ToB的AI场景和实践有哪些？

以下为一些与照片相关的 AI 软件信息： 在 100 个 AI 应用中，涉及照片的有： AI 摄影参数调整助手，使用图像识别、数据分析技术，常见于摄影 APP 中，能根据场景自动调整摄影参数，市场规模达数亿美元。 全球 AI APP 增长榜图像类中： Retake AI，6 月 APP 下载量为 795，相对 5 月变化为 0.159。 DaVinci，6 月 APP 下载量为 751，相对 5 月变化为 0.049。 Viggle AI，6 月 APP 下载量为 741，相对 5 月变化为 822.333。 PhotoApp AI Photo Enhancer，6 月 APP 下载量为 688，相对 5 月变化为 0.186。 AI Mirror，6 月 APP 下载量为 676，相对 5 月变化为 0.432。 ToonMe，6 月 APP 下载量为 640，相对 5 月变化为 0.042。 图片增强 Top10 中： Cutout pro，4 月访问量为 1608 万，相对 3 月变化为 0.023。 Upscale media，4 月访问量为 432 万，相对 3 月变化为 0.073。 ZMO AI，4 月访问量为 338 万，相对 3 月变化为 0.161。 Neural.love Art，4 月访问量为 283 万，相对 3 月变化为 0.072。 Topaz Photo AI，4 月访问量为 247 万，相对 3 月变化为 0.047。 VanceAI，4 月访问量为 247 万，相对 3 月变化为 0.078。 bigjpgAI 图片无损放大，4 月访问量为 203 万，相对 3 月变化为 0.06。 Img Upscaler，4 月访问量为 203 万，相对 3 月变化为 0.042。 Let's Enhance，4 月访问量为 167 万，相对 3 月变化为 0.046。 Akool，4 月访问量为 122 万，相对 3 月变化为 0.173。

AI（人工智能）是一门令人兴奋的科学，它是指某种模仿人类思维，可以理解自然语言并输出自然语言的东西。 对于没有理工科背景的人来说，可将其当成一个黑箱，只需要知道它能理解自然语言就行。AI 技术再发展，其生态位仍是似人而非人的存在。 从历史角度看，最初计算机由查尔斯·巴贝奇发明，用于按明确程序运算。现代计算机虽先进，但仍遵循相同受控计算理念。有些任务无法明确编程让计算机完成，比如根据照片判断人的年龄，而这类任务正是 AI 感兴趣的。 在应用方面，AI 健身是利用 AI 技术辅助或改善健身训练和健康管理的方法，能为用户提供个性化指导。例如 Keep、Fiture、Fitness AI、Planfit 等都是不错的 AI 健身工具。

在国内进行 AI 方面的创业，以下是一些建议： 1. 数据处理方面： 认识到高质量数据处理服务的稀缺性，数据质量对于模型效果至关重要。 避免单纯依赖开源数据，谨慎考虑购买优质数据的投入风险。 2. 模型选择方面： 训练底层世界大模型需要巨大投入，除大厂外对其他公司较困难。 大多数国内公司往往先推出产品，而非集中精力专攻大模型。 3. 创业方向方面： 可以选择“唯快不破”的策略，尽量低成本、高速度地在小赛道中尝试。 例如辅助创作与学习（如 AI 智能写作助手、语言学习助手等）、推荐与规划（如商品推荐、行程规划等）、监控与预警（如健康监测、安全监控等）、优化与管理（如办公自动化、物流优化等）、销售与交易（如艺术作品生成与销售平台等）等细分领域。 需要注意的是，在这轮 AI 大潮中，新技术加速迭代是常态，不能期望在“技术稳定”时再出手。

