--scref 教程

以下是关于 sref 的使用指南： 风格一致： 指南：垫图链接（可选择）+关键词+“sref” +图片链接+风格化参数+“v 6.0” 指令：url +关键词+“sref” + url +“sw” +“v 6.0” sw 风格化参数：用于控制整体的风格强度，默认为 100，数值范围为 参考多张图像风格：url 间使用空格隔开，权重代表不同参考风格的权重，如 sref url A::2 url B::3 url C::5 适用模型：V6 和 Niji V6 常见问题： 您可以在使用 Vary Region 期间使用 sref 来增强美学匹配/混合。 以下是如何在使用 Vary Region 时使用sref 图像来帮助加强风格的方法： 确保 remix 已打开。放大 点击。 保留提示中确定画布总体构图的部分。尽量保留尽可能多的部分，但不要耗尽内存。如果您的细节没有显示出来，那可能是内存问题。编辑提示以删除一些不必要的细节，以腾出空间添加新的细节。 将您的细节添加到提示中。 记得用一些详细的描述（至少 5 7 个词）描述它。 现在，您可以通过将基本图像用作 sref 来加强您的添加部分的风格（视觉美学）。右键单击放大后的图像中心，从下拉菜单中选择复制链接。将该链接添加为您的sref。 详细步骤： sref 参数允许我们使用通过 URL（地址链接）提供的现有图像或图像的大致视觉特征、美学和氛围创建新图像。 官方详细步骤地址：https://discord.com/channels/662267976984297473/1204491188539883571 请参阅以下的 1 2 3 步骤教程，以帮助您开始使用风格参考图像。 图像地址链接：whatnostop_A_textured_impasto_expressive_oil_painting_depicting_d63d1644 49b4 4831 95b1 486d05452313.png

以下是关于 DeepSeek 的教程： 网址：https://www.deepseek.com/zh 。国内能访问，网页登录方便，目前完全免费。 获得游戏代码：只需点击开始对话，左边选择代码助手，直接向其许愿即可。 提示词使用： 效果对比：用 Coze 做了小测试，可对比查看 。 如何使用： 1. 搜索 www.deepseek.com，点击“开始对话”。 2. 将装有提示词的代码发给 DeepSeek 。 3. 认真阅读开场白之后，正式开始对话。 设计思路： 1. 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 2. 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能。 3. 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 4. 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 5. 用 XML 来进行更为规范的设定，而不是用 Lisp（对作者有难度）和 Markdown（运行下来似乎不是很稳定）。 完整提示词：v 1.3 。 特别鸣谢：李继刚的【思考的七把武器】在前期提供了很多思考方向，Thinking Claude 是作者现在最喜欢使用的 Claude 提示词，也是设计 HiDeepSeek 的灵感来源，Claude 3.5 Sonnet 是最得力的助手。 使用技巧： 特点与优势： 1. 推理型大模型：核心是推理型大模型，不需要用户提供详细步骤指令，通过理解用户真实需求和场景提供答案。 2. 更懂人话：能够理解用户用“人话”表达的需求，不需要用户学习和使用特定提示词模板。 3. 深度思考：回答问题时能够进行深度思考，不是简单罗列信息。 4. 文风转换器：可以模仿不同作家的文风进行写作，适用于多种文体和场景。 正确方法： 1. 可以扔掉提示词模板：用自然语言描述，直接描述真实场景和具体需求，提示词模板的目的是清晰表达，如果使用也完全没问题。 2. 让 DeepSeek“说人话”：在提问时加上“说人话”“小学生能听懂”“菜市场大妈能听懂的话”等，可以让 DeepSeek 的回答更加通俗易懂。 3. 激发深度思考：让 DeepSeek 进行批判性思考、反面思考和复盘，以恢复其深度思考能力。 4. 文风转换：通过指定模仿的作家和文体，让 DeepSeek 生成符合特定风格的文本。

