如何创建个人知识库，用于AI

以下是为零基础学习 AI 提供的建议： 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，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。 知识库提供了很多实践后的作品、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。 此外，还有一个案例供您参考：二师兄来自上海，是典型的 80 后，房地产行业从业二十年，计算机零基础。2024 年 2 月，他在七彩虹的售后群中，因老哥分享用 AI 绘画的心得，要了 SD 秋叶安装包，下载了教学视频，迈出了 AI 学习的第一步。之后他不断学习和实践，如在 3 月啃完 SD 的所有教程并开始炼丹，4 月与小伙伴探讨 AI 变现途径，5 月加入 Prompt battle 社群，开始 Midjourney 的学习。

以下是关于 AI 数据分析的相关内容： ChatGPT 助力数据分析： 本文重点介绍了 AI 与数据分析结合的应用，通过实际案例与相关技巧，描述了 ChatGPT 如何助力数据分析。 实现了两种方式支持多维数据分析： SQL 分析：分析平台自身使用情况，输入一句话可分析用户配置图表相关数据。用户描述想分析的内容，后台连接 DB，附带表结构信息让 AI 输出 SQL 语句，校验为 SELECT 类型后执行返回结果数据，再传给 GPT 分析，最后输出分析结论和建议并返回前端页面渲染图表。 个性化分析：平台支持上传数据，可提供数据信息辅助分析，前端解析文件后传给 GPT 分析，后续步骤与 SQL 分析一致。 分析完成后展示结果数据的图表和分析结论，图表支持折线图和柱状图可随意切换。 生成式 AI 季度数据报告 2024 月 1 3 月： 作者包括郎瀚威 Will、张蔚 WeitoAGI、江志桐 Clara 等。 报告涵盖总体流量概览、分类榜单、文字相关（个人生产力、营销、教育、社交）、创意相关（图像、视频）、音频大类、代码大类、Agent、B2B 垂类等方面。 涉及数据准备、分类标准图谱准备、赛道分析、竞争分析等内容。

以下为您推荐能够根据给定曲名生成不同风格音乐并供下载的 AI 工具： 1. Suno AI： 地址：https://www.suno.ai/ 简介：被誉为音乐界的 ChatGPT，能够根据简单提示创造出从歌词到人声和配器的完整音乐作品。 账号要求：需要拥有 Discord、谷歌或微软中的至少一个账号，并确保网络环境稳定。 订阅信息： 免费用户每天 50 积分，每首歌消耗 5 积分，每天可创作 10 首歌曲，每次点击生成两首歌曲。 Pro 用户每月 2500 点数（大约 500 首歌），按月每月 10 美元，按年每月 8 美元，每年 96 美元。 Premier 用户每月 10000 点数（大约 2000 首歌），按月每月 30 美元，按年每月 24 美元，每年 288 美元。 操作模式： 默认模式：包括关闭个性化、歌曲描述、乐器开关、模型选择 v3 等设置。 个性化模式：开启个性化定制，可填写歌词、曲风、标题等。 生成歌词：可使用大模型如 Kimi、GPT、文心一言等生成。 开始生成：填写好所需内容后点击 Create，等待 2 3 分钟即可。 下载：生成后可下载。 2. Udio：由前 Google DeepMind 工程师开发，通过文本提示快速生成符合用户音乐风格喜好的高质量音乐作品。地址：https://www.udio.com/ 3. YuE：支持从歌词生成 5 分钟高质量音乐（含人声与伴奏），多语言支持（中、英、日、韩），覆盖多种音乐风格与专业声乐技术。详细介绍：https://www.xiaohu.ai/c/xiaohuai/yue5

