直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

大模型如何接入企业数据库

回答

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：

  • ChatGLM-6B 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GanymedeNil/text2vec-large-chinese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。
  3. 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。
  4. 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。
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

开发：GLM等大模型外接数据库

从文档处理角度来看，实现流程如下：[heading1]配置要求[content]ChatGLM-6B模型硬件需求注：模型文件下载至本地需要15 GB存储空间。|量化等级|最低GPU显存（推理）|最低GPU显存（高效参数微调）|<br>|-|-|-|<br>|FP16（无量化）|13 GB|14 GB|<br>|INT8|8 GB|9 GB|<br>|INT4|6 GB|7 GB|MOSS模型硬件需求注：模型文件下载至本地需要70 GB存储空间|量化等级|最低GPU显存（推理）|最低GPU显存（高效参数微调）|<br>|-|-|-|<br>|FP16（无量化）|68 GB|-|<br>|INT8|20 GB|-|Embedding模型硬件需求默认选用的Embedding模型[GanymedeNil/text2vec-large-chinese](https://huggingface.co/GanymedeNil/text2vec-large-chinese/tree/main)约占用显存3GB，也可修改为在CPU中运行。

开发：GLM等大模型外接数据库

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[heading2]API模式启动[heading2]命令行模式启动[heading1]上传知识库[content]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扮演不同的角色上传公司财报，充当[财务分析师](https://www.zhihu.com/search?q=%E8%B4%A2%E5%8A%A1%E5%88%86%E6%9E%90%E5%B8%88&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3030429770%7D)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](https://www.zhihu.com/search?q=%E7%99%BE%E7%A7%91%E5%85%A8%E4%B9%A6&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A3030429770%7D)，充当在线问诊医生等等MOSS同理

数据库

[title]数据库[heading1]使用数据表[heading2]通过工作流数据库节点操作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。下图是工作流中数据库节点配置示例。当发布工作流后，在用户与Bot对话时，大语言模型会根据需要调用工作流，按照工作流中数据库节点中配置的SQL来执行数据表操作。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，确保你已经搭建了一个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。2.1.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。2.2.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。不支持Select*语法。不支持多表Join操作。最多返回100行数据。