目前在微信中，Coze 平台是一个 AI 智能体创作平台，可以根据需求构建 AI 机器人并发布到多种社交平台。微信的不同功能在与 AI 对接上有所差异： 1. 个人微信/微信群：Coze AI 平台之前不支持直接对接，但国内版正式发布 API 接口功能后，直接对接已成为可能。 2. 微信公众号：Coze AI 平台支持对接，能让 AI 机器人自动回复用户消息。 3. 微信服务号：同样支持对接，可帮助企业提升服务效率。 4. 微信客服：Coze AI 平台支持对接，使 AI 机器人能够自动回答用户咨询，提高客服响应速度。 在把 AI 大模型能力接入微信后，对于类似客服的应用场景，存在模型幻觉导致胡乱回答的问题。对于非技术从业者，落地场景存在困难。一个问答机器人的界面配置包括 AI 模型、提示词、知识库。

要实现一个微信 AI 客服，您可以参考以下两种方法： 方法一： 1. 搭建，用于汇聚整合多种大模型接口，方便后续更换使用各种大模型，同时会告诉您如何白嫖大模型接口。 2. 搭建，这是一个知识库问答系统，将知识文件放入其中，并接入上面的大模型作为分析知识库的大脑，最后回答您的问题。如果不想接到微信，自己使用，搭建完此系统即可，它也有问答界面。 3. 搭建，其中的 cow 插件能进行文件总结、MJ 绘画等。 方法二： 1. 确定功能范围： 支持用户发送“关键字”，自助获取您分享的“AI 相关资料链接”。 能够回答 AI 相关知识，优先以“您的知识库”中的内容进行回答，若知识库内容不足，则调用 AI 大模型回复，并在答案末尾加上“更多 AI 相关信息，请链接作者：jinxia1859”。 “AI 前线”能发布在您的微信公众号上，作为微信客服助手。 2. 准备以下内容： 根据 Bot 的目的、核心能力，编写 prompt 提示词。 整理“关键字”与“AI 相关资料链接”的对应关系，可用 word、txt、excel 整理。 创建一个自己的【知识库】，用于回答 AI 相关知识。 由于“AI 前线”要按照一定规则处理知识，创建一个【工作流】，控制 AI 按要求处理信息。 准备好自己的微信公众号，以便将机器人发布在微信公众号上。 以上就是实现微信 AI 客服的两种方式及具体步骤。

自己制作 AI 可以参考以下步骤： 1. 对于写作相关的 AI 应用，我们可以从人类驱动开始，使用 AI 来修改完善，比如先手动撰写博客文章，再利用自动填充和语法反馈工具改进。有时也可以先让 AI 生成写作内容，然后根据自己的需求和风格进行修改。 2. 若要打造微信 AI 机器人，比如“AI 前线”Bot： 确定功能范围，如支持用户发送“关键字”获取“AI 相关资料链接”，能回答 AI 相关知识（优先以自己的知识库回答，不足时调用 AI 大模型并在答案末尾添加相关信息），能发布在微信公众号上作为客服助手。 准备实现所需的内容，包括根据目的和核心能力编写 prompt 提示词，整理“关键字”与“AI 相关资料链接”的对应关系（可用 word、txt、excel 等），创建自己的知识库，创建工作流来控制 AI 按要求处理信息，准备好微信公众号。 设计详细步骤，先展示最终效果界面。

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。

对于您这种经常回答客户法律问题的法律工作者，以下几种场景中适合使用法律行业垂类的 AI 产品： 1. 法规研究与解读：使用 Prompt 指令词，如“根据最新修订的《数据安全法》，解析企业在处理个人信息时应遵循的主要原则，并给出具体操作建议”，AI 助手将依据最新条款解析原则并提出操作指南或合规建议。 2. 法律意见书撰写或非诉交易文件材料：例如“针对我方当事人涉及的版权纠纷案，输入【已有的证据材料】+【相关法律条文】，撰写一份初步法律意见书，论证我方主张的合理性和胜诉的可能性”，AI 将根据提供的材料撰写法律意见书。 3. 案例检索：如“请搜索近五年内关于商标侵权案件中‘混淆可能性’标准的具体判例，并提供相似度最高的三个案例的关键要点摘要”，AI 系统将检索并提炼关键判决理由和结果。 4. 类案检索：同样最好使用法律行业垂类的 AI 产品。 5. 法律文本阅读：选择某一份或者若干份文档上传，AI 完成解析，然后根据需要了解的内容进行提问。 在使用 Prompt 时，要注意结构提示，如“【需求或目的+根据具体法条或者根据某部法律+具体需要研究或则具体的研究细节内容】”。

