Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

LLM是什么,有什么方法能够调优

Answer

LLM 即大型语言模型(Large Language Model)。以下是一些调优 LLM 的方法:

  1. 改进提示:在上下文中提供基本事实,例如相关文章段落或维基百科条目,以减少模型生成虚构文本的可能性。通过降低概率参数并指示模型在不知道答案时承认(例如,“我不知道”)来配置模型以生成更少样式的响应。在提示中提供问题和答案的组合示例,其中可能知道和不知道的问题和答案。
  2. 微调:采用在通用数据集上预训练的模型,复制这个模型,然后以这些学习到的权重为起点,在新的特定领域数据集上重新训练模型。但由于 LLM 规模较大,更新每个权重可能需要很长时间的训练工作,且计算成本较高,所以微调大型语言模型可能不是最佳选择。
  3. 参数有效调优:这是一种创新的调优方法,旨在通过仅训练一部分参数来减少微调 LLM 的挑战。这些参数可能是现有模型参数的子集,也可以是一组全新的参数,例如向模型添加一些额外的层或额外的嵌入到提示。参数有效调整非常适合拥有“适度”数量训练数据的场景,例如数百或数千个训练示例。训练数据应以文本到文本格式构建为受监督的训练数据集,数据中的每条记录或行都应包含输入文本(即提示)。

此外,研究发现 GPT-4 等 LLM 在一些简单的代数问题上存在表现局限性,例如随着 L 的增加,模型更容易犯计算错误,90%的错误是由于在合并相似项时跳过了步骤。这启发了是否有有效方法训练或微调 LLM 以实现更准确计算能力的研究问题。同时,LLM 在计数方面也存在困难,不仅在转换器架构中难以实现,而且数据集中计数示例的稀缺性也加剧了这个问题。

Content generated by AI large model, please carefully verify (powered by aily)

References

真实性

[title]真实性LLM模型有时会生成听起来连贯且令人信服但有时是虚构的回答。改进提示可以帮助提高模型生成更准确/真实的回答,并降低生成不一致和虚构回答的可能性。一些解决方案可能包括:在上下文中提供基本事实(例如相关文章段落或维基百科条目),以减少模型生成虚构文本的可能性。通过降低概率参数并指示模型在不知道答案时承认(例如,“我不知道”)来配置模型以生成更少样式的响应。在提示中提供问题和答案的组合示例,其中可能知道和不知道的问题和答案。让我们看一个简单的例子:提示:输出:我编造了“Neto Beto Roberto”的名字,所以模型在这种情况下是正确的。尝试稍微改变问题,看看是否可以使其正常工作。根据您迄今学到的所有知识,还有不同的方法可以进一步改进它。

9. 生成式 AI Studio 简介

[title]9.生成式AI Studio简介[heading2]课程字幕12:29即使您确实为您的用例发现了一个好的提示,您可能会注意到模型响应的质量并不完全一致。为了缓解这些问题,我们可以做的一件事是调整模型。12:40那么调音是什么?好吧,您可能熟悉的一个版本是微调。在这种情况下,我们采用在通用数据集上预训练的模型。我们复制了这个模型。12:51然后,以这些学习到的权重为起点,我们在新的特定领域数据集上重新训练模型。这种技术对于许多不同的用例都非常有效。13:01但是当我们尝试微调LLM时,我们遇到了一些挑战。顾名思义,法学硕士是大型的。因此更新每个权重可能需要很长时间的训练工作。13:12将所有这些计算与现在必须为这个巨大模型提供服务的麻烦和成本相结合……因此,微调大型语言模型可能不是您的最佳选择。13:21但是有一种创新的调优方法称为参数有效调优。这是一个非常令人兴奋的研究领域,旨在通过仅训练一部分参数来减少微调LLM的挑战。13:34这些参数可能是现有模型参数的子集。或者它们可以是一组全新的参数。例如,也许您向模型添加了一些额外的层或额外的嵌入13:45到提示。如果您想了解更多关于参数有效调整和一些不同方法的信息,本课程的阅读列表中包含一篇摘要论文。13:53但如果您只想着手构建,那么让我们转到Generative AI Studio,看看如何开始调优工作。从Generative AI Studio的语言部分,14:02选择调整。为了创建一个调整模型,我们提供了一个名称。然后指向训练数据的本地或Cloud Storage位置。参数有效调整非常适合您拥有“适度”数量的场景14:14训练数据,例如数百或数千个训练示例。您的训练数据应以文本到文本格式构建为受监督的训练数据集。数据中的每条记录或行都将包含输入文本,换句话说,提示,

