直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

怎么写文档会让RAG 效果更好

回答

要让 RAG 效果更好地写文档，您可以参考以下要点：

  1. 文档切割：
    • 合理的文档切割能让系统返回更完整、连贯的结果。例如，对于“猫咪的饮食习惯是什么？”的查询，将相关内容切割为“猫咪的饮食习惯取决于它们的年龄、健康状况和品种。”和“幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。”这样的文档块。
    • 目前免费平台一般提供智能切割和手动切割两种方式。但在当下技术水平下，智能切割效果一般，对于以问答为主的客服场景，将一个问答对切成一个文档片，检索效果会很好。
  2. 整理知识库文档阶段：
    • 确定知识库包含的文档类型，如政策原文文档、业务积累的 QA、操作指引、产品说明等，并进行预处理。
    • 知识库本身质量对最终效果至关重要，是大模型生成回答的原始语料。
    • 优化方向包括：
      • 文档格式：PDF 文档格式信息相对简洁，干扰少，但也有说.docx 效果更优的，需根据场景测试。
      • 文档命名：尽量控制在 10 字左右，涵义简洁明了，避免无意义的数字、符号或缩写。
      • 文档语言：尽量统一为同一种，避免中英文混切导致乱码和无用数据。
      • 文档内容：设置清晰的一二级标题，对特殊元素进行处理。
      • 构建问答对：能达到更好效果，但耗费人力和运营成本，需综合考虑。
  3. 通用语言模型微调可完成常见任务，更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源。Meta AI 引入的 RAG 方法把信息检索组件和文本生成模型结合，可接受输入并检索相关文档，给出来源，适应事实变化，不用重新训练就能获取最新信息并生成可靠输出。Lewis 等人（2021）提出通用的 RAG 微调方法，使用预训练的 seq2seq 作为参数记忆，用维基百科的密集向量索引作为非参数记忆。
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

这可能是讲 Coze 的知识库最通俗易懂的文章了

[title]这可能是讲Coze的知识库最通俗易懂的文章了[heading1]影响RAG输出质量的因素[heading2]文档切割1."猫咪喜欢吃各种各样的食物，包括鱼、鸡肉和干粮。"2."猫咪的饮食习惯取决于它们的年龄、健康状况和品种。"3."幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。"4."确保猫咪的饮食中包含足够的水分非常重要，以避免肾脏问题。"假设用户查询：“猫咪的饮食习惯是什么？”合理的文档切割会让系统返回如下更完整的结果：文档块2：“猫咪的饮食习惯取决于它们的年龄、健康状况和品种。”文档块3：“幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。”这样，用户得到的回答是连贯且完整的。我希望你可以通过上面这个例子了解文档切割对于RAG的重要性，那我们该如何将文档切割的更合理呢？各个免费的平台一般都提供了两种文档切割方式，分别是：智能切割：由系统通过上下文理解进行切割手动切割：用户可以指定固定的分隔符来对文档进行切割如果我们想通过利用Coze等免费平台搭建知识库，在当下的技术水平下，智能切割并不是一个很好的方式，因为目前来讲Coze等免费平台提供的智能切割方式效果一般。那是不是Coze的知识库就完全不能用了？当然不是，对于某一个业务场景，RAG的表现都是比较稳定的，那就是以问答为主的客服场景。这里最主要的原因就是问答场景的格式非常固定，那就是问答对，只要我们在切割的时候将一个问答对切成一个文档片，那么在检索的时候效果就会非常好。这里给大家一个QA问答对的格式：

开发：产品视角的大模型 RAG 应用

在最开始，我们需要确定知识库包含哪些文档，比如政策原文文档、业务积累的QA、操作指引、产品说明等，并对这些文档进行预处理。知识库本身质量对最终效果的影响至关重要，这是大模型最终生成回答的原始语料。在此阶段，可以考虑以下优化方向：文档的格式：pdf、docx()等不同格式的文档，识别难度不一样。从目前公开的资料来看，一般PDF文档的效果会更好一些，因为pdf文档的格式信息相对来说较为简洁，对大模型干扰少。但也有说.docx的效果更优的，因此实践中还是要根据场景去测试。文档命名：尽量控制在10字左右，涵义简洁明了，避免标题中出现无意义的数字、符号或缩写。文档语言：尽量统一为同一种。因为embedding模型对于中英文、繁简体的支持可能不一样，如果文档不做处理，引擎会把中英文切到一个chunk里面，向量化之后有一半可能是乱码，有一半是没有用的数据。文档内容：设置可清晰识别的一二级标题，对难以处理的图片、表格、公式、超链接、附件、架构图、代码等进行特殊处理。构建问答对：因为最终的交互是问答的形式，所以在构建知识库时，如果能基于用户可能的提问方式，构建问答对，作为知识库原始数据，一般能达到更好的效果，但构建问答对的过程需要耗费较多人力，还需要考虑运营成本。需要注意的是，对知识库的处理是一个case by case的事情，并不存在一个放之四海而皆准的公式，需要根据具体的场景和需求以及处理成本去做大量实践，才能找到最适合自己的。

