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

以下是关于新手学习 AI 的建议： 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，因其上手容易且有用。 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 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人进行互动，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。

以下是一些可以直接制作 Excel 表格的 AI 工具： 1. Excel Labs：这是一个 Excel 插件，基于 OpenAI 技术，新增了生成式 AI 功能，允许用户在 Excel 中利用 AI 进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的 AI 工具，整合了多种办公软件，用户通过聊天形式告知需求，Copilot 可自动完成如数据分析、格式创建等任务。 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，还能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。 5. GPTExcel：在相关排行中有所体现。 6. SheetGod：在相关排行中有所体现。 7. 酷表 ChatExcel：在相关排行中有所体现。 8. GPT Workspace：在相关排行中有所体现。 9. OpenAI in Spreadsheet：在相关排行中有所体现。 10. Ajelix AI Excel Tools：在相关排行中有所体现。 随着技术的不断发展，未来可能会有更多 AI 功能被集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。但请注意，内容由 AI 大模型生成，请仔细甄别。

以下是一些在医学相关领域表现出色的 AI： 1. AlphaFold：由 DeepMind 开发，在蛋白质结构预测方面表现出色，其预测准确度超过其他系统，为科学家和药物开发提供了巨大帮助。 2. ESMFold（Meta 的蛋白质结构预测 AI 模型）：截至目前已经进行了 7 亿次预测。 3. 多伦多大学研究人员开发的新 AI 系统：利用类似 Stable Diffusion、Midjourney 的生成扩散技术创造出自然界中不存在的蛋白质。 4. 华盛顿大学 David Baker 教授团队开发的 RF Diffusion：基于 DALLE 的人工智能系统，用于根据科学家的需求生成合适的蛋白质结构。 5. 洛桑联邦理工学院科学家们开发的 PeSTo：基于神经网络的新工具，可以预测蛋白质如何与其他物质相互作用，速度快、且通用性强。 6. Surrey 大学开发的人工智能系统：用于识别个体细胞中的蛋白质模式，这一进展可用于理解肿瘤的差异并开发药物。 此外，ChatGPT、Google Bard 等技术在日常工作生活中很有用，也极大加速了医疗健康生物制药的研究，AI 已经在抗癌、抗衰老、早期疾病防治（如提前三年诊断胰腺癌、帮助早期诊断帕金森等）、寻找阿尔兹海默症的治疗方法等方面起着重要作用。例如： 1. 两名高中生与医疗技术公司 Insilico Medicine 及其人工智能平台 PandaOmics 合作，发现了与胶质母细胞瘤相关的三个新靶基因，这些基因对于有效对抗这种癌症至关重要。 2. 由 Integrated Biosciences 领导的一项最新研究通过使用人工智能筛查了超过 800,000 种化合物，专家们发现了三种高效的药物候选物，其药理学性质优于目前已知的抗衰老物质。 3. 亚利桑那大学与哈佛大学共同利用人工智能对健康神经元在疾病进展过程中的分子变化研究，以识别阿尔茨海默病的原因和潜在药物靶点。 相关文献参考： 1. https://www.sciencedaily.com/releases/2023/05/230504121014.htm 2. https://www.wevolver.com/article/pestoanewaitoolforpredictingproteininteractions 3. https://www.sciencedirect.com/science/article/pii/S0958166923000514 4. https://hms.harvard.edu/news/aipredictsfuturepancreaticcancer 5. https://finance.yahoo.com/news/teenagegeniusesaiuncovercancer163541619.html 6. https://www.earth.com/news/artificialintelligenceidentifiesnewantiagingcompounds/ 7. https://medicalxpress.com/news/202305scientistsaidrugalzheimer.html

以下是关于 AI 生成配图及相关内容的信息： 如果您想用 AI 把小说做成视频，大致的制作流程如下： 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。 请注意，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。 另外，关于 Runway 生成 AI 动画，可以使用图片+文字描述功能，将 MJ 生成的图片增加对应的动态描述，输入 Runway，同时增加镜头变换的设置（具体教程看）。悦音 AI 配音具有旁白质感，如磁性浑厚、大片质感、娓娓道来。