报告:GPT-4 通用人工智能的火花

[title]报告:GPT-4通用人工智能的火花[heading1]10.方向与结论[heading2]10.3到底发生了什么?上面的表格分析了LLMs在一个非常简单的代数问题上的表现。虽然GPT-4的表现比以前的模型有了显著的提高,但我们可以看到,随着L的增加,模型更容易犯计算错误。我们手动检查了100个错误的实例,发现其中90%是由于在合并相似项时跳过了步骤。这指向了模型的重大局限性,并启发了以下研究问题:是否有一种有效的方法来训练或微调LLM,使它们能够将计算分解成较小的步骤,从而实现更准确的计算能力?计数错误:合理地假设LLMs在计数方面存在困难。不仅在转换器架构中难以实现此操作,而且数据集中计数示例的稀缺性只会加剧这个问题。为了系统地评估GPT-4在这方面的能力,我们创建了一个数据集,其中包含形式为A1,A2,…,AL的字符串序列。其中每个Ai都是长度为k的随机数字序列。我们要求模型计算序列中不同元素的数量,答案范围在L/2到L-1之间。这是L = 5,k = 2的示例:我们对模型进行了测试,其中L ∈[5,10,15,25],k = 2,7,12。结果如下:

Others are asking
什么是llm
LLM(大型语言模型)是一种具有重要地位和强大功能的人工智能系统。 从不同角度来看: 它更像是新操作系统的核心程序,能够协调跨多种模式的输入与输出(如文本、音频、视觉),具备代码解释和运行程序的能力,还拥有浏览器/上网功能、嵌入式数据库用于文件和内部内存存储与检索等。 在开发中,LLM 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,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,能调用不同大模型完成不同语言任务,让开发者无需关心大模型细节,还能灵活选择和切换大模型,甚至自己封装 LLM 实现特定语言逻辑和功能。 简单理解,LLM 就像一个非常聪明、知识丰富的“朋友”,能够通过学习大量文字数据来理解和生成自然语言,回答各种问题、写故事、完成作文等。可以把它想象成一个从小读了很多书、知识不断丰富的小朋友,虽然不是真人而是计算机程序,但能处理和学习海量文字数据,这些数据来源广泛。如今的搜索引擎背后可能就有 LLM 的支持,能更准确完整地回答问题。 总的来说,LLM 是一种通过学习大量文本数据,能够理解和生成自然语言的人工智能系统。
2025-03-01
anythingLLM和RAG Flow哪个部署更容易
RAG Flow 和 LLM 的部署难易程度如下: RAG Flow: 公网 MaaS:通常只需要一个 API key 即可对接,默认提供了通义千问。比较特殊的是 OpenAI 的接口上提供了修改 endpoint,也就是支持中间商。 本地部署:目前仅支持 Xinference 和 Ollama 方式部署。但是实际上只要是 API 接口一致,对接方式一致都可以用该方式对接。此处基础 Url 只需要写到 v1 为止,不需要写 embeddings 的二级接口。添加模型后需要在“系统模型配置”中设置,方能让模型生效。 LLM:关于 LLM 的部署难易程度,上述内容中未给出直接对比信息。但 Dify.AI 作为一个开源的大规模语言模型应用开发平台,具有快速部署等特点,用户可以在 5 分钟内部署定制化的聊天机器人或 AI 助手。 综合来看,仅根据所提供的信息,难以确切判断 RAG Flow 和 LLM 哪个部署更容易,还需结合更多具体的技术细节和实际需求进行评估。
2025-02-27
帮我推荐一本入门llm的书
以下是为您推荐的入门 LLM 的相关资源: 1. 《皇子:LLM 经典论文速读版,看完感觉自己通透了》:包含 31 篇 LLM 的经典论文速读版,涵盖大语言模型架构、RAG、预训练、微调、提示词等内容。阅读前可安装浏览器插件“沉浸式翻译”方便中文阅读,将 arxiv PDF 论文原地址域名中的 x 更换成 5 可调整为 HTM 版本方便阅读。 2. 课程学习: 首先学习大语言模型(LLM)入门者的课程,这是了解 LLM 的基础。 进一步学习面向开发者的课程,帮助更好地应用 LLM 于实际项目中。 3. AI 大神 Karpathy 再发的 LLM 入门介绍视频:时长三个半小时,详细介绍 LLM 训练的全部过程,包括预训练、有监督微调和强化学习。即使没有技术背景也能看懂,将提供对 ChatGPT 等 LLM 完整训练流程的直观理解,包含许多示例,并可能帮助思考当前的能力、所处的位置以及未来的发展方向。
