如果要创建一个和你一样的ai，你可以把技术栈给我罗列出来吗，从数据库到后端到前端分别用到了哪些技术

以下是新手学习 AI 的方法和建议： 1. 了解 AI 基本概念： 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，找到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，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库中有很多实践后的作品、文章分享。 5. 体验 AI 产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 从 Python、JavaScript 等编程语言开始，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

对于小白学习 AI，以下是一些建议： 1. 了解 AI 基本概念： 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，找到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，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并分享自己实践后的成果。 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，了解其工作原理和交互方式。 6. 持续学习和跟进： 关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 以下是一些通俗易懂的技术原理与框架内容： 1. 视频一主要回答了什么是 AI 大模型及原理。 生成式 AI 生成的内容叫 AIGC。 相关技术名词： AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习，监督学习是基于有标签的训练数据学习输入和输出之间的映射关系，包括分类和回归；无监督学习是基于无标签数据自主发现规律，经典任务如聚类；强化学习是从反馈里学习，最大化奖励或最小化损失，类似训小狗。 深度学习是一种参照人脑有神经网络和神经元的方法，神经网络可用于多种学习方式。 生成式 AI 可生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型，生成图像的扩散模型不是大语言模型，对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解。 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出 Transformer 模型，它完全基于自注意力机制处理序列数据，比 RNN 更适合处理文本的长距离依赖性。

目前，带有文件夹功能的 AI 仅在 Cursor Chat 中受支持。您还可以将 Cursor 中的整个文件夹作为上下文引用，@Folders 对于希望为 AI 提供大量上下文的长上下文聊天特别有用，相关链接为：https://docs.cursor.com/chat/overviewlongcontextchat 。 此外，能联网检索的 AI 也是存在的。例如，ChatGPT Plus 用户现在可以开启 web browsing 功能实现联网；Perplexity 结合了 ChatGPT 式的问答和普通搜索引擎的功能，允许用户指定希望聊天机器人在制定响应时搜索的源类型；Bing Copilot 作为 AI 助手，旨在简化在线查询和浏览活动；还有如 You.com 和 Neeva AI 等搜索引擎，它们提供了基于人工智能的定制搜索体验，并保持用户数据的私密性。 在 Excel 方面，有以下几种增强数据处理和分析能力的 AI 工具和插件： 1. Excel Labs：是 Excel 插件，新增生成式 AI 功能，基于 OpenAI 技术，可在 Excel 中利用 AI 进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出，整合了 Word、Excel、PowerPoint、Outlook、Teams 等办公软件，通过聊天形式，用户告知需求，Copilot 自动完成任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还可根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 以上内容由 AI 大模型生成，请仔细甄别。

