ToB的AI场景和实践有哪些？

以下是为您推荐的一些 AI 作曲工具： 1. Udio：由前 Google DeepMind 工程师开发，通过文本提示快速生成符合用户音乐风格喜好的高质量音乐作品。网址：https://www.udio.com/ 2. Suno AI：是一款革命性的人工智能音乐生成工具，它通过先进的深度学习技术，能够将用户的输入转化为富有情感且高质量的音乐作品。网址：https://suno.com/ 需要注意的是，内容由 AI 大模型生成，请仔细甄别。在使用 AI 作曲工具时，掌握一些基本的音乐知识，如基本的节拍参数、基础乐器的描述和组合、主歌副歌的结构常识等，对于创作制作至关重要。同时，要避免一些不切实际的想法，如传一首周杰伦的歌上去复制一堆周杰伦风格的歌等。另外，对于 AI 音乐 MV 的制作，建立角色资产可以考虑使用 AI 绘画平台，如 Midjourney（条件允许时的首选）、可灵 AI、即梦 AI 等成熟的综合类工具，或者 Krea 之类的集成平台。

以下是关于您准备用无影云电脑部署公司专属 AI 并使用 deepseek 满血版大模型的一些建议： 1. 本地部署方面：如果拥有云服务器，要了解如何进行本地部署以及满血版本地部署的实际情况。 2. 免费额度：在 freely.aliyun.com 可领取 500 元免费额度，但有使用限制，不能部署满血版和较大的增流模型。 3. 平台服务差异：了解 DLC、DSW 和 EAS 等模型部署平台服务的差别。 4. 模型蒸馏微调：可以学习并实践模型的蒸馏和微调相关知识。 5. 获取 DeepSeekR1 满血版密钥： 注册并登录火山引擎，点击立即体验进入控制台。 创建一个接入点，点击在线推理创建推理接入点。 为接入点命名为 DeepSeekR1。 若有提示未开通模型，点击“立即开通”，勾选全部模型和协议一路开通。 确认无误后点击“确认接入”按钮。 复制推理点的 ID 并保存。 点击【API 调用】按钮，复制 API Key 并保存。 6. 模型选择与配置：可以参考理想的配置，如推理模型选择 gemini2.0flashthinking，代码模型选择 claude3.5sonet 或 gpt4omini，多模态模型选择 gemini2.0flash，常规模型选择 DeepSeek V3。同时，了解 OpenRouter 新发布的 BYOK 功能，它能集成第三方 Key，整合免费额度并解放更多槽位。若对现有供应商支持的模型不满意，还可考虑 simpleoneapi。

在国内，以下两款 AI 生成 PPT 的工具值得推荐： 1. 爱设计 PPT： 拥有实力强大的团队，技术过硬且对市场需求有敏锐洞察力，能持续推动产品创新和进步。 成功把握住 AI 与 PPT 结合的市场机遇，迅速开发出产品。 已在国内 AI 生成 PPT 产品中确立市场领先地位，代表了当前国内 AI 辅助 PPT 制作的最高水平，能大大提高制作效率并保证高质量输出。 2. 闪击： 网址：https://ppt.isheji.com/?code=ysslhaqllp&as=invite ，国内网站，不需要魔法。 选择模版，输入大纲和要点（可参考官方使用指南：https://zhuanlan.zhihu.com/p/607583650 ），将大纲转换成适配闪击的语法，点击文本转 PPT 并确定，在线编辑，导出（PPT 需要会员才能导出）。