AIGC（人工智能生成内容）是一种利用人工智能技术生成各种类型内容的应用方式。它能够通过机器学习和深度学习算法，根据输入的数据和指令生成符合特定要求的内容，在内容创作、广告、媒体等领域有着广泛的应用。 具体来说，AIGC 包括以下方面： 1. 文字生成：使用大型语言模型（如 GPT 系列模型）生成文章、故事、对话等内容。 2. 图像生成：使用 Stable Diffusion、DALLE 等模型生成艺术作品、照片等。 3. 视频生成：使用 Runway、KLING 等模型生成动画、短视频等。 AIGC 作为一种强大的技术，能赋能诸多领域，但也存在多重潜在的合规风险。目前，我国对 AIGC 的监管框架由《网络安全法》《数据安全法》及《个人信息保护法》构成，并与《互联网信息服务算法推荐管理规定》、《互联网信息服务深度合成管理规定》、《生成式人工智能服务管理暂行办法》、《科技伦理审查办法（试行）》等形成了共同监管的形势。 AIGC 主要分为语言文本生成、图像生成和音视频生成。语言文本生成利用马尔科夫链、RNN、LSTMs 和 Transformer 等模型生成文本，如 GPT4 和 Gemini Ultra。图像生成依赖于 GANs、VAEs 和 Stable Diffusion 等技术，应用于数据增强和艺术创作，代表项目有 Stable Diffusion 和 StyleGAN 2。音视频生成利用扩散模型、GANs 和 Video Diffusion 等，广泛应用于娱乐和语音生成，代表项目有 Sora 和 WaveNet。此外，AIGC 还可应用于音乐生成、游戏开发和医疗保健等领域，展现出广泛的应用前景。 例如 AI 文本续写，文字转图像的 AI 图、AI 主持人等，都属于 AIGC 的应用。类似的名词缩写还有 UGC（普通用户生产），PGC（专业用户生产）等。能进行 AIGC 的产品项目也很多，能进行 AIGC 的媒介也很多，包括且不限于： 1. 语言文字类：OpenAI 的 GPT，Google 的 Bard，百度的文心一言，还有一种国内大佬下场要做的的 LLM 都是语言类的。 2. 语音声音类：Google 的 WaveNet，微软的 Deep Nerual Network，百度的 DeepSpeech 等，还有合成 AI 孙燕姿大火的开源模型 Sovits。 3. 图片美术类：早期有 GEN 等图片识别/生成技术，去年大热的扩散模型又带火了我们比较熟悉的、生成质量无敌的 Midjourney，先驱者谷歌的 Disco Diffusion，一直在排队测试的 OpenAI 的 Dalle·2，以及 stability ai 和 runaway 共同推出的 Stable Diffusion。

多维表格 AI 接入分享课程有回放。例如，在“1204|微信超级 AI 知识助手教学（上）—智谱共学营智能纪要”中提到直播有回放。在“飞书多维表格 AI 共学解锁更强大的豆包 2024 年 12 月 21 日”中，王大仙表示分享有回放，可顺着搭建流程使用。

对于您的毕业论文主题“AIGC 的陶寺遗址空间可视分析技术研究”，以下是一些可能的思路供您参考： 首先，深入了解陶寺遗址的相关背景和特点，包括其历史、文化、地理等方面的信息，这将为后续的分析提供基础。 其次，研究 AIGC 技术在空间可视分析方面的应用现状和前沿成果，了解相关的算法、模型和工具。 然后，考虑如何收集和整理陶寺遗址的空间数据，例如通过实地测量、卫星图像、考古记录等方式获取数据，并对数据进行预处理和清洗。 接着，运用合适的 AIGC 技术和算法，对陶寺遗址的空间数据进行可视化呈现，例如创建三维模型、绘制地图、生成动态图像等，以直观展示遗址的空间特征和关系。 在可视化的基础上，进行深入的分析，例如探究遗址的布局规律、空间结构、功能分区等，挖掘潜在的历史和文化信息。 最后，对研究结果进行评估和验证，确保其准确性和可靠性，并提出进一步的改进和优化方向。 希望这些思路能对您有所帮助，祝您顺利完成毕业论文！