以下是新手学习 AI 的方法和建议： 1. 了解 AI 基本概念： 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，找到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，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 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。 6. 对于中学生学习 AI 的建议： 从编程语言入手学习，如 Python、JavaScript 等，学习编程语法、数据结构、算法等基础知识。 尝试使用 AI 工具和平台，如 ChatGPT、Midjourney 等，探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 学习 AI 基础知识，包括基本概念、发展历程、主要技术如机器学习、深度学习等，以及在教育、医疗、金融等领域的应用案例。 参与 AI 相关的实践项目，如参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动，尝试利用 AI 技术解决生活中的实际问题。 关注 AI 发展的前沿动态，关注权威媒体和学者，思考 AI 技术对未来社会的影响。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是为您提供的 AI 应用解决方案： AI 应用主要涉及以下几个方面： 1. 辅助创作与学习： AI 智能写作助手，如 Grammarly、秘塔写作猫，利用自然语言处理技术辅助用户进行高质量写作，可检查语法、拼写错误并提供改进建议，进行智能润色和内容创作辅助。 语言学习助手、诗歌创作助手、书法字体生成器、漫画生成器等为用户的学习和创作提供支持。 2. 推荐与规划： AI 图像识别商品推荐，如淘宝拍照搜商品，通过图像识别和机器学习为用户推荐相似商品。 美食推荐平台，如大众点评智能推荐，基于用户口味偏好推荐美食。 旅游行程规划器、时尚穿搭建议平台、智能投资顾问等，根据用户的需求和偏好为其推荐合适的产品、服务或制定个性化的计划。 3. 监控与预警： AI 宠物健康监测设备、家居安全监控系统、天气预报预警系统、医疗诊断辅助系统等，实时监测各种情况并提供预警。 4. 优化与管理： 办公自动化工具、物流路径优化工具、家居清洁机器人调度系统、金融风险评估工具等，利用数据分析和机器学习提高工作效率和管理水平。 5. 销售与交易： AI 艺术作品生成器、书法作品销售平台、摄影作品销售平台、汽车销售平台、房地产交易平台等，为各类产品和服务提供销售渠道。 此外，还有以下具体的 AI 应用： 1 20 中的部分应用： 小爱同学、Siri 等 AI 语音助手定制开发，通过语音识别和自然语言理解技术，为不同需求定制专属语音助手，可控制智能家居、回答问题等。 Keep 智能训练计划，利用数据分析和机器学习技术，根据用户数据制定个性化健身方案。 81 100 中的部分应用： AI 菜谱口味调整工具，如下厨房口味调整功能，通过自然语言处理和数据分析，根据用户反馈调整菜谱口味。 AI 语言学习纠错平台，如英语流利说纠错功能，利用自然语言处理和机器学习技术，帮助语言学习者纠正错误。 总之，这些 AI 应用为创业者提供了丰富的选择和广阔的发展前景，创业者可以根据自己的兴趣、技能和市场需求，选择适合自己的项目进行创业。

以下是通过 AI 赚钱的一些建议： 1. 学习 AI 技术，从事相关高薪工作，如成为数据科学家、机器学习工程师等，在金融、医疗、制造业等行业应用 AI 技能，增加就业机会和职业发展可能性。 2. 利用 AI 工具进行创作，例如使用以下工具： AI 研究工具：Claude、ChatGPT、Bing Chat、Perplexity 等。 图片处理：DallE、Leonardo、BlueWillow、Midjourney 等。 版权写作：Rytr、Copy AI、Wordtune、Writesonic 等。 设计：Canva、Clipdrop、Designify、Microsoft Designer 等。 网站搭建：10Web、Framer、Hostinger、Landingsite 等。 视频处理：Klap、Opus、Invideo、Heygen 等。 音频处理：Murf、LovoAI、Resemble、Eleven Labs 等。 SEO 优化：Alli AI、BlogSEO、Seona AI、Clearscope 等。 Logo 设计：Looka、LogoAI、Brandmark、Logomaster 等。 聊天机器人：Droxy、Chatbase、Voiceflow、Chatsimple 等。 自动化工具：Make、Zapier、Bardeen、Postman 等。 3. 进行 Agent 应用开发，熟悉业务，结合 AI 能力打磨产品，形成自己的护城河。 4. 通过 Key 商、写书、卖课、接项目、做镜像站等方式赚钱。 需要注意的是，是否能通过 AI 赚钱取决于很多因素，比如个人的学习能力、实际应用能力、对市场和商业的理解等等。仅仅学会一些基础知识可能还不足以在竞争激烈的市场中脱颖而出，需要持续学习和实践。