其他人在问
我想知道如果我上传给Coze数据库，我的数据安全有保障吗
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。
2024-11-14
向量数据库
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。
2024-09-02
如何在coze的prompt中调用数据库
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。
2024-09-02
向量数据库高效储存是什么意思 举个例子
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。
2024-08-27
向量数据库高效存储与内存的关系
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。
2024-08-27
1. 国内各个大模型有什么区别，请基于数据库/擅长方向分析 2. 推荐好用的搜索ai工具，需要查询权威资料，要求信息源可靠
以下是关于您提出的问题的回答： 国内各个大模型的区别： 北京企业机构： 百度（文心一言）：https://wenxin.baidu.com 抖音（云雀大模型）：https://www.doubao.com 智谱 AI（GLM 大模型）：https://chatglm.cn 中科院（紫东太初大模型）：https://xihe.mindspore.cn 百川智能（百川大模型）：https://www.baichuanai.com/ 上海企业机构： 商汤（日日新大模型）：https://www.sensetime.com/ MiniMax（ABAB 大模型）：https://api.minimax.chat 上海人工智能实验室（书生通用大模型）：https://internai.org.cn 在聊天状态下能生成 Markdown 格式的有智谱清言、商量 Sensechat；目前不能进行自然语言交流的有昇思（可以对文本进行是否由 AI 生成的检测，类似论文查重，准确度不错）；受限制使用的有 MiniMax（无法对生成的文本进行复制输出，且只有 15 元的预充值额度进行体验，完成企业认证后可以进行充值）。特色功能方面，昇思可以生图，MiniMax 可以语音合成。 关于好用的搜索 AI 工具：目前没有明确的权威资料推荐特定的搜索 AI 工具。但需要指出的是，中国大模型在数据方面存在一些问题。在人工智能领域，数据质量至关重要。虽然 OpenAI 训练大模型所用的中文数据也源自中国的互联网平台，但他们在数据处理上更加精细，类似于将粗糙的原石打磨成璀璨的钻石。而在中国，高质量的数据处理服务相对稀缺，国内大模型主要以中文数据为基础，但中文互联网数据的质量普遍被认为相对较低。这导致在 IT 从业者搜索专业信息时，往往会首选 Google、arXiv 或 Bing 等国际平台，而不是国内的搜索引擎。
2024-08-26
使用coze搭建一个心理咨询机器人，将机器人接入自己开发的应用后，如何再进一步实现让ai把每个用户每天的聊天内容，总结成日记，并传回给应用展示日记
目前知识库中没有关于使用 Coze 搭建心理咨询机器人，并将用户每天聊天内容总结成日记传回应用展示的相关内容。但一般来说，要实现这个功能，您可能需要以下步骤： 1. 数据采集与存储：在机器人与用户交互过程中，采集并妥善存储聊天数据。 2. 自然语言处理与分析：运用相关的自然语言处理技术，对聊天内容进行理解和分析，提取关键信息。 3. 内容总结：基于分析结果，使用合适的算法和模型将聊天内容总结成日记形式。 4. 数据传输：建立与应用的稳定接口，将总结好的日记数据传输回应用。 这只是一个大致的思路，具体的实现会涉及到很多技术细节和开发工作。
2024-11-15
企业微信个人账户接入大模型