对于零基础学习和运用 AI，以下是一个系统性的教程： 一、了解 AI 基本概念 首先，建议阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（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。同时，浏览入门文章，这些文章通常会介绍 AI 的历史、当前的应用和未来的发展趋势。 二、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。这些课程将引导您了解生成式 AI 等基础知识，特别推荐李宏毅老师的课程。您还可以通过在线教育平台（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。 三、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。同时，建议您一定要掌握提示词的技巧，它上手容易且很有用。 四、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。 五、体验 AI 产品 与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 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。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 六、深入学习 Python 编程（如果希望继续精进） 至少熟悉以下内容： 1. Python 基础 基本语法：了解 Python 的基本语法规则，比如变量命名、缩进等。 数据类型：熟悉 Python 中的基本数据类型，如字符串（String）、整数（Integer）、浮点数（Float）、列表（List）、元组（Tuple）、字典（Dictionary）等。 控制流：学习如何使用条件语句（if）、循环语句（for 和 while）来控制程序的执行流程。 2. 函数 定义和调用函数：学习如何定义自己的函数，以及如何调用现有的函数。 参数和返回值：理解函数如何接收参数和返回结果。 作用域和命名空间：了解局部变量和全局变量的概念，以及它们是如何在 Python 中工作的。 3. 模块和包 导入模块：学习如何导入 Python 标准库中的模块或者第三方库。 使用包：理解如何安装和使用 Python 包来扩展程序的功能。 4. 面向对象编程（OOP） 类和对象：了解面向对象编程的基本概念，包括类的定义和实例化。 属性和方法：学习如何为类定义属性和方法，以及如何通过对象来调用它们。 继承和多态：了解类之间的继承关系以及如何实现多态。 5. 异常处理 理解异常：了解什么是异常，以及它们在 Python 中是如何工作的。 异常处理：学习如何使用 try 和 except 语句来处理程序中可能发生的错误。 6. 文件操作 文件读写：学习如何打开文件、读取文件内容以及写入文件。 文件与路径操作：理解如何使用 Python 来处理文件路径，以及如何列举目录下的文件。

以下是关于 Cursor 教程的相关内容： 1. 中文教程网站： 网站：，提供中文教程，帮助用户更好地掌握 AI 代码编辑器 Cursor 的使用方法，适合想深入了解和学习 Cursor 的用户。 2. 配置教程： 从穷👻套餐 2.0 开始，对 Cursor 的配置主要集中在接入更多模型，如 Qwen2.5Coder、Llama3.3、deepseek v3、gemini2.0flash 等，大部分是为了省 API 费用，但未完全挖掘出 Cursor 的潜力。接入再多的模型也无法完全填平 Cursor 免费版和 Cursor Pro 的差距，如 Agent、Yolo、Composer、Tab 代码补全等功能被限制。此次收集到 3 个插件，2 大 API 和 N 个新的提示语用法，给 Cursor 装配上 Tab 代码补全、AI Agent、全系大模型接入、开发进度管理、状态回滚等功能。 3. 0 编程基础入门极简使用指南： 下载 Cursor：https://www.cursor.com/ 注册账号，可用邮箱如 google/github/163/qq 邮箱，直接接受二维码登录。 安装中文包插件。 在设置中 Rule for AI 配置，按 ctrl/cmd+i 输入需求，如“帮我做一个贪吃蛇游戏，在网页中玩”，并清晰表达需求，包括游戏界面、蛇的移动、食物、增长、死亡条件、得分、难度递增和游戏结束等规则。

以下是关于 Coze 教程的相关内容： 可能是全网最好的 Coze 教程之一，能一次性带您入门 Coze 工作流。即使是非技术出身的爱好者也能上手跟学，一站式学会 AI Agent 从设计到落地的全流程方法论。 阅读指南： 长文预警，请视情况收藏保存。 核心看点： 通过实际案例逐步演示，用 Coze 工作流构建能够稳定按照模板要求生成结构化内容的 AI Agent。 开源 AI Agent 的设计到落地的全过程思路。 10+项常用的 Coze 工作流的配置细节、常见问题与解决方法。 适合人群： 任何玩过 AI 对话产品的一般用户（如果没用过，可以先找个国内大模型耍耍）。 希望深入学习 AI 应用开发平台（如 Coze、Dify），对 AI Agent 工作流配置感兴趣的爱好者。 注：本文不单独讲解案例所涉及 Prompt 的撰写方法。文末「拓展阅读」中，附有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容，以供前置或拓展学习。 Coze 概述： 字节的官方解释：Coze 是新一代一站式 AI Bot 开发平台。无论是否有编程基础，都可在 Coze 平台上快速搭建基于 AI 模型的各类问答 Bot，从解决简单的问答到处理复杂逻辑的对话。并且，可以将搭建的 Bot 发布到各类社交平台和通讯软件上，与这些平台/软件上的用户互动。 个人认为：Coze 是字节针对 AI Agent 这一领域的初代产品，在 Coze 中将 AI Agent 称之为 Bot。 字节针对 Coze 这个产品部署了两个站点，分别是国内版和海外版。 国内版： 网址：https://www.coze.cn 官方文档教程：https://www.coze.cn/docs/guides/welcome 大模型：使用的是字节自研的云雀大模型，国内网络即可正常访问。 海外版： 网址：https://www.coze.com 官方文档教程：https://www.coze.com/docs/guides/welcome 大模型：GPT4、GPT3.5 等大模型（可以在这里白嫖 ChatGPT4，具体参考文档：），访问需要突破网络限制的工具。 参考文档：https://www.coze.com/docs/zh_cn/welcome.html AI Agent 的开发流程： Bot 的开发和调试页面布局主要分为如下几个区块： 提示词和人设的区块。 Bot 的技能组件。 插件。 工作流。 Bot 的记忆组件。 知识库。 变量。 数据库。 长记忆。 文件盒子。 一些先进的配置，如触发器（例如定时发送早报）、开场白（用户和 Bot 初次对话时，Bot 的招呼话语）、自动建议（每当和 Bot 一轮对话完成后，Bot 给出的问题建议）、声音（和 Bot 对话时，Bot 读对话内容的音色）。下面会逐一讲解每个组件的能力以及使用方式。