智能图书馆的技术价值主要体现在以下方面： RAG（检索增强生成）技术： 工作原理： 检索（Retrieval）：如同图书馆员根据描述从庞大知识库中找出相关书籍和文章，系统从知识库或文档集合中找到与用户问题相关的内容。 增强（Augmented）：类似图书馆员挑选出最相关段落和信息并汇总，大模型对检索到的信息进行筛选和优化，确保选中最相关和有用的信息。 生成（Generation）：如同图书馆员把汇总信息组织成连贯、易懂的回答，大模型将整合的信息生成自然流畅的回答。 综合解释：RAG 就像超级智能的图书馆员，先检索相关信息，再筛选优化，最后生成连贯回答。 优点： 成本效益：实现成本低于训练和维护大型专有模型。 灵活性：可利用多种数据源，包括结构化和非结构化数据，迅速适应不同领域和变化的数据。 可扩展性：随时增加或更新知识库内容，无需重新训练模型。 缺点：回答准确性不如专有模型的方案。 其他相关技术： DALLE 3：与 ChatGPT 结合，用户输入会话命令可获得匹配图像，改善了之前图像生成器的操作方式。 开放式有声读物集合：微软和麻省理工学院联手，使用文本转语音技术将 5000 本书转换为免费有声读物并在 Spotify 上提供。 AudioShake 的 AI 程序：可隔离预先录制音频的元素，分解成组成部分，解决老音乐音轨分离问题。 Ai Pin：磁性连接衣服成为 AI 助手，使用专有软件和 OpenAI 的 GPT，仅用声音就能完成多种操作。

AI 技术包括以下方面： 技术发展历程： 早期阶段（1950s 1960s）：专家系统、博弈论、机器学习初步理论。 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理。 统计学习时期（1990s 2000s）：机器学习算法（决策树、支持向量机、贝叶斯方法等）。 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。 当前前沿技术点： 大模型（Large Language Models）：GPT、PaLM 等。 多模态 AI：视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 自监督学习：自监督预训练、对比学习、掩码语言模型等。 小样本学习：元学习、一次学习、提示学习等。 可解释 AI：模型可解释性、因果推理、符号推理等。 机器人学：强化学习、运动规划、人机交互等。 量子 AI：量子机器学习、量子神经网络等。 AI 芯片和硬件加速。 如果您想在 AI 领域深入学习，学习路径如下： 偏向技术研究方向： 数学基础：线性代数、概率论、优化理论等。 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 偏向应用方向： 编程基础：Python、C++等。 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 此外，在健身领域，以下是一些 AI 产品： Keep：中国最大的健身平台，为用户提供全面的健身解决方案，以帮助用户实现其健身目标。https://keep.com/ Fiture：沸彻魔镜由核心 AI 技术打造，集硬件、丰富课程内容、明星教练和社区于一体。https://www.fiture.com/ Fitness AI：利用人工智能进行锻炼，增强力量和速度。https://www.fitnessai.com/ Planfit：健身房家庭训练与 AI 健身计划，AI 教练是专门针对健身的生成式人工智能，使用 800 多万条文本数据和 ChatGPT 实时提供指导。https://planfit.ai/

以下是为您整理的关于 AI 领域最前沿技术核心论文的相关内容： 1. 《Attention is All You Need》：这篇由 Google Brain 团队撰写的论文介绍了 Transformer 架构，彻底改变了 AI 领域的格局。它能够处理未标记的、混乱的数据，并且比以前的方法更加高效。 2. 杰弗里·辛顿（Geoffrey E. Hinton）的相关论文： 描述极化子的“The Contribution of Excitons to the Complex Dielectric Constant of Crystals”（1958 年）。 描述长程电子转移量子力学的“Electron transfer between biological molecules by thermally activated tunneling”（1974 年）。 “Kinetic Proofreading：1974 年）。 “神经网络和具有突发性集体计算能力的物理系统”（1982 年）（被称为 Hopfield 网络）。 与 D.W.Tank 合著的“优化问题中决策的神经计算”（1985 年）。 在这篇文章中，作者分享了一份用于更深入了解现代 AI 的精选资源列表，称其为“AI 典藏”。这些论文、博客文章、课程和指南在过去几年中对该领域产生了巨大影响。同时，还介绍了 AI 技术的发展历程，如 2015 年 AI 系统的局限性，以及 Transformer 架构出现后为 OpenAI 发展带来的影响。

