如何用Kimi有效的分析上市公司财报

以下是关于如何写提示词与 KIMI 有效沟通的一些要点： 1. 不要期望设计一个完美的提示词就能得到理想答案，应将提示词视为一个相对完善的“谈话方案”，在与 KIMI 的对话中产生最终成果，并限缩自己思维中的模糊地带。 2. 多给 KIMI 几轮对话修正的余地，不要期望一次输入提示词就能得到想要的东西，因为很多时候自己刚开始也不清楚想要什么。 3. 可以参考以下步骤： 询问 KIMI“更好的提问”的方法论。 让 KIMI 分析提问适合的优化方法，并给出优化过程和结果。 将 KIMI 优化后的提问输入给特定的自动结构化框架，得到“提问优化助手”Prompt。 新建对话，先将“提问优化助手”发给 KIMI，再发送原始提问，得到结果。 再新建对话，让 KIMI 对比两份结果。 4. 在创作视频分镜头时，也可以借助 KIMI 写画面描述，甚至加上对音效的需求。同时，要尽可能精简人物对话，提炼重点。画面数量与台词长短有关，需平衡画面之间的联系。

以下是文心一言、豆包（字节跳动）、天工（不太明确您提到的天工具体所指，可能是指某些特定的模型或产品）、Kimi 这几个软件的优势对比： 文心一言 4.0（网页版）： 优势：由百度开发，可能在某些特定领域的知识储备和语言理解能力上有一定优势。 豆包（字节跳动）： 优势：无需科学上网，使用方便。 Kimi： 优势：不需要科学上网，无收费，不需要登录可以直接使用；有案例，点击预设问题即可开始尝试。 需要注意的是，对于不同的用户和应用场景，这些软件的优势可能会有所不同，其表现也会受到数据、算法、训练等多种因素的影响。

以下是一些用 KIMI 处理 Excel 数据的方法： 1. 对数据的基本操作包括增加、删除、修改和查询。 2. 若要与数据库沟通，需学会 SQL 语句。 3. 可以通过 Kimi Chat（https://kimi.moonshot.cn）向 KIMI 提问，获取针对增、删、改、查的回答。 4. 对于新人，可通过深挖 KIMI 的回答来了解相关语法。 5. 收集资料时，可借助 AI 工具如 Perplexity.AI 高效完成，也可使用 KIMI 读取和整理网页内容，但需注意其阅读能力的限制，可分批次提供资料。

Kimi 是由 Moonshot AI 出品的智能助手，具有超大“内存”，能一口气读完二十万字的小说，还会上网冲浪。在聊天对话类 AI 产品中，Kimi 最显著的特点是超长上下文能力，最初支持 20 万字，现已提升到 200 万字，对于处理长文本或大量信息的任务有优势，但在文字生成和语义理解、文字生成质量方面可能不如国内其他产品，且不支持用户自定义智能体。

要利用 Kimi 和即梦 AI 做小红书博主，可以参考以下步骤： 利用 Kimi： 1. 收集相关资料：明确主题后，借助 AI 工具如 Perplexity.AI 的强大搜索功能获取信息。启用 Pro 功能或使用微软的 Bing 搜索引擎等具备联网搜索功能的工具，输入具体的 Prompt 快速定位相关资讯。 2. 整理资料：使用月之暗面开发的 Kimi 这个 AI 会话助手。Kimi 具备读取网页内容并生成一定内容的能力，当读取完毕会显示绿色标点作为提示。但需注意其阅读能力有限，可能无法一次性处理大量资讯或某些网站内容，可分批次提供资料确保其有效读取和理解。 3. 生成文章：让 Kimi 整理资讯内容并转化成吸引人的公众号文章。 关于即梦 AI 如何用于做小红书博主，目前提供的内容中未提及相关具体方法。

以下是一些常见的人工智能助手： 1. Kimi 智能助手：由 Moonshot AI 出品，具有超大“内存”，能读长篇小说、上网冲浪，还能协助处理资料和生成内容。 2. 文心一言：百度出品的 AI 对话产品，可写文案、想点子、聊天、答疑解惑。 3. 通义千问：由阿里云开发，能够与人交互、回答问题及协作创作。 此外，还有夸克、豆包等。更多大模型产品，您可以访问相关网站查看。但需要注意的是，内容由 AI 大模型生成，请仔细甄别。

