AI 搜索资料 工具

AIGC 即 AI generated content，又称为生成式 AI，意为人工智能生成内容。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。 AIGC 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。其具体应用包括： 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、UGC 和 PGC 都是内容生成的不同方式，主要区别在于内容的创作者和生成方式： 1. AIGC 由人工智能生成内容，优势在于可以快速、大规模地生成内容，适用于需要大量内容的场景，如自动化新闻、广告创作等。 2. UGC 由用户生成内容，优势在于内容丰富多样，能够反映用户的真实想法和创意，适用于社交媒体、社区论坛等互动性强的平台。 3. PGC 由专业人士或机构生成内容，优势在于内容质量高、专业性强，适用于新闻媒体、专业网站等需要高质量内容的平台。 能进行 AIGC 的产品项目众多，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。 SD 是 Stable Diffusion 的简称。它是由初创公司 StabilityAI、CompVis 与 Runway 合作开发，2022 年发布的深度学习文本到图像生成模型。它主要用于根据文本的描述产生详细图像。Stable Diffusion 是一种扩散模型（diffusion model）的变体，叫做“潜在扩散模型”（latent diffusion model; LDM）。SD 的代码模型权重已公开发布，可以在大多数配备有适度 GPU 的电脑硬件上运行。当前版本为 2.1 稳定版（2022.12.7）。我们可以通过一系列的工具搭建准备，使用 SD 进行想要的图片 AIGC。

以下是一些生成海报或者图生图的 AI 应用工具： 用于工作中出图的有：Labzen、龙飞等。 用于电商应用出图的有：薄荷、刘燕兰等。 用于广告出图的有：朱鹏等。 以下是一些推荐的 AI 海报生成工具： Canva（可画）：https://www.canva.cn/ 是一个受欢迎的在线设计工具，提供大量模板和设计元素，AI 功能可帮助选择合适颜色搭配和字体样式。 稿定设计：https://www.gaoding.com/ 稿定智能设计工具采用先进人工智能技术，自动分析和生成设计方案。 VistaCreate：https://create.vista.com/ 是简单易用的设计平台，提供大量设计模板和元素，用户可用 AI 工具创建个性化海报，智能建议功能可帮助快速找到合适设计元素。 Microsoft Designer：https://designer.microsoft.com/ 通过简单拖放界面，可快速创建演示文稿、社交媒体帖子等视觉内容，还集成丰富模板库和自动图像编辑功能。 以下是一些好用的图生图产品： 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。 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。 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。 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。 需要注意的是，这些 AI 模型可能存在一些局限，如偶尔会出现性能不稳定、生成内容不当等问题。内容由 AI 大模型生成，请仔细甄别。

天工 AI 主理人能否赚钱取决于多种因素。例如，作为主理人，如果能够深刻理解 AI 技术的巨大潜力，并将其应用于企业运营，帮助企业完成数字化转型、优化运营效率，或者协助个人利用 AI 重构知识体系、实现个人成长，那么有可能通过提供相关服务获得收益。但具体的盈利情况还会受到市场需求、自身能力和资源、竞争状况等多种因素的综合影响。

天工 AI 主理人的职责包括但不限于以下方面： 作为独立博客 IAIUSE 主理人，深刻理解 AI 技术的巨大潜力，将前沿技术应用于企业运营，助力企业完成数字化转型并优化运营效率。 协助个人利用 AI 重构知识体系，促进个人成长，帮助个人在 AI 时代轻松前行，让更多人因 AI 而强大。 具备央企架构师、外企咨询顾问、互联网产品经理等相关经验和背景。