以下是关于 AI 技术学习的相关内容： 一、AI 的技术历史和发展方向以及目前最前沿的技术点 如果您偏向技术研究方向，需要学习以下内容： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，需要掌握以下知识： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 二、新手学习 AI 的方法 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。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。 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。 三、中学生学习 AI 的建议 1. 从编程语言入手学习 可以从 Python、JavaScript 等编程语言开始学习，这些是 AI 和机器学习的基础。 学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目 可以参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，中学生可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能，为未来的 AI 发展做好准备。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

目前中国市场上成熟的 AI 产品、技术、服务和培训内容丰富多样。要设计针对中小企业的 AI 落地赋能服务中心，以下是一些建议： 产品方面： 引入适合中小企业业务流程的自动化软件，如智能客服系统、智能办公软件等。 提供基于 AI 的数据分析工具，帮助企业进行市场预测和客户洞察。 技术方面： 配备专业的技术团队，能够为企业提供 AI 技术的集成和定制化开发服务。 关注前沿的 AI 技术，如机器学习、深度学习、自然语言处理等，并将其转化为可应用的解决方案。 服务方面： 提供一站式的服务，包括需求评估、方案设计、实施部署和后续维护。 建立快速响应机制，及时解决企业在使用 AI 过程中遇到的问题。 培训方面： 设计针对不同层次员工的培训课程，涵盖基础知识普及、操作技能提升和高级应用开发等。 采用线上线下相结合的培训方式，满足企业员工的多样化学习需求。 同时，服务中心还需要建立良好的沟通渠道，与中小企业保持密切联系，了解他们的实际需求和反馈，不断优化和完善服务内容和方式。

以下是为您提供的关于技术服务大模型研究报告的相关内容： 1. 《质朴发言：视觉语言理解模型的当前技术边界与未来应用想象｜Z 研究第 2 期》 原文链接：https://mp.weixin.qq.com/s/dYLqW8dNOcQw59UtQwXNgA 来源：质朴发言 发文时间：2024.01.22 内容：近期生成式 AI 领域的浪潮催化了多模态模型的探索，研究人员不断尝试使用更多模态数据的编码，以训练出能够理解和处理多种类型数据的模型。本份研究报告集中讨论了基于 Transformer 架构的视觉语言模型，优化了从视觉输入到语言输出的转换过程。报告范围专注于视觉和语言之间的交互，不考虑单纯的视觉到视觉的计算机视觉任务。报告包括视觉分析技术、图像语言模型、视频语言模型、LLM 多模态 Agent、应用场景、未来发展方向、References 和附录等内容。应用场景包括多模态内容理解与处理、智能交互与自动化、具身智能、未来发展趋势（2024?）、视频生成模型 mapping 等。未来发展方向包括技术路径利用预训练 LLM 进行指令调整，应用场景赋予机器理解多模态的能力。 2. 《小 A技术开发/大模型 知识库文章索引》 作者： 文章： 《Perplexity 指标究竟是什么?》：作者从自己实际入坑的经验出发，尝试总结梳理出新手友好的 transformer 入坑指南。计划从算法 1：NLP 中的 transformer 网络结构、算法 2：CV 中的 transformer 网络结构、算法 3：多模态下的 transformer 网络结构、训练：transformer 的分布式训练、部署：transformer 的 tvm 量化与推理五个方面对 transformer 进行介绍。 《初探 LLM 基座模型》：主要介绍 LLM 基座模型里常见的 3 种 transformer 架构，encoderonly，encoderdecoder 和 decoderonly。 《ChatBot 是怎么炼成的?》：介绍了 LLM 基座大模型下游应用 ChatBot 的研发过程，在介绍 ChatBot 之前，先介绍了 LLM 在辅助编程方面的应用，包括 Codex 和 AlphaCode 两个奠基性工作。 3. 2024 年 9 月 26 日的相关报告 中国信通院和阿里云计算：《》，探讨了大模型技术的发展、面临的安全挑战以及在安全领域的应用潜力。 其它报告： 科大讯飞：《》 智能小巨人科技：《》 电子发烧友：《》 您可以根据具体需求，进一步查阅相关报告获取更详细的信息。

