专业知识库该如何构建

我的知识库来源较为广泛，包括以下方面： 符号人工智能的早期成就之一——专家系统，其基于从人类专家提取的知识库，并包含推理引擎进行推理。专家系统包含问题记忆、知识库、推理引擎等部分。 “通往 AGI 之路「WaytoAGI」，这是一个由开发者、学者和有志人士等参与的学习社区和开源的 AI 知识库。 扣子的知识库，功能强大，可上传和存储外部知识内容，并提供多种查找知识的方法，能解决大模型的某些问题，使其回复更准确。

知识库可以用比较通俗的方式来理解： 想象一个大语言模型就像一个非常聪明、读过无数书的人，但对于一些特定的工作场景中的细节，比如见到老板娘过来吃饭要打三折，张梦飞过去吃饭要打骨折，它可能并不清楚。这时候，知识库就像是给这个聪明的人发的一本工作手册。 从更专业的角度来说，知识库的运作原理通常包括以下几个步骤： 1. 文档加载：从各种不同的来源，比如 PDF、SQL 数据、代码等加载相关的文档。 2. 文本分割：把加载的文档分割成指定大小的块，称为“文档块”或“文档片”。 3. 存储：这包括两个环节，一是将分割好的文档块进行嵌入，转换成向量的形式；二是将这些向量数据存储到向量数据库中。 4. 检索：当需要使用数据时，通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给大语言模型，大语言模型会根据问题和检索出来的提示一起生成更合理的答案。 以车型数据为例，每个知识库的分段中保存了一种车型的基础数据。当用户问宝马 X3 的售价是多少时，就能匹配到对应车型的分段，然后从其中获取到售价信息。 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

要让 AI 就某一问题进行穷尽搜索，一般会涉及以下步骤： 1. 文档向量化：知识库中的文档需要被转换成向量形式，以便在数值级别上与问题向量进行比较。使用知识库工具上传文档时，会完成文档的向量化，这依靠 Embedding Model 实现。 2. 知识库检索： 相似性计算：使用相似性度量方法（如余弦相似性）计算问题向量和各个文档向量之间的相似度，以找出与问题内容最接近的文档。 排序与选择：根据相似性得分对所有文档进行排序，通常会选择得分最高的几个文档，认为这些文档与问题最相关。 信息抽取：从选定的高相关性文档中抽取具体的信息片段或答案，可能涉及进一步的文本处理技术，如命名实体识别、关键短语提取等。 3. 信息整合阶段：将检索到的全部信息连同用户问题和系统预设整合成一个全新的上下文环境，为生成回答提供基础。 此外，像生物进化中通过自然选择的方式，从特定规则开始逐步改变（可能随机），在每一步保留最有效的规则并丢弃其他，这种方法不是我们通常定义的“人工智能”（更像是“遗传算法”），但在高维规则空间中往往比低维规则空间效果更好，因为维度越多，陷入局部最小值的可能性越小。 同时，给 AI 配备随时更新的“活字典”即知识库是一个好方法。知识库就像 AI 随时可查阅的百科全书，当 AI 遇到不确定问题时，可从知识库中检索相关信息给出更准确回答。比如建立包含最新新闻、科技发展、法律法规等内容的知识库，或者利用整个互联网的实时数据作为知识库，通过搜索引擎获取最新信息。

部署个人知识库需要考虑硬件配置和相关技术原理。 硬件方面： 生成文字大模型，最低配置为 8G RAM + 4G VRAM，建议配置为 16G RAM + 8G VRAM，理想配置为 32G RAM + 24G VRAM（如果要跑 GPT3.5 差不多性能的大模型）。 生成图片大模型（比如跑 SD），最低配置为 16G RAM + 4G VRAM，建议配置为 32G RAM + 12G VRAM。 生成音频大模型，最低配置为 8G VRAM，建议配置为 24G VRAM。 技术原理方面： 利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 RAG 应用包括文档加载、文本分割、存储、检索和输出这 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 此外，搭建基于 GPT API 的定制化知识库，涉及给 GPT 输入（投喂）定制化的知识。GPT3.5 一次交互（输入和输出）只支持最高 4096 个 Token。为了处理大量领域知识，OpenAI 提供了 embedding API 解决方案。embeddings 是一个浮点数字的向量（列表），两个向量之间的距离衡量它们的关联性，小距离表示高关联度。

