LLM写ABAP代码的最新进展

要保证 LLM 输出结果的一致性，可以采取以下几种策略： 1. Prompt 工程： 明确的待处理内容指引：在构建 Prompt 时，清晰地定义需要处理的文本，并使用标记框起来，让模型准确识别待处理内容范围，从中提取信息。 提供明确字段定义：具体化每个字段的名称、用途及要求，为 LLM 提供明确的提取方向和标准。 异常处理：设置异常处理原则，如规定缺失数据使用默认值填充，特殊数据类型符合标准格式，确保模型输出的完整性和一致性。 要求结构化输出：指示 LLM 以结构化格式（如 JSON）输出数据，便于后续处理和系统集成。 2. 自我一致性增强可靠性：促使 LLM 对同一问题产生多个答案，通过一致性审查衡量其可信度。一致性评估可从内容重叠、语义相似性评估及高级指标（如 BERT 分数或 ngram 重叠）等多方面进行，增强 LLM 在事实核查工具中的可靠性。 3. 衡量和评估不确定性：如牛津大学通过生成一个问题的多个答案，并使用另一个模型根据相似含义分组来衡量 LLM 不确定性。 4. 利用外部工具验证：如 Google DeepMind 推出的 SAFE，通过将 LLM 响应分解为单个事实、使用搜索引擎验证事实以及对语义相似的陈述进行聚类来评估 LLM 响应的真实性。 5. 借助其他 LLM 发现错误：如 OpenAI 推出的 CriticGPT，使用基于大量有缺陷输入数据集训练的 GPT 式 LLM 来发现其他 LLM 生成代码中的错误。 6. 利用 LLM 生成的评论增强 RLHF 的奖励模型：如 Cohere 使用一系列 LLM 为每个偏好数据对生成逐点评论，评估提示完成对的有效性。

LLM（语言逻辑模型）是 LangChain 平台与各种大模型进行交互的核心模型，是一个能够处理语言输入和输出的抽象概念，可以理解为一个黑盒。 其输入是一个字符串，表示用户的请求或问题，输出也是一个字符串，表示模型的回答或结果。LLM 能根据不同输入调用不同大模型来完成不同语言任务，如文本生成、文本理解、文本翻译等。 从大模型的整体架构来看，LLM 处于模型层，例如 GPT 就是一种常见的 LLM，一般使用 transformer 算法实现。 LLM 的工作原理是像输入法的输入联想逻辑一样，一个字一个字地推理生成内容。通过将上下文加入输入，能帮助模型理解下一个字。但存在计算时带入全量数据算力吃不消以及仅算字的概率易被不相干信息干扰的问题，词向量机制和 transformer 模型中的 attention 自注意力机制解决了这些难题。

以下是在本地部署 LLM 并完成某个专业或主题的专业知识库训练的详细步骤： 1. 部署大语言模型： 下载并安装 Ollama：根据电脑系统，点击进入 https://ollama.com/download 下载，下载完成后双击打开，点击“Install”。安装完成后，将 http://127.0.0.1:11434/ 复制进浏览器，若出现相关字样则表示安装完成。 下载 qwen2:0.5b 模型：如果是 Windows 电脑，点击 win+R，输入 cmd 点击回车；如果是 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。复制相关命令行粘贴进入并回车，等待自动下载完成。 2. 安装 Docker Desktop： 点击去下载，根据系统进行选择。以 Windows 系统为例，点击 https://docs.docker.com/desktop/install/windowsinstall/ 下载，双击下载项目，点击 ok 加载文件，点击“close and restart”重启电脑。重启后，点击“Accept”，选择第二个，点击"Finish"，进入 Docker Desktop。 3. 部署 FastGPT+OneAPI： 在桌面按住“shift”+鼠标右键，选择“在此处打开 Powershell 窗口”，在窗口中一行一行输入并回车。等待上方命令执行完成，下载完成之后。回到桌面，打开 FastGPT 文件夹，右键 dockercompose.yml 文件，选择打开方式为记事本打开，查找并修改相关内容后保存。回到命令行窗口中，继续输入并回车。 4. 配置 OneAPI： 在浏览器中输入：http://localhost:3001 ，进入登录页，账号 root 密码 123456 点击登录。点击【渠道】【添加新的渠道】，类型选择 Ollama，名称设为 qwen2，模型设为 qwen2:0.5b，秘钥设为 sksky，代理设为 http://host.docker.internal:11434 ，点击提交。点击【令牌】【添加新令牌】，名称随意，时间设为永不过期、额度设为无限额度，点击【提交】，点击【令牌】复制 key。 5. 配置 FastGPT： 回到 FastGPT 文件夹里，用记事本打开“dockercompose.yml”文件，查找并修改相关内容后保存。打开 config.json，根据图示修改完成，把相关数值改成 1500 左右。在命令窗口中输入：docker compose down 等待执行完成，再输入：docker compose upd 等待执行完成。在浏览器上输入：http://localhost:3000 ，账号 root 密码 1234 点击进入，设置好后点击确定。发布 API 并创建一个 key。