2025-02-23
如何在本地服务器上微调LLM
在本地服务器上微调 LLM 可以参考以下内容: 1. 提示词工程: 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。 提示词注入用于将工具信息及使用工具的提示词添加到系统提示中,其中 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,编写时应注意用无关紧要的工具作示例。tools_instructions 可通过输入不同工具动态调整,让 LLM 得知可用工具及使用方法。REUTRN_FORMAT 定义调用 API 的格式。 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,对于不接受相关角色的 LLM 接口,可改为回传给 user 角色。 2. 微调方法: 传统微调:采用在通用数据集上预训练的模型,复制模型后在新的特定领域数据集上重新训练,但大型语言模型微调面临训练时间长、计算成本高等挑战。 参数有效调优:这是一种创新的调优方法,旨在通过仅训练一部分参数来减少微调 LLM 的挑战,参数可以是现有模型参数的子集或全新的参数。 为使微调达到最佳效果,应从明确目标和高质量数据集开始,使用体现所需输出类型的数据,进行迭代测试,从小的渐进变化开始并评估结果。 对于 OpenAI 的模型,微调包括使用其提供的 API 在数据集上进一步训练,需调整超参数并监控性能。对于开源 LLM,微调可能需要更多实践工作,包括设置训练环境、管理数据流及调整模型架构。 对于需要快速迭代新用例的场景,微调作用较小。要实现微调功能,需创建大型训练数据集,整理成适当格式,启动训练任务并评估性能。建立模型改进工作流程,监控性能变化,依据反馈改进模型,记录生成的模型及评分指标,许多 LLMOps 平台能自动收集和显示最佳数据,方便微调。
2025-02-21
在coze上实现notebookllm
以下是关于在 Coze 上实现 NotebookLLM 的相关信息: LLM 作为知识问答工具有缺陷,如无法实时获取最新信息、存在“幻觉”问题、无法给出准确引用来源等。搜索引擎虽体验不够简便直接,但加上 LLM 可能带来更优信息检索体验。 在生成标题、导语、大纲时,因为涉及文本理解与创作,这是 LLM 节点的工作,需要对其进行配置。为减少 token 消耗和节省模型调度费用,在满足预期情况下,应尽量减少大模型处理环节。经过实测,豆包·function call 32k 模型能在一轮对话中稳定生成相关内容。每个大模型节点配置项丰富,入门用户主要关注一些方面,如在“标题、导语、大纲”节点中,希望 LLM 接收原文信息后一次性生成所需内容,还需视实际情况调大模型的最大回复长度,并设计填入用户提示词。
2025-02-19
notebookllm
NotebookLM 是谷歌推出的一款工具,具有以下特点和用途: 有人称它为笔记工具、AI 学习工具或播客生成器。 只要上传文档、音频或网页链接(如 YouTube 等),就能生成专业的播客,其中主持人对话生动自然,包含各种人类语气和行为。 可以将公众号文章等内容变成双人对谈播客。 是 Google AI Lab 开发的笔记应用,基于 Gemini 1.5 Pro 的长文本理解和多模态能力。 用户可通过上传文件或链接快速生成笔记和音频内容,适合教育和研究等场景。 支持协作,适合整理公众号文章、编写书稿等多种用途。 体验地址:https://notebooklm.google/
2025-02-19
提示词调优产品
以下是关于提示词调优产品的相关信息: 针对性技巧: 从用户痛点、技术创新、市场竞争三个维度分析产品的差异化优势,并预测可能面临的发展瓶颈。 “说人话”优化技巧,目的是获得更容易理解的解释,例如用 8 岁小朋友能听懂的比喻解释复杂概念。 细节约束技巧,确保输出符合特定要求,如写一篇有具体要求的美食测评。 资源获取技巧,获得具体可行的工具或方法建议,如为职场人士推荐学习英语口语的 APP 及使用方法和时间分配等。 灵活组合使用这些技巧的要点是提供清晰的背景信息、设定具体的目标和要求、指定期望的输出形式、适时使用追问和反馈优化结果。 相关产品日报: XiaoHu.AI 日报 11 月 15 日: 优化提示词,通过链式思维等技术自动改进提示词,提升 AI 模型回答质量,具有示例增强、标准化、提示重写、预填充内容等功能特点,测试显示多标签分类准确率提升 30%,摘要任务可完全遵循字数要求,若提示缺少示例,Claude 会自动生成合成示例简化提示构建过程。 