以下是关于如何用 AI 提高学习效率的方法： 一、学习外语 1. 语言学习应用 Duolingo：使用 AI 个性化学习体验，根据进度和错误调整练习内容，通过游戏化方式提供词汇、语法、听力和口语练习。下载应用，选择语言，按课程指引学习。 Babbel：结合 AI 技术提供个性化课程和练习，重点是实际交流所需技能。注册账户，选择课程，按学习计划学习。 Rosetta Stone：使用动态沉浸法，通过 AI 分析进度，提供适合练习和反馈。注册并选择语言，使用多种练习模式学习。 2. AI 对话助手 ChatGPT：可模拟对话练习，提高语言交流能力。在聊天界面选择目标语言，与 AI 对话，询问语法、词汇等问题，模拟交流场景。 Google Assistant：支持多种语言，用于日常对话练习和词汇学习。设置目标语言，通过语音或文本输入互动。 二、英语学习 1. 智能辅助工具：利用 Grammarly 进行写作和语法纠错，改进表达和写作能力。 2. 语音识别和发音练习：使用 Call Annie 进行口语练习和发音纠正，获取实时反馈和建议。 3. 自适应学习平台：使用 Duolingo 利用 AI 量身定制学习计划，提供个性化内容和练习。 4. 智能导师和对话机器人：利用 ChatGPT 进行会话练习和对话模拟，提高交流能力和语感。 三、数学学习 1. 自适应学习系统：使用 Khan Academy 结合 AI 提供个性化学习路径和练习题，精准推荐。 2. 智能题库和作业辅助：利用 Photomath 通过图像识别和数学推理技术提供解答和解题步骤。 3. 虚拟教学助手：使用 Socratic 利用 AI 解答问题、提供教学视频和答疑服务。 4. 交互式学习平台：参与 Wolfram Alpha 的课程和实践项目，利用 AI 进行数学建模和问题求解。 四、未来教育中 AI 的应用 1. 个性化学习平台：如 Knewton 平台，利用数据分析构建个性化学习路径，预测学习难点并提供解决方案，提升学习效率。 2. 自动评估：如 Pearson 的 Intelligent Essay Assessor，通过自然语言处理技术自动批改作文和开放性答案题，减轻教师批改负担，提高评估效率和一致性。 3. 智能辅助教学工具：如 Google 的 AutoML 用于创建定制学习内容，提高学习动机和知识掌握程度。 4. 虚拟现实和增强现实：如 Labster 的虚拟实验室平台，提供高科技实验室场景，让学生安全进行实验操作并获取 AI 反馈。

以下是为您提供的关于爬虫的指导： 如果您不会代码但想要完成一个爬虫应用，可以参考以下步骤： 1. 已知文章地址：https://mp.weixin.qq.com/s/KUnXlDlgRs_6D5RFpQbnQ 。 2. 已知 ChatGPT 很会写程序，并且使用 Colab 。 3. 得出结论：让 ChatGPT 帮我们写抓取该文章正文内容的程序，然后在 Colab 里运行。 在许多情况下，对于爬虫任务，我们需要明确以下几点： 1. 当有简单需求时，给 AI 下达明确命令来完成一次性任务，例如制作一个简单的 Chrome 插件、编写脚本或创建 Python 爬虫。 2. 当 AI 满足简单需求并获得正反馈后，期待会提高，但需要了解 AI 编程的边界和限制。 3. 对于大多数需求，应优先寻找现成的软件解决方案，遵循以下顺序： 优先找线上工具，例如制作白底图等功能，如果线上有现成的工具那最好。 其次找插件，基于现有系统找合适的插件。 最后是本地应用，当线上工具和插件都不满足需求时，再考虑本地应用。 4. 对于 API 功能： 先找现成的开源工具，GitHub 上很多。 然后考虑付费服务。 5. 如果都找不到现成的方案，才考虑自己编程。毕竟，人生苦短，要以终为始，抛开技术障碍，聚焦于目标。

