使用AI赚钱的方法

以下是一些具有文件上传功能的 AI 智能体或应用的搭建教程： 使用 Coze 搭建： 方法一：直接使用 Coze 的 API 对接前端 UI 框架，将工作流逻辑集中在工程模板端，实现前后端分离的处理方式。 方法二：直接调用大模型 API，并通过前端代码实现提示词处理和逻辑控制，将交互流程完全放入前端代码中。 实现文件上传：通过 Coze 的，用户可将本地文件上传至 Coze 的云存储。在消息或对话中，文件上传成功后可通过指定 file_id 来直接引用该文件。 Coze 的 API 与工作流执行：关于 API 的使用及工作流执行流程可以参考。 设计界面：搭建 Demo 最简单的方式是首先绘制草图，然后借助多模态 AI 工具（如 GPT/Claude）生成初步的前端结构代码。前端开发语言包括 HTML 用于构建网页基础框架，定义整体页面结构；CSS 负责网页布局样式美化；JavaScript 实现交互逻辑，如信息处理、网络请求及动态交互功能。 Stuart 教学 coze 应用中的“上传图片”： 传递上传图片地址：首先，把工作流的入参设置为 File>Image。然后，注意代码内容，其中 ImageUpload1 部分是可以替换成实际的文件上传组件的组件名称的，一个引号，一个大括号都不能错。 获得图片 URL：接下来就比较简单了，工作流中可以直接用这个 image 变量，也可以用 string 模式输出，它会在工作流中变成图片的 URL。 无企业资质也能 coze 变现： 以 API 形式链接 Zion 和 Coze：同理也可以为 dify、kimi 等给任何大模型&Agent 制作收费前端。参考教程： 自定义配置：变现模版 UI 交互、API、数据库等拓展功能，支持在 Zion 内自由修改，可参考文档配置。相关链接：支付： 微信小程序变现模版正在开发中，不久将会上线。目前实现小程序端可以通过 API 形式搭建。 Zion 支持小程序，Web，AI 行为流全栈搭建，APP 端全栈搭建 2025 上线。

对于 C 端用户应对 AI 幻觉，可以参考以下方法： 1. 在商业化问答场景中，落地时需直面幻觉问题。非技术从业者可从配置入手，如问答机器人界面左侧的 AI 模型、提示词、知识库等。 2. 对于 Claude ，可以尝试以下故障排除方法： 允许 Claude 在不知道答案时说“我不知道”。 告诉 Claude 只有在非常确信回答正确时才回答问题。 让 Claude 在回答问题之前“逐步思考 think step by step”。 给 Claude 留出思考的空间，例如让其在<thinking></thinking>标签内思考，然后从最终输出中删除该部分。 让 Claude 在长篇文档中找到相关引文，然后使用这些引用来回答。 3. 对于提示词污染与不良用户行为，Claude 本身具有一定抵抗力，为实现最大程度保护，可以进行无害性筛选，例如运行“无害性筛选”查询评估用户输入内容是否恰当，若检测到有害提示则拦截查询响应。 4. 在实际应用中，如面对央企等对幻觉零容忍的大客户，可引入 LLM 之外的东西如传统搜索或 hard code 的一些东西去强行控制，但希望流程能在场内完成，同时与客户建立共生的数据。

写 AI 提示词（prompt）是一个关键步骤，决定了 AI 模型如何理解并生成文本。以下是一些编写提示词的要点和方法： 1. 明确任务：清晰定义任务，如写故事时包含背景、角色和主要情节。 2. 提供上下文：若任务需特定背景知识，在提示词中提供足够信息。 3. 使用清晰语言：尽量用简单、清晰的语言描述，避免模糊或歧义词汇。 4. 给出具体要求：如有特定格式或风格要求，在提示词中明确指出。 5. 使用示例：若有特定期望结果，提供示例帮助 AI 模型理解需求。 6. 保持简洁：提示词简洁明了，过多信息可能导致模型困惑。 7. 使用关键词和标签：有助于模型更好理解任务主题和类型。 8. 测试和调整：生成文本后仔细检查结果，根据需要调整提示词，可能需多次迭代达到满意结果。 不同的 AI 工具在提示词的输入和处理上可能存在差异。例如，星流一站式 AI 设计工具中： 输入语言方面，通用大模型与部分基础模型使用自然语言，部分基础模型使用单个词组，且支持中英文输入。 写好提示词方面： 内容准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等。 可调整负面提示词，帮助 AI 理解不想生成的内容。 利用“加权重”功能让 AI 明白重点内容，还能对已有提示词权重进行编辑。 有辅助功能，如翻译、删除所有提示词、会员加速等。 对于小白用户，还可以点击提示词上方官方预设词组进行生图。希望这些内容能帮助您更好地编写提示词。