以下是关于 LLMs 文本与图像混合模态训练的相关内容： 多模态大模型总结： 1. InstructBLIP 基于预训练的 BLIP2 模型进行训练，在 MM IT 期间仅更新 QFormer。通过引入指令感知的视觉特征提取和相应的指令，能够提取灵活多样的特征。 2. PandaGPT 是一种开创性的通用模型，能够理解 6 种不同模式的指令并根据指令采取行动，包括文本、图像/视频、音频、热、深度和惯性测量单位。 3. PaLIX 使用混合 VL 目标和单峰目标进行训练，包括前缀完成和屏蔽令牌完成。这种方法对于下游任务结果和在微调设置中实现帕累托前沿都是有效的。 4. VideoLLaMA 引入了多分支跨模式 PT 框架，使 LLMs 能够在与人类对话的同时处理给定视频的视觉和音频内容，使视觉与语言以及音频与语言保持一致。 5. 视频聊天 GPT 是专门为视频对话设计的模型，能够通过集成时空视觉表示来生成有关视频的讨论。 6. Shikra Chen 等人介绍了一种简单且统一的预训练 MMLLM，专为参考对话（涉及图像中区域和对象的讨论的任务）而定制，展示了值得称赞的泛化能力，可以有效处理看不见的设置。 7. DLP 提出 PFormer 来预测理想提示，并在单模态句子数据集上进行训练，展示了单模态训练增强 MM 学习的可行性。 未来发展方向： 最初，多模态融合方法常采用预训练的目标检测器，如 ViLBERT、VisualBERT 和 UnicoderVL，通过提取图像特征和执行交叉模态预训练任务，为后续的图像文本任务奠定基础。随着 ViT 的出现和普及，更多方法开始利用 ViT 作为图像编码器，强调大规模预训练，以提高模型的性能和泛化能力，例如 Flamingo。近期，向多模态 LLMs 的发展趋势是从进行预训练到向指令调整（instruction tuning）转变，例如 LLaVA 和 MiniGPT4，它们通过融合视觉和语言信息，能够更有效地完成视觉理解相关的任务，进一步提升模型对于指令的理解能力，提升零样本性能，使模型能够更好地泛化到未见过的任务和领域。 训练过程： 1. 预训练阶段：通常利用 XText 的数据集来训练输入、输出的 Projector，通过优化损失函数来实现不同模态的对齐，PEFT 有时候用于 LLM Backbone。XText 数据集包含图像文本、视频文本和音频文本，其中图像文本有两种类型：图像文本对和交错图像文本语料库。 2. 多模态微调：是对满足指令微调格式的一系列数据集对预训练好的多模态大模型进行微调。通过这种微调，MMLLM 可以遵循新的指令泛化到没有见过的任务，增强 zeroshot 的能力。MM IT 包括监督微调（SFT）和 RLHF 两部分，目的是为了使得模型符合人类的意图或者偏好，并且增强 MMLLMs 的交互能力。SFT 将 PT 阶段的数据转换为指令aware 的格式，使用 QA 任务作为例子，可采用各种模板。优化目标和预训练相同，SFT 数据可以构造为单轮的 QA 或者多轮的 QA。常用的 SFT 和 RLHF 的数据集见表 4。