以下是一些比较好的 AI 知识库学习网站及相关学习建议： 通往 AGI 之路知识库： 提供了全面系统的 AI 学习路径，帮助您了解从 AI 常见名词到 AI 应用等各方面知识。 包含关于 AI 知识库使用及 AIPO 活动的介绍、AIPO 线下活动及 AI 相关探讨、way to AGI 社区活动与知识库介绍等内容。 信息来源有赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等，推荐大家订阅获取最新信息并投稿。 有社区共创项目，如 AIPU、CONFIUI 生态大会，每月有切磋大会等活动，还发起了新活动 AIPO。 学习路径方面，有李弘毅老师的生成式 AI 导论等高质量学习内容，可系统化学习或通过社区共创活动反推学习，鼓励整理学习笔记并分享交流。 有经典必读文章，如介绍 GPT 运作原理、Transformer 模型、扩散模型等的文章，还包括软件 2.0 时代相关内容。 初学者入门推荐看 open AI 的官方 Cookbook，小琪姐做了中文精读翻译，也可查看 cloud 的相关内容。 有历史脉络类资料，整理了 open AI 的发展时间线和万字长文回顾等。 网站：ytoAGI.com 相关渠道：公众号“通往 AGI 之路”、 在线教育平台：如 Coursera、edX、Udacity 等，上面有一系列为初学者设计的课程，您可以按照自己的节奏学习，并有机会获得证书。 对于新手学习 AI，建议： 了解 AI 基本概念：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。 开始 AI 学习之旅：在「」中，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。 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），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。 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。 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。

以下是一些提升 RAG 知识库问答的好的 prompt 相关内容： RAG 在 Natural Questions、WebQuestions 和 CuratedTrec 等基准测试中表现出色，在使用 MSMARCO 和 Jeopardy 问题进行测试时，生成的答案更符合事实、具体且多样，FEVER 事实验证使用 RAG 后也有更好结果，说明 RAG 是可行方案，能增强知识密集型任务中语言模型的输出，基于检索器的方法常与 ChatGPT 等流行 LLM 结合提高能力和事实一致性，可在 LangChain 文档中找到相关例子。 RAG 能显著提高大模型在处理私域知识或垂直领域问答时的效果。其流程包括：上传文档（支持多种格式，会转换为 Markdown 格式）、文本切割、文本向量化（存入向量数据库）、问句向量化、语义检索匹配（匹配出与问句向量最相似的 top k 个）、提交 Prompt 至 LLM、生成回答返回给用户。RAG 研究范式分为基础 RAG、高级 RAG 和模块化 RAG。 高级 RAG 特点：支持多模态数据处理，增强对话性，具备自适应检索策略，能进行知识融合，扩展了基础 RAG 功能，解决复杂任务局限，在广泛应用中表现出色，推动自然语言处理和人工智能发展。 模块化 RAG 侧重于提供更高定制性和灵活性，将系统拆分成多个独立模块或组件，每个组件负责特定功能，便于根据不同需求灵活组合和定制。

要做一个知识库智能问答机器人，主要基于大模型的 RAG 机制，具体步骤如下： 1. 理解 RAG 机制：RAG 机制全称为“检索增强生成”（RetrievalAugmented Generation），是一种用于自然语言处理的技术，结合了检索和生成两种主要的人工智能技术，以提高机器对话和信息处理的能力。它先从大型数据集中检索与问题相关的信息，然后利用这些信息生成更准确、相关的回答。可以想象成在巨大图书馆里找相关书籍，再基于书籍信息给出详细回答，这种方法结合大量背景信息和先进语言模型能力，使生成内容更精确，提升对话 AI 的理解力和回答质量。 2. 创建知识库：创建包含大量社区 AI 相关文章和资料的知识库，例如创建有关 AI 启蒙和信息来源的知识库，通过手工录入方式上传文章内容，并陆续将社区其他板块的文章和资料导入。 3. 设计 Bot：在设计中添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，尽可能利用好知识库返回的内容进行结合回答。 此外，在飞书中，还可以利用飞书智能伙伴创建平台（Aily）来搭建 FAQ 机器人，它是飞书团队旗下的企业级 AI 应用开发平台，能为企业提供简单、安全且高效的环境，帮助轻松构建和发布 AI 应用。