Context 推出基于“上下文引擎”的 AI 助手 Autopilot,核心功能是无缝集成用户工作流,支持计划文档生成、多步数据分析、财务建模和图表创建等任务,人机协作方面,面对不确定任务时 AI 会主动请求指导,支持任务并行处理,创新点在于在大项目中能“自我复制”生成多个微型代理协作完成复杂任务。 苹果发布 Final Cut Pro 11,新增多项 AI 功能,包括磁性遮罩(AI 自动识别人和物体,无需绿幕实现抠图)、自动生成字幕(语音转字幕,提高效率)、智能适配(裁剪视频为适合社交媒体的格式)、自动色彩增强(优化画面效果)、平滑慢动作(生成额外帧,改善慢动作视频流畅性)、语音去噪(消除背景噪音,提升对话清晰度)。
2025-02-27
如何调优大模型
以下是关于调优大模型的一些方法: 1. 更换大模型:比如从 ChatGLM26B 替换成 baichuan213b,针对特定场景,后者性能可能提升一倍左右。 2. 更换 embedding 模型:将 embedding 模型从 LangChain Chatchat 默认的 m3ebase 替换为 bgelargezh,后者可能更优。 3. 测试不同 Top k 的值:比较 Top 5、Top 10、Top 15 的结果,发现 Top 10 时效果最优。 4. 对文档名称进行处理:人工对文件重命名,上传相同文件构建知识库,同时在构建时勾选【开启中文标题加强】选项。重命名文件对结果提升不明显,但勾选该选项后,回答的无关信息减少,效果有所提升。 5. Prompt 阶段:需要一定的 prompt 工程,选择最合适的 prompt 模板。根据相关论文,把 query 放到头部和尾部,同时把相似度大的文档放到 context 的两端,能提升回答效果。 6. LLM 生成答案:大模型本身的性能是最大影响因素。选择大模型时要在成本和收益间找最佳平衡点,有条件还可对模型进行微调以更匹配自身场景。
2024-12-12
rag调优
RAG(RetrievalAugmented Generation)即检索增强生成,是一种结合信息检索和文本生成能力的技术,由检索器和生成器两部分组成。检索器从外部知识中快速找到与问题相关的信息,生成器利用这些信息来制作精确和连贯的答案,非常适合处理需要广泛知识的任务,如问答系统,能够提供详细而准确的回答。 LLM 需要 RAG 进行检索优化的原因在于 LLM 存在一些缺点: 1. 无法记住所有知识,尤其是长尾知识,受限于训练数据和学习方式,对长尾知识的接受能力不高。 2. 知识容易过时且不好更新,微调模型的接受能力不高且慢,甚至有丢失原有知识的风险。 3. 输出难以解释和验证,最终输出内容黑盒且不可控,可能受到幻觉等问题干扰。 4. 容易泄露隐私训练数据。 5. 规模大,训练和运行成本高。 RAG 具有以下优点: 1. 数据库对数据的存储和更新稳定,不存在学不会的风险。 2. 数据库的数据更新敏捷,增删改查可解释,对原有知识无影响。 3. 数据库内容明确、结构化,加上模型本身的理解能力,大模型输出出错的可能大大降低。 4. 知识库存储用户数据,便于管控用户隐私数据,且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本,新知识存储在数据库即可,无需频繁更新模型。 RAG 性能提升的策略和方法包括: 1. 优化索引: 按照子部分索引,将文本块再拆分为较小的文本(例如单句),然后对这些小块进行多次索引,适用于有多个主题、有冲突信息的复杂长文本信息。 按照文本框可以回答的问题索引,让 LLM 生成与拆分的文本块相关的假设性问题,并将这些问题用于索引,适用于用户没有提出非常明确问题的情况,可减少模糊性。 按照文本块的摘要进行索引,适用于文本框中有多余信息或者与用户查询无关细节的情况。 2. 重排 rerank:搜到相似信息后选择合适的信息,大部分场景下选择最相似的即可。
2024-12-05
prompt调优是干嘛的