以下是关于 liblib 的教程： 线稿提取教程： 1. 出两张彩色的稍连贯的图片。 2. 提取第一张的线稿图： 用 liblib 提取，进入 https://www.liblib.art/ 。 点击【在线生图】。 滑到下面找出【ControlNet】并点击右侧。 点击上传图片。 勾选【启用】、【允许预览】、【Lineart】，预处理器选择【写实线稿提取】，并点击【运行&预览】。 把右侧的黑白图拉到左侧栏，预处理器改为【invert（白底黑线反色）】，并点击【运行&预览】，线稿提取大功告成！右键图片另存即可。 文生图简明操作流程： 1. 定主题：确定要生成的图片主题、风格和表达的信息。 2. 选择 Checkpoint：根据主题选择贴近的 checkpoint，如麦橘、墨幽的系列模型。 3. 选择 lora：寻找内容重叠的 lora 以控制图片效果及质量。 4. 设置 VAE：选择 840000 那一串。 5. CLIP 跳过层：设成 2。 6. Prompt 提示词：用英文写需求，单词、短语之间用英文半角逗号隔开。 7. 负向提示词 Negative Prompt：用英文写避免产生的内容，单词、短语组合，中间用英文半角逗号隔开。 8. 采样方法：一般选 DPM++2M Karras，也可参考 checkpoint 详情页上模型作者推荐的采样器。 9. 迭代步数：选 DPM++2M Karras 时，在 30 40 之间。 10. 尺寸：根据喜好和需求选择。 11. 生成批次：默认 1 批。 此外，还有 Liblibai 简易上手教程，包含概念与功能说明、简明操作流程、prompt 简易技巧三部分。可通过进入免费在线生图。若有不明白之处，可在评论区交流或添加微信：designurlife1st 沟通。

以下是从零到一学习 LLM 的教程： 1. 掌握深度学习和自然语言处理基础： 学习机器学习、深度学习、神经网络等基础理论。 掌握自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程：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： 了解 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。 运用 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：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。 相关资源：ONNX、TVM、BentoML 等开源工具。 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。 此外，为您推荐以下 LLM 开源中文大语言模型及数据集集合的学习资源： 1. 面向开发者的 LLM 入门课程： 地址： 简介：一个中文版的大模型入门教程，围绕吴恩达老师的大模型系列课程展开，主要包括：吴恩达《ChatGPT Prompt Engineering for Developers》课程中文版，吴恩达《Building Systems with the ChatGPT API》课程中文版，吴恩达《LangChain for LLM Application Development》课程中文版等。 2. 提示工程指南： 地址： 简介：该项目基于对大语言模型的浓厚兴趣，编写了这份全新的提示工程指南，介绍了大语言模型相关的论文研究、学习指南、模型、讲座、参考资料、大语言模型能力以及与其他与提示工程相关的工具。 3. LangChain🦜️🔗中文网，跟着 LangChain 一起学 LLM/GPT 开发： 地址： 简介：Langchain 的中文文档，由是两个在 LLM 创业者维护，希望帮助到从刚进入 AI 应用开发的朋友们。 4. LLMs 九层妖塔： 地址： 简介：ChatGLM、ChineseLLaMAAlpaca、MiniGPT4、FastChat、LLaMA、gpt4all 等实战与经验。 关于 LLM 的预测原理： LLM 接触了包括教科书、文章、网站等在内的庞大数据集。在训练阶段，它们学会了理解语言的上下文和流动性，掌握了包括语法、风格，甚至是文本的语调等方面。当您用一个句子或问题来指导 LLM 时，它便利用自己所学的知识，预测接下来最可能的一个或几个词。这不仅是基于它在训练期间观察到的模式和规则的推测。 在提示工程方面，鉴于 LLM 的概率本质，提示工程师面临的挑战是如何引导 LLM 向着高度可预测和准确的结果方向发展。在相关课程中，您将学习许多技巧，这些技巧将帮助您掌握高度可预测的 LLM 输出结果的艺术和科学。但在深入学习之前，可以先从一些简单的练习开始，激活思维。