使用 Coze 分析财报并生成图表的实现过程如下： 1. 工作流中的数据解析：用户上传 Excel 后，在工作流中获取 Excel 链接，通过插件下载并读取其中的数据。 最初尝试将解析出的 Excel 数据以单元格形式存到 bot 数据库，利用大模型根据单元格数据和用户提问生成答案，但大模型计算能力差，常出现计算错误。 改为将 Excel 转换为数据表，使用大模型把用户问题转换为 SQL，准确率很高。 由于 Coze 不能动态创建表，自行编写服务，在动作流中调用，根据 Excel 的 URL 动态创建表并插入数据，将表名存到 Coze 数据库，以便后续根据表名动态执行 SQL 获取数据。 2. 报表生成： 根据数据库表字段信息，使用大模型为用户生成 3 个推荐报表，包含标题、描述、查询 SQL，限制每次查询数据为 100 条。 拿到 SQL 后，使用插件动态执行查询数据，再根据标题和数据使用大模型转换为绘制 Echarts 图表的参数。 绘制图表，官方插件生成的图表较模糊，自行编写插件提高清晰度，并将图片放大三倍。 3. 其他相关操作： 查看大图时，把多张图片合成一张，图像流不支持合成图片，自行编写插件实现。 图表生成成功后，将图表链接存到数据库，为查看报表做准备。 大模型生成的 SQL 有时出错，可将报错信息和 SQL 传给大模型修复后重新执行，大模型生成的非标准 JSON 也可用此方案修复。 查看报表时，从数据库中查询图表链接，调用合并图片插件将几张图表合并成一张大图。 删除图表根据用户输入的标题从数据库中删除。 添加图表与前面解析 Excel 数据生成报表流程类似，用户输入标题后生成查询 SQL，后续步骤相同。

以下是关于财报摘要整理的 AI 相关信息： 目前，文本生成在多个领域广泛应用，如媒体广告、教育和法律等。AIGC 能根据给定主题或关键词自动生成新闻报道、文章摘要、广告文案等文本内容。 在医疗领域，AI 技术协助医生分析大量医疗数据，包括病历、影像资料等，有助于制定更精准的诊断方案和治疗计划，提高医疗质量和效率。在金融领域，证券 AI 智能投研可生成研报、进行财务数据查询、盈利预测和提供投资组合建议；银行智能风控通过分析客户信用历史和行为特征等数据，挖掘风险因素，实现信贷风险、反欺诈、反洗钱等行为预警。 从产品形态上，业内普遍认为 AI 应用将沿着 AIGC（内容生成）、Copilot（智能助手）、Insight（知识洞察）、Agent（智能体）四个重要方向演进。 此外，智能摘要功能能够辅助快速筛选信息，实现信息降噪。近期出现的各类 AI 搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等，在不断颠覆传统的搜索引擎。

通过阅读财报数据并提取信息生成表格，可以通过以下几个步骤实现： 1. 获取财报文件：首先，你需要获取公司的财报文件，这些文件通常以PDF、Word文档或Excel电子表格的形式提供。 2. 选择合适的工具：根据财报文件的格式，选择合适的工具来读取文件内容。例如，对于PDF和Word文档，可以使用Python的`PyPDF2`、`pythondocx`库；对于Excel文件，可以使用`pandas`库。 3. 文本提取：使用所选工具提取文档中的文本内容。例如，使用`PyPDF2`库可以提取PDF中的文本。 4. 数据清洗：提取的文本可能包含格式错误、多余的空格或特殊字符等，需要进行数据清洗，以便于分析。 5. 信息识别与提取：识别文本中的关键财务数据，如收入、利润、成本等。这可能需要使用正则表达式来匹配特定的数字格式和相关的财务术语。 6. 数据结构化：将提取的数据结构化，通常意味着将数据放入一个表格中，如CSV格式或数据库表中。可以使用`pandas`库来创建DataFrame对象，然后导出为Excel或CSV文件。 7. 生成表格：使用表格生成工具或软件，如Microsoft Excel、Google Sheets或`pandas`库，将结构化的数据生成表格。 8. 数据验证：验证提取的数据是否准确无误，必要时进行手动校正。 9. 自动化：对于重复性的任务，可以编写脚本或程序自动化上述过程。 下面是一个简单的Python示例，演示如何使用`pandas`和`pythondocx`库从Word文档中提取财报数据并生成表格： ```python import pandas as pd from docx import Document 加载Word文档 doc = Document 创建空的DataFrame df = pd.DataFrame 遍历文档中的每个段落 for para in doc.paragraphs: 使用正则表达式匹配财务数据 match = re.search 假设我们正在查找收入数据 if match: 提取数字并添加到DataFrame revenue = int df = df.append 导出DataFrame到Excel df.to_excel ``` 请注意，这只是一个简化的示例，实际的财报数据提取可能要复杂得多，需要根据具体的财报格式和所需数据进行调整。此外，对于非结构化数据（如PDF或扫描的文档），可能需要使用OCR（光学字符识别）技术来提取文本。