Prompt 调优是对给大模型输入的原始输入进行优化和改进的过程,具有以下作用和特点: 1. 帮助模型更好地理解用户需求,并按照特定模式或规则进行响应。 2. 可以设定特定的角色或场景,如“假设你是一位医生,给出针对这种症状的建议”,后续对话将基于此设定展开。 3. 有多种有趣的玩法,例如要求模型按照思维链(cot)的思路逻辑回答,或者让模型按照特定格式(如 json)输出,使模型成为特定的输出器。 4. 提示开发生命周期包括设计初步提示,即制定一个初步的提示,概述任务定义、良好响应的特征以及所需的上下文,并添加规范输入和输出的示例作为改进的起点。 5. 测试提示时要根据测试用例评估模型的响应与预期输出和成功标准是否一致,使用一致的评分标准,如人工评估、与答案标准比较或基于评分标准的模型判断等,以系统性评估性能。 6. 自动提示工程方面,有一些相关的重要主题和关键论文,如使用离线逆强化学习生成与查询相关的提示、引入使用大语言模型优化提示的思想、提出基于梯度引导搜索自动创建各种任务提示的方法、作为轻量级微调替代方案的为自然语言生成任务添加可训练连续前缀、提出通过反向传播学习软提示的机制等。
2024-09-03
如果调优prompt
以下是一些调优 prompt 的方法: 1. 明确具体的描述:使用更具体、细节的词语和短语来表达需求,避免过于笼统。 2. 添加视觉参考:在 prompt 中插入相关图片参考,提高 AI 理解意图和细节要求的能力。 3. 注意语气和情感:根据需求,用合适的形容词、语气词等调整整体语气和情感色彩,以生成期望的语境和情绪。 4. 优化关键词组合:尝试不同的关键词搭配和语序,找到最准确表达需求的描述方式。 5. 增加约束条件:在 prompt 中添加限制性条件,如分辨率、比例等,避免意外输出。 6. 分步骤构建 prompt:将复杂需求拆解为逐步的子 prompt,引导 AI 先生成基本结构,再逐步完善。 7. 参考优秀案例:研究 AI 社区流行且有效的 prompt 范例,借鉴写作技巧和模式。 8. 反复试验、迭代优化:多次尝试不同写法,并根据输出效果反馈持续完善,直至达到理想结果。 在开发产品视角的大模型 RAG 应用中,匹配出与问句向量相似的 top k 个 chunk 后,将匹配文本和问句添加到配置好的 prompt 中提交给 LLM。此阶段可能需要 prompt 工程,选择合适的 prompt 模板。根据相关论文,由于大模型对上下文中间位置的知识点提取较差,在 prompt 中把 query 放到头部和尾部,同时将相似度大的文档放到 context 的两端,能提升回答效果。 在使用 GPT 模仿创作内容时,重点步骤如下:0.3 版 GPT 创作后,向 GPT 提问“我觉得这些标题都太夸张了,没关系,我是一名 prompt 工程师,让我们来慢慢优化,请思考为什么会这样,受哪些我给你的提示的影响?”通过与 GPT 深入交流来优化 prompt 。
2024-08-16
我想学习制作机器人 机器狗等的原理及方法,给我一份理论指导和操作指南吧。
以下是关于制作机器人和机器狗的理论指导和操作指南: 具身智能是将机器学习算法适配至物理实体,与物理世界交互的人工智能范式。以 ChatGPT 为代表的“软件智能体”通过网页端、手机 APP 与用户交互,能接受多种模态指令实现复杂任务。具身智能体则将大模型嵌入物理实体,通过传感器与人类交流,强调与物理环境交互。人形机器人是具身智能的代表产品。 具身智能有三要素: 1. 本体:即硬件载体,不同环境有不同形态的硬件本体适应,如室内平地适用轮式机器人,崎岖地面适用四足机器人(机器狗)。 2. 智能:包括大模型、语音、图像、控制、导航等算法。 3. 环境:本体所交互的物理世界,本体、智能、环境高度耦合是高级智能基础。 具身智能还有四个模块:感知决策行动反馈。一个具身智能体的行动分为这四个步骤,分别由四个模块完成并形成闭环。在具身智能体与环境的交互中,智能算法通过本体传感器感知环境,做出决策操控本体执行动作任务影响环境,还可通过“交互学习”和拟人化思维学习适应环境实现智能增长。
2025-02-26
我想通过在sciencedirect上输入关键词后,让AI帮助我整理该词条下文献的内容,输出当今的研究现状、现存问题、解决方法
目前在 ScienceDirect 上,还没有直接通过输入关键词让 AI 为您整理文献内容并输出研究现状、现存问题及解决方法的成熟功能。但您可以利用一些 AI 工具,如文献分析类的软件,先将从 ScienceDirect 下载的文献导入其中,然后让其协助您进行分析和总结。不过,在使用任何工具时,都需要您自己对结果进行评估和筛选,以确保准确性和可靠性。
2025-02-25
基于deepseek撰写论文的方法