在办公场景下，以下是一些使用 AI 提高办公效率的方式： 1. 产品经理方面：使用 GPT 解决性能差和历史数据存档的问题，可将最终的 SQL 执行时间大幅缩短，提升效率并降低复杂度，同时保存所有历史数据，实现报表秒开。 2. 运营方面：将 ChatGPT 视为日常工作的辅助工具，顺应技术发展趋势，借助其提升工作效率。 3. 营销方面：探索 AIGC 精细化作业模式，革新传统代言人 TVC 制作流程；定制营销报告时，考虑汇报对象身份、销售数据、财务报告等多方面因素。 4. 办公方面：用 ChatGPT 生成 Markdown 语法的内容，再借助 MindShow 工具转换为精美的 PPT。 此外，还有一些 AI 应用也能助力办公，比如： 1. 豆果美食 APP：能根据用户口味和现有食材生成个性化菜谱。 2. 沪江开心词场：辅助用户学习语言，提供个性化学习方案。 3. 爱奇艺智能推荐：根据用户喜好推荐电影，帮助发现优质影片。 4. WPS Office：利用智能排版、语法检查等功能，提高办公效率，实现自动化办公流程。

新闻资讯场景与当前 AI 能力结合可以产生以下新的应用场景： 1. 文本生成和内容创作：生成连贯、有逻辑的新闻报道、评论等文本内容。 2. 聊天机器人和虚拟助手：为用户提供新闻相关的咨询和服务。 3. 编程和代码辅助：辅助新闻资讯平台的开发和优化。 4. 翻译和跨语言通信：促进不同语言背景的用户获取新闻资讯。 5. 情感分析和意见挖掘：分析新闻评论中的用户情感和观点，为新闻报道提供参考。 6. 教育和学习辅助：创建与新闻相关的学习材料，辅助新闻知识的学习。 7. 图像和视频生成：根据新闻内容生成相应的图像和视频。 8. 游戏开发和互动体验：将新闻元素融入游戏，增强用户的沉浸式体验。 9. 医疗和健康咨询：提供与健康新闻相关的初步建议和信息查询服务。 10. 法律和合规咨询：帮助解读与新闻相关的法律文件和合规问题。 在专业创作者方面，AI 生成能够为新闻类作品赋予独特风格和想象力，为创作者提供灵感，降低后期制作的门槛和成本。目前该应用主要集中在新闻相关的音乐 MV、短篇电影、动漫等方向。 对于自媒体、非专业创作者，AI 可以帮助解决视频剪辑痛点，如为科技、财经、资讯类重脚本内容的视频生成分镜、视频，降低视频素材制作门槛，还能将文章高效转成视频内容，以及解决同一素材在不同平台分发的成本问题。 对于企业客户，AI 视频生成可以为没有足够视频制作资金的小企业、非盈利机构大幅缩减新闻相关视频的制作成本。

AI 技术在餐饮行业的应用场景主要包括以下方面： 1. 营销管理：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，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。 2. 菜谱调整：下厨房的口味调整功能可根据用户对菜谱的评价，利用 AI 分析后给出口味调整建议，如增加甜度、减少辣味等。