以下是一些内置大模型的手机产品： 华为、荣耀、小米、OPPO、VIVO、三星等品牌都已宣布会在手机端侧搭载大模型。 三星 S24 搭载了 Google Gemini Nano。 Vivo 推出了五个大型自研模型，宣称在中文能力方面达到行业第一。 目前这些手机搭载大模型还存在一些问题，如只能用最新的骁龙 8Gen3 旗舰处理器，且耗能散热都是问题。短期内的端上智能仍有诸多限制。

以下为您精选的国内文本处理类 AI 工具或网站： 1. 秘塔写作猫 简介：利用 AI 技术辅助用户进行高质量写作。 主要功能：检查语法、拼写错误；提供写作改进建议；进行智能润色和内容创作辅助。 优点：功能较为全面，能有效提升写作质量。 缺点：可能存在对某些特定领域的适应性不足。 2. Lettria 简介：处理个人文本材料。 主要功能：对个人文本进行分析和处理。 优点：专注于个人文本处理，针对性较强。 缺点：功能相对较单一。

以下为您精选的 23 个国内的、免费的文本处理类 AI 工具或网站： 1. 🍓 JamGPT：AI Debug 小助手。网址：https://jam.dev/jamgpt 2. ✅ Lettria：个人文本材料处理。网址：https://www.lettria.com/ 3. 🔗 Bloks：个人笔记、任务列表和会议记录自动处理。网址：https://www.bloks.app/

国内外的智能体平台有： 国内：Dify.AI、字节扣子、腾讯元器。 需要注意的是，个人比较常用的国内智能体平台是字节扣子，相关文章主要对比了字节扣子和腾讯元器。智能体相当于个人的数字员工，可以不断提效，帮助实现制定的目标，这和现实中老板给员工下达任务有相似之处。

以下是关于如何部署本地智能数据库的详细步骤： 1. 引言： 作者是致力于使用 AI 工具将自己打造为超级个体的程序员，目前沉浸于 AI Agent 研究。 本文将分享如何部署本地大模型以及搭建个人知识库，让您了解相关流程和技术。 2. 本地知识库进阶： 若要更灵活掌控知识库，可使用额外软件 AnythingLLM，它包含所有 Open WebUI 的能力，并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 。 安装完成后进入配置页面，主要分为三步： 第一步：选择大模型。 第二步：选择文本嵌入模型。 第三步：选择向量数据库。 AnythingLLM 中有 Workspace 的概念，可创建独有 Workspace 与其他项目数据隔离。 构建本地知识库的步骤： 首先创建一个工作空间。 上传文档并在工作空间中进行文本嵌入。 选择对话模式，包括 Chat 模式（大模型根据训练数据和上传文档综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案）。 完成配置后即可进行测试对话。 3. 写在最后： 作者推崇“看十遍不如实操一遍，实操十遍不如分享一遍”。 若对 AI Agent 技术感兴趣，可联系作者或加入其免费知识星球（备注 AGI 知识库）。

关于您上传数据到 Coze 数据库的数据安全保障问题，以下是相关信息： 合规说明方面： 不存在产出违法违规内容，包括色情暴力、政治敏感和违法犯罪等。 不存在爬取行为，遵循 robot.txt 爬虫协议，未使用匿名代理。 不存在版权争议问题，未爬取强版权资源、付费内容等。 不存在跨境数据传输，未使用海外 API 和海外模型。 有安全合规声明，作者声明作品没有侵权，作品安全可用且公开可接受。 Coze 数据库的功能特点： 知识库功能不仅支持上传和存储外部知识内容，还提供多样化的检索能力，能解决大模型可能出现的幻觉问题和专业领域知识的不足，显著提升回复准确性。支持从多种数据源上传文本和表格数据，自动将知识内容切分成多个片段进行存储，并允许用户自定义内容分片规则，提供多种检索方式，适应各种使用场景。 数据库具备记忆能力，可以存储和检索用户的交互历史，以提供更加个性化的服务。支持实时更新，确保信息最新。能存储用户的交互历史，包括提问、回答和反馈，用于理解用户需求和优化对话流程，可进行个性化服务和错误纠正与学习。 综上所述，从目前的信息来看，您上传给 Coze 数据库的数据在一定程度上是有安全保障的。但具体情况还需参考 Coze 数据库的最新政策和规定。