以下为您推荐一些可用于搭建个人知识库的免费人工智能软件： 1. AnythingLLM：包含所有 Open WebUI 的能力，额外支持选择文本嵌入模型和向量数据库。安装地址：https://useanything.com/download 。安装完成后需进行配置，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。在 AnythingLLM 中可创建独有的 Workspace 与其他项目数据隔离，包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式会综合给出答案，Query 模式仅依靠文档数据给出答案），配置完成后可进行测试对话。 2. Coze 或 FastGPT 等工具可搭建知识库，但当下其 RAG 能力仅对问答场景友好，复杂企业级知识库场景可能需要专业团队，收费几万到几十万不等。若想使用专门搭建个人知识库的软件，可参考文章 ，忽略本地部署大模型环节，直接看其中推荐的软件。 此外，还有一些相关工具和方法： 用通义听悟整理录音笔记：https://tingwu.aliyun.com 用 React 实现选中即解释 定义提示语提取有用信息：https://memo.ac/zh/ 开源免费屏幕录制工具 OBS，下载地址：https://obsproject.com/ Mac 用 Downie，Windows 推荐 IDM 淘宝数码荔枝店购买 用 losslessCut 快速切块：https://github.com/mifi/losslesscut 希望这些信息对您有所帮助。

飞书在搭建个人知识库方面的优点： 可以方便地分类和整理知识，例如个人搭建某一领域知识库或企业搭建产品资料知识库。 有相关的分享和直播，能帮助用户轻松打造知识管理体系。 缺点： 随着知识库中信息增多，如果分类不合理，很难找到所需文章。 问题答案可能在文章某一段落，每次都需重新阅读文章才能找到答案。 Notion 在搭建个人知识库方面的优点： 是功能强大的知识管理和项目管理工具，可将各种信息 all in one place。 数据库可定制性高，接近关系型数据库，适合有相关需求的用户。 数据库的每一条记录都是一个页面，页面包含可自定义的属性和丰富内容。 支持的块类型非常丰富。 缺点：暂未提及。 此外，Notion 在创建知识库并上传文本内容方面，有特定的操作步骤，如在文本格式页签下选择 Notion 并进行授权，还可选择自动分段与清洗或自定义分段等方式。

以下是关于 AI 小镇“离谱村”的相关资料： 离谱村之歌： 村民阿飞创作的村歌，歌词中描绘了离谱村村民不种田，只搞 AI 的狂欢。代码是他们的麦田，数据是他们的酒，机器学习、深度神经等技术他们玩得转，算法优化、模型训练如同游戏般简单。从早到晚只有键盘的敲击声，AI 的梦想正在成形。村里有智能机器人、自动车等未来元素，村民用 AI 种菜、放牛，智能管家解决烦恼。离谱村的夜因 AI 灯光而明亮，这里的故事将传遍每个角落，其 AI 成果让世界震撼。 离谱村的共创故事： 离谱村是由 WaytoAGI 孵化的 900 人共创项目，目前是用飞书做整体协同。一部完全由 AI 制作完成的短片《离谱村的故事》获得了 MIT 电影黑客松的 Best Video 第一名。其中的配音是用 Audiobox 捏出来的，为保证离谱熊声线的一致性，还用了 GPTsovits 对其声音做了专属训练。有专门的离谱村百科和村民目录用于素材管理，接下来会引入离谱家人的共创内容。 离谱村介绍： WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，涵盖 AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，包含赛事和活动促进大家动手实践，有 1000 万的访问量。离谱村是 WaytoAGI 孵化的千人共创项目，参与者不分年龄层，通过 AI 工具创作出各种作品。离谱村是一个没有被定义的地方，每个人心中都有自己想象中的样子，它不仅是物理空间，更是灵魂的避风港，激励着人们发挥想象力创造独特生活方式。