以下是一些将 AI 与机械技术结合做自媒体的案例和方法： 创作方面： 社群的每日资讯：涵盖品牌推广、产品信息、行业动态、用户互动、品牌文化、品牌活动、行业知识、兴趣爱好等内容。 写科普内容：包括目标用户、科普内容、生活问题、医疗类型等，需注意通俗性和专业名词的运用。 剧本或脚本写作：重点在于讲述故事，引发观众情感共鸣，体验情感冲突和发展。 创意营销文本素材和生成创意营销素材：考虑目标受众、品牌定位、产品优势、服务独特性、情感因素等。 研究方面： 信息搜集：可利用 ChatGPT 做品牌项目的二手信息搜集。 拆解爆款内容：分四步进行，包括建立爆款库、让 ChatGPT 理解拆解角度、提出修改建议、要求特定风格修改。 分发方面：从品牌内容分发角度考虑，为智能家居设备设计产品介绍视频脚本，包含音效、音乐、画面、声音等。 沟通方面：小团队与甲方沟通时，可借助 GPT 优化语气，调整公司合同、协议等，还能用 GPT+MJ 给甲方做分镜并获得认可。 您可以参考以上内容，结合自身特点和需求，探索将 AI 与机械技术结合做自媒体的有效途径。

2023 年大模型发展的重要技术包括以下方面： 模型发布：百川智能发布 Baichuan2—Turbo，字节云雀大模型等。 涉及领域：涵盖通用、医疗、汽车、教育、金融、工业、文化/零售/交通等多个行业。 关键进展：从 22 年 11 月 ChatGPT 的惊艳面世，到 23 年 3 月 GPT4 作为“与 AGI（通用人工智能）的第一次接触”，再到 23 年末多模态大模型的全面爆发。 多模态大模型的应用： 优点：适应性极好，方便适应各种奇葩需求；对算法要求降低，大部分功能由大模型提供，特别是非结构化信息处理；API 访问方式简化了边缘设备要求，方便在多种设备适配。 缺点：推理时长是最大障碍，传统目标检测或人脸识别优化后能达到 100 300ms，而大模型动则需要 10 秒的延时，限制了许多场景；模型的幻象和错误率较高，在多链路复杂应用中迅速变得不可行；在大多数生产模式下，仍需使用云服务数据中心，存在隐私问题；商业私有化部署是刚需，当下开源模型与 GPT4 有代差。

AI 技术的发展状况如下： 发展历程： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：有专家系统、知识表示、自动推理。 3. 统计学习时期（1990s 2000s）：出现机器学习算法如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等得到广泛应用。 当前前沿技术点： 1. 大模型：如 GPT、PaLM 等。 2. 多模态 AI：包括视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 3. 自监督学习：如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习：例如元学习、一次学习、提示学习等。 5. 可解释 AI：涉及模型可解释性、因果推理、符号推理等。 6. 机器人学：涵盖强化学习、运动规划、人机交互等。 7. 量子 AI：包含量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 学习路径： 偏向技术研究方向： 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。 偏向应用方向： 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。 需要注意的是，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。

AI 技术的发展状态如下： 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。 对于新手学习 AI，建议： 持续学习和跟进：AI 是快速发展的领域，新成果和技术不断涌现。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。 使用 AI 做事时需要注意： AI 是一种工具，并不总是正确的工具。要考虑其弱点，仔细思考是否适合计划应用的目的。 要了解许多道德问题。AI 可能被用于侵犯版权、作弊、窃取他人工作或操纵。特定 AI 模型的构建方式以及谁从其使用中受益，通常是复杂且不特别清楚的问题。最终，使用者有责任以道德的方式使用这些工具。