大模型接入企业数据库的相关内容如下： 原理介绍： 从文档处理角度来看，实现流程包括配置要求。 配置要求： ChatGLM6B 模型硬件需求： 模型文件下载至本地需要 15GB 存储空间。 量化等级不同，最低 GPU 显存（推理）和最低 GPU 显存（高效参数微调）要求不同： FP16（无量化）：分别为 13GB 和 14GB。 INT8：分别为 8GB 和 9GB。 INT4：分别为 6GB 和 7GB。 MOSS 模型硬件需求： 模型文件下载至本地需要 70GB 存储空间。 量化等级不同，最低 GPU 显存（推理）和最低 GPU 显存（高效参数微调）要求不同： FP16（无量化）：分别为 68GB 和 。 INT8：分别为 20GB 和 。 Embedding 模型硬件需求：默认选用的 Embedding 模型约占用显存 3GB，也可修改为在 CPU 中运行。 项目启动： Web 启动：运行 web.py，若显存不足则调整 configs/model_config.py 文件中 LLM_MODEL 参数更换模型，若连接无法连接修改 web.py 文件末尾 lauch 中 0.0.0.0 为 127.0.0.1，点击 URL 进入 UI 界面。 API 模式启动。 命令行模式启动。 上传知识库： 左侧知识库问答中选择新建知识库，可传输 txt、pdf 等。可以调整 prompt，匹配不同的知识库，让 LLM 扮演不同的角色。例如上传公司财报，充当财务分析师；上传客服聊天记录，充当智能客服；上传经典 Case，充当律师助手；上传医院百科全书，充当在线问诊医生等等，MOSS 同理。 使用数据表： 通过在工作流中添加数据库节点对数据表进行操作。在工作流中可通过 NL2SQL 方式和代码方式进行调用，支持完整读写模式。参考以下操作，在工作流中添加并配置工作流节点。在工作流中配置数据库节点前，确保已经搭建了一个 Bot，并在这个 Bot 中创建好了数据表。 1. 单击页面顶部的工作流页签，然后单击创建工作流。 2. 输入工作流名称和工作流的使用描述，然后单击确认。工作流名称和描述可以帮助大语言模型理解什么场景下需要调用该工作流。 1. 在基础节点页签下，将数据库节点拖入到工作流配置画布区域。 2. 根据以下信息配置数据库节点。 输入：添加 SQL 执行中需要的参数，可以是一个变量，也可以是一个固定值。 SQL:输入要执行的 SQL 语句，可以直接使用输入参数中的变量。可单击自动生成使用大模型生成 SQL。在弹出的页面中，选择这个数据库工作流生效的 Bot 和数据表，然后使用自然语言描述要执行的操作，单击自动生成生成 SQL 语句，最后单击使用。 注意：不支持 Select语法，不支持多表 Join 操作，最多返回 100 行数据。