构建自己的 AI 助理可以参考以下步骤： 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，若知识库信息不足则调用 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”。 能发布在您的微信公众号上，作为“微信客服助手”。 2. 准备相关内容： 根据 AI 助理的目的和核心能力，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 等格式。 创建自己的【知识库】，用于回答 AI 相关知识。 创建【工作流】，控制 AI 按照要求处理信息。 准备好自己的微信公众号，以便发布机器人。 3. 设计详细步骤： 先展示 AI 助理的【最终效果】界面。 构建 AI Agent 还可以类比为培养一位职场新人，包括规划阶段明确目标，将具体任务拆解为可管理的子任务并设计执行方法；实施阶段搭建工作流程，为子任务设置操作指南并验证输出质量；优化阶段通过反复测试和调整，优化性能，直到稳定输出高质量结果。您可以设定一个任务目标，动手构建专属的 AI 助理。

以下是建立自己的知识库的步骤和相关格式： 1. 选择工具：以 Coze 为例，来到个人空间，找到知识库导航栏，点击创建知识库。 需注意知识库是共享资源，多个 Bot 可以引用同一个知识库。 2. 选择格式并填写信息： 目前（2024.06.08）Coze 支持三种格式，分别是文档、表格（CSV、Excel 等）、图片（上传图片并填写图片文字说明）。 格式并非关键，重要的是理解影响 RAG 输出质量的因素。 例如可以选择本地文档（问答对可选择表格）。 参考。 选择自定义的文档切割，数据处理完成后，一个问答对会被切割成一个文档片。 3. 使用知识库：关于使用知识库，可以查看教程。

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。

以下是用 AI 工具构建某一课程知识图谱的方法： 一键知识图谱方法： 用 kimichat 让 AI 拆解这本书的三级章节并按照 Markdown 产出内容： Prompt：帮我拆解《爱的五种语言》，生成全书内容的思维导图，要求每个章节后面有三级展开，下一级是主要知识点，下下一级是知识点的论述。先输出对应的 Markdown。 访问地址： 复制 AI 内容粘贴到在线思维导图 Markmap 中，一键生成思维导图，还可以自定义微调内容，并免费导出图片： 访问地址： 推导知识图谱方法（可以参考下面 prompt 自己构建）： 问题生成：使用大模型帮助生成一系列相关的、深入的问题。 探索性学习：将每个问题作为一个学习起点，利用 AI 搜索引擎和大模型进行深入探索。 知识图谱构建：随着学习的深入，使用大模型帮助构建和扩展知识图谱。 创造性应用：基于新获得的知识，尝试解决原问题或创造新的作品。 反思与迭代：定期反思学习过程，调整方向，并生成新的问题，形成持续学习和创作的循环。 此外，利用 AI 写课题的步骤和建议如下： 1. 确定课题主题：明确研究兴趣和目标，选择具有研究价值和创新性的主题。 2. 收集背景资料：使用 AI 工具如学术搜索引擎和文献管理软件搜集相关研究文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具分析收集到的资料，提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成课题大纲，包括引言、文献综述、方法论、结果和讨论等部分。 5. 撰写文献综述：利用 AI 工具帮助撰写文献综述部分，确保内容准确完整。 6. 构建方法论：根据研究需求，利用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若课题涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：利用 AI 写作工具撰写课题各部分，并进行语法和风格检查。 9. 生成参考文献：使用 AI 文献管理工具生成正确的参考文献格式。 10. 审阅和修改：利用 AI 审阅工具检查课题逻辑性和一致性，并根据反馈修改。 11. 提交前的检查：最后，使用 AI 抄袭检测工具确保课题原创性，并进行最后的格式调整。 需要注意的是，AI 工具可作为辅助，但不能完全替代研究者的专业判断和创造性思维。在使用 AI 进行课题写作时，应保持批判性思维，并确保研究的质量和学术诚信。

以下是为您补充完整的内容： 对于如何通过构建合理的先验知识或模型假设，刻画出数据中的可变性，以及如何利用从少量样本中提取到的变化信息来预测未见数据的表现，我们可以参考以下方法： 在准备 LLM 数据方面，对于制作 LLM 微调数据集，首先获取文本格式非结构式和网络式结构式的数据。对于 QA 数据集，主要依靠已有的大语言模型生成，根据不同文本设定不同的提示词以获取尽可能多且信息量丰富的 QA。先对文件中的文本进行切割，将每一大部分放进一个约 200 字的 txt 文件里，然后设定提示词模板。例如对于公司产品手册，模板可以是：“你是一个聪明的 xxx 公司的 xxx 产品的产品经理。给你一段 xxxxx 有限公司 xx 产品相关的文本，你必须依据文本想出十个不同的问题和这十个问题对应的答案。你想出的问题可以被用来测试公司内部 xxx 职员的专业能力。你想出的问题可以是使用公司产品的用户会想到的问题。你想出的问题和答案必须和所给文本相关。你回答得答案必须可以让使用产品的用户理解。当你想出问题和答案后，你必须用以下格式回复：```