AI 进行需求评审包括以下方面： AI Review（测试版）：这是一项能让您查看代码库中近期更改以捕获潜在错误的功能。您可以单击审阅项查看编辑器中的完整上下文，并与 AI 聊天获取更多信息。为让其更有利，您能提供自定义说明让 AI 专注，比如关注性能相关问题。目前有几个审核选项，如查看工作状态、查看与主分支的差异、查看上次提交。 在 AI 编程中，需求梳理极为重要： 明确要解决的问题，从用户角度出发，清晰定义痛点和期望，如用户希望通过图像识别解决的具体问题。 明确 AI 在问题中的角色和作用，评估其能力边界。 制定明确可量化的评估指标，如准确率、召回率等，衡量 AI 系统性能和效果。 规划好数据的来源、质量和数量。 要在需求梳理和界面交互上花费最多时间。 周周黑客松中关于 AI 编程的需求拆解： 让 Claude 帮忙拆解需求，如插件自动读取网页主要内容并传输给 LLM agent bot，bot 处理为 HTML 代码返回，插件渲染，提供保存为图片选项等。 进行方案设计和分工，使用 AI 编码工具开发，确保程序架构良好，分离为主要模块放在不同文件夹，定义好接口，开发完成后拼接测试，有问题或新需求修改开发文档，尽量多打印日志方便 debug。 具体分工如元子负责内容提取模块，实现网页内容提取、清理格式化和优化提取算法；lark 负责 API 通信模块，实现与 LLM agent bot 的通信及相关处理和错误处理重试机制。

以下为您推荐一些中文版的 AI 编程助手及编程工具： 1. AIXcoder：是 AI 驱动的编程助手，支持 Java、Python 和 JavaScript 等语言，提供自动任务处理、智能代码补全等功能，目前只有中文版，价格暂无信息。 2. Windsurf：提出了 Agent IDE 这种新的开发范式，Cascade 功能对应 Cursor Composer，在体验上有提升，包括深入理解现有代码库等，但有程序员反馈其 tab 自动补全不如 Cursor。 希望这些推荐对您有所帮助。

以下是 1 2 款适合初学者的 AI 编程助手和编程学习工具： v0：适合初学者，能为编程提供一定的辅助和支持。 Bolt：对新手友好，有助于初学者在编程过程中获得帮助和指导。 此外，还有一些其他常见的适合初学者的工具，如 GitHub Copilot，它支持多种语言和 IDE，能为程序员快速提供代码建议；通义灵码，提供行级/函数级实时续写、自然语言生成代码等多种能力。您可以根据自己的需求选择最适合您的工具。

在 ToB 行业，AI Agent 有以下应用场景： 1. 人力资源领域：如 Brix 面向北美和欧洲企业，提供全球雇佣的 AI 驱动解决方案。通过 Hiring Agent，触达全球约 2000 万以上的人才，自动完成候选人筛选、简历分析和面试流程，帮助企业快速组建高效团队。通过 Working Agent 支持远程团队的智能化管理，为企业构建 100 至 500 人规模的全球化组织提供一站式解决方案。 2. 餐饮营销领域：时来智能通过自研的 AI Agent 以及强化学习等技术，为线下餐饮服务门店提供全自动管理私域流量营销运营的解决方案。基于垂直场景数据训练的 AI 营销模型可以针对不同消费者实时生成并推送个性化的营销折扣方案，从而在优化营销成本的同时显著提升营销转化效果，能帮助门店提升 50%100%的营销转化效果，以及相应提升平均 1520%的营业额。 3. 销售和供应链管理：嵌入企业流程，提升整体运营效率。 此外，AI Agent 具有以下特点： 1. 个性化：随着用户的使用越来越了解用户习惯和想法，从而作出喜好预测。例如 Dot App 在对话中了解用户喜好，随后为用户推荐新的咖啡店。 2. 自主完成任务：如 Auto GPT，用户输入一个目标后，可自主执行任务、递归地开发和调试代码。 3. 多 Agent 协作：例如斯坦福大学的 SmallVille（小镇）项目，25 个人工智能体居住在一个沙盒虚拟城镇中通过复杂的社交互动来执行他们的日常生活；Fixie AI 在收到用户请求后启动多个负责不同模块的 Agent 进行数据查询和传递，最终生成邮件内容给客户回复。 以下是一些 Agent 构建平台： 1. Coze：新一代的一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具拓展 Bot 能力边界。 2. Microsoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体（Agent）平台，支持开发者根据自身需求打造大模型时代的产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行设计良好的工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等多种场景，提供多种成熟模板，功能强大且开箱即用。 6. 钉钉 AI 超级助理：依托于钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，在处理高频工作场景如销售、客服、行程安排等方面表现出色。