基于 DeepSeek 撰写论文的方法如下: 1. 高级调试策略 模糊指令优化 问题类型:宽泛需求 修正方案:添加维度约束 示例对比:原句“写小说”→修正“创作以 AI 觉醒为背景的悬疑短篇,采用多视角叙事结构” 问题类型:主观表述 修正方案:量化标准 示例对比:原句“写得专业些”→修正“符合 IEEE 论文格式,包含 5 项以上行业数据引用” 迭代优化法 首轮生成:获取基础内容 特征强化:请加强第三段的技术细节描述 风格调整:改用学术会议报告语气,添加结论部分 最终校验:检查时间逻辑一致性,列出可能的事实性错误 2. 行业应用案例 技术开发场景 商业分析场景 3. 异常处理方案 信息幻觉:追加请标注所有不确定陈述,并提供验证方法 格式偏离:使用严格遵循以下模板:第一行...第二行... 深度不足:触发请继续扩展第三章节内容,添加案例佐证 4. 效能监测指标 首次响应准确率:目标>75% 多轮对话效率:问题解决平均轮次<3 复杂任务分解:支持 5 级子任务嵌套
2025-02-25
我有什么方法,能够让ai帮我分析我有几篇飞书文档的内容,然后行程一个分享的提纲
目前让 AI 直接分析您的多篇飞书文档内容并形成分享提纲可能具有一定的挑战。但您可以尝试以下方法: 1. 首先,将飞书文档中的关键内容提取出来,整理成较为清晰的文本格式。 2. 然后,使用具有文本分析能力的 AI 工具,如某些自然语言处理模型,输入整理后的文本,让其帮助您总结主要观点和关键信息。 3. 您还可以向 AI 提供一些关于分享提纲的格式和重点要求的提示,以便它能生成更符合您需求的提纲。 需要注意的是,AI 的分析结果可能需要您进一步的审查和调整,以确保准确性和完整性。
2025-02-24
有没有做AI工作流的方法
以下是一些做 AI 工作流的方法: 1. 起床时,让 AI 如“马云”“马化腾”为您排 TODO 优先级,并做私董会的脑暴。 2. 工作中,设置一个傲娇的 AI 小助理为您加油,给她的 Prompt 是要阳光、会撒娇/卖萌。 3. 对于重点事项,如内容创作,拆成一个 bot 团队组:工作分成选题、标题、框架、扩写,然后分 A/B 组两个 AIbot 互相改。其中要点是提供反常识、梗,学习喜欢的 UP 创作方法论,如导演小策、影视飓风 TIM 总结的 HKRR(快乐/知识/共鸣/节奏)。 4. 优化的 bot 包括内容选题 bot、短视频脚本 bot、数据分析 bot(GPT4)、网页 Perplexity 的资料库 bot 等。 5. 优化方面:使用 Zion、ChatO 和自动化 AIAgent 分身,基于自身知识库的 bot;将上述知识库、Prompt 资产,全部放入飞书的知识库+多维表单中维护,等待飞书的 AI 进化。 6. 备选:筛选过的 50 多个生产力 AI,放在工具库里,待命输出。 7. 未来:把整个公司业务全部搬入飞书中,外接 MJ、ChatBot 分身,以及咨询日程预约。 8. 可能:让所有流量口 bot 也介入飞书,给予飞书做数据分析和内容引擎(目前需手动)。 9. 告诉自己,关注 AI 的同时,更要关注打交道的人、利益、状态和情绪。 此外,还可以: 1. 打开 Comfyui 界面后,右键点击界面,找到 Comfyui LLM party 的目录,学习手动连接节点实现最简单的 AI 女友工作流,或者直接将工作流文件拖拽到 Comfyui 界面中一键复刻提示词工程实验。 2. 从 ollama 的 github 仓库找到对应版本并下载,启动 ollama 后,在 cmd 中输入 ollama run gemma2 将自动下载 gemma2 模型到本地并启动。将 ollama 的默认 base URL=http://127.0.0.1:11434/v1/以及 api_key=ollama 填入 LLM 加载器节点即可调用 ollama 中的模型进行实验。若 ollama 连接不上,很可能是代理服务器的问题,需将 127.0.0.1:11434 添加到不使用代理服务器的列表中。 搭建 AI 工作流的步骤: 1. 找到一个熟悉的工作场景,比如写文章、做 PPT 等。 2. 拆解工作流程,如写文章可拆成选题、写稿、改稿、写标题等步骤。 3. 针对每个步骤嵌入合适的 AI 工具,灵活选择最优解,不要为了用 AI 而用 AI,通过局部最优解达到全局最优解,以提高工作效率。
2025-02-23
兼职督学岗位,通过飞书平台为高中生服务,包括:1)解答学习方法等疑问;2)发送测试卷;3)提交测试卷后通知后端制作学习计划;4)发送学习计划链接;5)定期推送知识点和打卡提醒;6)查看打卡并反馈。所有文档通过飞书云文档链接发送。现在我想通过利用coze将deepseek等ai接入飞书的形式,制作出产品赋能督学在这一岗位的工作效率,并希望在这一过程中,锻炼我的ai能力,再想办法让上司或者老板为我这个产品支付报酬,请问我可以从哪些角度开发产品?