检索增强生成 (RAG)

[title]检索增强生成(RAG)通用语言模型通过微调就可以完成几类常见任务，比如分析情绪和识别命名实体。这些任务不需要额外的背景知识就可以完成。要完成更复杂和知识密集型的任务，可以基于语言模型构建一个系统，访问外部知识源来做到。这样的实现与事实更加一性，生成的答案更可靠，还有助于缓解“幻觉”问题。Meta AI的研究人员引入了一种叫做[检索增强生成（Retrieval Augmented Generation，RAG）(opens in a new tab)](https://ai.facebook.com/blog/retrieval-augmented-generation-streamlining-the-creation-of-intelligent-natural-language-processing-models/)的方法来完成这类知识密集型的任务。RAG把一个信息检索组件和文本生成模型结合在一起。RAG可以微调，其内部知识的修改方式很高效，不需要对整个模型进行重新训练。RAG会接受输入并检索出一组相关/支撑的文档，并给出文档的来源（例如维基百科）。这些文档作为上下文和输入的原始提示词组合，送给文本生成器得到最终的输出。这样RAG更加适应事实会随时间变化的情况。这非常有用，因为LLM的参数化知识是静态的。RAG让语言模型不用重新训练就能够获取最新的信息，基于检索生成产生可靠的输出。Lewis等人（2021）提出一个通用的RAG微调方法。这种方法使用预训练的seq2seq作为参数记忆，用维基百科的密集向量索引作为非参数记忆（使通过神经网络预训练的检索器访问）。这种方法工作原理概况如下：图片援引自:[Lewis et el.(2021)(opens in a new tab)](https://arxiv.org/pdf/2005.11401.pdf)

其他人在问
大模型中的RAG
RAG 即 RetrievalaugmentedGeneration（检索增强技术），是大模型中的一个重要概念。 首先回顾 LLM 的原理，它是把互联网文献材料降维到 latent space 中，并通过 transformer 方式学习其中的“经验”。但固定文献资料存在局限性，可能无法回答某些问题。 RAG 的出现解决了这一问题，它允许模型到搜索引擎上搜索问题相关资料，并结合自身知识体系综合回复。其中，RAG 的“R”即搜索环节并非简单操作，还涉及传统搜索的逻辑，如对输入问题的纠错、补充、拆分，以及对搜索内容的权重逻辑等。 例如，对于“中国界世杯夺冠那年的啤酒销量如何”的问题，会先纠错为“中国世界杯夺冠那年的啤酒销量如何”，然后拆分问题进行综合搜索，将搜索到的资料提供给大模型进行总结性输出。 RAG 是一种结合检索和生成的技术，能让大模型在生成文本时利用额外数据源，提高生成质量和准确性。其基本流程为：首先，给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文）；然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望输出（如答案或摘要）；最后，从大模型输出中提取或格式化所需信息返回给用户。
2024-10-20
RAG应用的案例，结合本地知识库和开放搜索
以下是一些 RAG 应用的案例： 1. 用户向 ChatGPT 查询最近引起广泛关注的事件，如 OpenAI 首席执行官的突然解雇和复职，由于 ChatGPT 预训练数据的限制缺乏对最新事件的了解。RAG 通过从外部知识库中检索最新的文档摘录来解决这一问题，获取相关新闻文章并与最初的问题合并成丰富的提示，使 ChatGPT 能够合成知情的回答，展示了其通过实时信息检索增强模型响应能力的过程。 2. 在本地知识库的搭建中，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。RAG 应用可抽象为 5 个过程：文档加载，从多种来源加载文档；文本分割，把文档切分为指定大小的块；存储，包括将切分好的文档块嵌入转换成向量形式并存储到向量数据库；检索，通过检索算法找到与输入问题相似的嵌入片；输出，把问题及检索出来的嵌入片一起提交给 LLM，让其生成更合理的答案。 3. 在了解 RAG 全貌时，其流程分为离线数据处理和在线检索两个过程。离线数据处理目的是构建知识库这本“活字典”，在线检索则是利用知识库和大模型进行查询的过程。以构建智能问答客服这一最经典的应用场景为例，可深入了解 RAG 所有流程中的“What”与“Why”。