AI 在医疗领域的应用十分广泛，主要包括以下几个方面： 1. 医学影像分析：可用于分析 X 射线、CT 扫描和 MRI 等医学图像，辅助诊断疾病。 2. 药物研发：能够加速药物研发过程，比如识别潜在的药物候选物和设计新的治疗方法。 3. 个性化医疗：通过分析患者数据，为每个患者提供个性化的治疗方案。 4. 机器人辅助手术：用于控制手术机器人，提高手术的精度和安全性。 5. 药品推荐系统：利用机器学习算法分析用户购买记录、症状描述等数据，为用户推荐合适的非处方药品和保健品，提升销售转化率。 6. 药品库存管理：通过分析历史销售数据、天气、疫情等因素，预测未来某段时间内的药品需求量，优化药店的库存管理策略，降低成本。 7. 药品识别与查询：借助计算机视觉技术，用户可以用手机拍摄药品图像，AI 系统自动识别药名并提供说明、用法、禁忌等信息查询服务。 8. 客户服务智能助手：基于自然语言处理技术，AI 虚拟助手可以回答顾客关于购药、用药、保健等常见问题，减轻人工客服的工作压力。 9. 药店运营分析：AI 可以分析药店的销售、顾客流量、库存等大数据，发现潜在的运营问题和优化空间，为决策提供参考。 10. 药品质量监控：通过机器视觉、图像识别等技术，AI 能够自动检测药品的包装、标签、颜色等是否合格，及时发现问题。 11. 药品防伪追溯：利用区块链等技术，AI 可以实现全流程的药品溯源，确保药品供应链的安全性和真实可信度。 此外，AI 在医疗健康生物制药的研究中也发挥着重要作用，例如： 1. 提前三年诊断胰腺癌。 2. 发现与胶质母细胞瘤相关的新靶基因。 3. 帮助抗衰老，筛查高效的药物候选物。 4. 寻找阿尔兹海默症的治疗方法。 5. 早期诊断帕金森。

AI 在医疗领域的应用十分广泛，主要包括以下几个方面： 1. 医学影像分析：能够用于分析 X 射线、CT 扫描和 MRI 等医学图像，辅助诊断疾病。 2. 药物研发：可加速药物研发过程，比如识别潜在的药物候选物和设计新的治疗方法。 3. 个性化医疗：通过分析患者数据，为每个患者提供个性化的治疗方案。 4. 机器人辅助手术：用于控制手术机器人，提高手术的精度和安全性。 5. 药品推荐系统：利用机器学习算法分析用户购买记录、症状描述等数据，为用户推荐合适的非处方药品和保健品，提升销售转化率。 6. 药品库存管理：通过分析历史销售数据、天气、疫情等因素，预测未来某段时间内的药品需求量，优化药店的库存管理策略，降低成本。 7. 药品识别与查询：借助计算机视觉技术，用户可以用手机拍摄药品图像，AI 系统自动识别药名并提供说明、用法、禁忌等信息查询服务。 8. 客户服务智能助手：基于自然语言处理技术，AI 虚拟助手可以回答顾客关于购药、用药、保健等常见问题，减轻人工客服的工作压力。 9. 药店运营分析：AI 可以分析药店的销售、顾客流量、库存等大数据，发现潜在的运营问题和优化空间，为决策提供参考。 10. 药品质量监控：通过机器视觉、图像识别等技术，AI 能够自动检测药品的包装、标签、颜色等是否合格，及时发现问题。 11. 药品防伪追溯：利用区块链等技术，AI 可以实现全流程的药品溯源，确保药品供应链的安全性和真实可信度。 此外，AI 在抗癌、抗衰老、早期疾病防治等的研究应用中也起着重要作用，例如： 1. 提前三年诊断胰腺癌。 2. 发现与胶质母细胞瘤相关的新靶基因。 3. 帮助抗衰老，筛查高效的药物候选物。 4. 寻找阿尔兹海默症的治疗方法。 5. 早期诊断帕金森。

以下为您推荐一些好用的 AI 搜索工具： 1. 秘塔 AI 搜索：由秘塔科技开发，具有多模式搜索、无广告干扰、结构化展示和信息聚合等功能，能提升用户的搜索效率和体验。 2. Perplexity：聊天机器人式的搜索引擎，支持自然语言提问，利用生成式 AI 技术从各种来源收集信息并给出答案。 3. 360AI 搜索：360 公司推出，通过 AI 分析问题，生成清晰有理的答案，支持增强模式和智能排序。 4. 天工 AI 搜索：昆仑万维推出，采用生成式搜索技术，支持自然语言交互和深度追问，未来还将支持多模态搜索。 5. Flowith：创新的 AI 交互式搜索和对话工具，基于节点式交互方式，支持多种 AI 模型和图像生成技术，有插件系统和社区功能。 6. Devv：面向程序员的 AI 搜索引擎，专注于提供编程、软件开发和人工智能等领域的专业建议和指导。 7. Phind：专为开发者设计，利用大型语言模型提供相关搜索结果和动态答案，擅长处理编程和技术问题。 此外，存在能联网检索的 AI，例如： 1. ChatGPT Plus 用户可开启 web browsing 功能实现联网。 2. 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。 3. Bing Copilot 作为 AI 助手，可简化在线查询和浏览活动。 4. You.com 和 Neeva AI 等搜索引擎，提供基于人工智能的定制搜索体验，并保持用户数据的私密性。 在利用 AI 打造爆款公众号文章方面，您可以： 在搜索框中输入具体的 Prompt，如“查找关于 OpenAI 对马斯克言论回应的博客文章”，通过 AI 工具如 Perplexity.AI 获取搜索结果，点击回答内容下方的拷贝按钮获取相关引用网站链接。同理，微软的 Bing 搜索引擎等也有类似功能，可快速搜集大量相关资料。 收集完资料后，使用月之暗面开发的 Kimi 这个 AI 会话助手进行整理。Kimi 具备读取网页内容并生成一定内容的能力，但可能存在阅读能力限制，可分批次提供资料确保其有效读取和理解。