以下是 2024 年美国融资金额超过 1 亿美元的部分 AI 产业链上市公司（截止 2024.10.15）： |项目名称|融资时间|融资金额（亿美元）|轮次|估值（亿美元）|主营|产业链标签|话题标签|投资方|其他信息| ||||||||||| |Augment|20240424|2.27|B|10|AI 编码辅助|应用|编程|Lightspeed Venture Partners, Index Ventures, Sutter Hill Ventures| |Cognition|20240424|1.75||20|端到端软件 Agents|应用|编程|Founders Fund, Ramp 联合创始人 Eric Glyman, Stripe 联合创始人 Patrick 和 John Collison, DoorDash 联合创始人 Tony Xu| |Xaira Therapeutics|20240423|10|A||AI 药物研发|应用|医学|Foresite Capital, ARCH Venture Partners| |Cyera|20240409|3|C|14|AI 数据安全平台|应用|数据|Coatue, Sequoia, Redpoint, Accel| |Celestial AI|20240327|1.75|C||用于 AI 存储和计算的光互连技术平台|基础设施|芯片、硬件和云平台|Thomas Tull 美国创新技术基金, M Ventures, 淡马锡, Tyche Partners| |FundGuard|20240325|1|C|4|AI 投资会计系统|应用|金融|Key1Capital, Hamilton Lane, Blumberg Capital, Team8| |Codeium|20240829|1.5|C|12|AI 编码平台|应用|编程|General Catalyst, Kleiner Perkins, Greenoaks| |Groq|20240805|6.4|D|30|AI 芯片|基础设施|芯片|贝莱德, Type One Ventures, Verdure Capital Management, Neuberger Berman| |DevRev|202408|1|A|11|AI 支持代理|应用|企业服务|Khosla Ventures, Mayfield, Param Hansa Values| |Abnormal Security|202408|2.5||50|电子邮件安全|应用|数据|Wellington Management, Menlo Ventures, Greylock, Insight Partners| |Harvey|20240723|1|C|15|法律科技|应用|法律|Google Ventures, OpenAI, Kleiner Perkins, Sequoia| |Skild AI|20240709|3|A|15|机器人技术|应用|机器人|Lightspeed Venture Partners, Coatue, Bezos Expeditions, Sequoia, Menlo Ventures, General Catalyst| |Hebbia|20240708|1.3||7|生成式 AI 搜索|应用|企业服务|Andreessen Horowitz, Peter Thiel, Index Ventures, Google Ventures| |Zephyr AI|20240313|1.11|A||AI 药物发现和精准医疗|应用|医学|Revolution Growth, 礼来公司基金会, EPIQ Capital Group, Jeff Skoll| |Together AI|20240313|1.06|A|12|AI 基础设施和开源生成|模型|硬件和云平台|Salesforce Ventures, NEA, Kleiner Perkins, Lux Capital| |Glean|20240227|2.03|D|22|AI 驱动企业搜索|应用|企业服务|Lightspeed Venture Partners, Kleiner Perkins, Sequoia, Databricks Ventures| |Figure|20240224|6.75|B|27|AI 机器人|应用|机器人|Nvidia, OpenAI, 微软| |Abridge|20240223|1.5|C|8.5|AI 医疗对话转录|应用|医学|Redpoint, Lightspeed Venture Partners, USV, IVP, Spark Capital| |Recogni|20240220|1.02|C||AI 接口解决方案|基础设施|芯片|GreatPoint Ventures, Celesta Capital, Pledge Ventures, Mayfield, DNS Capital| 信息来源：Techcrunch