向量数据库是大语言模型从工具走向生产力实践中热门的 RAG 方式所必备的基础设施。 RAG 能够从海量文本数据中检索相关信息并生成高质量文本输出，而向量数据库在其中发挥着重要作用。 目前市面上的向量数据库众多，操作方式无统一标准。本文将基于 LangChain 提供的 VectorStore 类中的统一操作方法，以 chroma 向量数据库作为示例，从最为基础的 CRUD 入手介绍其使用方法。 向量数据库的工作原理如下： 如果是文本，会通过模型转换成向量对象，对象存入数据库中再去使用。传统数据库以表格形式存储简单数据，向量数据库处理的是复杂的向量数据，并使用独特方法进行搜索。常规数据库搜索精确匹配数据，向量数据库则使用特定相似性度量寻找最接近匹配，使用特殊的近似近邻（ANN）搜索技术，包括散列搜索和基于图的搜索等方法。 要理解向量数据库的工作原理及其与传统关系数据库（如 SQL）的不同，必须先理解嵌入的概念。非结构化数据（如文本、图像和音频）缺乏预定义格式，给传统数据库带来挑战。为在人工智能和机器学习应用中利用这些数据，需使用嵌入技术将其转换为数字表示，嵌入就像给每个项目赋予独特代码，以捕捉其含义或本质。

在 Coze 的 prompt 中调用数据库可以参考以下步骤： 1. 基础框架： 本 bot 由提示词、数据库和工作流三部分构成。提示词使用结构化框架，要求大模型根据不同行为调用不同工作流。数据库用于记录不同用户历史记账记录，工作流中会用到。 2. 工作流： 增加记账记录 add_accounting_record： 开始：定义一个{{prompt}}，把用户在 bot 输入的记账内容传入进来。 大模型：任务简单，使用任意模型均可，无需调整参数。输入定义了{{input}}引用开始节点的 prompt 参数。提示词让大模型拆解用户输入内容，识别【记账事项】、【发生时间】、【变动金额】，并分别赋值到{{item}}、{{occurrence_time}}、{{balance_change}}。输出定义了相应的{{item}}、{{occurrence_time}}、{{balance_change}}。 数据库——插入记账记录：输入定义了{{item}}、{{occurrence_time}}、{{balance_change}}，用于接收大模型节点输出传入的内容。SQL 命令中，因数据库存入金额最小单位是分，所以当用户输入花费金额时，需乘以 100 存储。 3. 使用数据表： 用户通过自然语言与 Bot 交互来插入或查询数据库中的数据。Bot 会根据用户输入自动创建新记录并存储，也可根据用户查询条件检索数据返回。 在 Prompt 中添加并使用数据表时： 明确说明要执行的操作和涉及的字段，包括字段使用说明，以使大语言模型更准确执行操作。 在数据库功能区域添加要操作的数据表。 在调试区域进行测试，可单击调试区域右上方的已存数据查看数据表中的数据。

向量数据库高效储存指的是专门用于存储高维向量，以实现快速准确的相似性搜索。在人工智能领域，尤其是自然语言处理和计算机视觉等方面，模型会生成并处理大量高维向量，传统数据库难以有效应对，向量数据库则为这些应用提供了高度优化的环境。 例如，像 GPT3 这样的大型语言模型，有 1750 亿个参数，会产生大量向量化数据，传统数据库很难有效处理，而向量数据库能够有效地管理和查询这些向量。 从系统角度看，预处理管道中向量数据库至关重要，负责高效存储、比较和检索多达数十亿的嵌入（即向量）。市场上常见的选择如 Pinecone，完全由云托管，容易上手，具备大型企业在生产中所需的多种功能。同时，还有 Weaviate、Vespa 和 Qdrant 等开源系统，通常具有出色的单节点性能，可针对特定应用定制；Chroma 和 Faiss 等本地向量管理库，有丰富的开发人员经验，便于启动小型应用程序和开发实验；pgvector 之类的 OLTP 扩展，对于特定开发人员和企业也是一种解决方案。 向量存储是用于存储和检索文本嵌入向量的工具，这些向量是文本数据的数值表示，能让计算机理解和处理自然语言。其主要功能包括高效存储大量文本向量、快速检索相似文本向量以及支持复杂的查询操作，如范围搜索和最近邻搜索。