知识库搭建主要包括以下几个方面： 1. “拎得清、看得到、想得起、用得上”的核心步骤： 拎得清：主动选择和判断高质量、与目标相关的信息源，利用 AI 搜索引擎、加入优质社群和订阅号等建立信息通路，具备信息嗅探能力。 看得到：确保所选信息能频繁且不经意地触达个人，通过浏览器插件、笔记工具等组织信息，使其易于检索和浏览。 想得起：强调信息的内化和知识线索建立，做好标记（关键词、tag）、选择合适存放位置，推荐使用 PARA 笔记法等方法组织串联信息。 用得上：将积累的知识转化为实际行动和成果，在解决问题或创造价值时能从知识库中调取相应信息。 2. RAG 技术： 利用大模型的能力搭建知识库是 RAG 技术的应用。 RAG 是当需要依靠不包含在大模型训练集中的数据时的主要方法，首先检索外部数据，然后在生成步骤中将其传递给 LLM。 RAG 应用包括文档加载、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）。 文本加载器是将用户提供的文本加载到内存中以便后续处理。 3. 智能体知识库创建： 手动清洗数据，提高数据准确性。 在线知识库：创建画小二课程的 FAQ 知识库，飞书在线文档中每个问题和答案以分割，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理。 发布应用：确保在 Bot 商店中能搜到。

知识库搭建主要包括以下几个方面： 1. “拎得清、看得到、想得起、用得上”的核心步骤： 拎得清：主动选择和判断高质量、与目标相关的信息源，利用 AI 搜索引擎、加入优质社群和订阅号等建立信息通路，具备信息嗅探能力。 看得到：确保所选信息能频繁且不经意地触达个人，通过浏览器插件、笔记工具等组织信息，使其易于检索和浏览。 想得起：强调信息的内化和知识线索建立，做好标记（关键词、tag）、选择合适存放位置，推荐使用 PARA 笔记法等方法组织串联信息。 用得上：将积累的知识转化为实际行动和成果，在解决问题或创造价值时能从知识库中调取相应信息。 2. RAG 技术： 利用大模型的能力搭建知识库是 RAG 技术的应用。 RAG 是当需要依靠不包含在大模型训练集中的数据时的主要方法，首先检索外部数据，然后在生成步骤中将其传递给 LLM。 RAG 应用包括文档加载、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）。 文本加载器是将用户提供的文本加载到内存中以便后续处理。 3. 智能体知识库创建： 手动清洗数据，提高数据准确性。 在线知识库：创建画小二课程的 FAQ 知识库，飞书在线文档中每个问题和答案以分割，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理。 发布应用：确保在 Bot 商店中能搜到。

以下是关于知识库框架的相关内容： 智能体的目标和框架： 智能体的交互能力：包括大模型本身的交互能力、多 Agent 的灵活性、workflow 的妙用（如引导用户输入车辆信息便于大模型理解和分析）以及上下文说明。 智能体的知识体量：涵盖豆包大模型本身的行业数据和语料库、知识库（包括结构化数据与非结构化数据），以及创建知识库的步骤和参赛用知识库，还涉及大模型 RAG 检索、大模型的选择和参数设定以及新模型的调用方法。 智能体的记忆能力：包含变量、数据库和信息记录。 知识： 外置知识是由外部数据库提供，能动态更新和调整。涉及多种数据存储和组织方式，如向量数据库（常用于处理和索引非结构化数据）、关系型数据库（适用于事务性数据存储）、知识图谱（适合复杂语义分析和知识推理）。在实际应用中，外置知识的集成和管理常采用 RAG 架构，能结合检索和生成，增强模型生成能力，实时检索和整合最新外部信息。 陈财猫团队的提示词相关知识库文章索引：