以下是关于 AI 的相关知识： 1. 基础方面： 背景知识：包括人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 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：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 2. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 3. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 4. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 关于 WaytoAGI 网站，它提供以下功能： 1. 和 AI 知识库对话：您可以在这里问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，可以复制到 AI 对话网站来使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 请注意，我只能为您提供与 AI 相关的知识和指导，对于其他非 AI 领域的内容，我的知识库中没有相关信息。

以下是一些关于可灵 AI 提示词的相关资源和信息： 提示词模板相关网站： 生成新年场景的提示词示例： 戴着醒狮帽，双手抱拳，红色背景，新年喜庆。背景中有金粉，碎花，3d 爆竹显得热闹而喜庆 拿着"福"字，新年气氛，红色背景，新年喜庆。背景中有金粉，碎花，3d 爆竹显得热闹而喜庆 关于律师如何写好提示词用好 AI 的观点： 不能期待设计一个完美的提示词，然后 AI 百分百给到一个完美的符合要求的答案，中间不能有谬误，否则就是一个需要修复的“BUG”。 要给到 AI 的提示词实际上是一个关于此项问题的相对完善的“谈话方案”，真正的成果需要在对话中产生，并且在对话中限缩自己思维中的模糊地带。

对于非计算机专业出身想要快速入门 AI 的人，以下是一些建议： 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，您能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，您可以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。 4. 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。 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，了解它们的工作原理和交互方式。 此外，对于不会代码的您，20 分钟上手 Python + AI 的方法如下： 在深入学习 AI 时，许多朋友发现需要编程，变得头大。同时，各类教程都默认您会打命令行，导致入门十分困难。鉴于此，就有了这份简明入门，旨在让大家更快掌握 Python 和 AI 的相互调用，并使您在接下来的 20 分钟内，循序渐进的完成以下任务： 1. 完成一个简单程序。 2. 完成一个爬虫应用，抓取公众号文章。 3. 完成一个 AI 应用，为公众号文章生成概述。 一些背景： 1. 关于 Python： Python 就像哆拉 A 梦，它拥有一个百宝袋，装满了各种道具，被称为标准库。当遇到问题时，都可以拿出来直接使用。 如果百宝袋里的道具不够用，还可以打电话给未来百货，去订购新道具。在这里：打电话对应 pip 一类的工具，可以用来订购任何的道具；未来百货对应 GitHub 一类的分享代码的平台，里面啥都有。 Python 被全世界广泛使用，尤其是在 AI 领域，所以遍地是大哥。 2. 关于 OpenAI API： OpenAI 通过两种方式提供服务：其一，通过 ChatGPT，提供开箱即用的服务，直接对话即可，简单直观；其二，通过 OpenAI API，提供更加灵活的服务，通过代码调用，来完成更多自动化任务，比如全自动将本地的 1 万本小说，从中文翻译成英文。 欢迎来到“AI 企业落地应用”专栏，在这里，我们将分享 AI 技术在真实商业场景中落地应用的有趣案例故事和实战经验教训。做为铺垫和开始，这是一篇能带你快速搞懂本轮 AI 大模型革命相关核心知识信息的文章，我们将从历史到今天，从原理到应用，从产业到趋势，用尽可能通俗易懂但又不失专业严谨的方式，带你快速走入 AI 的世界，跟上 AI 大势。阅读提示：为了方便没有计算机学习背景但又热衷学习 AI 应用的伙伴更好的阅读，下面的内容可能会使用打比方、作类比的方式来让那些晦涩枯燥的知识变得更为有趣和更容易入心入脑，帮助于您在学习应用 AI 的路上走得更加顺畅和稳健，但这也势必会一定程度带来专业性上的不严谨，我们将会显性的做出标注提示，方便您识别，您可以关注文末的论文推荐导引，去了解真实的技术细节。此外，文章中可能还会涉及一些相对专业和可能超纲的知识内容，我们也将会显性的做出标注提示，告诉您这部分内容即使不懂，也完全没关系，可以放心跳过，不必焦虑。