以下是一些关于使用 ChatGPT 进行网络搜索的信息： GPTs 中有一些与网络相关的应用，如小红书写作专家，其直达链接为。 存在能联网检索的 AI，例如 ChatGPT Plus 用户现在可以开启 web browsing 功能实现联网。 像 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，可简化在线查询和浏览活动。 还有如 You.com 和 Neeva AI 等搜索引擎，提供基于人工智能的定制搜索体验，并保持用户数据的私密性。 需要注意的是，内容由 AI 大模型生成，请仔细甄别。

使用 ChatGPT 搜索外部信息的方法如下： 1. 可以像 Andrej Karpathy 所做的那样，向 ChatGPT 提出收集特定信息并整理成表格的请求，例如有关规模人工智能及其创始轮次的信息。ChatGPT 会理解请求，并通过特殊方式发出搜索指令，类似于人类使用浏览器搜索。然后接受该查询并转到 Bing 搜索，查找结果，将文本返回给语言模型，让其基于那段文本生成响应。 2. 对于程序开发人员，可利用基于嵌入的搜索实现高效的知识检索。这需要以下步骤： 选择文本嵌入工具，如 Word2Vec、BERT、FastText 等，将文本转化为向量。 构建包含详细信息的数据库，如电影数据库，可以是简单的文本文件或复杂的数据库系统。 对数据库中的信息进行预处理和嵌入，得到向量表示并存储。 当用户提出查询时，将查询进行文本嵌入得到查询向量。 使用快速的向量搜索算法（如余弦相似度、KNN 搜索等）在数据库中找到最接近的向量。 根据找到的向量从数据库中检索相关信息并返回给用户。 还可以将上述步骤封装成 API 或函数，在 ChatGPT 的对话逻辑中调用，当用户提出相关查询时，ChatGPT 调用并返回相关信息。但实际实现可能涉及更多细节和技术挑战。

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”。

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。

AI 搜索与传统搜索相比具有以下特点和差异： 360 AI 搜索：定位为新一代答案引擎，在传统搜索网页检索能力基础上，结合大型语言模型的多种技术能力，学习人类思维和语言组织模式，生成优质答案。具有针对模糊问题通过反问和交互理解给出答案、搜索全网丰富内容生成丰富答案、回答更具时效性、通过主动追问帮助用户延展学习等特点。其工作流程包括分析问题语义、提炼搜索关键词、查询全网相关内容、精选高价值网页、进行结构化总结等。Web 端和 H5 端网址为，手机端可扫码下载 360 AI 搜索 APP。 一般情况：如果将人工智能作为搜索引擎，存在幻觉风险，大多数未连接互联网。但有证据表明在某些情况下，如技术支持、决定吃饭地点或获取建议等，若谨慎使用，人工智能能提供比搜索更有用的答案，必应通常比谷歌更好。 竞争格局：今年二月份以来，AI 搜索赛道不断有新产品，市场定位有差异。国内有大模型厂商和搜索厂商或创业团队推出的产品，海外也有成熟和新出的产品。如 Perplexity、ThinkAny 是通用搜索，Phind、Devv、Reportify 是垂直搜索。通用搜索没有明显受众倾向，能回答各类问题；垂直搜索面向特定人群或领域，在特定问题上有更好结果。其好坏没有客观评判标准。