使用 AI 制作专业视频的流程如下： 1. 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 2. 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 3. 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 5. 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 6. 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 7. 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 8. 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 9. 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 需要注意的是，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。 现阶段 AI 视频生成的应用场景包括： 1. 专业创作者（艺术家、影视人等）：AI 生成能够为作品赋予独特风格和想象力，为创作者提供灵感，配合高超的剪辑技巧和叙事能力，便可以制作出超乎想象的效果。低成本动捕更是能够大幅降低后期制作的门槛和成本，自动识别背景生成绿幕、视频主体跟随运动等能够辅助视频编辑，为后期制作增加更多空间。目前该应用主要集中在音乐 MV、短篇电影、动漫等方向。一些 AI 视频平台也积极寻求创意合作，为创作者提供免费支持。 2. 自媒体、非专业创作者：这部分人群通常有着非常具体且明确的视频剪辑痛点。比如科技、财经、资讯类重脚本内容的视频在制作时需花费大量时间寻找视频素材、还需注意视频版权问题。一些产品（Invideo AI、Pictory）已经在发力脚本生成分镜、视频，帮助创作者降低视频素材制作门槛。Gamma AI 已经实现了文章高效转 PPT 的能力，若能结合 Synthesia、HeyGen AI、DID 等产品的 Avatar、语音生成能力也可快速转化为视频内容。不同平台适合不同内容形式，创作者想要将同一个素材在不同平台分发就意味着制作成本的升高。而 OpusClip 提供的长视频转短视频致力于解决这一痛点。 3. 企业客户：对于没有足够视频制作资金的小企业、非盈利机构来说，AI 视频生成可以为其大幅缩减成本。 制作视频的相关工具推荐： 最佳动画工具：用于在视频中为人脸制作动画的 DiD（https://www.did.com/）。用于从文本创建视频的 Runway v2（https://app.runwayml.com/） 最佳语音克隆：ElevenLabs（https://beta.elevenlabs.io/speechsynthesis） 同时需要注意，深度伪造是一个巨大的问题，这些系统需要合乎道德地使用。

以下为您介绍一些可用于 UI 设计图的 AI 软件及相关操作： Midjourney： 1. 直播礼物风格图标： 关键词：喂图 + （Gift icon）,cartoon style,solid color background luminous effect,3d –iw 1 –v 5 –q 2 卡通风格，纯色背景发光效果，3d 需在素材网站上找喜欢的 icons 风格喂图给机器人，不知如何喂图可参考《奶奶看了都会的 Midjourney 入门教程》 （Gift icon）可替换为其他关键词，如（beer icon）啤酒图标、（Headphone icon）耳机图标等 2. 主题应用 icons： 关键词：icon design,light texture,glow,Dribbble,3D,frostedglass effect,3d,ui,ux,–upbeta –q 2 –v 4 3. B 端图标： 关键词：喂图 + A data icon,blue gradient frosted glass,frostedglass building,white transparent technology sensewhite city building scene,data line link,chip,OCrenderer,big data,industrial machinery,high detailight gray background with simple linear details,studio lighting,3d,c4d,pure white background,8k 多尝试喂不同构图的图片，喂图玩法中参考图影响最大，建议多跑跑图 4. 音乐软件 UI 设计： 关键词：music app ui design,ux design,white,light,bright,data,modern,smooth,behance,dribbble,–upbeta –q 2 –v 4 此外，还有一些可辅助或自动生成 CAD 图的 AI 工具： 1. CADtools 12：Adobe Illustrator（AI）插件，为 AI 添加 92 个绘图和编辑工具，包括图形绘制、编辑、标注、尺寸标注、转换、创建和实用工具。 2. Autodesk Fusion 360：Autodesk 开发的集成了 AI 功能的云端 3D CAD/CAM 软件，能创建复杂几何形状和优化设计。 3. nTopology：基于 AI 的设计软件，可创建复杂 CAD 模型，包括拓扑优化、几何复杂度和轻量化设计等。 4. ParaMatters CogniCAD：基于 AI 的 CAD 软件，能根据用户输入的设计目标和约束条件自动生成 3D 模型，适用于拓扑优化、结构设计和材料分布等领域。 5. 主流 CAD 软件（如 Autodesk 系列、SolidWorks 等）中的生成设计工具：可根据用户输入的设计目标和约束条件自动产生多种设计方案。 使用这些工具通常需要一定的 CAD 知识和技能，对于初学者，建议先学习基本的 3D 建模技巧，再尝试使用这些 AI 工具提高设计效率。