以下是创建属于自己的智能体的一般步骤： 1. 对于 Coze 智能体： 打开扣子官网：https://www.coze.cn/ 。 “画小二智能小助手”Coze 商店体验地址：https://www.coze.cn/store/bot/7371793524687241256?panel=1&bid=6cqnnu5qo7g00 。 点击创建 Bot，在对话框中工作空间选择“个人空间”，命名为画小二智能小助手。 设置画小二助手的提示词。 2. 对于用 Coze 的工作流创建： 打开 Coze 官网 https://www.coze.cn/home 。 创建图像工作流，图像流分为智能生成、智能编辑、基础编辑三类。 空间风格化插件有相关参数，如 image_url 是毛坯房的图片地址；Strength 是提示词强度，影响效果图；Style 是生成效果的风格，如新中式、日式、美式、欧式、法式等；user_prompt 是用户输入的 Promot 提示词。 按照构架配置工作流，调试工作流毛坯房测试用例：https://tgi1.jia.com/129/589/29589741.jpg 。 开始节点对应配置三项内容，进行提示词优化。 设定人设和回复逻辑，然后点击右上角发布。 3. 对于智谱 BigModel 共学营第二期的微信助手： 注册智谱 Tokens 智谱 AI 开放平台：https://bigmodel.cn/ 。 参与课程至少需要有 token 体验资源包，获取资源包的方式有：新注册用户注册即送 2000 万 Tokens；充值/购买多种模型的低价福利资源包，如直接充值现金，所有模型可适用：https://open.bigmodel.cn/finance/pay ，语言资源包：免费 GLM4Flash 语言模型/ ，所有资源包购买地址：https://bigmodel.cn/finance/resourcepack ，共学营报名赠送资源包。 先去【财务台】左侧的【资源包管理】查看自己的资源包，本次项目会使用到的有 GLM4、GLM4VPlus、CogVideoX、CogView3Plus 模型。 进入智能体中心我的智能体，开始创建智能体。

以下是创建自己知识库的步骤： 1. 来到个人空间，找到知识库导航栏，点击创建知识库。需要注意的是，知识库是共享资源，您的多个 Bot 可以引用同一个知识库。 2. 选择知识库的格式并填写一些信息。目前（2024.06.08）支持三种格式：文档、表格（CSV、Excel 等）、图片（上传一张图片并填写图片文字说明）。格式并不重要，重要的是要了解影响 RAG 输出质量的因素。 3. 以本地文档为例（问答对可以选择表格），选择自定义的文档切割。 4. 完成数据处理。处理完成后，一个问答对会被切割成一个文档片。 关于使用知识库，您可以参考这篇教程： 。 创建知识库的小技巧：知识库好不好用，跟内容切分粒度有很大关系，我们可以在内容中加上一些特殊分割符，比如“”，以便于自动切分数据。分段标识符号要选择“自定义”，内容填“”。最终的知识库结果中，同一颜色代表同一个数据段，如果内容有误需要编辑，可以点击具体内容，鼠标右键会看到“编辑”和“删除”按钮，可以进行编辑或删除。

以下是为教培机构创建一个能为每个学生写评价的智能体的相关指导： 首先，明确评价的维度和标准。可以参考以下几个方面： 1. 语言的准确性、清晰度和规范性，每项 5 分，共 5 分。 2. 讲授的严密性和逻辑性，每项 5 分，共 5 分。 3. 语言的生动性和趣味性，每项 5 分，共 5 分。 4. 针对学生实际的可接受性和启发性，每项 5 分，共 5 分。 5. 语言的艺术性，每项 5 分，共 5 分。 在评价作文方面，需要考虑多个因素，包括：错别字、词、标点识别；好词好句识别、内容评价、逻辑结构评价、语言表达评价、段落评价等。利用大模型高效、准确、丰富知识的优秀特点，对学生作文进行综合打分。 在创建智能体时，要注重以下几点： 1. 让智能体具备深层次语义理解能力，即便处于复杂语境，也能有效辨识出不恰当的词汇和错误的句子构造。 2. 利用大规模数据识别能力，使其能够辨别出哪些词汇或句子搭配在正式书面语中较为罕见，进而准确标出错词错句。 3. 培养智能体基于上下文来判定词语和句子的恰当性，即便是语法正确但语境不适宜的用词也能被有效识别。 4. 让智能体掌握语法规则习得能力，使其能够检测句子是否遵守了语法标准。 同时，写好提示词是创建智能体的第一步。可以参考一些相关的示例，如儿童寓意故事创作者的知识库中的故事，从中学习如何构思和组织语言。 另外，还可以参考之前让 AI 当评委的经验，如通义听悟录音转文字，丢给自编的多个智能体出分数并填结果。结果显示分数高的五位和三位人类评委选出来的前五一致，只是排名有一位的差异。 总之，创建这样的智能体需要综合考虑多方面的因素，并不断优化和改进，以提高评价的准确性和有效性。