系统学习 LLM 开发是一个系统性的过程，涵盖以下方面： 1. 掌握深度学习和自然语言处理基础：包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理中的词向量、序列模型、注意力机制等。相关课程有吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理：熟悉 Transformer 模型架构及自注意力机制原理，掌握 BERT 的预训练和微调方法，阅读相关论文如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调：进行大规模文本语料预处理，使用 LLM 预训练框架如 PyTorch、TensorFlow 等，微调 LLM 模型进行特定任务迁移。相关资源有 HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署：掌握模型压缩、蒸馏、并行等优化技术，进行模型评估和可解释性研究，实现模型服务化、在线推理、多语言支持等。相关开源工具有 ONNX、TVM、BentoML 等。 5. LLM 工程实践和案例学习：结合行业场景进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态：关注顶会最新论文、技术博客等资源。 以下是 2 月 19 日的 Xiaohu.AI 日报相关内容： 1. Large World Model探索：介绍了百万 Token 的通用世界大模型，旨在理解长视频和超长文本。LWM 在 100 万个令牌的上下文中超越 GPT4V 和 Gemini Pro 的检索精度，特色能力包括长视频理解、高精度事实检索和多格式内容生成。相关链接：https://largeworldmodel.github.io 、https://github.com/LargeWorldModel/LWM 、https://x.com/xiaohuggg/status/1759566391693504940?s=20 2. 世界上最快的大型语言模型：Mixtral 8X7B 输出速度为 500 token/s，Llama 2 7B 的速度是 750 tokens/s，速度快但准确性有待提高。相关链接：http://groq.com 、http://wow.groq.com 、https://x.com/xiaohuggg/status/1759457147962941852?s=20 3. Reddit 用户自制 GLIGEN GUI：由于缺少直观的 GUI，一个 Reddit 大佬自己动手制作了一个。用户可以自定义图像中对象的大小、位置和空间关系，强调了用户对生成图像细节的控制能力。相关链接：https://github.com/mutex/gligengui 、https://gligen.github.io 、https://x.com/xiaohuggg/status/1759431911951450437?s=20

以下是关于 LLM 提示词编写的相关内容： 在“艾木：提示词编程｜有必要用 Lisp 语言写提示词吗？”中，“小确幸”这段提示词用 Lisp 语言描述了一个简单工作流，包含对用户输入文本的处理和生成 SVG 卡片等步骤，内部还有一系列子步骤和 fewshot examples。但大语言模型按程序描述的逻辑运行这类复杂程序有难度。 在“走入 AI 的世界”中，提示词（Prompt）是输入给大模型的文本内容，其质量会显著影响大模型回答的质量。 在“藏师傅教你用 AI 三步制作任意公司的周边图片，不用到处找样机文件”中，介绍了用 LLM 生成图像提示词的流程，包括获取 Logo 图片的描述，根据描述和生成意图生成图片提示词，将图片和提示词输入 Comfyui 工作生成等步骤，并给出了相关示例。

以下是 AI 方面的一些最新进展： 1. 2024 人工智能现状报告：由剑桥大学和 AI 风险投资公司 Air Street Capital 的相关人员共同发表，围绕人工智能领域的最新进展、政治动态、安全挑战及未来预测几大方面进行说明。 2. AI 绘画：从生成艺术作品到辅助艺术创作，逐渐改变传统艺术面貌。技术进步使创作质量和速度取得突破，为艺术家提供新工具和可能性，但也引发了关于艺术本质、创造性、版权和伦理的讨论，带来对从业者职业安全的焦虑和“侵权”嫌疑的反对之声。 3. 技术历史和发展方向： 发展历程：包括早期阶段的专家系统、博弈论、机器学习初步理论；知识驱动时期的专家系统、知识表示、自动推理；统计学习时期的机器学习算法；深度学习时期的深度神经网络等。 前沿技术点：大模型（如 GPT、PaLM 等）、多模态 AI（视觉语言模型、多模态融合）、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI、AI 芯片和硬件加速。