对于 0 基础想要系统学习 AI 并针对特定场景开发出 AI 产品的您，以下是一些建议： 1. 了解 AI 基本概念： 建议阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，对于 AI 产品经理，个人做了以下划分，仅供娱乐和参考： 1. 入门级： 能通过 WaytoAGI 等开源网站或一些课程了解 AI 的概念，使用 AI 产品并尝试动手实践应用搭建。 2. 研究级： 有两个路径，一个是技术研究路径，一个是商业化研究路径。这个阶段对应的画像可能是对某一领域有认知，可以根据需求场景选择解决方案，或利用 Hugging face 等工具手搓出一些 AI 应用来验证想法。 3. 落地应用： 这一阶段的画像就是有一些成功落地应用的案例，如产生商业化价值。 在 AI 游戏场景方面，为您提供以下案例： 1. 从游戏截图升级到 KV 品质，AI 居然可以这样用！ 作者：yanceyzhang 简介：AI 生成图像具有较大的随机性，如果想用在特定项目上的话，用游戏内资源拼合作为图生图的底图可以很好的帮助 ai 发挥，复现游戏原有的画风、世界观和人物设定，下面将实际操作中的一些思路和小技巧分享出来。 查看链接： 入库时间：2023/11/21 2. 《LORA 模型训练超入门级教程》人人都可以当炼金术士 作者：包子 SAMA丶 简介：初步接触训练模型，主要是以美术视角出发来进行讲解，目的就是可以让不理解训练概念和代码指令的小伙伴更容易上手 Lora 模型训练。 查看链接： 入库时间：2023/11/21 3. 人人可以做原画，如何运用 Midjourney+Stable Diffusion 进行角色原画设计 作者：Harayuan 简介：本文旨在详细探讨运用 MJ+SD 进行角色设计的方法、技巧，以及它的优势、不足之处和未来发展方向。 查看链接： 入库时间：2023/11/21

在大学里，AI 有以下应用场景： 教育方面： 可以大规模部署个性化的学习计划，为每个学生提供“口袋里的老师”，理解其独特需求，回答问题或测试技能。 有 AI 驱动的语言老师能实时交流并给予发音或措辞的反馈，如 Speak、Quazel 和 Lingostar 等。 出现了帮助学生解决数学问题的应用，如 Photomath 和 Mathly，以及通过模拟与杰出人物聊天来教授历史的应用，如 PeopleAI 和 Historical Figures。 学生在作业中利用 AI 助手，如 Grammarly、Orchard 和 Lex 等提升写作水平，还有协助创建演示文稿的工具，如 Tome 和 Beautiful.ai。 老师在 AIGC 的帮助下备课和授课，如北京市新英才学校的实践。 其他方面： 自动驾驶：用于开发自动驾驶汽车，提高交通安全性和效率。 交通管理：优化交通信号灯和交通流量，缓解交通拥堵。 物流和配送：优化物流路线和配送计划，降低运输成本。 无人机送货：将货物快速送达偏远地区。 农业：分析农田数据，提高农作物的产量和质量。 娱乐：开发虚拟现实和增强现实体验。 能源：优化能源的使用，提高能源效率。 需要注意的是，AI 的应用场景还在不断扩展，未来将对我们的生活产生更加深远的影响。

以下是一些智能客服的实践案例： 在销售方面，有“销售：话术总结优缺点”，涉及产品特点、服务优势、目标客户需求和痛点等方面。 详情： 入库时间：2023/10/30 在销售方面，还有“销售：定制销售解决方案”，涵盖企业产品和服务内容、客户需求和参数等内容。 详情： 入库时间：2023/10/30 在客服方面，有“客服：定制客服话术”，包含产品知识、使用方法等 13 个关键词库。 详情： 入库时间：2023/10/30 腾讯运营在智能客服方面的应用： ChatGPT 承担客服功能，通过告知其具体客服身份，要求其解答用户问题并进行私域流量转化。 ChatGPT 能够理解社区用户的评论和问题，并生成合适的回复，管理社区互动，模拟运营人的语言风格，与用户进行更自然的互动。 ChatGPT 可以监测舆情和热点，从多个来源抓取互联网上的热门话题、新闻和社交媒体动态，并对抓取到的文本数据进行深度分析。 其他相关案例：