企业微信个人账户接入大模型可以参考以下内容： 基于 COW 框架的实现步骤： COW 是基于大模型搭建的 Chat 机器人框架，将多模型塞进自己的微信里实现方案。 张梦飞同学写了更适合小白的使用教程： 。 可以实现：打造属于自己的 ChatBot（文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等等）；常用开源插件的安装应用。 正式开始前需要知道：ChatBot 相较于在各大模型网页端使用区别，本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项：微信端因为是非常规使用，会有封号危险，不建议主力微信号接入；本文只探讨操作操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 支持多平台接入：微信、企业微信、公众号、飞书、钉钉等。 有多模型选择：GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等。 支持多消息类型：能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能。 有多部署方法：本地运行、服务器运行、Docker 的方式。 全程白嫖拥有一个 AI 大模型的微信助手的实现步骤： 搭建，用于汇聚整合多种大模型接口，方便更换使用各种大模型，下面会告知如何白嫖大模型接口。 搭建，这是个知识库问答系统，把知识文件放进去，再把上面的大模型接进来，作为分析知识库的大脑，最后回答问题，如果不想接到微信去，自己用用，搭建完就可以，它也有问答界面。 搭建，里面的 cow 插件能进行文件总结、MJ 绘画的能力。
2024-11-06
我要在自己的应用中接入AI大模型能力，请问有什么工具或lib可以简化这个过程
以下是一些可以简化在应用中接入 AI 大模型能力的工具和库： 1. 您可以搭建 ，用于汇聚整合多种大模型接口，方便后续更换使用各种大模型。 2. 搭建 ，这是一个知识库问答系统，您可以将知识文件放入，并接入大模型作为分析知识库的大脑，它也有问答界面。 3. 搭建 ，其中的 cow 插件能进行文件总结、MJ 绘画等。 另外，基于 LangChain 平台提供的 LLM 基础模型，也能完成任意模型接口的封装。LLM（语言逻辑模型）是 LangChain 平台与各种大模型进行交互的核心模型，是一个抽象概念，可理解为处理语言输入和输出的黑盒。其输入是字符串表示的用户请求或问题，输出也是字符串表示的模型回答或结果。LLM 能根据不同输入调用不同大模型完成不同语言任务，具有无需关心大模型细节和复杂性、灵活选择切换大模型、可自行封装实现语言逻辑和功能等优势。 在基础通识课中，还提到了一些相关内容，如流式训练方式提升训练速度和质量，多种 AI 生成工具（如 so no 音频生成工具、能创建个人 AI 智能体的豆包、输入文本可生成播客的 Notebook LN），端侧大模型的特点，AI 工程平台（如 define、coach 等），模型社区（如魔搭社区）等。
2024-10-23
coze怎么接入微信
要让 Coze 接入微信，您可以按照以下步骤进行操作： 1. 获取机器人 ID：在个人空间中找到要接入微信的机器人，比如画小二智能小助手。点击对应的机器人进入机器人编辑界面，在浏览器地址栏“bot/”之后的数据就是该机器人的 Bot ID，此 ID 是唯一编号的。 2. Docker 中配置 COW 组件： 登录宝塔面板，在宝塔面板当中可视化地控制云服务器，部署 docker 容器，启动 COW 项目与微信取得关联。 chatgptonwechat（简称 CoW）项目是基于大模型的智能对话机器人，可以接入微信公众号、企业微信应用、飞书、钉钉等，能处理文本、语音和图片，通过插件访问操作系统和互联网等外部资源。 点击“Docker”中的“项目模板”中的“添加”按钮，将编译好的内容复制进来，在容器中创建容器，选择容器编排，填入模板和名称，确定。运行成功后，点击容器，可以看到运行的是两个服务。 点击“wcandyaibot”后面的日志按钮，在弹出层中用提前预备好的微信进行扫码。此界面不会实时更新显示，需要手动刷新一下。点击“刷新日志”，如果看到“WeChat login success”，就成功将 Bot 接入微信中了。 3. 绑定微信：需要提前准备一个闲置的微信，因为这种方法是非官方接口，有可能微信号会受到官方限制。点击容器，可以看到运行的是两个服务。点击“wcandyaibot”后面的日志按钮，在弹出层中用提前预备好的微信进行扫码。这个界面不会实时显示，为了验证是否成功，需要手动刷新一下。点击“刷新日志”，就能看到“WeChat login success”，提示微信登录成功。为了确保微信是否实时在线，点击“日志管理”的“wcandyaibot”的“刷新日志”。如果显示“wechat login seccess”则表示微信正常登录中。