要在 Dify 的 agent 的 prompt 里让 DeepSeek 通过 Function Calling 调用工具，您可以参考以下内容： 1. 提示词工程主要由提示词注入和工具结果回传两部分代码组成。 提示词注入：将工具信息及使用工具的提示词添加到系统提示中。INSTRUCTION 包含 TOOL_EAXMPLE、tools_instructions、REUTRN_FORMAT 三个部分。TOOL_EAXMPLE 用于提示 LLM 如何理解和使用工具，编写时注意用无关紧要的工具作示例避免混淆。tools_instructions 是将通用工具字典转换成 LLM 可读的工具列表，可动态调整。REUTRN_FORMAT 定义调用 API 的格式。 工具结果回传：利用正则表达式抓取输出中的“tool”和“parameters”参数。对于 interpreter 工具，使用另一种正则表达式提取 LLM 输出的代码。通过识别 LLM 返回的调用工具的字典，提取对应值传入工具函数，将结果以 observation 角色返回给 LLM，对于不接受该角色的 LLM 接口，可改为回传给 user 角色。 2. 当模型判断需要调用工具函数时，检测到返回的 json 里 function_call 字段不为空，则执行异步函数调用，采用回调方式获取函数返回结果。通过判断返回的 functionCall 的名称执行不同函数并返回结果。 3. 在大模型请求中，最大的两个变量是 Messages 和 Tools。Messages 里放 sys prompt、memory、user query；Tools 里放能力的 Json Scheme，两者组合形成整个完全的 Prompt。Agent 应用开发的本质是动态 Prompt 拼接，通过工程化手段将业务需求转述成新的 prompt。短期记忆在 messages 里的历史 QA 对，长期记忆是 summary 之后的文本再塞回 system prompt。RAG 是向量相似性检索，可放在 system prompt 里或通过 tools 触发检索。Action 是触发 tool_calls 标记进入请求循环，拿模型生成的请求参数进行 API request，再把结果返回给大模型交互，没有 tool_calls 标记则循环结束。Multi Agents 是更换 system prompt 和 tools。

在 Dify 的 agent 的 prompt 中实现调用工具的方法如下： 1. 提示词注入阶段： INSTRUCTION 为注入到系统提示中的字符串，包含 TOOL_EAXMPLE、tools_instructions、REUTRN_FORMAT 三个部分。 TOOL_EAXMPLE 用于提示 LLM 如何理解和使用工具，编写时应使用无关紧要的工具作为示例，避免 LLM 混淆。 tools_instructions 是将通用的工具字典转换成 LLM 可读的工具列表，实际使用时可动态调整。 REUTRN_FORMAT 定义了调用 API 的格式。 2. 工具结果回传阶段： 利用正则表达式抓取输出中的“tool”和“parameters”参数。 对于 interpreter 工具，使用另一种正则表达式提取 LLM 输出的代码，提高使用成功率。 通过识别 LLM 返回的调用工具的字典，提取对应的值，传入相应的工具函数，将工具返回的结果以 observation 的角色返回给 LLM。对于不接受该角色的 LLM 接口，可改为回传给 user 角色。 此外，当模型判断需要调用工具函数时，即检测到返回的 json 里面 function_call 字段不为空，则执行异步函数调用，可通过判断返回的 functionCall 的名称来执行不同的函数并返回结果。 在提升可控性方面，有以下建议： 1. 放弃 JSON mode，虽然模型能力提升能输出 JSON，但仍会出错，且不能保证 100%正确，而模型厂家对 Function Calling 有微调优化。 2. 降低 System prompt 依赖，化繁为简，能在 Tools 里写的东西尽量写在里面。 3. API Response 增强 Prompt，这一步的准确率很高，可增加给大模型的约束和提示。 4. 尽量让模型做选择，而不是填空，减少 token 输出，提高速度和准确率。 5. 利用 Tools 来做 Route，构建 Multi Agent，术业有专攻。