对于非技术背景的产品经理，要快速掌握 AI 相关知识，可以从以下几个方面入手： 1. 理解产品核心技术：了解基本的机器学习算法原理，有助于更好地理解 AI 产品的核心技术，从而做出更合理的产品决策。 2. 与技术团队有效沟通：掌握一定的算法知识，能够与开发团队进行更有效的沟通，减少信息不对称带来的误解。 3. 评估技术可行性：在产品规划阶段，评估某些功能的技术可行性。了解算法知识可以帮助做出更准确的判断。 4. 把握产品发展方向：AI 技术发展迅速，了解算法前沿可以更好地把握产品的未来发展方向。 5. 提升产品竞争力：了解算法可以帮助发现产品的独特优势，提出创新的产品特性，从而提升产品的竞争力。 6. 增强数据分析能力：很多 AI 算法都涉及到数据处理和分析，掌握相关知识可以提升数据分析能力。 在实际应用中，比如在商业化问答场景中，非技术从业者需要了解一些落地的配置，如问答机器人的配置包括 AI 模型、提示词、知识库等。 此外，在成为 AI 摊主方面，不同的人群有不同的优势。技术背景丰富的人具备扎实的技术基础，产品开发与管理经验丰富的人能推动产品落地与优化，AI 爱好者与学习者渴望提升技能，内容创作与营销能力强的人能将 AI 技术与商业化需求结合。

对于非技术背景的产品经理快速上手 AI ，可以参考以下建议： 1. 从基础小任务开始： 让 AI 按照最佳实践写一个 say hello 的示例程序，并解释每个文件的作用及程序运行的逻辑，学会必备的调试技能。 若使用 o1mini ，可在提示词最后添加“请生成 create.sh 脚本，运行脚本就能直接创建插件所需要的所有文件。请教我如何运行脚本。”（Windows 机器则是 create.cmd），它会为您生成代码并给出提示，方便一次性生成多个目录和文件。 2. 明确项目需求： 通过和 AI 的对话，逐步明确项目需求。 让 AI 帮助梳理出产品需求文档，包含影响技术方案选择的细节，后续开发时每次新起聊天就把文档发给 AI 并告知在做第几点功能。 此外，在将 AI 大模型能力接入微信等应用场景时，非技术从业者需要注意解决模型存在幻觉、胡乱回答的问题。在配置问答机器人时，要关注左侧的 AI 模型、提示词、知识库这三处配置。 对于 AI 产品经理，个人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 概念，使用 AI 产品并尝试动手实践应用搭建。 2. 研究级：有技术研究和商业化研究两个路径，能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. 落地应用级：有成功落地应用的案例并产生商业化价值。 总之，AI 产品经理要懂得技术框架，不一定要了解技术细节，而是对技术边界有认知，最好能知道一些优化手段和新技术的发展。产品经理要关注的还是场景、痛点、价值。

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。

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。

向量数据库的高效存储与内存有着密切的关系。 在生成式人工智能领域，通过扩展上下文窗口，模型能够处理更大量的文本并更好地保持上下文，但仅扩展上下文窗口并不能充分改善内存，因为推理的成本和时间与提示的长度呈准线性甚至二次方关系。此时，检索机制就显得尤为重要，它通过与提示相关的上下文数据增强和完善 LLM 的原始训练语料库。向量数据库（例如 Pinecone）已成为高效检索相关信息的事实标准，并作为 LLM 的内存层，使模型更容易快速准确地搜索和引用海量信息中的正确数据。 向量数据库专门用于存储高维向量，以实现快速准确的相似性搜索。由于人工智能模型，尤其是自然语言处理和计算机视觉领域的模型会生成并处理这些向量，所以对高效存储和检索系统的需求变得至关重要。像 GPT3 这样的大型语言模型，因其处理的数据量和复杂性，产生了大量向量化数据，传统数据库难以有效处理，所以基于 GPT3 和类似模型构建的应用在很大程度上依赖于向量数据库来有效地管理和查询这些向量。 例如，Marqo 向量数据库具有嵌入式存储在内存中的 HNSW 索引，实现了最先进的搜索速度，还能利用横向索引分片将规模扩大到亿级文档索引，支持异步和非阻塞数据上传和搜索，使用来自 PyTorch、Huggingface、OpenAI 等公司的最新机器学习模型，可从预先配置的模型开始或自带模型，内置 ONNX 支持和转换功能，可实现更快的推理和更高的吞吐量，并支持 CPU 和 GPU。