以下是关于人工智能与 AI 诈骗的最新进展： 在 2024 年，AI 领域有诸多进展。在图像和视频方面，超短视频的精细操控，如表情、细致动作、视频文字匹配等有所发展，有一定操控能力的生成式短视频中，风格化、动漫风最先成熟，真人稍晚。AI 音频能力长足进展，带感情的 AI 配音基本成熟。“全真 AI 颜值网红”出现，可稳定输出视频并直播带货。游戏 AI NPC 有里程碑式进展，出现新的游戏生产方式。AI 男/女朋友聊天基本成熟，在记忆上有明显突破，能较好模拟人的感情，产品加入视频音频，粘性提升并开始出圈。实时生成的内容开始在社交媒体内容、广告中出现。AI Agent 有明确进展，办公场景“AI 助手”开始有良好使用体验。AI 的商业模式开始有明确用例，如数据合成、工程平台、模型安全等。可穿戴全天候 AI 硬件层出不穷，虽然大多数不会成功。中国 AI 有望达到或超过 GPT4 水平，美国可能出现 GPT5，世界上开始出现“主权 AI”。华为昇腾生态开始形成，国内推理芯片开始国产替代（训练替代稍晚）。然而，AI 造成的 DeepFake、诈骗、网络攻击等开始进入公众视野，并引发担忧，AI 立法、伦理讨论仍大规模落后于技术进展。 在 3 月底的 23 个最新 AI 产品中，有室内装修自动渲染的 HomeByte，生成效果超赞的新视觉模型 Playground v1，“图生文”反向工具 Clip Interrogator 以及致力于解决电话诈骗的 GPTCHA 等。 在技术应用方面，LLMs 能自动化写代码等流程，交通应用如 Google Maps 和 CityMapper 也使用了 AI。AI 在银行业的欺诈检测、信用管理和文件处理等方面发挥作用。同时，AI 还在药物研发、解决气候危机等领域有重要应用。 总之，AI 技术在不断发展的同时，也带来了如诈骗等问题，需要关注和解决。

以下是 AI 加教育的最新进展： 案例方面： “AI 赋能教师全场景”，来自 MQ 老师的投稿贡献。 “未来教育的裂缝：如果教育跟不上 AI”，揭示了人工智能在教育领域从理论走向实际应用带来的颠覆性改变。 “化学：使用大型语言模型进行自主化学研究”。 “翻译：怎么把一份英文 PDF 完整地翻译成中文？”，介绍了 8 种方法。 对未来的预判： 个性化学习时代已到来，AI 将作为教育生态系统的一部分与人类教师协作，为孩子提供不同的学习体验，如混合式教学、定制学习路径等。 教育工作者将成为学习的引导者和伙伴，更多关注孩子的全人发展，如创造力和社交智慧。 未来 3 年，提升人机协作效率的领域，如 AI 作业批改、备课、定制教育规划、学前启蒙等，对教育从业者蕴藏着巨大机遇。 探索实践： 过去半年多，梳理教学和育儿工作流，每个环节与 AI 协作可大幅提升效率，但也加剧了知识获取的不平等。从家长的“育”、老师的“教”和学生的“学”进行了落地实践的拆解。

AI 技术的发展历程如下： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：有专家系统、知识表示、自动推理。 3. 统计学习时期（1990s 2000s）：出现了机器学习算法，如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等得到广泛应用。 当前 AI 的前沿技术点包括： 1. 大模型，如 GPT、PaLM 等。 2. 多模态 AI，例如视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 3. 自监督学习，包含自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习，如元学习、一次学习、提示学习等。 5. 可解释 AI，涉及模型可解释性、因果推理、符号推理等。 6. 机器人学，包括强化学习、运动规划、人机交互等。 7. 量子 AI，有量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 此外，绿洲资本张津剑认为 AI 技术正在加速发展，并且没有看到任何减缓的迹象。尽管媒体报道可能有所减少，但 AI 的实际进展非常迅速。