要在 DeepSeek 中通过提示词实现工具调用，主要通过以下提示词工程实现： 1. 实现原理： 提示词工程主要由提示词注入和工具结果回传两部分代码组成。提示词注入将工具信息及使用提示词添加到系统提示中，工具结果回传则解析工具调用的输出，并将返回内容嵌入 LLM。 2. 提示词注入阶段： INSTRUCTION 为注入到系统提示中的字符串，包含 TOOL_EAXMPLE、tools_instructions、REUTRN_FORMAT 三个部分。TOOL_EAXMPLE 用于提示 LLM 理解和使用工具，编写时应使用无关紧要的工具作示例避免混淆。tools_instructions 是将通用工具字典转换为 LLM 可读的工具列表，实际使用时可动态调整。REUTRN_FORMAT 定义了调用 API 的格式。 3. 工具结果回传阶段： 利用正则表达式抓取输出中的“tool”和“parameters”参数。对于 interpreter 工具，使用另一种正则表达式提取 LLM 输出的代码以提高成功率。通过识别 LLM 返回的调用工具字典，提取对应值传入工具函数，将结果以 observation 角色返回给 LLM，对于不接受该角色的 LLM 接口，可改为回传给 user 角色。 在游戏实操中，当模型判断需要调用工具函数时（检测到返回的 json 里 function_call 字段不为空），执行异步函数调用，采用回调方式获取函数返回结果，通过判断返回的 functionCall 名称执行不同函数并返回结果。 对于 ChatGPT，为让其返回符合要求的 JSON 格式，prompt 的定制尤为重要和复杂。OpenAI 发布函数调用及其他 API 更新后，开发人员可向 gpt40613 和 gpt3.5turbo0613 描述函数，让模型智能输出包含调用函数所需参数的 JSON 对象。本地可根据 GPT 返回的函数名、参数进行数据查询，可采用函数查询或 SQL 查询，根据实际业务需求选择，使 AI 输出更可控。

以下是为您提供的最新 AI 工具相关信息及更新频率： AIGC Weekly 61 每周一更新，主要介绍上周 AIGC 领域发布的一些产品以及值得关注的研究成果，包括 Mistral 推出新的大模型 Mistral Large、LTX 推出文字直接生成视频的软件、LayerDiffusion 项目可生成透明 PNG 图片等，还汇报了一些公司和项目的动态，推荐了一些新产品，如 Vercel AI SDK、OLMo7BInstruct 等。 2024 年 5 月 20 日的更新包括：《》介绍了 Coze.cn 临时上线又下线的“图像流”功能的试用情况。 2024 年 8 月 17 日的更新有：《》设想了未来 150 年内 AI 原住民与智能机器的共生关系。

以下是一些可以帮助您快速了解 AI 的资料： 1. 学术论文：通过 Google Scholar、IEEE Xplore、ScienceDirect 等学术数据库搜索相关论文，了解 AI 在不同领域的应用和研究成果。 2. 专业书籍：查找与 AI 相关的专业书籍，深入学习 AI 的理论和应用案例。 3. 在线课程和教程：在 Coursera、edX、Udacity 等平台参加 AI 相关课程，在 YouTube 等视频平台查找教程和演示视频。 4. 技术论坛和社区：加入如 Stack Overflow、Reddit 的 r/AI 等相关论坛和社区，与专业人士交流学习。 5. 开源项目和代码库：在 GitHub 等开源平台探索 AI 相关项目，了解其应用和实现。 6. 企业案例研究：研究如 Autodesk、Siemens 等公司在 AI 领域的应用案例，了解实际效果。 对于入门经典必读，您可以参考作者为 的相关内容，原文地址为 https://a16z.com/2023/05/25/aicanon/ 。 如果您不会代码，想在 20 分钟上手 Python + AI，您可以先了解以下基础内容： AI 背景知识： 基础理论：明确人工智能、机器学习、深度学习的定义及相互关系。 历史发展：回顾 AI 的发展历程和重要里程碑。 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：掌握向量、矩阵等基本概念。 概率论：了解基础的概率论知识，如条件概率、贝叶斯定理。 算法和模型： 监督学习：熟悉线性回归、决策树、支持向量机（SVM）等常用算法。 无监督学习：了解聚类、降维等算法。 强化学习：知晓其基本概念。 评估和调优： 性能评估：掌握如何评估模型性能，如交叉验证、精确度、召回率等。 模型调优：学会使用网格搜索等技术优化模型参数。 神经网络基础： 网络结构：理解前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）等基本结构。 激活函数：熟悉常用的激活函数，如 ReLU、Sigmoid、Tanh。