目前，中国上市公司在 AI 应用方面取得了一定进展。 一方面，许多公司正将 AI 融入其工作流程，以快速达成 KPI、扩张规模和降低成本。例如，工作流程自动化平台 ServiceNow 通过 AI 驱动的 Now Assist，实现了近 20%的事件避免率；Palo Alto Networks 利用 AI 降低了处理费用的成本；Hubspot 利用 AI 扩大了能够支持的用户规模。瑞典金融科技公司 Klarna 最近宣布，通过将 AI 融入用户支持，他们在运行率方面节省了 4000 多万美元。 另一方面，对于 AI 应用层的创业者来说，存在一些问题和探索。中国企业软件的发展曾受人均 GDP 不够高、人力成本等因素限制，但如果 AI 能极大降低软件成本并提高效率，可能带来价值突破。我们期待中国 2B 的 AI 软件应用实现跨越式发展。 此外，还有一些相关的资源可供参考，如 2022 2024 年融资 2000 万美金以上的公司列表和详细公司分析、AI Grant 公司列表和详细公司分析、AIGC 行业与商业观察等。同时，也有关于 AI 变革公司/产业实践探索的相关内容，如 2023 年年报中中国上市公司对生成式 AI 的使用，以及安克创新的 AI 实践分析等。

以下是近期融资的 AI 行业上市公司的相关信息： Celestial AI 融资 1 亿美元，用于使用基于光的互连传输数据。 Zenarate 融资 1500 万美元，是提供 AI 模拟培训平台的公司。 Augmedics 获得 8250 万美元，用于使用 AR 和 AI 进行脊柱手术。 CalypsoAI 筹集了 2300 万美元，用于生成 AI 模型的护栏。 2024 年美国融资金额超过 1 亿美元的 AI 公司（截止 2024.10.15）： |项目名称|融资时间|融资金额（亿美元）|轮次|估值（亿美元）|主营|产业链标签|话题标签|投资方|其他信息| ||||||||||| |Weka|20240513|1.4|E|16|AI 原生数据平台|应用|数据|Valor Equity Partners, 高通创投, Nvidia, 日立创投| |CoreWeave|20240501|11|C|190|GPU 基础设施|基础设施|硬件和云平台|Coatue, Fidelity, Altimeter Capital, Magnetar Capital| |Scale AI|202405|10|F|140|数据标记服务|应用|数据|Accel, Tiger Global, Spark Capital, 亚马逊| |Blaize|20240429|1.06|D||AI 边缘计算平台|基础设施|硬件和云平台|淡马锡, 富兰克林邓普顿, Bess Ventures| |Augment|20240424|2.27|B|10|AI 编码辅助|应用|编程|Lightspeed Venture Partners, Index Ventures, Sutter Hill Ventures| |Cognition|20240424|1.75||20|端到端软件 Agents|应用|编程|Founders Fund, Ramp 联合创始人 Eric Glyman, Stripe 联合创始人 Patrick 和 John Collison, DoorDash 联合创始人 Tony Xu| |Xaira Therapeutics|20240423|10|A||AI 药物研发|应用|医学|Foresite Capital, ARCH Venture Partners| 近期热门融资 AI 产品速递 1 st ： You.com 已完成多轮融资，包括来自 Salesforce CEO Marc Benioff 的 2000 万美元资金和 4500 万美元的募资。目前，You.com 用户数量稳定增长，已超过 10 万。体验链接：www.you.com

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。

在多功能对话系统中，以下的 sys prompt 设置有助于提高有效性： 1. 明确模型的角色和任务：例如将模型设定为历史顾问回答历史事件相关问题，或设定为技术专家解决特定技术问题。 2. 适应特定需求：如根据用户提供的食材和饮食偏好生成个性化食谱建议。 3. 创造独特内容：像融合两个单词创造新词汇，生成巧妙的双关语和文字游戏等。 4. 塑造个性和风格：如扮演具有幽默且带有讽刺意味的助手角色。 例如，Anthropic 发布的 Claude 2.1 允许用户提供自定义指令以提高性能，设置有用的上下文，增强承担特定个性和角色的能力，或以更可定制、符合用户需求的一致方式构建响应。在 Coze 上的大模型节点中，设置系统级的提示词是关键步骤，它侧重于模型的内部工作机制，与外层用户直接交互的提示词相互配合，精心设计可增强模型对用户指令的处理能力，确保工作流的顺畅和高效。

以下是有效利用 AI 搜索网页信息的方法： 1. 收集相关资料： 明确文章主题后，借助 AI 工具如 Perplexity.AI 来高效完成。访问该网站并使用其搜索功能，为获得更专业和深入的结果，可启用 Pro 功能（每天有一定次数免费使用，常使用可考虑开通会员）。在搜索框中输入具体 Prompt 来快速定位相关资讯。 通过 AI 工具获取搜索结果后，点击回答内容下方的拷贝按钮获取相关引用网站链接。同理，微软的 Bing 搜索引擎等也有类似功能，可快速搜集大量资料，提升文章专业度和说服力。 2. 整理资料： 可使用月之暗面开发的 Kimi 这个 AI 会话助手，它具备读取网页内容并生成一定内容的能力，但可能存在阅读能力限制，可分批次提供资料确保其有效读取和理解。 此外，能联网检索的 AI 有： ChatGPT Plus 用户可开启 web browsing 功能实现联网。 Perplexity 结合了 ChatGPT 式的问答和普通搜索引擎的功能，可指定希望聊天机器人在制定响应时搜索的源类型。 Bing Copilot 作为 AI 助手，可简化在线查询和浏览活动。 还有如 You.com 和 Neeva AI 等搜索引擎，提供基于人工智能的定制搜索体验，并保持用户数据的私密性。 需注意，这些内容由 AI 大模型生成，请仔细甄别。