2024-10-20
有没有RAG 基本架构的中文图示
以下是关于 RAG 基本架构的介绍： RAG 是当今大多数现代人工智能应用程序的标准架构。以 Sana 的企业搜索用例为例，其工作原理如下： 1. 应用程序加载和转换无结构文件（如 PDF、幻灯片、文本文件），跨越企业数据孤岛（如 Google Drive 和 Notion），通过数据预处理引擎（如 Unstructured）转换为 LLM 可查询格式。 2. 这些文件被“分块”成更小的文本块，作为向量嵌入并存储在数据库（如 Pinecone）中，以实现更精确的检索。 3. 当用户提出问题时，系统检索语义上最相关的上下文块，并将其折叠到“元提示”中，与检索到的信息一起馈送给 LLM。 4. LLM 从检索到的上下文中合成答复返回给用户。 RAG 的基本概念： RAG 是一种结合了检索和生成的技术，能让大模型在生成文本时利用额外的数据源，提高生成的质量和准确性。其基本流程为： 首先，给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文）。 然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望输出（如答案或摘要）。 最后，从大模型的输出中提取或格式化所需信息返回给用户。
2024-10-17
基于飞书的知识库RAG的搭建，需要什么接口进行全文搜索
基于飞书的知识库 RAG 搭建，可用于全文搜索的接口方式主要有以下几种： 1. 语义检索：语义匹配关注查询和文档内容的意义，而非仅仅表面的词汇匹配。通过向量的相似性来判断语义的相似性。 2. 全文检索：这是基于关键词的检索方式。例如，对于句子“猫的饮食习惯包括吃鱼和鸡肉”，输入“猫”“饮食”“猫的饮食习惯”“吃鱼”等关键词可搜索到该句子，但输入“猫喜欢吃什么呀”则无法搜索到。 3. 混合检索：结合了语义匹配和全文检索的优点，通常系统先进行全文检索获取初步结果，然后再对这些结果进行语义匹配和排序。 此外，在本地部署资讯问答机器人实现 RAG 时，会涉及加载所需的库和模块，如 feedparse 用于解析 RSS 订阅源，ollama 用于在 python 程序中跑大模型。还会为文档内容生成向量，如使用文本向量模型 bgem3 等。 在开发 LangChain 应用开发指南中，实现 LangChain 和 RAG 的结合时，需要加载数据、分割文档、转换嵌入并存储到向量存储器、创建检索器以及聊天模型等步骤。
2024-10-17
如何在个人电脑中部署本地RAG
在个人电脑中部署本地 RAG 可以按照以下步骤进行： 1. 加载所需的库和模块： 确保 ollama 服务已开启并下载好模型，ollama 用于在 python 程序中跑大模型。 feedparse 用于解析 RSS 订阅源。 2. 从订阅源获取内容： 函数用于从指定的 RSS 订阅 url 提取内容，如需接收多个 url 可稍作改动。 通过专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，如标题、发布日期和链接。最终，这些文档被合并成一个列表并返回，用于进一步的数据处理或信息提取任务。 3. 为文档内容生成向量： 使用文本向量模型 bgem3，从 hf 下载好模型后放置在指定路径，如 /path/to/bgem3，通过函数利用 FAISS 创建一个高效的向量存储。 4. 创建 Python 虚拟环境： 创建 python 虚拟环境，并安装相关库，版本如下： ollama：0.1.8 langchain：0.1.14 faisscpu：1.8.0（有 gpu 则安装 gpu 版本） gradio：4.25.0 feedparser：6.0.11 sentencetransformers：2.6.1 lxml：5.2.1 5. 导入依赖库。 6. 基于用户的问题，从向量数据库中检索相关段落，并根据设定的阈值进行过滤，最后让模型参考上下文信息回答用户的问题，从而实现 RAG。 7. 创建网页 UI：通过 gradio 创建网页 UI，并进行评测。 8. 问答测试：对于同样的问题和上下文，基于 Qwen7b、Gemma、Mistral、Mixtral 和 GPT4 分别进行多次测试。 总结： 1. 本文展示了如何使用 Langchain 和 Ollama 技术栈在本地部署一个资讯问答机器人，同时结合 RSSHub 来处理和提供资讯。 2. 上下文数据质量和大模型的性能决定了 RAG 系统性能的上限。 3. RAG 通过结合检索技术和生成模型来提升答案的质量和相关性，可以缓解大模型幻觉、信息滞后的问题，但并不意味着可以消除。
2024-10-13
知识图片与RAG