以下是一些利用 AI 赚钱的方式和相关信息： 从 GPTs/GLMs 赚钱： 核心竞争力和护城河在于数据和服务上（定制化 Tools）。例如，像 WebPilot 的作者通过自己开发的搜索接口提供搜索服务接入 GPTs，或者像小红书写作专家的作者收集大量小红书数据和规则包装成 GPTs。但靠这种方式可能只能赚到一波红利的钱，并非长久之计。 利用以下 AI 工具创作赚钱： AI 研究工具：Claude、ChatGPT、Bing Chat、Perplexity 等。 图片处理：DallE、Leonardo、BlueWillow、Midjourney 等。 版权写作：Rytr、Copy AI、Wordtune、Writesonic 等。 设计：Canva、Clipdrop、Designify、Microsoft Designer 等。 网站搭建：10Web、Framer、Hostinger、Landingsite 等。 视频处理：Klap、Opus、Invideo、Heygen 等。 音频处理：Murf、LovoAI、Resemble、Eleven Labs 等。 SEO 优化：Alli AI、BlogSEO、Seona AI、Clearscope 等。 Logo 设计：Looka、LogoAI、Brandmark、Logomaster 等。 聊天机器人：Droxy、Chatbase、Voiceflow、Chatsimple 等。 自动化工具：Make、Zapier、Bardeen、Postman 等。

以下是关于 AI 赚钱的一些分析和观点： 首先，对于 GPTs/GLMs 能否赚钱的问题，答案是能，但大多数人不能。以一个 AI 产品经理的角色复盘 2023 年的所见所闻所感来聊，从最俗气的角度“钱”出发，探讨 AI 赚钱（应用落地）这件事情。 在生成式 AI 方面，比如艺术创作，许多 AI 工具存在幻觉或处理请求时间长的问题。对于试图通过内容实现盈利的用户可能会更沮丧。为满足高级用户需求，预计许多公司将添加“专业版”套餐，如 ChatGPT 已做到的那样。 关于如何靠 GPTs/GLMs 赚钱，OpenAI 刚推出 GPTs 时，有人将其比作苹果时代的 AppStore。产品的核心竞争力和护城河在于数据和服务上（定制化 Tools），而非 Prompt。传统 SaaS 的能力会被碎片化并整合到各种 GPTs 里，OpenAI 成为真正的流量入口。例如，WebPilot 的作者通过自己开发的搜索接口提供搜索服务接入 GPTs，模仿者要么自己开发搜索服务，要么购买其 API 接口；小红书写作专家作者收集很多小红书数据和规则，通过 RAG 包装成 GPTs，模仿者得先搞到这些数据。也许能赚到红利的钱，但这不是长久赚钱的方法。

以下是关于 2025 年如何使用 AGI 赚钱的相关信息： 1. OpenAI 方面：到 2025 年，OpenAI 需从实验室和初创企业转型为长期发展的公司，董事会制定了一系列战略目标，包括优化非营利/盈利结构，将现有盈利机构转型为特拉华州公共利益公司（PBC），吸引资本支持使命；增强非营利组织的可持续性，非营利组织对现有盈利机构的权益将以 PBC 股份形式体现，并由独立财务顾问公平估值；强化部门功能分工，新结构下，PBC 将负责运营和业务，而非营利机构将专注于医疗、教育和科学等领域的慈善事业。OpenAI 的发展目标是助力建设一个以 AGI 为核心的新经济，同时确保其造福全人类。 2. DeepSeek 方面：DeepSeek 大模型近日在中国爆红，吸引了大量商家和博主借机“搞钱”，以高价售卖接入教程和培训课程。但官方提醒大部分收费内容均为假冒，用户无需花费。专家指出，普通人完全可以通过自学和开源社区获取知识，避免被虚假宣传误导。同时要警惕假冒网站。 3. 国产 AI 产业方面：东吴证券发布的研究报告指出，国产 AI 产业在 2025 年迎来加速发展机遇，字节跳动的 AI 生态布局尤为关键。2024 年大模型技术差距缩小，国内 AI 应用渗透率快速提升。字节跳动凭借顶级资源和创新姿态，在 AI 领域布局激进，其豆包大模型快速追赶，火山引擎云服务有望弯道超车。 4. 另外，Sam Altman 确信在 2025 年，可能会看到第一批人工智能 Agent“加入劳动力大军”，并对公司的生产力产生实质性的影响。超级智能工具可以极大地加速科学发现和创新，从而显著增加财富和繁荣。