GPT4是OpenAI开发的大型多模态语言模型，它能够接受图像和文本输入，并产生文本输出。以下是GPT4的一些最新进展： 1. GPT4 Turbo的发布：OpenAI推出了GPT4 Turbo的预览版，这是一个更强大的模型，它了解截至2023年4月的世界事件。GPT4 Turbo具有128K的上下文窗口，可以处理相当于300多页文本的输入。相比于GPT4，GPT4 Turbo在性能上进行了优化，提供了更低的价格，输入token价格降低了3倍，输出token价格降低了2倍。 2. 功能和性能提升：GPT4 Turbo支持多模态API调用，包括视觉功能和DALL·E 3 API。它还在指令跟随和JSON模式方面进行了改进，提供了更高的准确性和更有效的JSON格式输出。 3. 可重复输出和对数概率：GPT4 Turbo引入了新的seed参数，允许模型返回大部分时间一致的完成，这对于调试请求和编写单元测试非常有用。OpenAI还计划推出一个功能，返回最可能输出的令牌的对数概率，这将对构建搜索体验中的自动完成等功能非常有用。 4. GPT3.5 Turbo更新：除了GPT4 Turbo之外，OpenAI还发布了GPT3.5 Turbo的新版本，支持16K的上下文窗口，并改进了指令跟随、JSON模式和并行函数调用。 5. 助手API和新模态：OpenAI发布了助手API，允许开发者在自己的应用程序中构建Agent类体验。GPT4 Turbo可以通过Chat Completions API接受图像输入，实现生成标题、详细分析现实世界的图像以及阅读带有图表的文档等功能。 6. 技术报告：OpenAI发布了GPT4的技术报告，详细介绍了模型的开发、性能、能力和局限性。GPT4在多项专业和学术基准测试中展现出人类水平的表现，包括通过模拟律师资格考试并在SAT考试中取得高分。 7. 安全性和可靠性：尽管GPT4在性能上取得了显著进步，但它仍然存在一些局限性，例如可能产生不准确的信息（俗称“幻觉”）和有限的上下文窗口。OpenAI在模型开发过程中注重安全性，以减少潜在的风险。 8. 企业级服务：Azure OpenAI服务发布了企业级可用的GPT4国际预览版，允许企业构建自己的应用程序，并利用生成式AI技术提高效率。 9. 价格降低和速率限制提高：OpenAI降低了API价格，以将节省的费用传递给开发者，并提高了每分钟的令牌限制，以帮助开发者扩展应用程序。 10. 版权保护：OpenAI推出了版权保护措施，如果客户面临版权侵权的法律索赔，OpenAI将介入保护客户并支付相关费用。 这些进展显示了GPT4在多模态能力、性能优化、安全性和企业级应用方面的持续发展和创新。随着GPT4的不断改进和新功能的推出，它在自然语言处理领域的应用潜力将进一步扩大。

在 Coze 工作流中利用下一个代码节点合并前两个代码节点的输出并以正确格式传入飞书多维表格插件节点的步骤如下： 1. 搭建整理入库工作流： 3.4 大模型节点：提取稍后读元数据。根据对稍后读阅读清单的元数据期望设置大模型节点，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000 以完整解析长内容网页，用户提示词需相应设置。 3.5 日期转时间戳。后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需使用「日期转时间戳time_stamp_13」插件进行格式转化，具体设置明确。 3.6 大模型节点：把稍后读元数据转换为飞书多维表格插件可用的格式。飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以要将之前得到的元数据数组进行格式转换，大模型节点配置及用户提示词需相应设置。 3.7 插件节点：将元数据写入飞书表格。添加「飞书多维表格add_records」插件，设置{{app_token}}与{{records}}参数。 3.8 结束节点：返回入库结果。「飞书多维表格add_records」插件会返回入库结果，直接引用该信息用于通知外层 bot 工作流的入库是否成功。 2. 搭建选择内容推荐流： 4.1 开始节点：输入想阅读的内容主题。收到用户输入的“想看 xxx 内容”这类指令开始流程，无需额外配置。 4.2 变量节点：引入 bot 变量中保存的飞书多维表格地址，添加变量节点并设置。 4.3 插件节点：从飞书多维表格查询收藏记录。添加「飞书多维表格search_records」插件，设置{{app_token}}参数，并在{{app_token}}引用变量节点的{{app_token}}，输出结果的{{items}}里会返回需要的查询结果，也可在这一步定向检索未读状态的收藏记录。 4.4 大模型节点：匹配相关内容。为处理稳定采用批处理，对检索出来的收藏记录逐个进行相关性匹配，用户提示词可优化以提升匹配精准度。 搭到这里，别忘了对整个工作流进行测试。