RAG 分为离线数据处理和在线检索两个过程。离线数据处理旨在构建知识库，就像准备一本“活字典”，知识会按特定格式和排列方式存储在其中以待使用。在线检索则是利用知识库和大模型进行查询的过程。 LangChain 是专注于大模型应用开发的平台，提供一系列组件和工具帮助构建 RAG 应用，包括： 1. 数据加载器（DocumentLoader）：能从数据源加载数据并转换为包含 page_content（文本内容）和 metadata（元数据）的文档对象。 2. 文本分割器（DocumentSplitter）：将文档对象分割成多个小文档对象，方便后续检索和生成，因大模型输入窗口有限，短文本更易找相关信息。 3. 文本嵌入器（Embeddings）：将文本转换为高维向量的嵌入，用于衡量文本相似度以实现检索。 4. 向量存储器（VectorStore）：存储和查询嵌入，通常使用 Faiss 或 Annoy 等索引技术加速检索。 5. 检索器（Retriever）：根据文本查询返回相关文档对象，常见实现是向量存储器检索器，利用向量存储器的相似度搜索功能检索。 6. 聊天模型（ChatModel）：基于大模型如 GPT3，根据输入序列生成输出消息。 使用 LangChain 构建 RAG 应用的一般流程如下：（具体流程未给出）
2024-10-11
推荐5个自动写文档工具
以下为您推荐 5 个自动写文档工具： 1. Grammarly：不仅是语法和拼写检查工具，还提供排版功能，可改进文档整体风格和流畅性。 2. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性，保持原意。 3. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 4. Wordtune：AI 写作助手，可重新表述和改进文本，使其更清晰专业，保持原始意图。 5. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的工具取决于您的具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 是受欢迎的选择；对于一般文章和商业文档，Grammarly 和 PandaDoc 等可能更适用。
2024-10-18
我有一个文档字数可能比较多，我希望ai能基于这个文档内容对我的问题进行回答，目前市面上能实现这一功能比较好的工具有哪些？
目前市面上能实现基于文档内容回答问题这一功能较好的工具包括： 1. 飞书：通过企业搜一搜或者自定义问答，智能伙伴可以基于用户有权限的文档内容回答用户提问。 2. Grammarly：不仅是语法和拼写检查工具，还提供一些排版功能，可改进文档整体风格和流畅性。 3. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性，保持原意。 4. Latex：常用于学术论文排版，使用标记语言描述文档格式，有许多 AI 辅助的编辑器和插件简化排版过程。 5. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 6. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业，保持原始意图。 7. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 8. Excel Labs：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。 9. Microsoft 365 Copilot：微软推出的整合 Word、Excel、PowerPoint、Outlook、Teams 等办公软件的 AI 工具，通过聊天形式完成用户需求。 10. Formula Bot：提供数据分析聊天机器人和公式生成器功能，可自然语言交互进行数据分析和生成 Excel 公式。 11. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，能生成相关文本内容、执行情感分析、语言翻译等任务。 选择合适的工具取决于您的具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 较受欢迎；对于一般文章和商业文档，Grammarly 和 PandaDoc 等可能更适用。
2024-10-18
如何使用ai去写软件需求设计文档，需要用到哪些工具
使用 AI 写软件需求设计文档可以参考以下步骤和工具： 1. 明确需求和目标：清晰界定软件的功能、性能、用户界面等方面的要求。 2. 收集相关信息：利用 AI 工具如学术搜索引擎、文献管理软件等搜集类似软件的需求文档和相关资料。 3. 分析总结信息：借助 AI 文本分析工具提取关键要点和主要观点。 4. 生成大纲：使用 AI 写作助手构建需求文档的大纲，涵盖引言、功能需求、非功能需求、界面设计等部分。 5. 撰写各部分内容：利用 AI 写作工具撰写需求文档的各个部分，并进行语法和风格检查。 6. 审阅和修改：通过 AI 审阅工具检查文档的逻辑性、一致性和准确性，并根据反馈进行修改。 7. 提交前检查：使用 AI 抄袭检测工具确保文档的原创性，并做最后的格式调整。 以下是一些可用于写软件需求设计文档的工具： ChatPRD、WriteMyPRD、Uizard、tldraw 等。 需要注意的是，AI 工具只是辅助，不能完全替代您的专业判断和思考，要确保文档的质量和准确性。