TOB 行业智能体的场景包括以下方面： 1. 解决大模型的局限性： 无法回答私有领域问题，如公司制度、人员信息等。 无法及时获取最新信息，如实时天气、比赛结果等。 无法准确回答专业问题，如复杂数学计算、图像生成等。 2. 提升用户体验和增强业务竞争力： 适用于有企业官网、钉钉、微信等渠道，期望为客户提供产品咨询服务的场景。 适用于缺少技术人员开发大模型问答应用的情况。 3. 典型场景： 私有领域知识问答：准备好相关知识库文件，创建私有领域知识问答应用，如公司制度、人员信息等。 个性化聊天机器人：提供长期记忆功能，集成夸克搜索和图像生成等插件，提供个性化聊天体验。 智能助手：引入 RAG 能力、长期记忆和自定义插件等功能，帮助提升工作效率，如处理邮件、撰写周报等。 4. 行业解决方案： 服务和业务助手：行业包括互联网、制造、游戏等，场景包括对客服务、对内助手、产品搜索和推荐，业务关注点包括回答准确率、数据覆盖范围，关键功能需求包括丰富的文档/多媒体/数据库支持、多数据源打通、文档 Meta 信息增强、搜索过滤、大模型召回判定。 个人助理：行业包括互联网、教育、游戏、社交等，场景包括闲聊助手、情感陪伴、学习助手，业务关注点包括回答准确率、业务数据关联性、人设契合度、多模态，关键功能需求包括 Prompt 优化、多模态数据上传、互联网搜索、音频/视频交互。 多模态文件交互和数据处理：行业包括互联网、教育、安防等，场景包括视频理解和信息抽取、作业批改，业务关注点包括成本、延迟、多场景适配度，关键功能需求包括自定义文件解析设置、视觉解析增强、企业级数据管理。 5. 具体案例： 内部业务助手：使用企业内部规章制度、部门结构、产品介绍等文档构建知识库，通过 RAG 智能体进行内部知识问答，数据多源、异构，复杂文档解析视觉增强，提供更好的文档理解。 医疗助手/法律助手/智能导购：构建领域内知识库，为普通用户提供基础的医疗/法律知识，给出准确的就医建议/法律援助建议，在相似度阈值判定的基础上，引入大模型的智能分析能力。 6. 商业化场景： 医疗健康行业：为医疗机构、医生和研究人员提供最新的医学资讯和研究成果，并通过多模态形式推送到他们常用的平台，帮助他们更好地了解行业趋势，提升医疗水平。 教育培训行业：为教育工作者和培训机构提供最新的教育资讯和课程动态，并自动生成教学报告和资料，推送到相关平台，帮助他们更好地规划教学内容和课程设计。 科技创业与孵化器：帮助科技创业公司和孵化器获取最新的科技新闻、创业报告和行业分析，并通过多模态形式推送到他们常用的平台，帮助他们更好地了解市场需求，调整创业方向。

在 ToB 营销领域，目前常见的 AI 应用主要有以下几类： 1. 智能办公：在办公垂域场景中发挥作用，比如快速总结群聊内容或会议信息，为写公文提供结构模板参考等。 2. 智能客服：通常借助 agent 实现，接入企业的 QA 知识库，回应用户信息并下达诸如取消订单、催快递之类的 action 指令。 3. AI 导购：在用户和商家之间发挥作用，依据用户问题，结合产品介绍和评论信息等，为用户推荐更准确、精准的产品。 4. 智能营销：应用于营销环节，通过 AIGC 生成话术、物料、口播等内容，有些还会融入用户的个性化元素以指导物料生成。 5. 智能人力资源：主要利用模型进行简历初筛、JD 自动生成、数据分析等工作。 此外，在 AI 产品的发展中，还呈现出从通用能力到专业化细分的趋势，如图像生成的 Midjourney、Stable Diffusion 等，视频制作的 Pika、Runway 等，音频处理的各种 AI 配音、音乐生成工具等。商业模式上也有创新尝试，如 ToB 市场的深耕，如针对内容创作者的 ReadPo 等。