很抱歉，目前飞书知识库中没有关于您所描述的这种特定需求下应选定哪种 prompt 框架的相关内容。但一般来说，构建这样的企业每日利润表分析与汇报助手的 prompt 框架可以考虑以下几个方面： 1. 明确数据来源和格式：清晰描述数据来自 Excel 或 MySQL 数据库，以及包含的具体字段。 2. 定义分析维度和指标：如按板块、国家等维度汇总数据，关注利润相关的指标。 3. 设定时间范围：明确分析近一周的数据变化。 4. 描述图表要求：指定以柱状图展示数据。 5. 解释变化原因：阐明导致数据变化或波动的关键因素。 您可以根据实际情况进一步细化和完善这个框架。

要创建这样一个智能体助手来分析您提供的数据，以下是一些建议的步骤： 1. 数据获取与预处理： 从 Excel 或 MySQL 数据库中读取数据。 对数据进行清洗和预处理，例如处理缺失值、异常值等。 2. 数据分析与计算： 按照用户需求的维度（如板块、国家、品牌等）对数据进行分组和汇总计算。 计算近一周的数据变化情况。 3. 图表生成： 使用合适的图表库（如 matplotlib、Seaborn 等）将汇总后的数据以柱状图的形式展示。 4. 变化原因分析： 通过比较不同维度的数据，找出导致变化或波动的关键因素。 在技术实现方面，您可以使用 Python 编程语言来完成上述任务。例如，使用 Pandas 库进行数据处理和分析，使用 Matplotlib 库生成图表。希望这些建议对您有所帮助，如果您在实现过程中遇到具体的技术问题，欢迎随时向我咨询。

要创建一个含有物理试题库且能分析试题、命制试题和组卷的智能体，您可以参考以下步骤： 1. 阿里云百炼： 访问百炼控制台中“我的应用”，单击新增应用，在智能体应用页签，单击直接创建。如果您之前已创建过应用，则单击右上角的新增应用。控制台页面链接：https://bailian.console.aliyun.com/?spm=5176.29619931.J__Z58Z6CX7MY__Ll8p1ZOR.1.2f3e59fciQnmL7/home 进入智能体应用管理界面后，选择大模型并进行参数配置。您可以参考相关图示，单击设置，并在模型选择的下拉菜单中选择模型，比如通义千问Max。您可以根据需求进行模型参数的配置。 选择大模型之后，您就在百炼创建完成了一个智能体应用。您可以输入问题进行测试。 2. 智谱BigModel： 注册智谱Tokens：智谱AI开放平台：https://bigmodel.cn/ 参与课程至少需要有token体验资源包，获取资源包的方式有：新注册用户，注册即送2000万Tokens；充值/购买多种模型的低价福利资源包，直接充值现金，所有模型可适用：https://open.bigmodel.cn/finance/pay ；语言资源包：免费GLM4Flash语言模型/ ；所有资源包购买地址：https://bigmodel.cn/finance/resourcepack ；共学营报名赠送资源包。 先去【财务台】左侧的【资源包管理】看看自己的资源包，本次项目会使用到的有GLM4、GLM4VPlus、CogVideoX、CogView3Plus模型。 进入智能体中心我的智能体，开始创建智能体。 3. Coze智能体： 知识库： 本次创建知识库使用手动清洗数据，上节课程是自动清洗数据：，自动清洗数据会出现目前数据不准的情况，本节视频就尝试使用手动清洗数据，提高数据的准确性。 在线知识库：点击创建知识库，创建一个画小二课程的FAQ知识库。知识库的飞书在线文档，其中每个问题和答案以分割。选择飞书文档，选择自定义的自定义，输入，然后他就将飞书的文档内容以区分开来，这里可以点击编辑修改和删除。点击添加Bot，添加好可以在调试区测试效果。 本地文档：本地word文件，注意如何拆分内容，提高训练数据准确度，将海报的内容训练的知识库里面。画小二这个课程80节课程，分为了11个章节，不能一股脑全部放进去训练。正确的方法，首先将11章的大的章节名称内容放进来，章节内详细内容格式按固定方式进行人工标注和处理，然后选择创建知识库自定义清洗数据。 发布应用：点击发布，确保在Bot商店中能够搜到。