2024-10-17
可以协助给word文档排版的中文AI
以下是一些可以协助给 word 文档排版的中文 AI 工具： 1. Grammarly：不仅是语法和拼写检查工具，还提供排版功能，可改进文档整体风格和流畅性。 2. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性，保持原意。 3. Latex：虽不是纯粹 AI 工具，但广泛用于学术论文排版，使用标记语言描述格式，有许多 AI 辅助的编辑器和插件简化排版过程。 4. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 5. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业，保持原始意图。 6. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的工具取决于具体需求，如文档类型、出版标准和个人偏好。学术论文常用 Latex 和 Overleaf，一般文章和商业文档常用 Grammarly 和 PandaDoc 等。 另外，还可以通过以下方法利用 AI 提效排版： 首先，若需要对重点句子加粗，可使用 GPT 说明选择。接着，GPT 会输出排版后的文章，为重要句子加上加粗符号和引用符号。等待完成排版后，点击“复制代码”，再粘贴到微信 Markdown 排版器。但此方法需要用到 ChatGPT4o 并懂一点 Markdown 语法，若未使用过 ChatGPT4o 也不懂 Markdown 语法，或写文章时有加粗重点句子的习惯，则不建议学习此方法，以免花费更多时间。首先，打开 GPTs https://chatgpt.com/g/gauDv1yCnbwenzhangmarkdownpaibandashi （若打不开可跳过），接着，把从迅捷 Markdown 编辑器复制下来的文章内容发送给这个 GPTs，GPT 会先分析原文，然后列出需要加粗和引用的句子让您确认。
2024-10-14
根据文档内容，自动生成思维导图
以下是关于根据文档内容自动生成思维导图的相关信息： 一、GPTs 与 Gapier 实战中的文章转思维导图小助手案例 （一）主要功能 根据文章内容或者在线文档的路径，自动生成文章要点的思维导图。 （二）生成思维导图的 Action API 来源 来自于 Gapier。但获取在线文档的文本信息，需要配置 Webpilot 来获取更完整的文本。 （三）不利于 GPT4 自带搜索的原因 GPT4 自动的搜索功能获取的内容不够完整，而拥有 Webpilot 的加持，可以获取路径中更加完整的文本内容进行后续功能的处理。 （四）配置 Webpilot 1. 去除默认的 WebBrowsing 在新建的 GPT 时，把 Web Browsing 默认勾选去除掉，因为它们的作用都是让 GPT 可以访问网络上的内容，不去除可能存在冲突。 2. 导入配置信息 输入，并点击 Import。 3. 配置隐私策略地址 输入。 二、与思维导图相关的 AI 工具 1. GitMind：免费跨平台，可通过 AI 自动生成思维导图，支持多种模式。 2. ProcessOn：国内思维导图+AIGC 工具，可利用 AI 生成思维导图。 3. AmyMind：轻量级在线，无需注册登录，支持自动生成节点。 4. Xmind Copilot：Xmind 推出，基于 GPT，可一键拓展思路，生成文章大纲。 5. TreeMind：“AI 人工智能”思维导图工具，可输入需求由 AI 自动完成生成。 6. EdrawMind：提供一系列 AI 工具，包括 AI 驱动的头脑风暴功能，帮助提升生产力。 三、GPTs 与思维导图 在过去，ChatGPT 无法生成思维导图，面对复杂代码或长篇文章，利用 AI 提炼后再用思维导图软件转换较繁琐。现在有了 GPTs，可以利用 Actions 调取第三方平台提供的 API，直接获取内容对应的思维导图。介绍了 GPT 如何结合 Gapier 这个提供免费 Action 的第三方平台进行定制化，包含两个具体案例：如何在 Action 中引入 Gapier 生成代码的思维导图；如何在 Action 中引入 Gapier 和 Webpilot 生成在线文档的思维导图。
2024-10-11
怎么让CHATGPT生成有我个人风格的文档？