以下是一些关于 AI 应用的信息： 在其他 2B 应用方面，基本是雷声大、雨点小。虽然很多公司想与 AI 沾边，但真正用起来的不多，比如“浏览器里加个 ChatGPT 快捷方式”是多数在问卷中回答“工作中使用 AI”的公司的主要做法。 目前 AI 的 2B 能力还存在不足，如最擅长的代码（如 Github Copilot）也只是“实习生水平”，且 AI 写代码的速度比人跟在后面 Debug 要快得多。 “AI 客服”这一应用在实际体验上也未达到大量取代人工客服的预期。 大语言模型（LLMs）已成为主流，生成 AI 应用目前主要集中在信息的分歧，即根据一组指令创建新内容。未来的第二波应用将更多是汇聚信息，例如通过综合可用信息向用户展示更少的内容，如 AI 驱动的知识库，能为人们节省大量时间。 未来 SynthAI 的真正价值在于帮助人们更快地做出更好的决策。例如，AI 能识别目标账户的意愿水平并给出相关建议，为销售代表节省研究潜在客户的时间。 确保合成高质量的根本性转变将是从大规模、通用模型转向利用多个模型的架构，包括更多针对特定领域和用例数据集进行微调的模型。

AI Agent 的具体应用场景如下： 1. 在职场办公场景中，主要应用场景包括研究总结和客户服务。 2. 个性化方面，随着用户的使用越来越了解用户习惯和想法，从而作出喜好预测。例如 Dot App 在对话中了解用户喜好，随后为用户推荐新的咖啡店。 3. 自主完成任务方面，如 Auto GPT，用户输入一个目标后，可自主执行任务、递归地开发和调试代码。 4. 多 Agent 协作方面，如斯坦福大学的 SmallVille（小镇）项目，25 个人工智能体居住在一个沙盒虚拟城镇中通过复杂的社交互动来执行他们的日常生活；Fixie AI 在收到用户请求后启动多个负责不同模块的 Agent 进行数据查询和传递，最终生成邮件内容给客户回复；博主林亦 LYi 的《AI 炒股？我开了一家员工全是 AI 的公司，自动帮我炒股》就在某种程度上实现了多 Agent 协作的能力。 5. 在企业服务方面，Brix 面向北美和欧洲企业，提供全球雇佣的 AI 驱动解决方案。通过 Hiring Agent，Brix 触达全球约 2000 万以上的人才，自动完成候选人筛选、简历分析和面试流程，帮助企业快速组建高效团队。通过 Working Agent 支持远程团队的智能化管理，为企业构建 100 至 500 人规模的全球化组织提供一站式解决方案。 6. 时来智能通过自研的 AI Agent 以及强化学习等技术，为线下餐饮服务门店提供全自动管理私域流量营销运营的解决方案。基于垂直场景数据训练的 AI 营销模型可以针对不同消费者实时生成并推送个性化的营销折扣方案，从而在优化营销成本的同时显著提升营销转化效果。 目前，AI Agent 应用大多集中在 2B 场景，面向个人消费者的产品少之又少。一方面是高度智能化的 Agent 能力需要打磨，概念落地还有较长一段距离；一方面是 AI 和娱乐消费诉求的结合还几乎没有，其主要带来的是生产方式变革和效率变革。个人消费者方向，目前只看到“私人助理”场景。