2024-09-28
bot接入微信机器人，能用语音聊天吗
Bot 接入微信机器人可以实现语音聊天。具体步骤如下： 1. 登录宝塔面板，在宝塔面板中可视化控制云服务器，部署 docker 容器，启动 COW 项目与微信取得关联。 2. 点击“Docker”中的“项目模板”中的“添加”按钮。 3. 项目模板代码示例如下：将编译好的内容复制进来。 4. 在容器中创建容器，选择容器编排，填入模板和名称，确定。 5. 现实运行成功后，点击容器，可以看到运行的是两个服务。 6. 点击“wcandyaibot”后面的日志按钮，在弹出层中用提前预备好的微信进行扫码。此界面不会实时更新显示，需要手动刷新一下。点击“刷新日志”，如果看到“WeChat login success”，就成功将 Bot 接入微信中了。 7. 如果扫描二维码出现预料之外的情况，可以退回到容器配置处，重启容器服务，然后重新扫码登录。 8. 若想修改 COW 组件的配置，比如修改机器人回复的前缀或开启语音识别等，进入对应的编排模板的配置界面，点击模板编辑，修改对应的配置参数，点击保存，然后回到容器编排界面重新部署新的容器编排即可。 至此，完成 COW 组件的部署和微信号的绑定，就可以开始与机器人微信号进行语音聊天了。
2024-09-09
如何将扣子搭建的agent接入微信，成为一个有微信号的真人
以下是将扣子搭建的 agent 接入微信的一般步骤： 1. 在 Dify 的官网，可找到手把手教您将 Dify 应用接入微信生态的教程： 创建聊天助手应用：在 Dify 平台创建基础编排聊天助手应用，获取 API 密钥和 API 服务器地址。 下载 Dify on WeChat 项目：下载并安装依赖。 填写配置文件：在项目根目录创建 config.json 文件，填写 API 密钥和服务器地址。 把基础编排聊天助手接入微信：快速启动测试，扫码登录，进行对话测试，可以选择源码部署或 Docker 部署。 把工作流编排聊天助手接入微信：创建知识库，导入知识库文件，创建工作流编排聊天助手应用，设置知识检索节点和 LLM 节点，发布更新并访问 API。 把 Agent 应用接入微信：创建 Agent 应用，设置对话模型和添加工具，生成 API 密钥，填写配置文件，启动程序并进行测试。更多内容请访问原文：https://docs.dify.ai/v/zhhans/learnmore/usecases/difyonwechat 2. 零成本、零代码搭建智能微信客服的实操步骤： 注意：目前需要企业认证，才可以进行接入微信客服。如果企业没有进行认证，则会在配置回调 URL 时报错：回调域名校验失败。另外，之前未进行企业认证就发布过微信客服的不受影响。 第一次设置成功后，后面再修改的页面操作： 到微信客服的客服账号，创建一个客服账号，复制客服账号名称，到 coze 的页面粘贴，点击保存。 保存后，在 coze 发布页面的发布平台的微信客服这里，显示“已配置”，剩下的就是勾选，点击发布。 发布成功后，接下来就是体验了，可以点击微信客服旁边的立即对话、复制 Bot 链接，会弹出来该微信客服的二维码，扫码即可立即体验。
2024-08-23
chilloutmix模型
以下是关于 chilloutmix 模型的相关信息： 在腊八节相关的生成中，模型为 chilloutmix_NiPrunedFp32Fix，生成尺寸与草稿图保持一致，有正、负面关键词及 ControlNet 设置等具体参数。 在猫猫相关的生成中，虽然作者建议使用 chilloutmix_NiPrunedFp32Fix 模型，但也可以尝试其他模型。 在 AIGC Weekly 09 中，提到从 civitai 下载 ChilloutMix 模型并放到整合包 models\\Stablediffusion 目录里启动 web UI 切换模型。
2024-11-17
SD好的模型分享