以下是一些利用 AI 在家里赚钱的方式和相关分析： 1. 成为 AI 肖像摊摊主： 门槛较低，但短期内涌入者多，后期赚钱难度可能增加。 定价和提供的服务会影响生意，如九块九体验价能开张但赚钱不多，88 元一张并增加更多模板、工具、现场打印和赠品的报价可能生意不佳。 趋势是精细化、流程化，增加产品种类如冰箱贴和徽章等，或使用更先进的技术如 ComfyUI 等，可能会有更好的生意。 2. 学习 AI 技术： 人工智能领域有高薪工作，如数据科学家、机器学习工程师等，学会相关技术可在这些岗位就业获得不错收入。 AI 技术在各行业有应用，掌握技能可增加就业机会和职业发展可能。 但能否赚钱还取决于个人学习能力、实际应用能力、对市场和商业的理解等，持续学习和实践很重要。 3. 利用 AI 进行艺术创作： 目前许多 AI 工具存在幻觉（如照片中出现异常）或处理请求时间长的问题。 对于试图通过内容盈利的高级用户，预计很多公司会推出提供更高质量服务的“专业版”套餐。

以下是一些关于如何用 AI 赚钱的相关信息： 1. 艺术创作方面：生成式 AI 使内容创作成为其第一个主流用例，例如在 Lensa 应用中所见。肖像画只是开始，生成式 AI 产品将服务于各种用例，包括消费者“仅为了娱乐”地创造内容，以及创作者或个体创业者通过内容实现盈利。 2. 就业岗位方面：学会了 AI 技术，有可能在数据科学家、机器学习工程师等高薪岗位上找到工作，获得不错的收入。AI 技术在金融、医疗、制造业等各行各业都有应用，掌握 AI 技能可以增加就业机会和职业发展的可能性。但能否赚钱还取决于个人的学习能力、实际应用能力、对市场和商业的理解等因素，持续学习和实践很重要。 3. 产品应用方面：对于 GPTs/GLMs 能否赚钱，答案是能，但大多数人不能。以一个 AI 产品经理的角色复盘 2023 年的所见所闻所感，从“钱”的角度来聊 AI 赚钱（应用落地）这件事，需要综合考虑多方面因素。

以下是一些利用 AI 进行赚钱的示例： 1. 在艺术创作领域，生成式 AI 使想象变为现实。例如通过 Lensa 等应用，生成肖像画等各种内容，创作者或个体创业者可借此实现盈利。 2. 对于 GPTs/GLMs ，虽然能赚钱，但大多数人难以做到。可以从最俗气的“钱”的角度，以 AI 产品经理的角色复盘 2023 年的所见所闻所感来探讨 AI 赚钱（应用落地）这件事。比如分析相关数据，了解其实际对话次数等情况。

OpenAI 能够跑通所有 AGI 技术栈的方法原理主要基于以下几个方面： 1. 方法论明确：有着清晰的逻辑结构和明确的推论，甚至可以用公理化的方式描述。 公理 1：The bitter lesson。长期来看，AI 领域所有的奇技淫巧都比不过强大的算力夹持的通用的 AI 算法，强大的算力加持的通用的 AI 算法才是 AGI 路径的正道。 公理 2：Scaling Law。一旦选择了良好且通用的数据表示、标注和算法，就能找到一套通用规律，保证数据越多、模型越大、效果越好，甚至能在训练模型之前预知效果。 公理 3：Emerging properties。这是一条检验公理，用于判断 scaling law 带来的是质变而非量变，即随着 scaling law 的进行，模型会突然稳定掌握之前不能掌握的能力。 2. 具体实践： 在 GPT 中，良好且通用的数据表示是 tokenizer 带来的 embedding，数据标注是文本清理和去重的一套方法，算法是大家熟知的 transformers + autoregressive loss。 在 Sora 中，良好且通用的数据表示是 video compress network 带来的 visual patch，数据标注是 OpenAI 自己的标注器给视频的详细描述，算法是大家熟知的 transformers + diffusion。 3. 数据和任务： 大量数据从世界本身获取，世界产生的数据是 AGI 需要的数据的最小集合，OpenAI 未来会执着于持续获得或者构造数据。 要最有效地利用数据，需要做生成模型，能够模拟和生成整个世界，OpenAI 未来还会在更多的模态和数据上去做生成模型。 通用模型也是 OpenAI 追求的方向。