以下是关于 AI bot 做意图识别的资料： 尽管意图识别在自然语言处理领域已被广泛讨论，且通过各种小规模模型处理过此任务，但随着大型模型兴起，尤其是用作智能体的 Brain 模块时，它们在意图识别方面承担了主要工作。 意图识别的定义是：当用户输入指令，指令通过感知模块传递到 Brain 模块，Brain 模块需对指令做出反应，本质上是一种分类任务，即识别并区分用户的具体意图。在单一智能体架构或复杂的多智能体系统中，意图识别都至关重要。 通过一些常见的例子，如 Siri、小爱同学及其他手机品牌搭载的智能助手，当向它们发出指令时能做出相应反应，此过程中意图识别起到关键作用。大型模型执行意图识别任务时，主要基于前期通过大量数据训练得到的模型，可能是专门针对意图识别任务训练的大型模型，也可能是通过在特定任务中微调来优化的模型，通过微调能使模型更好地适应特定领域的任务需求。

以下是关于大模型安全的相关资料： 大模型的架构：包括 encoderonly、encoderdecoder 和 decoderonly 三种类型。其中，我们熟知的 AI 助手基本采用 decoderonly 架构，这些架构都是由谷歌 2017 年发布的“attention is all you need”论文中提出的 transformer 衍生而来。 大模型的特点：预训练数据量大，往往来自互联网上的论文、代码、公开网页等，通常用 TB 级别的数据进行预训练；参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 大模型的安全性保障：通过对齐（指令调优），包括监督微调、获取 reward model 与进行强化学习来调整语言模型的输出分布，以保证语言模型不会输出有害内容和信息。例如 LLAMA2 专门使用了安全有监督微调确保安全。但 Alignment 并不足以防护所有安全问题，存在越狱（Jailbreak）现象，会使模型对齐失效。此外，还有隐私问题。 相关资源：如果想进一步了解大语言模型安全，可以访问 Github awesomellmsafety 项目：https://github.com/ydyjya/AwesomeLLMSafety

以下是关于 Cursor 编程的最新资料： 小白视角： 已经通过 Cursor 跑出来第一个 html 文件，后续将继续探索，包括： 第一弹，一点小小的震撼——cursor 黑客松。 第二弹，文案工作者的福音——cursor 批量写 prompt、写文章。 第三弹，上一辈的崛起——cursor 的“向上”，给爹妈一场安利。 Cursor 官方功能介绍： Chat 聊天：允许与看到代码库的 AI 交谈，能看到当前文件和光标，可通过特定操作添加代码块到上下文或与整个代码库聊天。 Codebase Answers 代码库答案：使用特定操作询问有关代码库的问题，Cursor 会搜索代码库查找相关代码。 引用您的代码：通过@符号引用代码用作 AI 的上下文，键入@可查看文件夹中文件和代码符号列表。 使用图像：点击聊天下方的图片按钮或拖入图片可将视觉上下文包含在聊天中。 询问 Web：使用@Web 从 Internet 获取最新信息，Cursor 会构建搜索查询并搜索 Web 查找相关信息作为附加上下文。 @Web 相关：借助@Web，Cursor 会根据查询和提供的上下文构建搜索查询并在 Web 上搜索以查找相关信息，可在 Cursor 设置中开启“始终搜索 Web”使 Cursor 在每个查询中搜索 Web 聊天。

以下是一些学习 AI 视频制作的较好资料： 软件教程： 工作流教程： 学社精华： 3 月 24 日：【1.5 入门 AI 视频】专门整理的 AI 视频板块，包含多个工具教程，如 Dreamina、Pika、SVD、Pixverse 等。 AJ 分享了几个重要资源：

以下是为您生成的关于使用 AI 工具生成 PPT 的方法： 卓 sir 的方法： 1. 让 GPT4 生成 PPT 大纲，此环节最耗时，约 2 小时。 2. 将大纲导入到 WPS 中，启用 WPS AI 一键生成 PPT。 3. 让 chatPPT 添加动画。 4. 手动修改细节，如字体、事实性错误等。 熊猫 Jay 的方法： 1. 闪击 网址：https://ppt.isheji.com/?code=ysslhaqllp&as=invite 选择模版。 输入大纲和要点，将准备的大纲转换成适配闪击的语法。 点击文本转 PPT 并确定。 在线编辑，导出时会员有优势。 2. Process ON 网址：https://www.processon.com/ 输入大纲和要点，有两种方式： 导入大纲和要点，包括手动复制（较耗时）和导入方式（将大纲内容复制到本地 txt 文件并改为.md 后缀，导入 Xmind 软件后再导入 Process ON）。 输入主题自动生成大纲和要求。 选择模版并生成 PPT，点击下载，选择导入格式为 PPT 文件，选择模版后下载。可在某宝购买一天会员。