以下是为您分享的关于 SD 模型的相关内容： 对于 SDXL 的 ControlNet 模型中的 Canny 硬边缘模型，有不同型号，如 4080ti 笔记本测试中，12G 显存下，sdxl base+refiner 模型，使用 diffusers 的 2.5Gfull 模型绘制 10241024 尺寸图片需 2 分 57 秒，320Mb 的 small 模型用时 34s，质量差距不大但时间优势明显。其他作者如 kohya 的用时 33 秒，更接近真实质感。sai 的 128lora 和 256lora 分别用时 39 秒和 1 分 08 秒，偏绘画感觉。t2i 的用时 34s，偏插画。关闭 refiner 能节省一半左右时间，平均 17 秒左右。 在 Depth 深度模型测试中，图形尺寸 6641024，diffusers 的 full 模型用时 2 分 48 秒，small 模型用时 23s，kohya 模型用时 42 秒，sai 模型用时 1 分 12 秒，sargezt 模型用时 1 分 52 秒。 用 Stable Diffusion 时，要先确定照片风格，如生成真人 AI 小姐姐可选用 chilloutmix 的大模型。部分常用大模型可在分享的链接中根据文件夹名称找到。文章第三部分会详细介绍模型下载位置和存放位置。 对于 ControlNet 中线条约束类的预处理器和模型，作者已整理好，如需获取可添加公众号【白马与少年】回复【SD】。同时作者还附上一张图帮助理解 ControlNet 模型的命名规则。
2024-11-17
sd模型
Stable Diffusion（SD）模型是由 Stability AI 和 LAION 等公司共同开发的生成式模型，参数量约 1B，可用于文生图、图生图、图像 inpainting、ControlNet 控制生成、图像超分等任务。 文生图任务是将一段文本输入到 SD 模型中，经过一定迭代次数生成符合文本描述的图片。例如输入“天堂，巨大的，海滩”，模型生成美丽沙滩的图片。 图生图任务在输入文本基础上再输入一张图片，模型根据文本提示将输入图片重绘以更符合文本描述。比如在之前生成的沙滩图片上添加“海盗船”。 输入的文本信息需通过“桥梁”CLIP Text Encoder 模型转换为机器数学信息。该模型作为 SD 模型中的前置模块，将输入文本信息编码，生成 Text Embeddings 特征矩阵，用于控制图像生成。 CLIP 模型包含 Text Encoder 和 Image Encoder 两个模型，在 Stable Diffusion 中主要使用 Text Encoder 模型。它将输入的文本 Prompt 编码转换成 Text Embeddings（文本的语义信息），通过 UNet 网络中的 CrossAttention 模块嵌入 Stable Diffusion 中作为 Condition，对生成图像的内容进行控制与引导。目前 SD 模型使用的是中的 Text Encoder 模型。 CLIP ViTL/14 中的 Text Encoder 是只包含 Transformer 结构的模型，由 12 个 CLIPEncoderLayer 模块组成，模型参数大小是 123M，输出的 Text Embeddings 维度为 77x768。 以下是相关资源获取方式： SD 模型权重百度云网盘：关注 Rocky 的公众号 WeThinkIn，后台回复：SD 模型，即可获得包含多种模型权重的资源链接。 SD 保姆级训练资源百度云网盘：关注 Rocky 的公众号 WeThinkIn，后台回复：SDTrain，即可获得包含数据处理、模型微调训练及基于 SD 的 LoRA 模型训练代码等全套资源。 Stable Diffusion 中 VAE，UNet 和 CLIP 三大模型的可视化网络结构图下载：关注 Rocky 的公众号 WeThinkIn，后台回复：SD 网络结构，即可获得网络结构图资源链接。
2024-11-17
我是一名高中历史老师，请问用什么大模型能帮我做教学设计
以下为您推荐一些利用大模型辅助高中历史教学设计的案例： 有一位历史老师使用 GPT 给学生讲课，通过 GPT 生成一个“沉浸式”历史片段游戏，让学生扮演一个角色“设身处地”地做决策，学生的作业是找出 GPT 的错误。例如明朝灭亡、南京、1645 年 5 月的相关案例，您可以参考：https://chat.openai.com/share/86815f4e674c4410893c4ae3f1b7412e/continue 。 对于历史专业的学生，当他们遇到像 ChatGPT 这样的语言模型时，已经训练有素能够识别一些常见的陷阱，如事实不准确等，并通过事实核查、分析体裁和受众、在相关来源中搜索等技能来解决这些问题。 语言模型对于历史学家和历史专业的学生是有益的，但对于历史老师和其他教育工作者在短期内可能会带来一些问题，需要重新思考许多作业的布置方式。 您可以尝试借鉴这些案例，根据您的教学需求和学生特点，对大模型的应用进行调整和优化。
2024-11-17