以下是一些关于提示词（Prompts）的最佳实践示例： 1. Unicode 字符映射转换器： 作者：李继刚 分类：代码 说明：将用户输入的字符串逐一映射到 Unicode 区间 U+1D400 到 U+1D420。 注意事项：请准确地将用户输入的字符串的字符映射到指定的 Unicode 区间；不提供任何解释或说明；只输出转换后的结果。 链接地址： 2. 流程图/图表设计： 作者：nimbus 分类：商业 说明：根据用户的流程描述，自动生成 Mermaid 图表代码 注意事项：生成的代码要符合 Mermaid 语法，准确表达用户需求；生成代码遵循 Mermaid 语法；流程语义表达准确；代码整洁格式规范。 链接地址： 3. 黑话转化器： 作者：echo 分类：文本 说明：使用 ChatGPT 模拟阿里黑话转换 任务步骤： 欢迎玩家输出对话。 玩家说完对话后，ChatGPT 进行阿里黑话转换，在对话中，尽量使用阿里高级词汇。 使用示例： 输入：找个小众产品抄，预期输出：找准了自己差异化赛道。 输入：做广告，预期输出：通过对势能积累的简单复用实现了价值转化。 输入：被主流给抛弃，预期输出：通过特有抓手找到擅长的垂直领域。 输入：发小卡片，预期输出：通过点线结合的对焦性打法，找到了红海行业的精细化引爆点。 链接地址：

以下是一些使用语言模型的最佳实践案例： 1. 转换类应用： 大型语言模型擅长将输入转换为不同格式，如语言翻译、拼写和语法矫正、格式转换等。例如，可以输入一段不符合语法规范的文本让其修改，或输入 HTML 输出 JSON。 可以执行翻译任务，模型在多种语言的大量文本上训练，能够掌握数百种语言。 2. 基础提示词： 提示词包含传递到模型的指令、问题等信息，也可包含上下文、输入或示例等详细信息，以更好地指导模型获得更好结果。 对于 OpenAI 的聊天模型，可使用 system、user 和 assistant 三种角色构建 prompt，通常示例仅使用 user 消息作为 prompt。 提示工程探讨如何设计最佳提示词，如通过改进提示词完善句子输出。 3. 提示工程： 将复杂任务分解为更简单的子任务，如使用意图分类识别用户查询中的指令，对长对话进行总结或过滤，将长文档分段总结。 给予模型“思考”时间，如让模型在给出最终答案前先进行“思考链”推理，指导其先给出解决方案，使用“内心独白”或系列查询隐藏推理过程，询问是否遗漏信息以确保完整性。

以下是关于 Dify 的一些实践教程和相关信息： 接入企业微信： 创建聊天助手应用：在 Dify 平台创建基础编排聊天助手应用，获取 API 密钥和 API 服务器地址。 下载 Dify on WeChat 项目：下载并安装依赖。 填写配置文件：在项目根目录创建 config.json 文件，填写 API 密钥和服务器地址。 把基础编排聊天助手接入微信：快速启动测试，扫码登录，进行对话测试，可以选择源码部署或 Docker 部署。 把工作流编排聊天助手接入微信：创建知识库，导入知识库文件，创建工作流编排聊天助手应用，设置知识检索节点和 LLM 节点，发布更新并访问 API。 把 Agent 应用接入微信：创建 Agent 应用，设置对话模型和添加工具，生成 API 密钥，填写配置文件，启动程序并进行测试。更多内容请访问原文：https://docs.dify.ai/v/zhhans/learnmore/usecases/difyonwechat 构建知识库的具体步骤： 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。 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。 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。 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。 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。 Dify 介绍：Dify 是一个开源的大模型应用开发平台，它通过结合后端即服务和 LLMOps 的理念，为用户提供了一个直观的界面来快速构建和部署生产级别的生成式 AI 应用。该平台具备强大的工作流构建工具，支持广泛的模型集成，提供了一个功能丰富的提示词 IDE，以及一个全面的 RAG Pipeline，用于文档处理和检索。此外，Dify 还允许用户定义 Agent 智能体，并通过 LLMOps 功能对应用程序的性能进行持续监控和优化。Dify 提供云服务和本地部署选项，满足不同用户的需求，并且通过其开源特性，确保了对数据的完全控制和快速的产品迭代。Dify 的设计理念注重简单性、克制和快速迭代，旨在帮助用户将 AI 应用的创意快速转化为现实，无论是创业团队构建 MVP、企业集成 LLM 以增强现有应用的能力，还是技术爱好者探索 LLM 的潜力，Dify 都提供了相应的支持和工具。Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般地，如果是个人研究，推荐单独使用 Dify，如果是企业级落地项目推荐使用多种框架结合，效果更好。