以下是一些日常工作中的 AI 应用场景推荐： 教师工作： 定制内容场景：可根据学生认知和水平筛选和定制课程材料。 制作课件场景：用 Markdown 语法列出大纲，生成基础课件。 教学执行：协助小组活动、设计分层教学、个性化教学、提供实时反馈、提供策略和知识支持。 学生评估：设计评估，可模仿各类考试题型，生成各种主观反馈和报告，比如写作口语批改反馈、期末学生评价。 深度学习场景：学习学生心理支持，可提供具体场景做案例分析。 专业成长：论文写作辅助、撰写材料，如工作总结、活动简报、领导发言稿、工作邮件，策划活动，如调查问卷、艺术节策划、教师活动策划，行政工作，公众号排版、排校历、排课表。 计划相关： 共学相关。 网页连接制作。 创意构思。 开发网页、小程序、App、桌面应用、浏览器插件等。 本地跑的 PC 应用，如计算器等。 算法学习： 分类问题：例如文本分类、图像识别、手写数字识别、医学诊断等。 回归问题：例如房价预测、股票价格预测等。 异常检测：识别异常值或离群点。 推荐系统：找到与用户兴趣最相似的其他用户或物品，并基于相似性进行推荐。 图像分割：识别图像中的区域，并进行图像分割。 聚类分析：用于聚类任务，尤其是当数据集中的簇不是明显的球形或高斯分布时。

在制造业中，AI 有以下一些典型应用场景： 1. 产品设计和开发：可利用 AI 生成工具（如 Adobe Firefly、Midjourney 等）根据文字描述快速生成产品的 3D 模型、渲染图、插图等设计元素，大幅提高设计效率。 2. 工艺规划和优化：结合大语言模型的自然语言处理能力，能自动生成制造工艺流程、设备选型、质量控制等方案，优化生产过程。 3. 设备维护和故障诊断：通过 AI 模型分析设备运行数据，预测设备故障，并自动生成维修建议，提高设备可靠性。 4. 供应链管理：AI 可依据历史数据和市场变化，自动生成采购计划、库存预测、物流优化等内容，提升管理效率。 5. 客户服务：基于对话模型的 AI 客服机器人，能够自动生成个性化的客户回复，改善客户体验。 此外，制造业中的 AI 应用还包括： 1. 预测性维护：预测机器故障，避免工厂停机。 2. 质量控制：检测产品缺陷，提升产品质量。 3. 机器人自动化：控制工业机器人，提高生产效率。 4. 生产计划和供应链计划状态查询。 5. 产线预测性维保辅助。 6. 产品质量分析与溯源。