大模型可以修复老旧的分辨率低的视频吗
大模型在修复老旧低分辨率视频方面是可行的，但具体效果因模型和方法而异。 例如，使用 StabilityAI 官方的 Stable Diffusion V2.1 512 EMA 模型、StableSR 模块和 VQVAE 等，通过不同的放大方法进行测试。如“Ultimate SD upscale”脚本放大，重绘幅度不同效果有别，重绘幅度大可能导致人物失真。“后期处理”的放大方法能使眼神更锐利，但对模糊的头发改善有限。而 StableSR 的放大则需要进行相应的模型和参数调整。 另外，像 Sora 这样的大型视觉模型，能够在原始尺寸上训练、理解和生成视频及图像。它可以处理不同格式和分辨率的视觉数据，保持原始宽高比，改善生成视频的构图和框架。其基础模型用于低分辨率视频生成，通过级联扩散模型细化提高分辨率，采用 3D UNet 架构，结合多种技术和方法，能生成高保真度且具有可控性的视频。
2024-11-17
如何可以使用到chatgpto1大模型
目前 ChatGPT 没有 ChatGPT1 这个大模型。ChatGPT 有多个版本，如 ChatGPT3、ChatGPT3.5、ChatGPT4 等。您可以通过以下方式使用 ChatGPT 相关模型： 1. 访问 OpenAI 的官方网站，按照其指引进行注册和使用。 2. 部分应用和平台可能集成了 ChatGPT 的接口，您可以在这些应用中体验其功能。 需要注意的是，使用 ChatGPT 时应遵循相关的使用规则和法律法规。
2024-11-16
AI在企业战略方面有哪些应用场景？
AI 在企业战略方面的应用场景主要包括以下几个方面： 1. 构建负责任的 AI 战略： 制定企业 AI 战略时，需在提高效率、促进创新的同时规避潜在风险。企业可通过优化实际操作流程，满足市场需求并保持长远发展。 2. 明确 AI 的适用范围： 并非所有决策都需由 AI 完成，在复杂决策场景中，AI 更适合作为辅助工具。 常见适用场景包括： 数据密集型工作，如市场分析、客户画像、生产优化等，能提升效率、降低人力成本。 重复性任务，在自动化流程、预测维护等方面表现出色，可降低人为错误。 有限范围内的创新，能基于已有数据提供初步创新建议，但跨领域创新、产品设计等仍由人类主导。 实操提示：企业管理层可引入内部评估机制，每季度评估 AI 在不同业务线中的表现，并设定不同使用权限。AI 可部署在低风险、可标准化的任务上，涉及品牌形象、用户隐私、产品战略的决策由人类主导。 3. 数据驱动决策： 利用 AI 工具分析大量客户和市场数据，为决策提供有力支持。 为营销、产品开发等部门提供基于数据的建议和指导，将分析结果转化为实际业务策略，与相关部门紧密合作，持续监控效果并收集数据，形成闭环不断优化。 通过以上应用，企业能够将数据转化为商业价值，更精准定位市场和客户，优化产品和服务，在竞争中获得优势，做出更明智的决策并适应市场变化。
2024-11-14
AI应用于企业
以下是关于 AI 应用于企业的相关内容： 提示词工程在企业中的应用： 提升决策、创新和沟通：通过个性化客户互动、情感智能沟通、内部知识管理和跨部门协作等方式优化客户服务和内部沟通。例如，使用特定提示词训练客服 AI 以提升客户服务质量。 AI 在各行业的主要应用场景： 医疗保健：包括医学影像分析、药物研发、个性化医疗、机器人辅助手术等。 金融服务：涵盖风控和反欺诈、信用评估、投资分析、客户服务等。 零售和电子商务：有产品推荐、搜索和个性化、动态定价、聊天机器人等。 制造业：包含预测性维护、质量控制、供应链管理、机器人自动化等。 AI 在企业中的主要应用领域： 计算机视觉：如图像分类和物体识别、图像分割算法、视觉追踪等，应用于面部识别、检测 X 光照射图片等。 自然语言处理：包括文本分类、信息检索、名称实体识别、机械翻译、解析与语音部分标注技术、语音识别、触发词检测、语音 ID 识别、语音合成技术等。 机器人：涉及机器人“感知”、运动轨迹计划、控制等。
2024-11-08
AI对企业的价值