以下是关于 Coze 合并代码节点的相关内容： 在 Coze 上搭建工作流框架时，设定每个节点的逻辑关系很重要。对于「分段」、「拼合」代码节点设计，实际测试表明由于 LLM 的上下文长度有限，通常一次性输入输出的文本越长，生成时间越长，结果稳定性越低，特别是对生成结果格式要求较高时问题更突出。考虑到对照精读环节本身是逐段生成的，适合批处理形式，所以需要用「分段输入正文」，分割正文后用 LLM 节点批处理每一段的对照精读，最终「拼合精读结果」以输出完整文本。如果觉得编写代码脚本繁琐且仅进行文本处理，也可使用 LLM 节点配合适当 prompt 临时验证整个工作流。 在插件中心确定需要的插件时，先用关键词尝试性搜索，根据插件名称、介绍页、描述、参数、示例判断是否可能满足需求。有多个插件可选时，一般优选官方/高收藏/高成功率的插件以提升使用效果。若实际试用效果不行，则换用其他插件或自己编写上架插件。例如 TTS 文字转语音插件可通过搜索“语音”“文字转语音”“TTS”等相关关键词找到“英文文本转语音”插件；思维导图插件可通过搜索“脑图”“树图”“导图”“mindmap”等关键词找到“TreeMind 树图”插件。 Coze 工作流节点还包括大模型节点、代码节点和选择器节点。大模型节点可利用大语言模型生成文本内容，能选择所用大语言模型、设置生成内容随机度并编写提示词，提示词中支持使用{{variable}}引用输入参数。代码节点通过 IDE 编写 Python 或 JavaScript 脚本处理输入参数并返回输出值，支持 JavaScript 和 Python 运行时，尽量使用 JavaScript，尽量让 AI 去写，不熟悉时易增加麻烦。选择器节点是一个 ifelse 节点，用于设计工作流内的分支流程，每增加一个条件右边会多出一个点，点中拖到对应的下一级节点，输入参数时节点会判断是否符合“如果”区域条件，符合则执行对应分支，否则执行“否则”分支。

以下是关于前端代码生成的相关信息： GPTPilot： 是 AI 开发者伴侣，能从零开始构建整个应用程序，包括编写代码、配置开发环境、管理开发任务、调试代码等，开发者只需监督开发过程。 主要功能包括自动化编码，能生成各种类型的代码，如前端、后端和数据库代码；交互式开发，开发者指定应用类型后，它会提问澄清需求并创建产品和技术要求。 在代码生成质量不断完善的基础上，加上前端项目相关信息的配置页面和生成预览页面、后端代码生成，能面向更多使用者；增加适配更多框架，能面向更多应用平台。 Vercel 发布的前端代码生成平台 v0.dev： 通过语言描述生成界面代码，可直接预览和调整生成的代码，完成后能复制或在 Vercel 上面部署。 目前只能生成 React 和 HTML，由的能力组成，未用其他库，目前需要加入等待列表。 Cursor： 包含强大的自动完成功能，可预测下一次编辑，启用后始终打开，会跨多行建议对代码进行编辑，并能考虑到最近的更改。 可以看到最近的更改，预测下一步要做的事。 能一次建议多个编辑，节省时间。 不小心输入会修复错误。 会预测下一个光标位置，以便无缝导航代码。

