入相关内容，除图中的内容外，需要再添加一个 3000 备注 FastGPT。

以下是使用 API 结合 cherry studio 建立本地知识库后训练使 AI 更聪明的方法： 1. 在线知识库： 点击创建知识库，创建一个画小二课程的 FAQ 知识库。 知识库的飞书在线文档中，每个问题和答案以分割。 选择飞书文档，选择自定义的自定义，输入。 编辑修改和删除内容，添加 Bot 并在调试区测试效果。 2. 本地文档： 注意拆分内容，提高训练数据准确度。 对于画小二课程，将 80 节课程分为 11 个章节，不能一股脑全部放进去训练。 首先将 11 章的大章节名称内容放进来，章节内详细内容按照固定方式进行人工标注和处理。 然后选择创建知识库自定义清洗数据。 3. 发布应用： 点击发布，确保在 Bot 商店中能够搜到。 此外，在训练 AI 时，还需要注意以下几点： 提示词：告诉 AI 它的角色和要专注的技能。 知识库：相当于给 AI 发放工作手册，例如可以放入特定的剧情等内容。 希望以上内容对您有所帮助。

要结合 API 建立本地知识库，以下是较为容易的操作步骤： 1. 进入知识库页面，单击创建知识库。 2. 在弹出的页面配置知识库名称、描述，并单击确认。需注意一个团队内的知识库名称不可重复，必须是唯一的。 3. 在单元页面，单击新增单元。 4. 在弹出的页面，选择表格格式。 5. 选择 API 上传方式： 获取在线 API 的 JSON 数据，将 JSON 数据上传至知识库。 在表格格式页签下，选择 API，然后单击下一步。 单击新增 API。 输入网址 URL 并选择数据的更新频率，然后单击下一步。 输入单元名称或使用自动添加的名称，然后单击下一步。 配置数据表信息后，单击下一步。 确认表结构：系统已默认获取了表头的列名，您可以自定义修改列名，或删除某一列名。 指定语义匹配字段：选择哪个字段作为搜索匹配的语义字段。在响应用户查询时，会将用户查询内容与该字段内容的内容进行比较，根据相似度进行匹配。 查看表结构和数据，确认无误后单击下一步。 完成上传后，单击确定。 您也可以选择自定义上传方式： 在表格格式页面下，选择自定义，然后单击下一步。 输入单元名称。 在表结构区域添加字段，单击增加字段添加多个字段。 设置列名，并选择指定列字段作为搜索匹配的语义字段。 单击确定。 单击创建分段，然后在弹出的页面输入字段值，然后单击保存。

以下是 COW 微信机器人、FastGpt 微信机器人、COZE 微信机器人的区别： COW 微信机器人： 基于 Hook 机制，具有相对更高的稳定性和安全性，更简单易上手。 目前插件相对较少，仅支持 Windows 系统。 可以不用服务器，对小白更加友好。 能够结合 FastGPT 进行使用。 具备基于知识库的 AI 回复、支持积分系统、支持自动拉人、检测广告、自动群发等功能，还有安全新闻定时推送、Kfc 文案、星座查询、天气查询等有趣的小功能。 FastGpt 微信机器人：可以与 COW 微信机器人结合使用。 COZE 微信机器人：在 6 月底的微信机器人共建中有所提及，有多种玩法，如对接 llm key 的玩法等。在百炼平台里的“应用”概念类似于 COZE 中的“bot”。