以下是一些您可以从以下角度开发产品来赋能兼职督学岗位的工作效率,并锻炼您的 AI 能力,以争取上司或老板为产品支付报酬: 1. 利用 Coze 的多语言模型支持,为解答高中生学习方法等疑问提供更准确和全面的回答。 2. 借助插件系统,集成与学习相关的插件,如学习资料查询、学习工具推荐等,丰富服务内容。 3. 运用知识库功能,上传各类学科知识点、优秀学习案例等,方便在服务中快速调用和推送。 4. 利用数据库和记忆能力,记住每个高中生的学习情况和需求,提供个性化服务。 5. 设计工作流,例如自动发送测试卷、自动通知后端制作学习计划、自动推送学习计划链接等流程,提高工作效率。 6. 采用多代理模式,针对不同学科或学习阶段设置专门的代理,提供更精准的服务。 7. 利用 Coze 易于发布和分享的特点,将服务产品推广给更多需要的高中生和督学人员。
2025-02-18
想要一个AI LOGO生成利器,能够输入中文字,修改
以下为您推荐一些能够输入中文字并修改的 AI LOGO 生成利器: 1. Stable Diffusion(SD): 制作思路: 将中文字做成白底黑字,存成图片样式。 使用文生图的方式,使用大模型真实系,如 realistVisionV20_v20.safetensorsControlNet 预设置。 输入关键词,如奶油的英文单词“Cream+Cake”(加强质感),反关键词“Easynegative”(负能量),反复刷机,得到满意的效果即可。 同理可输出 C4D 模型,可自由贴图材质效果,如 3d、blender、oc rendering。 如果希望有景深效果,也可以打开 depth(增加阴影和质感)。 打开高清修复,分辨率联系 1024 以上,步数:29 60。 相关教程:Nenly 同学的视频教程,链接:https://b23.tv/c33gTIQ 。 2. Looka:是一个在线 Logo 设计平台,它使用 AI 来理解用户的品牌信息和设计偏好,然后生成多个 Logo 设计方案供用户选择和定制。 3. Tailor Brands:是一个 AI 驱动的品牌创建工具,它提供 Logo 设计服务,通过用户回答一系列关于品牌和设计风格的问题来生成 Logo 选项。 4. Designhill:其 Logo 制作器使用 AI 技术来创建个性化的 Logo 设计。用户可以选择不同的设计元素和风格,AI 将基于这些输入生成设计方案。 5. LogoMakr:提供一个简单易用的 Logo 设计工具,用户可以通过拖放的方式来设计 Logo,并且可以利用 AI 建议的设计元素和颜色方案。 6. Canva:是一个广受欢迎的在线设计工具,它提供了 Logo 设计的模板和元素,用户可以利用 AI 辅助的设计建议来创建自己的品牌标识。 7. LogoAI by Tailor Brands:是 Tailor Brands 推出的一个 AI Logo 设计工具,它可以根据用户输入的品牌名称和行业类别快速生成 Logo 设计方案。 8. 标小智:是一个中文 AI Logo 设计工具,它利用人工智能技术帮助用户创建个性化的 Logo。 此外,您还可以访问网站的 AI 生成 Logo 工具版块,获取更多好用的工具:https://waytoagi.com/category/20 。 一泽 Eze 也提供了相关服务,流程如下: 1. 输入 Prompt。 2. 输入要用的 Logo。 这样,AI 就会根据 Logo 对应的品牌特征,分析名片设计方案,输出最终结果。 使用这些工具时的注意事项: 1. 对于 Stable Diffusion,要按照上述步骤操作,注意图片格式和参数设置。 2. 对于一泽 Eze: 提示词的主要目的是“设计符合品牌调性的创意名片”。 「创意名片生成」已支持在 Artifacts 中正确回显上传的 Logo,为了更好的直出效果,Logo 建议使用清晰、底图透明的 PNG 格式。 如果生成结果不符合预期,可以尝试让模型重新生成,也可以和 AI 对话,提出修改意见。
2025-03-01
有没有这样的产品,能够通过输入X主页,获取这个人的历史所有推特的信息分析与总结
目前没有这样合法合规且普遍可用的产品。获取他人的推特信息需要遵循相关平台的规定和法律法规,未经授权获取他人的信息是不被允许的。
2025-02-28
我想要能够生成音乐的ai工具
以下为您推荐一些能够生成音乐的 AI 工具: 1. 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。网址:https://www.udio.com/ 2. Suno AI:是一款革命性的人工智能音乐生成工具,它通过先进的深度学习技术,能够将用户的输入转化为富有情感且高质量的音乐作品。网址:https://suno.com/ 3. Lemonaide Music:与 DAW 集成的生成音乐工具,100%免版权费。网址:https://www.lemonaide.ai/ 4. tuney.io:为创意媒体提供的伦理音乐 AI。网址:https://csteinmetz1.github.io/aiaudiostartups/tuney.io 5. KORUS AI:AI 音乐创作平台和探索声音宇宙的个人音乐制作人。网址:https://play.korus.co/ 6. TRINITI:通过音乐赋予您新的创作和表达方式。网址:https://triniti.plus/ 7. voice swap:使用 AI 改变您的歌唱声音。网址:https://www.voiceswap.ai/ 8. mix audio:为您的创造力和生产力提供 AI 音乐。网址:https://mix.audio/ 9. Audiogen:使用 AI 生成声音、音效、音乐、样本、氛围等。网址:https://www.audiogen.co/ 10. Wavtool:带有 AI 助手并支持本地 VST 插件的网页 DAW。网址:https://wavtool.com/ 11. Wavacity:Audacity®音频编辑器的网页版。网址:https://wavacity.com/ 内容由 AI 大模型生成,请仔细甄别。