以下是一些让 ChatGPT 生成具有个人风格文档的提示方法： 1. 一键更改稿件风格：将下面文本的语气更改为更。 2. 提炼商业书籍中，最精华的 10%：提示为“将{商业书籍标题}中的框架和最重要的经验教训提炼成全面但易于理解的摘要。” 3. 创作冷启动软文：提示为“为。” 4. 将文本转成 CSV 表格：提示为“从下面粘贴的列表中，创建一个包含以下列的表：” 5. 激活内在创造力：提示为“向我介绍创造性练习和技巧，这些练习和技巧将帮助我挖掘内在创造力并在中产生新的想法。” 另外，在让 ChatGPT 生成复杂任务时，没有一步到位的 prompt，需要在不断调试过程中补全 prompt 的完备性，并加入自收敛要求。同时要明确产出格式，比如让其直接生成 JSON 格式。ChatGPT 是以“词”为单位进行文本生成的，它始终基本上是在尝试生成“文本的合理延续”。
2024-10-09
如何更好的利用WaytoAGI 网站？
WaytoAGI 网站具有以下功能，有助于您更好地利用它： 1. 和 AI 知识库对话：您可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，您可按需求找到适合自己的工具。 3. AI 提示词：集合了精选的提示词，能够复制到 AI 对话网站使用。 4. 知识库精选：每天将知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望成为您学习 AI 路上的好助手。 “通往 AGI 之路”（WaytoAGI）是一个致力于人工智能学习的中文知识库和社区平台，具有以下特点： 1. 提供系统全面的 AI 学习路径，涵盖从基础概念到实际应用的各个方面，帮助用户有效地获取 AI 知识，提高自身能力。 2. 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 3. 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 其品牌 VI（视觉识别）具有以下特点： 1. 颜色：选择彩虹色作为主要的配色方案，代表多样性、包容性和创新，象征着人工智能领域的无限可能和多维视角。 2. 图案：品牌的标志性图案是一只鹿，与“路”谐音，象征着通往 AGI 未来的道路，鹿的形象优雅而智慧，寓意在追求 AGI 过程中的品味与睿智。 3. 字体设计：选择简洁现代的非衬线字体，这种字体风格简约而现代，易于阅读，强调了信息传达的清晰度和直接性。 “通往 AGI 之路”是一个充满活力、敢于创新、追求科技美感的品牌。其 VI 不仅仅是视觉上的呈现，更是对 AGI 探索路上多元思维和创新追求的体现。
2024-10-18
什么该如何学习更好地使用AI
以下是关于如何更好地学习使用 AI 的一些建议： 在医疗保健领域，鉴于 AI 依赖的神经网络基础，其可能通过元学习更快地获取知识，我们可通过构建系统深入探索其内部工作机制，创造学习的飞轮，甚至让其成为下一代专家的教师。 在学习方面，如用 AI 进行英语学习和数学学习： 英语学习： 利用智能辅助工具（如 Grammarly）进行写作和语法纠错。 借助语音识别应用（如 Call Annie）练习口语和纠正发音。 使用自适应学习平台（如 Duolingo）获取个性化学习计划和内容。 与智能对话机器人（如 ChatGPT）进行会话练习和模拟对话。 数学学习： 运用自适应学习系统（如 Khan Academy）获取个性化学习路径和练习题。 借助智能题库和作业辅助工具（如 Photomath）获取问题解答和解题步骤。 使用虚拟教学助手（如 Socratic）解答问题、获取教学视频和答疑服务。 参与交互式学习平台（如 Wolfram Alpha）的课程和实践项目进行数学建模和求解。 若用 AI 学习一门外语： 设定明确的学习目标和时间表，分阶段完成任务。 采用多样化练习，结合听、说、读、写全面提升技能。 尽量多与母语者交流，或用 AI 对话助手模拟真实对话场景。 利用 AI 工具的复习功能，根据记忆曲线定期复习已学内容。 需要注意的是，以上内容由 AI 大模型生成，请仔细甄别。
2024-10-05
如何更好使用豆包
以下是关于更好使用豆包以及相关插件的信息： 使用豆包作为英语陪练 建议直接使用豆包的语音通话方式，效果更好。 实际演示效果包括视频演示（扮演英语水平较差的学习者）、文字交流中的训练纠错，以及在 Coze 端解读上传图片或文件的英文内容（豆包端暂不支持）。 可直接试用，Coze 端使用链接：https://www.coze.cn/store/bot/7354381765919834127 ，豆包端使用链接：https://www.doubao.com/chat/22308348468226 。 GPT 相关插件 功能：生成链接，对网页内特定文本进行识别并转换为可点击链接，快速发送，支持热键（如 Ctrl + C 对现有页面词汇转换并发送到 GPT）。 插件使用方法： 流程：安装浏览器插件 Tampermonkey（支持 chrome、edge、ARC，安装链接：https://chrome.google.com/webstore/detail/tampermonkeybeta/gcalenpjmijncebpfijmoaglllgpjagf ），打开 GPT 官网，点击插件图标新建，完整替换提供的文件（保存后关闭，官网内刷新，若图标出现数字 1 说明生效，若无效可按快捷键 Ctrl + C 试试）。 JS 代码文本转链接插件：将相关内容粘贴到 Tampermonkey 中。 目录插件：更新时间为 20231007 00:55:41 。