构建有效的知识库可以参考以下方法： 使用 Dify 构建知识库： 1. 准备数据： 收集需要纳入知识库的文本数据，包括文档、表格等格式。 对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集： 在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集。 为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式： Dify 提供了三种索引方式供选择：高质量模式、经济模式和 Q&A 分段模式。 根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用： 将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。 在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化： 收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。 定期更新知识库，增加新的内容以保持知识库的时效性。 总的来说，Dify 提供了一个可视化的知识库管理工具，使得构建和维护知识库变得相对简单。关键步骤包括数据准备、数据集创建、索引配置，以及将知识库集成到应用中并持续优化。 知识图谱： 知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。于 2012 年 5 月 17 日被 Google 正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。知识图谱可以将 Web 从网页链接转向概念链接，支持用户按照主题来检索，实现语义检索。 其关键技术包括： 1. 知识抽取： 实体抽取：命名实体识别从数据源中自动识别命名实体。 关系抽取：从数据源中提取实体之间的关联关系，形成网状的知识结构。 属性抽取：从数据源中采集特定实体的属性信息。 2. 知识表示： 属性图 三元组 3. 知识融合： 实体对齐：消除异构数据中的实体冲突、指向不明等不一致性问题。 知识加工：对知识统一管理，形成大规模的知识体系。 本体构建：以形式化方式明确定义概念之间的联系。 质量评估：计算知识的置信度，提高知识的质量。 知识更新：不断迭代更新，扩展现有知识，增加新的知识。 4. 知识推理：在已有的知识库基础上挖掘隐含的知识。 手把手教你本地部署大模型以及搭建个人知识库： 如果想要对知识库进行更加灵活的掌控，我们需要一个额外的软件：AnythingLLM。这个软件包含了所有 Open WebUI 的能力，并且额外支持了以下能力：选择文本嵌入模型、选择向量数据库。 安装地址：https://useanything.com/download 当我们安装完成之后，会进入到其配置页面，这里面主要分为三步： 1. 第一步：选择大模型。 2. 第二步：选择文本嵌入模型。 3. 第三步：选择向量数据库。 构建本地知识库： AnythingLLM 中有一个 Workspace 的概念，我们可以创建自己独有的 Workspace 跟其他的项目数据进行隔离。 1. 首先创建一个工作空间。 2. 上传文档并且在工作空间中进行文本嵌入。 3. 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我们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。 4. 测试对话。当上述配置完成之后，我们就可以跟大模型进行对话了。

要有效使用 AI 工具，以下是一些关键要点： 对于 AI Agent 来说： 1. 理解工具：全面了解工具的应用场景和调用方法是有效使用的前提。利用 LLM 的 zeroshot learning 和 fewshot learning 能力，通过描述工具功能和参数的 zeroshot demonstration 或特定工具使用场景和相应方法演示的少量提示来获取工具知识。在面对复杂任务时，将其分解为子任务，并有效组织和协调，这依赖于 LLM 的推理和规划能力以及对工具的理解。 2. 使用工具：学习使用工具的方法主要包括从 demonstration 中学习和从 reward 中学习。包括模仿人类专家的行为，了解行为后果，并根据环境和人类的反馈做出调整。环境反馈包括任务完成结果反馈和环境状态变化的中间反馈；人类反馈包括显性评价和隐性行为，如点击链接。 对于画 CAD 图： 存在一些可辅助或自动生成 CAD 图的 AI 工具和插件，如 CADtools 12（Adobe Illustrator 插件）、Autodesk Fusion 360、nTopology、ParaMatters CogniCAD 以及一些主流 CAD 软件中的生成设计工具。但这些工具通常需要一定的 CAD 知识和技能才能有效使用，对于初学者，建议先学习基本的 3D 建模技巧，然后尝试使用以提高设计效率。 请注意，以上内容由 AI 大模型生成，请仔细甄别。