以下是关于 AI 应用赛道的相关介绍： 应用场景：涵盖医疗、制造业、金融风控、消费端个性化服务、办公、农业、能源优化、娱乐等领域。 关键技术： 1. 包括大语言模型作为中枢神经系统，记忆模块实现长期和短期记忆，以及规划能力中的目标设定、任务拆解、生成策略、执行与反馈、资源管理和多智能体协同。 2. 强化学习用于环境感知和决策调整，多模态融合涉及多种数据类型，低成本训练是考虑成本的重要因素。 智能体特征：包括自主性、交互性和适应性，如通过自我对弈和博弈不断进化，在金融风控领域利用大量数据提升准确率。 AI 技术路线：从有语言能力的 AI 到有推理能力，再到能使用工具、发明创新以及形成组织，共五级。 智能体框架类型：分为任务驱动型、多智能体协作、强化学习型、具身智能体、应用型智能体，每种类型都有代表性框架。 智能体与大模型的关系：大模型是中枢和基石，智能体是行动引擎，两者协同演进，智能体产生的数据可反哺大模型。 未来趋势：智能体可能在中小企业中更具效益，人机协作中人类成为监督角色，但存在算力成本、伦理风险、技术瓶颈等挑战。 B 端变现与创业方向： 1. B 端变现细分包括高频率和大规模的内容生产细分，如文字、视频、3D 模型、AI 智能体等，底层是需求和数据收集及训练模型，算力和能源是关键。 2. 自媒体创业：视频号等平台尚有蓝海空间，需具备内容创新和差异化，内容成本低且更新迭代快。 3. 游戏创业：个人或团队可做轻量化游戏，结合 AI 技术，满足放松和社交需求，专注垂类赛道，避免与大厂竞争。 4. 影视创业：25 年将是拐点，更多内容会采用 AI 技术，如哪吒 2 因前期规划未用 AI 技术。 5. 广告营销创业：重点是 AI 虚拟人，数字插画可走治愈类型，要明确平台用户画像和产品定位，做好次留存和引入私域。 AI 虚拟人的发展与创业机遇： 1. 创业难点：创业对创业者综合能力要求极高，找到志同道合且能力互补的战友是创业前期最难的事。 2. AI 虚拟人发展：从早期以首位为核心的宅文化虚拟偶像，到以 CG 技术和动捕语音合成技术为核心的角色，再到如今以动捕和人工智能技术为核心的服务型虚拟人，其发展历程不断演进。 3. 虚拟人产业链：包括基础层的硬件和软件研发，平台层如商汤、百度等提供工具和系统，应用层涉及影视、传媒、游戏、金融、文旅等内容变现。 4. 未来创业机遇：AI 虚拟人是未来 310 年 Web 3.0 的风口，提前布局未来有潜力的赛道，准备好迎接机遇。 相关案例和产品信息： 1. 10 月 26 日，AI 翻译和口型匹配技术在视频制作中的应用逐渐流行，公司如 Captions、HeyGen 和 Verbalate 通过 AI 生成字幕、配音和口型匹配等功能，帮助用户轻松实现视频翻译本地化。 2. 10 月 25 日，Perplexity 最新估值约为 5 亿美元，较 3 月宣布的 1.5 亿美元估值上涨 300%以上，当前的付费用户数量达到了 1.5 万人，截止本月，Perplexity 的 ARR 达到 300 万美元，最新估值约为 ARR 的 150 倍。 3. 《100 个有意思的 AI 应用》由国盛证券出品，分为基于 LLM 自然语言能力的对话、写作、阅读、分析等应用；多模态技术持续发展，图像、视频、音频、3D 等 AIGC 应用；企业级应用等。

以下是关于数据问答最佳实践的相关内容： Databricks： Databricks 作为大数据领域的领先服务商，在 RAG 设计上有自身特点和优势。用户输入问题后，从处理好的文本向量索引获取相关信息，结合提示词工程生成回答。上半部分 Unstructured Data pipeline 采用主流 RAG 方法，下半部分 Structured Data Pipeline 是其特征工程处理流程，也是最大特点。Databricks 从专业大数据角度出发，在准确度较高的数据存储中进行额外检索，发挥在 Real Time Data Serving 上的优势。可见其在 GenAI 时代将强大的 Lakehouse 数据处理能力与生成式 AI 技术深度融合，构建一体化解决方案。 OpenAI： 从 OpenAI Demo day 的演讲整理所得，在提升 RAG 准确率的成功案例中，OpenAI 团队从 45%的准确率开始，尝试多种方法。包括假设性文档嵌入（HyDE）和精调嵌入等，但效果不理想。通过尝试不同大小块的信息和嵌入不同内容部分，准确率提升到 65%。通过 Reranking 和对不同类别问题特别处理，进一步提升到 85%。最终，结合提示工程、查询扩展等方法，达到 98%的准确率。团队强调模型精调和 RAG 结合使用的强大潜力，仅通过简单的模型精调和提示工程就接近行业领先水平。 Loop： 具有环状结构的 RAG Flow 是 Modular RAG 的重要特点，检索和推理步骤相互影响，通常包括一个 Judge 模块控制流程，具体可分为迭代、递归和主动检索三种。 迭代检索：对于一些需要大量知识的复杂问题，可采用迭代方式进行 RAG，如 ITERRETGEN。每次迭代利用前一次迭代的模型输出作为特定上下文帮助检索更相关知识，通过预设迭代次数判断终止。 递归检索：特点是明显依赖上一步并不断深入检索，通常有判断机制作为出口，需搭配 Query Transformation，每次检索依赖新改写的 Query。典型实现如 ToC，从初始问题通过递归执行 RAC 逐步插入子节点到澄清树中，达到最大数量有效节点或最大深度时结束，然后收集所有有效节点生成全面长文本答案回答初始问题。