2024-10-02
你了解哪儿些大模型在电商行业供应链物流领域的应用，如果能举例阿里、淘宝、抖音、京东等涉及到电商的公司进行说明就更好了
目前在电商行业供应链物流领域，一些大模型的应用还处于不断发展和探索的阶段。 阿里巴巴：可能利用其强大的技术能力和数据优势，通过大模型优化物流路径规划、库存管理和订单预测等方面，提高物流效率和降低成本。 淘宝：或许借助大模型来分析消费者的购买行为和偏好，从而更精准地进行商品推荐，并优化物流配送的调度。 抖音：可能运用大模型对用户的兴趣和行为进行深度挖掘，以实现更高效的商品匹配和物流配送安排。 京东：有可能利用大模型改进仓储管理、物流配送的智能调度，以及预测商品的需求和销售趋势。 但需要注意的是，具体的应用情况和效果会受到多种因素的影响，包括数据质量、算法优化、业务场景的复杂性等。
2024-09-25
AI绘画哪个工具效果更好，我要画logo
以下是为您提供的关于 AI 绘画工具选择的相关信息： 1. 即梦和 runway 可以用于制作动态视频，比如在制作端午节动态视频时可以使用。先不写关键词，如果效果不满意，再添加关键词。 2. 绘制示意图时，可按以下步骤操作： 选择工具：根据具体需求选择合适的 AI 绘图工具。 创建账户：注册并登录该平台。 选择模板：利用平台提供的模板库，选择适合需求的模板。 添加内容：根据需求，添加并编辑图形和文字，利用 AI 自动布局功能优化图表布局。 协作和分享：如有团队协作需求，可邀请团队成员一起编辑，完成后导出并分享图表。 3. 在 Photoshop 2023 Beta 中，“Generative Fill 创成式填充”是其引人注目的 AI 绘图功能。它可以文生图，也能在已有图上进行扩展、替换、修改等操作，但因模型在云端，需要全程联网。例如修复照片中的水印，使用新增的“移除工具”涂抹想要去掉的部分，但可能会出现不完美的情况，如轮子缺失一部分；使用“内容识别填充”可能会导致轮胎扭曲变形。 综合来看，如果您要画 logo，Photoshop 2023 Beta 的“Generative Fill 创成式填充”功能可能会比较适合，但需要注意联网要求。您也可以尝试其他专门的 AI 绘图工具，如即梦和 runway，并根据实际效果和操作便捷性进行选择。
2024-09-23
那些图片生成ai更好用
目前比较成熟的通过输入图片生成类似图片的 AI 产品主要有： 1. Artguru AI Art Generator：在线平台，生成逼真图像，给设计师提供灵感，丰富创作过程。 2. Retrato：AI 工具，将图片转换为非凡肖像，拥有 500 多种风格选择，适合制作个性头像。 3. Stable Diffusion Reimagine：新型 AI 工具，通过稳定扩散算法生成精细、具有细节的全新视觉作品。 4. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计的 AI 工具，将上传的照片转换为芭比风格，效果超级好。 这些 AI 模型通过组合技术如扩散模型、大型视觉转换器等，可以根据文本或参考图像生成具有创意且质量不错的相似图像输出。但仍有一些局限，如偶尔会出现性能不稳定、生成内容不当等问题。 此外，在 AI 线上绘画方面，如果您需要用到大量图片，AI 生图是高效的解决办法。主流的两款工具 midjourney（MJ）付费成本较高，stable diffusion（SD）硬件门槛不低。不过还有像这样的免费在线 SD 工具网站。
2024-09-23
怎么评估提示词的效果？
评估提示词的效果可以从以下几个方面进行： 1. 模型的准确率：观察模型生成的回答与预期结果的匹配程度。 2. 流畅度：检查生成的文本在语言表达上是否通顺、自然。 3. 相关性：判断生成的内容与提示词所表达的意图和需求的关联程度。 提示词工程师在评估提示词效果时，通常会采取以下步骤和方法： 1. 设计提示：根据用户需求和模型能力，精心考虑提示的长度、结构、措辞和信息量等因素，以清晰传达用户意图。 2. 优化提示：通过收集用户反馈、分析模型结果和实验不同的提示策略等方式，不断改进提示。 3. 实际测试：包括对基础提示词模板的测试，确保其能兼容国内外各种模型，并生成拟人化的提示词，然后将其应用于不同模型中评估实际应用效果和适应性。 此外，提示工程有几项核心原则： 1. 编写清晰的指令。 2. 将复杂任务分解为简单任务。 3. 给模型一定的时间空间思考。 4. 系统地测试性能变化。 要提高提示技巧，应多学习和实践。同时，可以参考大模型厂商的提示工程指南，以及 LangGPT 结构化提示词知识库中的相关资料，如：