以下是关于建立 AI 客服的相关信息： 传统智能客服企业在 LLM 时代面临困境，如明星智能客服企业欠薪、部分企业解散团队或转向出海客服方向。这既有必然性也有偶然性，与智能客服行业的属性有关。 从产品角度看，智能客服分为智能部分和客服部分。智能部分基于 NLP 技术进行基于业务逻辑的 AI 对话管理，客服部分包括传统客服坐席、内部数据查询台等。 企业对客服效果非常看重，而做好客服服务需要企业产品的详细数据与用户数据，但智能客服企业在赋能时难以获取关键信息，很多采取本地部署，费力且难有积累。 您可以通过以下方式建立 AI 客服： 参考“DIN：全程白嫖拥有一个 AI 大模型的微信助手”，一个能解答任何问题的 AI 机器人，可接入微信或群聊，为用户提供自动答疑服务，还能投喂特定知识，成为客服、专业老师或知识备忘录，无需技术知识，小白也能轻松搭建，全程只需复制粘贴，可自定义知识库，满足不同需求，支持多场景应用，如客服、教育、个人知识管理等。 了解“零基础模板化搭建 AI 微信聊天机器人”，微信有多种功能，如个人微信/微信群、微信公众号、微信服务号、微信客服等，Coze AI 平台支持与微信公众号、服务号、客服的对接，最近 Coze 的国内版正式发布 API 接口功能，可对接个人微信甚至微信群。相关部署方法对国外版或国内版 Coze 均适用，但对接国外版需服务支持黑魔法。

以下是一些关于让 ChatGPT 成为专业编程指导者的提示词相关内容： 1. 协助用户完成提示词优化：您是一名优秀的 Prompt 工程师，熟悉的转化步骤包括思考 ChatGPT 最适合扮演的角色、问题的上下文说明以及任务陈述等。 2. 逆向提示词工程概念：可以给 ChatGPT 提供简洁的提示词，让它更准确地理解“逆向提示词工程”的意思，并通过思考过程帮它构建专业知识领域。 3. 一线医生使用 ChatGPT 的案例：如 ChatGPT 用长篇富有同情心的回答向摩尔医生提供对朋友解释缺乏有效治疗选择的措辞，还提供了传递坏消息的方式，并在最后用奇怪而亲密的口吻给予总结和鼓励。

在训练一个能在自己专业领域进行分析和决策的机器人时，首先您将学习一些软件开发最佳实践的提示。接下来会涵盖一些常见的用例，包括总结、推理、转换和扩展。然后您将使用 LLM 构建一个聊天机器人。在大型语言模型或 LLM 的开发中，大体上有两种类型的 LLM，分别称为基础 LLM 和指令调整后的 LLM。基础 LLM 已经训练出来根据文本训练数据预测下一个单词，通常是在互联网和其他来源的大量数据上进行训练，以找出接下来最有可能的单词。例如，若提示“一次有一个独角兽”，它可能会继续完整这个句子，预测出接下来的几个单词是“和所有的独角兽朋友生活在一个神奇的森林里”。但如果提示“法国的首都是什么”，那么 LLM 可能会给出正确的回答“巴黎”，或者也可能会给出错误的回答。训练后的 LLM 可以接收新的提示作为输入，并输出预测结果。

目前有一些可用于识别专业图片的大模型工具。例如，chatGPT 4.0、kimichat、智谱清言等。国产大模型中，像智谱和文心等也具备一定的相关能力。在使用图片相关工具时，比如清影，有一些技巧，如选用尽可能清晰的图片，上传图片比例最好为 3:2（横版），若原图不够清晰可采用分辨率提升工具将其变清晰，提示词要简单清晰等。