以下是关于数据分析领域智能化应用实践的相关内容： ChatGPT 助力数据分析 在个性化分析示例中，上传的数据均为假数据，包括游戏 A 流水数据、游戏产品数据、页面事件统计和用户行为数据等，仅供测试。涉及单维度数据、多维度数据的折线图和柱状图。有时 AI 会误将数据项作为维度分析，可通过输入提示告诉它用哪个字段作为维度，或描述其他数据信息以使分析更准确。 总结和展望方面，ChatGPT 在数据分析领域具有广泛应用前景，能提高效率、降低技能门槛和支持决策。但案例分析结果可能简单，实际接入业务可定制多种分析模板，增加分析多样性。处理大量数据时，除注意长类型字段限制，还应指定允许查询或解析的字段，并对结果数据进行校验。随着技术进步，ChatGPT 等工具将为数据分析带来更多创新和突破。 金融领域的智能化应用 摩根大通的模型显示，美联储鹰鸽派评分上升 10 个百分点，意味着加息 25 个基点可能性增加约 10 个百分点。为深入应用成果，摩根大通等银行与大学合作培育生态系统，采用开源合作推动知识产权发展。研究者认为人工智能可通过处理大量数据集等完善经济和货币预测，为政策决策提供信息。摩根大通任命 Teresa Heitsenrether 领导新的数据和分析部门，目前公司有 300 多个人工智能用例投入生产，用于风险、勘探、营销等方面，降低了零售业务风险，改善了交易优化和投资组合构建。公司有 1000 多名数据管理人员、900 多名数据科学家和 600 名 ML 工程师，专注于自然语言处理等方面的人工智能和机器学习。

以下是关于编写最佳实践的工具的相关内容： 熊猫 Jay：万字解读 ChatGPT 提示词最佳实践 最佳实践 5 使用外部工具： 1. 文本嵌入工具：需要能够将文本转化为向量的工具，如 Word2Vec、BERT、FastText 等，将文本转化为高维空间中的向量。 2. 构建电影数据库：包含各种电影详细信息，可以是简单的文本文件每行包含一个电影信息，或更复杂的数据库系统。 3. 预处理和嵌入：对数据库中的每部电影信息进行文本嵌入，得到向量表示并存储。 4. 查询处理：将用户提出的查询（如“由莱昂纳多·迪卡普里奥主演的电影”）进行文本嵌入得到查询向量。 5. 向量搜索：使用快速的向量搜索算法（如余弦相似度、KNN 搜索等）在电影数据库中找到最接近的电影向量。 6. 返回结果：根据找到的最接近向量，从数据库中检索相关电影信息返回给用户。 7. 集成到 ChatGPT：将上述步骤封装成 API 或函数，在 ChatGPT 对话逻辑中调用，以便用户提出相关查询时返回相关电影信息。 小七姐：官方最佳 Prompt 实践的六个方法 策略一：编写清晰的说明 在 OpenAI 官方的说明文档中，为用户提供了若干策略以更好使用 ChatGPT。在询问中应包含详细信息以获得更多相关答复。因为大模型无法在有限信息中“猜测”意图，所以提问时不要惜字如金，多说多提供信息能有效提高回复质量和丰富性。例如：想要大模型提供思维模型时，本能问法可能效果不佳，而提供更多信息（如为什么需要、希望列举个数、是否有已知模型参考等）能得到更符合预期的回答；请 ChatGPT 帮助记忆抽象概念时，脱口而出的问题可能不理想，提供更多细节则能得到更好的回答；了解提示词时，给出特定情景和进一步思考的问题能得到更好效果。