以下是关于智能客服实践的相关内容： 零成本、零代码搭建一个智能微信客服的实操步骤： 1. 访问微信客服 https://kf.weixin.qq.com/，点击开通。 2. 勾选同意，点击下一步。 3. 按步骤填写，勾选同意，注册企业微信。 4. 注册成功后，会出现“企业未认证，累计仅可接待 100 位客户，认证后可提升接待上限”的提醒，个人测试无需认证，不影响使用。 5. 完成上述步骤后，已成功 50%，接下来是复制粘贴操作： 点击配置>到微信客服的企业信息，复制企业 ID >到 coze 页面进行粘贴填写企业 ID，并点击下一步。 到微信客服的开发配置，找到回调配置，复制 Token、EncodingAESKey（如果为空，点击“随机获取”），到 coze 页面进行粘贴，点击下一步。 到微信客服的开发配置，配置回调地址 URL、复制 Secret 到 coze 的页面粘贴。 第一次设置回调地址时，目前需要企业认证才可以接入微信客服。若企业未认证，配置回调 URL 时会报错：回调域名校验失败。之前未认证就发布过微信客服的不受影响。第一次设置成功后，后续修改在特定页面进行。 到微信客服的客服账号，创建一个客服账号，复制客服账号名称，到 coze 的页面粘贴，点击保存。保存后，在 coze 发布页面的发布平台的微信客服这里，显示“已配置”，剩下的就是勾选，点击发布。 ChatGPT 在智能客服中的应用： 1. 承担客服功能：告诉 ChatGPT 具体客服身份，要求其解答用户问题的同时，进行私域流量转化。 2. 管理社区互动：模拟运营人的语言风格，与用户进行更自然的互动，提高用户参与度和满意度。同时支持对社区中的评论和问题进行自动分类，帮助运营团队更有效地解决问题和满足用户需求。 3. 监测舆情和热点：从多个来源抓取互联网上的热门话题、新闻和社交媒体动态，并对抓取到的文本数据进行深度分析，识别热门话题和趋势，帮助内容运营团队及时了解市场变化。实时监测品牌、产品或服务的网络声量，识别潜在的负面舆情，并提醒运营团队采取措施。但因 ChatGPT 并不支持实时搜索，以上内容需要借助第三方插件完成。

以下是关于 RAG 的一些实践： OpenAI 的实践：从 45%的准确率开始，尝试多种方法，如假设性文档嵌入（HyDE）和精调嵌入等，效果不理想。通过尝试不同大小块的信息和嵌入不同的内容部分，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，通过提示工程、查询扩展等方法结合，达到 98%的准确率。团队强调了模型精调和 RAG 结合使用的强大潜力，尤其是在未使用复杂技术的情况下，仅通过简单的模型精调和提示工程就接近行业领先水平。 本地部署大模型以及搭建个人知识库：利用大模型的能力搭建知识库是 RAG 技术的应用。RAG 应用可抽象为 5 个过程，包括文档加载、文本分割、存储（包括嵌入和向量数据存储）、检索、输出（把问题及检索出的嵌入片提交给 LLM 生成答案）。 本地部署资讯问答机器人：基于用户问题从向量数据库中检索相关段落并过滤，让模型参考上下文信息回答，实现 RAG。通过 gradio 创建网页 UI 并进行评测，对不同模型如 Qwen7b、Gemma、Mistral、Mixtral 和 GPT4 进行测试，得出 GPT4 表现最好等结论。同时总结指出上下文数据质量和大模型性能决定 RAG 系统性能上限，RAG 能提升答案质量和相关性，但不能完全消除大模型幻觉、信息滞后问题。