以下是关于代码编写时使用 AI 对于功能的提示词的相关知识： 一、概述 OpenAI API 可应用于众多涉及生成自然语言、代码或图像的任务，提供了不同能力级别的模型，适用于不同任务，还能微调自定义模型。这些模型可用于从内容生成到语义搜索和分类等领域。 二、提示词（Prompts） 设计提示词本质上是对模型进行“编程”，通常通过提供指令或示例完成。与大多数其他 NLP 服务不同，补全和聊天补全几乎可用于任何任务，包括内容或代码生成、摘要、扩展、对话、创意写作、风格转换等。 三、标记（Token） 模型通过将文本分解为标记（Token）来理解和处理文本。Token 可以是单词，也可以是字符块。对于英文文本，1 个 Token 大约相当于 4 个字符或 0.75 个单词。文本提示词和生成的补全合起来不能超过模型的最大上下文长度（对于大多数模型，这是 2048 个 Token，或大约 1500 个单词）。可查看分词器工具了解更多信息。 四、星流一站式 AI 设计工具中的提示词 1. 什么是提示词？ 提示词用于描绘想生成的画面。 输入语言方面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（一个长头发的金发女孩），基础模型 1.5 使用单个词组（女孩、金发、长头发），支持中英文输入。 启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 2. 如何写好提示词？ 预设词组：小白用户可点击提示词上方官方预设词组进行生图。 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框，负面提示词可帮助 AI 理解不想生成的内容，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还能对已有的提示词权重进行编辑。 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 五、Prompt 的专场教程 基础篇 1. Prompt 是什么：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）。 2. 支持的语言：支持英语（不用担心英语不好的问题，可点击蓝字进入提示词字典），emoji 也可以用。 3. 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行不影响效果。 改变 tag 权重：tag 顺序越靠前对于 SD 来说权重越大，可通过 / 两种方式设置权重。 进行 tag 的步数控制（高级玩法）：SD 先按输入的 tag1 生成，达到设定步数后，tag1 停止作用，tag2 参与影响，如 。

以下是 Coze 工作流节点中的一些代码示例： 把段落按换行符（/n）拆分成数组的代码示例。 在大模型节点通过提示词和示例，让大模型直接输出数组。 使用文本处理（文本分隔）。 在 Coze 工作流中搭建框架时，首先进入 Coze，点击「个人空间工作流创建工作流」打开弹窗，根据弹窗要求自定义工作流信息，点击确认完成新建。左侧「选择节点」模块中，根据子任务需要，实际用到的有插件（提供能力工具）、大模型（实现文本内容生成）、代码（支持编写简单脚本处理数据）。按照流程图在编辑面板中拖入对应的 LLM 大模型、插件、代码节点即可完成框架搭建。

以下是为您推荐的一些有助于制作自己软件的代码工具： 1. Vercel 的 V0：可以根据自然语言描述生成工作界面，例如个人财务仪表板，并提供多个版本供选择，还能根据后续说明进行迭代。 2. TLDraw 的 Make Real 原型：在画布上连接多模态语言模型（GPT4 Omni），通过绘制和注释界面生成可运行的软件。 3. Bolt.new：AI 帮您自动写代码、自动运行并自动部署，全部在浏览器中完成，只需撰写简单提示，支持现代开发工具链，如 npm、Vite 和 Next.js。 4. GPTs 相关工具，如： Picturator：设计类，描述和图像生成专家。 GPT Code Copilot：代码类，您的人工智能软件开发助手。 Logo Maker：设计类，为您的业务制作专业高质量的 PNG。 提示精灵小富贵（Prompt Pet）：效率工具、文本类，主动懂您，会帮您写 Prompt 的仓鼠精灵。 ChatPRD：商业、文本类，按需提供服务的首席产品官，帮助起草和改进 PRD 文档。 VentureGPT：商业类， 打造的风险投资合作伙伴。 There's An API For That：代码类，最先进的 API 查找器，可用于 2000 多个手动策划的任务。