FastGPT 是一个基于大语言模型（LLM）的知识库问答系统，具有以下特点和优势： 特点： 基于 LLM 的问答：采用先进的 LLM 技术，能理解自然语言并生成高质量答案。 知识库支持：可连接外部知识库获取更全面信息。 可视化工作流：提供可视化工作流编排工具，方便创建复杂问答场景。 开箱即用：具备开箱即用的数据处理和模型调用功能，方便快速上手。 应用场景： 客服问答：构建智能客服系统，提供 7x24 小时自动问答服务。 知识库搜索：用于构建知识库搜索系统，帮助用户快速找到所需信息。 文档生成：自动生成新闻稿件、产品说明书等文档。 数据分析：分析文本数据，提取关键信息并生成报告。 与其他问答系统的比较： 技术基础：基于 LLM，区别于基于规则、基于检索等其他问答系统。 知识库支持：支持连接外部知识库，部分其他问答系统仅部分支持。 工作流编排：采用可视化编排，不同于编码方式。 开箱即用：具有开箱即用的功能，其他系统通常不具备。 以下是一些关于 FastGPT 的其他资源： 配置 FastGPT 的步骤如下： 1. 回到宝塔系统中，点击【文件】菜单。 2. 找到 rootfastgpt 文件夹。 3. 找到 2 个文件 dockercompose.yml 和 config.json 进行修改。 首先修改 dockercompose.yml： 在第 53 行找到 OPENAI_BASE_URL，填入 http://这里替换为你宝塔左上角的那一串:3001/v1（举例：http://11.123.23.454:3001/v1），默认 root 密码 1234。 在第 54 行找到 CHAT_API_KEY，填入刚刚在 OneAPI 复制的 sk 开头的令牌。 点击保存，关闭。 4. 打开 config.json，Ctrl+A 全选删除全部代码，把以下内容粘贴进入，点击保存。 5. 保存文件后，在当前文件夹，点击顶部的“终端”按钮，执行启动命令 dockercompose up d 。

以下是为您基于 FastGPT 打造招生问答系统的优质提示词的相关建议： 1. 充分描述任务： 为提示词提供详尽的上下文，与招生问答任务相关性越强越好。例如，明确招生的对象、专业、学制等关键信息。 给出背景，说明为什么需要进行招生问答，例如学校的发展需求、招生目标等。 定义术语，如明确招生中的特定概念，如录取分数线、奖学金条件等。 给出模型应该如何完成任务的具体细节，比如回答的格式、重点突出的内容等。 2. 提供参考文本： 如果有相关的招生资料，如招生简章、学校介绍等，可以指示模型使用这些参考文本中的引文来回答问题。 3. 直接法： 适用场景：未设置提示防御且未限定回答领域。 提示词：英文和中文。 示例：以随手设置的示例为例。 4. 设置遗忘： 适用场景：GPTs 设置了简单的提示防御。 提示词：英文和中文。 示例：以设置的 GPTs 为例。 5. 复述法： 适用场景：可获取 OpenAI 官方的设定。 提示词：英文（获取 GPTs 的设定）和中文。 示例：按照设定进行示例。

在 FastGPT 里搭建企业微信可以按照以下步骤进行： 1. 搭建 OneAPI：这是为了汇聚整合多种大模型接口，方便后续更换使用各种大模型。 2. 搭建 FastGpt：这是一个知识库问答系统，将知识文件放入，并接入上面的大模型作为分析知识库的大脑，最后回答问题。如果不想接到微信，搭建到这里就可以，它也有问答界面。 3. 搭建 chatgptonwechat 接入微信： 克隆项目代码，如遇网络问题，可把链接替换为国内镜像。 安装 Python 3 和 pip。 安装核心依赖（必选）和拓展依赖（可选，建议安装）。 复制一份 config 文件，方便后续配置。 用公网 ip:3000 打开 FastGpt，在应用中获取对外的 API 接口（操作：应用>发布应用>Api 访问），点击“新建”API 秘钥，复制 API KEY 和新建按钮旁边的 API 根地址 2 个内容，用于配置接入微信。 回到宝塔，在【文件】菜单中找到 root 下的 chatgptonwechat 文件夹中的 config.json 文件，双击文件，复制下方的配置全部替换掉并保存文件。 点击文件夹上方功能栏中的【终端】，运行程序，返回扫描执行命令后的“终端”内的二维码，完成登录。 4. 搭建完后想拓展功能，可参考 Yaki.eth 同学的教程，里面的 cow 插件能进行文件总结、MJ 绘画的能力。 此外，还有以下补充内容： 第四天教程：FastGPT 教学中的部署项目： 1. 使用特定版本的微信，点击下载进行替换安装。若下载不了，可去 https://f.ws59.cn/f/egjbgm2p565 复制链接到浏览器打开。若过期，去公众号回复：Hook，自动获取下载地址。 2. 下载 NGCbot 机器人项目，解压缩。 3. 解压后，在空白处 shift+鼠标右键，点击“在此处打开 Powershell 窗口”，打开 shell 窗口后粘贴代码并回车。 4. 在当前的 NGCbot 文件夹下，找到 Config 文件中的 config.yaml，右键选择用记事本方式打开。