以下是对您提出的生涯规划领域垂直大模型产品的可行性分析和发展规划，并为项目取名为“生涯智途”。 可行性分析： 1. 需求广泛：帮助人们进行职业规划是一个普遍存在的需求，涵盖了各个年龄段和职业阶段的人群。 2. 数据可用性：可以通过各种渠道收集大量与职业相关的数据，包括行业报告、职位描述、人才需求等。 3. 技术支持：当前大模型技术的发展为实现这样的产品提供了可能，能够处理和分析大量复杂的数据。 发展规划： 1. 数据收集与整理：广泛收集各类职业数据，建立丰富的数据库，确保数据的准确性和完整性。 2. 模型训练与优化：利用收集到的数据进行模型训练，不断优化模型，提高预测和推荐的准确性。 3. 功能开发： 个性化测评：开发能够准确评估用户天赋、兴趣、优势的功能模块。 精准推荐：根据用户的特点，提供个性化的行业和职业推荐，并详细介绍职业的工作内容和核心能力要求。 持续学习与更新：随着行业变化，及时更新数据和模型，以提供最新的职业信息。 4. 用户体验优化：设计简洁、易用的界面，提供良好的用户交互体验。 5. 市场推广：通过线上线下多种渠道进行推广，提高产品的知名度和用户覆盖面。 希望以上分析和规划对您有所帮助。

搭建个人知识库的具体操作如下： 1. 了解 RAG 技术： 利用大模型的能力搭建知识库是 RAG 技术的应用。 大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，通过检索增强生成 RAG 实现。 RAG 应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载可从多种来源加载不同类型的文档。 文本分割器把文档切分为指定大小的块。 存储涉及将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 通过检索算法找到与输入问题相似的嵌入片。 把问题以及检索出来的嵌入片一起提交给 LLM 生成答案。 2. 本地知识库进阶： 若要更灵活掌控知识库，需使用 AnythingLLM 软件，其包含 Open WebUI 的所有能力，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：选择大模型、选择文本嵌入模型、选择向量数据库。 在 AnythingLLM 中创建独有的 Workspace 与其他项目数据隔离。 操作包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式综合给出答案，Query 模式仅依靠文档数据给出答案）、测试对话。 3. 使用 embeddings： 将文本转换成向量能节省空间，可理解为索引。 把大文本拆分成小文本块，通过 embeddings API 转换成向量，在向量储存库保存向量和文本块作为知识库。 用户提问时，问题先转成向量，与储存库中的向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API 。 例如，对于“此文作者是谁？”的问题，通过比较向量可找到关联度高的文本块。

以下是为您生成的适用于使用 DeepSeek 写微信公众号文章的提示词： 我要写一篇关于软件分享或技术分享的微信公众号文章，文章标题要足够吸引人，以便能广泛传播。文章内容要详细且有条理，先介绍分享的软件或技术的基本情况，包括其功能、特点和优势；然后结合实际案例或个人使用体验，阐述其在实际应用中的效果和价值；最后总结并展望其未来的发展前景。请为我生成这样一篇完整的文章。