2025-02-26
在国内,怎样能够使用ChatGPT
在国内使用 ChatGPT 可以参考以下步骤: 1. 引言:ChatGPT 是由 OpenAI 开发的基于 GPT 架构的人工智能模型,是先进的自然语言处理工具,能理解和生成接近人类水平的文本。目前官网有 GPT3.5 和 GPT4 两个版本,GPT3.5 免费但智能程度不如 GPT4,GPT4 的 PLUS 套餐收费 20 美金/月,还有团队版和企业版,功能更多但费用更贵,一般推荐 PLUS 套餐。 2. 注册准备:在注册 ChatGPT 账号前,先注册一个谷歌账号,因为国外很多软件支持谷歌账号一键登录,目前注册谷歌账号支持国内手机号码和国内邮箱验证。 3. 苹果系统安装、订阅 GPT4 教程: 在 AppleStore 下载 chatgpt,中国区正常下载不了,需切换到美区。美区 AppleID 注册教程可参考知乎链接:,最终在 AppleStore 搜到 chatgpt 下载安装,注意别下错。 支付宝购买苹果礼品卡:打开支付,地区切换到美区任意区,往下滑,找到【品牌精选折扣礼品卡】,点击进去,看到【大牌礼品卡】,往下滑找到【App Store&iTunes US】礼品卡,按需要的金额购买,建议先买 20 刀。 操作步骤:支付宝购买礼品卡;在 apple store 中兑换礼品卡;在 chatgpt 中购买订阅 gpt plus,中途不想继续订阅可到订阅列表中取消订阅。完成后即可开始使用 ChatGPT 4。
2025-02-26
我需要一个能够生成适合初中生的个性化的英语单词清单,用什么工具比较合适
以下为您推荐几种适合生成适合初中生个性化英语单词清单的工具: 1. DeepSeek:您可以输入单词主题、图片风格、单词数量等,它会为您输出指定数量的相关单词,并以数组形式呈现,包括单词、中文、美式音标以及相关的英文句子和中文翻译。 2. Claude:您可以输入任意三个中文词语或一个主题让其随机生成 Word Search 表格,有助于提升初中生的语言能力、专注力、认知能力等。 3. 利用搞定设计结合 ChatGPT:通过搞定设计制作单词卡模板,然后使用 ChatGPT 生成单词内容并整理放入 Excel 文件中,实现批量制作单词卡片。
2025-02-26
产品经理想进入AI行业,成为AI产品经理,应该怎么准备,能够快速应付面试拿到offer?我的背景是过去3年集中在用户功能产品,有过1份AI多轮对话解决用户求职问题的AI项目经历
如果产品经理想进入 AI 行业成为 AI 产品经理并快速应付面试拿到 offer,可以从以下几个方面准备: 1. 了解 AI 市场: 鱼龙混杂,求职者要做好信息甄别。即使面试通过拿到 offer,除了看 boss 直聘的招聘评价,一定要提前收集其他信息,如在脉脉上搜一下这家公司靠不靠谱。 一些公司实际上没搞懂用 AI 能为自己企业带来什么价值,只是处于焦虑或跟风心态要做 AI,这部分企业可以聊,但要求求职者要有咨询和商业化的思维,能帮公司厘清业务增长机会。 不同公司对 AI 产品经理的定位不同,所以招聘市场上对 AI 产品经理的岗位职责和任职要求也不同,慢慢会统一标准,这也是产品经理转型的机会。 有行业沉淀和认知的产品经理转型会更有机会,类似之前的“互联网+”,目前应用层的机会在“AI+行业”,只懂 AI 或只懂行业是不够的。还有就是业务创新,找到细分的场景痛点并完成 PMF 验证,海外有很多优秀案例。 2. 掌握岗位技能: 本科及以上学历,计算机科学、人工智能、机器学习相关专业背景。 熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理,并具有实际应用经验。 熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理。 负责制定和执行 AI 项目,如 Prompt 设计平台化方法和模板化方法。 了解并熟悉 Prompt Engineering,包括常见的 Prompt 优化策略(例如 CoT、Fewshot 等)。 对数据驱动的决策有深入的理解,能够基于数据分析做出决策。 具有创新思维,能够基于业务需求提出并实践 AI first 的解决方案。 对 AI 技术与算法领域抱有强烈的好奇心,并能付诸实践。 对 AIGC 领域有深入的理解与实际工作经验,保持对 AI 技术前沿的关注。 具备一定的编程和算法研究能力,能应用新的 AI 技术和算法于对话模型生成。 具有一定的编程基础,熟练使用 Python、Git 等工具。 需要注意的是,观察上面的岗位需求,其实公司并不是需要一个 prompt 工程师,而是一个 AI 互联网产品经理。
2025-02-25