AI 在人力资源方面的最新应用实践包括以下几个方面： 1. 招聘初期：如职位描述生成、简历分析、面试题设计。 2. 员工绩效评估：分析员工工作表现，识别绩效趋势和提升点，为管理层提供数据支持的绩效反馈。 3. 员工培训与发展：辅助员工的培训和职业发展规划。 在全行业中，基础办公提效方面，如 PPT、Excel、会议报告、策划会、文案包装、图文海报、客服机器人 bot 等，都可以从【单个任务 task>角色 role>角色间协同 collaboration】显著提高工作效率。 例如在游戏行业，网易推出的首款 AI 手游《逆水寒》，将 AIGC 应用于美术开发，在 NPC 与玩家的交互上呈现独特的剧情体验，还内嵌了全自动“AI 作词机”。 在文科白领方面，AI 在个人助理、呼叫中心、文本处理和教育等领域表现出色，能完成 80%到 90%的工作。 用友的调研报告预测，随着技术进步，AI 将进一步推动个性化人力资源管理，创造无人值守的 HR 平台，推动企业持续发展。

以下是为您制定的包含实施策略、里程碑和最佳实践的详细框架，以帮助您有效地实现目标： 一、英语四级考试 实施策略： 1. 制定学习计划，每天安排一定时间学习英语，包括词汇、语法、听力、阅读和写作。 2. 多做历年真题，熟悉考试题型和难度。 3. 参加英语学习社群或找学习伙伴，互相监督和鼓励。 里程碑： 1. 每月进行一次模拟考试，评估学习进度。 2. 两个月内完成词汇和语法的系统学习。 最佳实践： 1. 利用碎片时间背单词，如在公交车上、课间等。 2. 听力练习时，反复听同一篇材料，直到完全听懂。 3. 写作练习后请老师或同学帮忙批改，总结错误和不足。 二、参加苹果 26 年的 Swift 学生挑战赛 实施策略： 1. 从零基础开始学习 Swift 编程语言，通过在线课程、书籍等资源进行系统学习。 2. 参与相关的编程实践项目，提升实际操作能力。 3. 关注苹果官方网站和社区，了解挑战赛的最新动态和要求。 里程碑： 1. 三个月内掌握 Swift 编程语言的基础知识。 2. 半年内完成一个小型的 Swift 项目开发。 最佳实践： 1. 遇到问题及时在技术论坛或社区寻求帮助。 2. 定期回顾和总结所学知识，加深理解和记忆。 3. 参考优秀的 Swift 项目案例，学习他人的编程思路和技巧。 三、成为 AI 产品经理 实施策略： 1. 学习 AI 相关的基础知识，包括机器学习、深度学习等。 2. 了解产品经理的职责和工作流程，通过实践项目积累经验。 3. 关注行业动态，参加相关的研讨会和培训课程。 里程碑： 1. 一年内掌握 AI 基础知识和产品经理的基本技能。 2. 参与实际的 AI 项目开发，担任产品经理助理角色。 最佳实践： 1. 多与行业内的专业人士交流，获取经验和建议。 2. 不断提升自己的沟通和协调能力，以更好地推动项目进展。 3. 学会从用户需求出发，设计具有创新性和实用性的 AI 产品。 希望以上框架对您有所帮助，祝您顺利实现目标！

以下是从实践中学习 Coze 的一些建议和步骤： 1. 利用 Cursor+Coze 工作流打造网页内容提取插件： 开发时要具备架构思维，懂得向 AI 描述需求。 获取授权令牌（Token），掌握工作流调用方法。 查看 coze 的 api 开发文档，获取工作流的开发文档、个人令牌和工作流 id。 让 Cursor 根据相关内容写调用 coze 工作流的服务，注意声明入参和中文编码。 完成后用 chrome 加载做好的插件，并优化界面。 2. 用 Claude+Coze 学习 RAG： 通过 Claude 了解细节概念，再通过 Coze 搭建 Demo，在动手实践中学习。 在学习过程中创建相关 Bot，如产品资料问答机器人、Query 改写助手学习 Bot 等。 3. 分步构建和测试 Agent 功能： 进入 Coze，点击「个人空间工作流创建工作流」，自定义工作流信息。 左侧「选择节点」模块中，根据子任务需要选择插件、大模型、代码等节点。 按照流程图在编辑面板中拖入对应的节点完成工作流框架搭建。