2024-10-15
相同的参数下，用SD comfyui出图可以和SD webui出图保持图片效果一模一样么？
理论上，在应用完全相同参数（如 Step、CFG、Seed、prompts）的情况下，SD ComfyUI 出图和 SD WebUI 出图应当能保持图片效果一模一样。但在实际操作中可能会存在一些差异，比如： 提示词的多个条件下，SD 生成的图像可能无法全部满足，这与提示词引导系数有关，该系数关系到出图与文字的相关程度。 不同的模型和配置也可能影响出图效果，例如 SDXL 的大模型分为 base、refiner 以及配套的 VAE 模型，用于调节图片的画面效果和色彩。 需要注意的是，相同参数下要达到完全一致的出图效果并非绝对，还会受到多种因素的综合影响。
2024-10-14
如何在midjourney怎么只修改光影效果，不进行大变动
在 Midjourney 中只修改光影效果而不进行大变动，您可以参考以下内容： 了解“Luminous colors”：这指具有强烈亮度和光线效果的色彩，常用于表现光线、光影和明暗效果，营造生动且有吸引力的视觉效果。其作用包括增强画面氛围、突出焦点、表现光影变化。技巧方面，要注意色彩选择与搭配（如选用高饱和度或发光色系，搭配暗调背景）、层叠与渐变（运用湿画法或透明色层叠，模拟光线扩散）、光影处理（明确光源方向，合理布置高光与阴影）。应用于科幻与幻想题材、现代艺术与设计等领域。 对于 Midjourney V6 出图的角色一致性命令“cref”： Midjourney 努力在“cref”起作用时保留面部，无论“cw”的值如何。当“cw”设置为 0 时，要求 Midjourney 只转移面部到新图像中。Midjourney 会始终保留面部标志性属性，若要改变面部，可在其他工具中进行，若不可行，可按以下步骤操作：使用/settings 确保处于；因已开启 Remix，可编辑提示，从提示中删除“cref”和“cw”，修改提示以对面部进行更改。注意对更改满意时，不要再次添加“cref”到提示中，否则“面部交换”将再次发生。 若某些部分看起来怪异或破碎，如角色在背景中放置不正确，可尝试将 stylize增加到 800 1000，也可将“cw”降低到低于 100 的值，视情况而定。
2024-10-10
我想用AI工具将照片风格化，提供现实照片后，生成元宇宙风格的图片，有哪些工具可以达成效果？
目前市面上有一些可以将照片风格化为元宇宙风格的 AI 工具，例如： 1. DALL·E2：能够根据输入的描述或原始图片生成富有创意和独特风格的图像。 2. StableDiffusion：具有强大的图像生成能力，可以通过设置相关参数和提示来实现照片的风格化。 3. Midjourney：可以根据输入的指令生成令人惊艳的图像效果，包括将照片转化为特定风格。 您可以根据自己的需求和使用习惯选择适合的工具。
2024-10-08
把图片转换为立体效果的AI软件
目前市面上有一些可以将图片转换为立体效果的 AI 软件，例如 Adobe Dimension、Blender 等。Adobe Dimension 是一款强大的 3D 设计软件，能够为图片添加立体效果，并进行逼真的渲染。Blender 则是一款功能全面的开源 3D 创作软件，也具备将图片转化为立体效果的能力。但具体选择哪款软件，还需根据您的具体需求和使用习惯来决定。
2024-10-02
哪个AI工具生成图片效果最好
目前以下这些 AI 工具在生成图片方面效果较好： 1. Artguru AI Art Generator：是在线平台，能生成逼真图像，为设计师提供灵感，丰富创作过程。 2. Retrato：可将图片转换为非凡肖像，有 500 多种风格可选，适合制作个性头像。 3. Stable Diffusion Reimagine：通过稳定扩散算法生成精细且具细节的全新视觉作品。 4. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计，能将上传照片转换为芭比风格，效果出色。 5. Leonardo：支持用户上传 DIY 模型，尤其是 Lora 模型，增强了应用的灵活性和个性化程度。提供丰富的模型选择，生成的图片质量高，细节精致，艺术效果好。 6. 通义万相：作为国产 AI 工具，在中文理解和处理方面表现出色，用户可选择多种艺术和图像风格，生成图像质量高、细节丰富，操作界面简洁直观、用户友好度高，且现在免费，每天签到获取灵感值即可。但为符合国内监管要求，某些类型图像无法生成，在处理非中文语言或国际化内容方面可能不够出色，处理多元文化内容时可能存在偏差。 需要注意的是，这些 AI 模型仍存在一些局限，如偶尔会出现性能不稳定、生成内容不当等问题。
2024-09-29