AI 对企业具有多方面的重要价值： 1. 在生物科技领域，AI 有助于将过去昂贵、人力密集、效率较低且难以获得的事物转变为更低成本、更高效、甚至更有效的“计算”，从而将服务转化为“计算”资源，使技术渗透到以前未受 IT 革命影响的行业。 2. 许多公司正将 AI 融入其工作流程，以此来快速达成 KPI、扩张规模和降低成本。例如，工作流程自动化平台 ServiceNow 通过 AI 驱动的 Now Assist，实现了近 20%的事件避免率；Palo Alto Networks 利用 AI 降低了处理费用的成本；Hubspot 利用 AI 扩大了能够支持的用户规模；瑞典金融科技公司 Klarna 通过将 AI 融入用户支持，在运行率方面节省了 4000 多万美元。 3. 对于中小企业，利用 AI 工具进行数据分析和洞察，能够分析大量的客户和市场数据，为企业的决策提供有力的数据支持。例如，深入理解客户行为、市场趋势和业务机会，为营销、产品开发等部门提供基于数据的建议和指导，将数据洞察转化为实际的业务策略，形成闭环，不断优化数据分析和业务决策，从而在竞争中获得优势，更精确地定位市场和客户，优化产品和服务。 不远的将来，有望看到 UX 和 UI 围绕 AI 的功能进行重新设计，开发全新的用户界面，以提供有价值的新体验。
2024-11-02
企业文化设计用哪个AI
以下是关于企业文化设计可使用的 AI 工具： 1. 生成 Logo 的 AI 产品： Looka：在线 Logo 设计平台，使用 AI 理解用户品牌信息和设计偏好，生成多个设计方案供选择和定制。 Tailor Brands：AI 驱动的品牌创建工具，通过用户回答问题生成 Logo 选项。 Designhill：其 Logo 制作器使用 AI 技术创建个性化 Logo，用户可选择元素和风格。 LogoMakr：提供简单易用的 Logo 设计工具，用户可拖放设计，利用 AI 建议的元素和颜色方案。 Canva：广受欢迎的在线设计工具，提供 Logo 设计模板和元素，有 AI 辅助设计建议。 LogoAI by Tailor Brands：Tailor Brands 推出的 AI Logo 设计工具，根据用户输入快速生成方案。 标小智：中文 AI Logo 设计工具，利用人工智能技术帮助创建个性化 Logo。 您可以访问网站的 AI 生成 Logo 工具版块获取更多好用的工具： 关于使用 AI 进行室外设计的最佳实践： 1. 充分利用 AI 的创意生成能力：使用 AI 图像生成工具，输入关键词生成多种创意方案，获取新颖独特的灵感。 2. 结合 AI 的模拟和可视化功能：利用 AR/VR 等技术，将生成的设计方案在实际环境中模拟和可视化，便于评估和验证。 3. 运用 AI 的分析和优化能力：使用 AI 工具对设计方案的采光、动线、材料等方面进行优化，符合实际需求和体验。 4. 借助 AI 的自动化设计功能：利用 AI 自动生成符合设计规范的平面图、立面图等，提高效率，缩短周期。 5. 融合 AI 与人工设计的协作模式：人工设计师与 AI 工具互补，在创意、分析、优化等环节充分利用 AI 的能力，提升整体设计效率和质量。 需注意，以上部分内容由 AI 大模型生成，请仔细甄别。
2024-10-29
你是一名课程开发专家，现在要以“AI技术在课程设计中的应用“为题展开培训，课程对象是企业内部培训师，时长1天。 课程要解决以下问题： 1.用AI工具做需求数据统计 2.用AI工具设计课程题目 3.用AI工具设计课程大纲。4.用AI工具制作PPT5.用AI工具画配图。 要求如下: 1.需要到三级大纲。 2、结构完整。 格式如下: 一、（一级大纲） 1、（二级大纲） 1.1（三级大纲）
一、AI 技术在课程设计中的应用 1、AI 工具与需求数据统计 1.1 Chat Excel 处理数据 1.2 让 AI 辅助编写苹果系统右键“快速操作”实现一键视频压缩、加速 1.5x 1.3 让 AI 辅助编写苹果“自动操作”实现批量统计学生作业字数 2、AI 工具与课程题目设计 3、AI 工具与课程大纲设计 4、AI 工具与 PPT 制作 5、AI 工具与配图绘制 二、生成式人工智能在教学中的应用 1、生成式人工智能的基本原理 1.1 文生文 1.2 文生图 1.3 文生音频 1.4 文生视频 2、生成式人工智能的最少必要知识 2.1 生成式 AI 原理 2.2 能力范围 2.3 性能参数 3、人工智能的学习方式 3.1 监督学习 3.2 无监督学习 3.3 强化学习 4、生成式人工智能的应用案例 4.1 根据消费者购买行为偏好分组 4.2 手机相册里的人脸识别分类 4.3 根据房屋特征面积预测价格 4.4 垃圾短信检测分类 4.5 汽车自动驾驶或路径规划导航 4.6 高级游戏人机对弈 5、AI 与教育的关系 5.1 AI 辅助教师的一天 5.2 各大模型之间的使用差异 5.3 教师使用 AI 小技巧
2024-10-28