以下是关于个人知识库的相关内容： 使用 GPT 打造个人知识库： 将文本拆分成小文本块（chunk），通过 embeddings API 转换成 embeddings 向量，在向量储存库中保存这些向量和文本块作为问答的知识库。 当用户提出问题时，问题先转换成问题向量，与向量储存库中的文本块向量比对，提取关联度高的文本块，与问题组合成新的 prompt 发送给 GPT API。 例如对于“此文作者是谁？”的问题，可根据向量关联度提取相关文本块，如“本文作者：越山。xxxx。”“《反脆弱》作者塔勒布xxxx。” 理解 embeddings： embeddings 是浮点数字的向量（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，大距离表示低关联度。 向量是数学中表示大小和方向的量，通常用一串数字表示，在计算机科学和数据科学中常用列表表示。 向量之间的距离有多种计算方式，常见的是欧几里得距离。 在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。 手把手教你本地部署大模型以及搭建个人知识库： 思路来源于视频号博主黄益贺。 作者按照视频进行实操并附加了关于 RAG 的额外知识。 读完本文可学习到如何使用 Ollama 一键部署本地大模型、了解 ChatGPT 的信息流转、RAG 的概念及核心技术、通过 AnythingLLM 搭建本地化数据库等。

以下是一篇关于个人 AI 生存协作的探索指南： 一、相关研究和报告 1. 平安证券发布的《AI 系列深度报告（六）：AI 智能眼镜：AI 技术应用落地新风口，25 年有望迎来新品密集发布》指出，AI 技术推动终端创新，AI 智能眼镜成为新风口，具有轻薄、功能聚焦视听、佩戴舒适等特点，预计 2025 年新品将密集发布，销量有望翻倍。 2. 腾讯研究院发布的《2025 年 AI 转型的进展洞察报告》深入探讨了 AI 转型的定义、内涵、应用现状、投资情况、挑战与风险以及未来展望。报告指出企业对生成式 AI 的探索集中在核心业务环节，但在职能性环节成熟度更高，应用时以多目标为导向，优先聚焦提升核心能力和优化现有业务。 二、基础篇 过去一年持续进行了关于 AI 协作探索的研究和分享，包括 AI 产品的流量和竞争视角分析等。 三、协同智能的七种武器 1. 认知层/武器一：As Team，Be Leader 2. 视角层/武器二：AI as Person 3. 视角层/武器三：AI as ME 4. 视角层/武器四：AI as Alien 5. 实践层/武器五：AI as Tool 6. 实践层/武器六：AI as Mirror&Coach 7. 实践层/武器七：AI as Coworker&Friend 四、拓展阅读 包括 Gamma embed、AIGC 行业、AI 变革、公司/产业实践等方面的内容。 五、人类价值的低替代、提升方向和方式重塑 在领导决策、创新思维、沟通能力等方面，思考和创新占 70%，想法的实现执行和与 AI 协作执行占 30%。

以下是关于架设个人 AI 的相关信息： 大圣是一位 AI 超级个体打造者，主业为程序员，专注于 AI Agent、AI 编程以及 AI 写作领域，热爱写作与分享，擅长将复杂的 AI 知识通俗易懂地讲解。他计划一年内将自己的工作流全部 AI 化以实现十倍提效，目前的工作流主要包括阅读与写作、自媒体个人 IP、做公开课程与付费课程以及女儿日常陪伴。 用 Coze 免费打造自己的微信 AI 机器人的步骤： 设计 AI 机器人时，要确定功能范围。 编写【prompt】提示词，设定 Bot 的身份和目标。 创建【知识库】，整理“关键字”与“AI 相关资料链接”的对应关系并存储，创建知识库路径为个人空间知识库创建知识库，支持本地文档、在线数据、飞书文档、Notion 等类型，本次使用【本地文档】，按照操作指引上传文档、分段设置、确认数据处理，可在内容中加上特殊分割符“”便于自动切分数据，分段标识符号选择“自定义”，内容填“”，若内容有误可编辑或删除。 创建【工作流】，告诉 AI 机器人处理信息的流程，创建工作流路径为个人空间工作流创建工作流，工作流设计好后先试运行，无误后发布，若任务和逻辑复杂，可结合“节点”工具，如调用【大模型】总结分析知识库内容、调用【数据库】存储用户输入信息、调用【代码】处理复杂逻辑等，工作流不必复杂，能实现目的即可，所以在设计 Bot 前确定目的和功能范围很重要。