FastGPT 是一个基于大语言模型（LLM）的知识库问答系统，具有以下特点和优势： 特点： 基于 LLM 的问答：采用先进的 LLM 技术，能理解自然语言并生成高质量答案。 知识库支持：可连接外部知识库获取更全面信息。 可视化工作流：提供可视化工作流编排工具，方便创建复杂问答场景。 开箱即用：具备开箱即用的数据处理和模型调用功能，方便快速上手。 优势： 在知识库召回方面表现比 define 更好，适合知识库对话或关键字对话场景。 本地搭建的词库在日常使用场景中更落地、实用。 应用场景： 客服问答：构建智能客服系统，提供 7x24 小时自动问答服务。 知识库搜索：用于构建知识库搜索系统，帮助用户快速找到所需信息。 文档生成：自动生成新闻稿件、产品说明书等文档。 数据分析：分析文本数据，提取关键信息并生成报告。 与其他问答系统的比较： 技术基础：基于 LLM，而其他问答系统基于规则、基于检索等。 知识库支持：支持，部分其他问答系统仅部分支持。 工作流编排：可视化，其他问答系统多为编码。 开箱即用：是，其他问答系统否。 相关资源： 使用方法：在宝塔面板中安装 Docker，然后通过终端输入命令，进入 FastGPT 文件夹。可能会遇到下载速度慢或无法下载的问题，可尝试按 control+c 然后再右键粘贴，点击回车。文件下载慢可通过更改镜像地址（如更换为阿里云的镜像地址）提高下载速度。FastGPT 商用需注意要有商业许可和付费，需查看开源协议。

FastGPT 是一个基于大语言模型（LLM）的知识库问答系统，具有以下特点和优势： 特点： 基于 LLM 的问答：采用先进的 LLM 技术，能理解自然语言并生成高质量答案。 知识库支持：可连接外部知识库获取更全面信息。 可视化工作流：提供可视化工作流编排工具，方便创建复杂问答场景。 开箱即用：具备开箱即用的数据处理和模型调用功能，方便快速上手。 应用场景： 客服问答：构建智能客服系统，提供 7x24 小时自动问答服务。 知识库搜索：用于构建知识库搜索系统，帮助用户快速找到所需信息。 文档生成：自动生成新闻稿件、产品说明书等文档。 数据分析：分析文本数据，提取关键信息并生成报告。 与其他问答系统的比较： 技术基础：基于 LLM，区别于基于规则、基于检索等其他问答系统。 知识库支持：支持连接外部知识库，部分其他问答系统仅部分支持。 工作流编排：采用可视化编排，不同于其他系统的编码方式。 开箱即用：具有开箱即用的特点，其他系统通常不具备。 以下是一些关于 FastGPT 的其他资源： 此外，在解决问题的思路上，如对于单次请求不能很好完成所有事情的情况，可将其拆分，让大模型根据目标拆分出逐步的子任务，再通过工程方式循环请求子任务。例如 AutoGPT 采用了这种规划和执行的方式，但落地困难。而 FastGPT 搞了可视化的 workflow 编排，大家逐渐意识到 workflow 是短期最优解，各家纷纷开始进行相关工作。