以下是一些不学编程入门 AI 的方法： 1. 阅读简明入门教程，比如在 20 分钟内掌握 Python 和 AI 的相互调用，完成简单程序、爬虫应用以及为公众号文章生成概述。 2. 了解 AI 基本概念： 阅读「」部分，熟悉术语和基础概念，包括人工智能的主要分支及它们之间的联系。 浏览入门文章，了解 AI 的历史、应用和发展趋势。 3. 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）按自己节奏学习，并争取获得证书。 4. 选择感兴趣的模块深入学习，比如掌握提示词技巧。 5. 实践和尝试： 理论学习后进行实践，巩固知识，尝试使用各种产品做出作品，并在知识库分享实践成果。 6. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得实际应用体验。 对于中学生学习 AI 的建议： 1. 从编程语言入手学习，如 Python、JavaScript 等，学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台，如 ChatGPT、Midjourney 等，探索面向中学生的教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识，包括基本概念、发展历程、主要技术及在各领域的应用案例。 4. 参与 AI 相关的实践项目，如参加学校或社区组织的编程竞赛、创意设计大赛等，尝试用 AI 技术解决实际问题。 5. 关注 AI 发展的前沿动态，关注权威媒体和学者，思考 AI 技术对未来社会的影响。 总之，无论是成年人还是中学生，都可以从多个方面入手，全面系统地学习 AI 知识和技能。

以下是稳定使用 DeepSeek 的方法： 1. 访问网址：搜索 www.deepseek.com，点击“开始对话”。 2. 操作步骤： 将装有提示词的代码发给 DeepSeek。 认真阅读开场白之后，正式开始对话。 3. 设计思路： 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能。 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 用 XML 来进行更为规范的设定，而不是用 Lisp（对开发者有难度）和 Markdown（运行下来似乎不是很稳定）。 此外，DeepSeek 在一些案例中也有出色表现，比如在卫夕指北的案例中，经过细腻、严谨、自洽、深刻的思考，输出了符合要求的结果。 在获取 2048 游戏代码方面，DeepSeek 具有诸多优势，如国内能访问、网页登录方便、目前完全免费等。同时，也介绍了其他获取代码的工具和方法，如 Cursor 等。

以下是本地部署 DEEPSEEK 的方法： 1. 拥有扣子专业版账号：如果您还是普通账号，请自行升级或注册专业号后使用。开通成功的样式如相关描述。 2. 开通 DeepSeek R1 大模型：访问地址 https://console.volcengine.com/cozepro/overview?scenario=coze 。打开火山方舟，找到开通管理，找到 DeepSeek R1 模型，点击开通服务。添加在线推理模型，添加后在扣子开发平台才能使用。添加过程包括添加模型和完成接入。 3. 创建智能体：点击创建，先完成一个智能体的创建。 此外，DEEPSEEK 具有多种含义指向，包括 deepseek 公司：深度求索，以及 deepseek 网站、手机应用和 deepseek 大模型（尤其是指有推理功能的 deepseek R1 大模型，权重文件开源，可本地部署）。同时，相关社区动态也有关于 DeepSeek 的报道，如 DeepSeek 最新模型 V3 与 R1 采用混合专家（MoE）架构，显著提升计算效率等。

以下是 DeepSeek 的使用方法： 1. 访问网址：搜索 www.deepseek.com，点击“开始对话”。 2. 操作步骤： 将装有提示词的代码发给 DeepSeek。 认真阅读开场白之后，正式开始对话。 3. 特点与优势： 核心是推理型大模型，不需要用户提供详细的步骤指令，而是通过理解用户的真实需求和场景来提供答案。 能够理解用户用“人话”表达的需求，不需要用户学习和使用特定的提示词模板。 在回答问题时能够进行深度思考，不是简单地罗列信息。 可以模仿不同作家的文风进行写作，适用于多种文体和场景。 4. 更多提示词技巧请查看

要创建一个具备像马斯克等人思考能力和方法的 AI 智能体并非易事，以下是一些相关的要点和思路： xAI 的使命在于探索宇宙本质与智能体。从宇宙尺度看，意识进化存在狭窄窗口，计算机若不能解决至少一个基本问题，不能称之为 AGI。 对于使命陈述，短期内致力于更好地理解深度学习技术，工作中应始终记住构建与理解并重，追求科学是基础。 主要目标是创建能帮助更好理解宇宙的聪明智能体，相关数学研究可能为对基本物理或其他现实的思考开辟新方式，带来有趣视角，对现有问题产生启发，但目前多为推测性，尚无具体结论。 但需要注意的是，完全复制某个人的思考能力和方法在当前技术水平下是极具挑战性的，甚至可能无法实现。

以下是使用飞书机器人（如 Coze 智能体）自动抓取外部链接（如网页、公众号文章），通过多维表格存储为“稍后读”清单，并自动提取关键信息（标题、摘要、标签）的相关内容： 前期准备： 1. 简化“收集”： 实现跨平台收集功能，支持电脑（web 端）、安卓、iOS 多端操作。 输入一个 URL 即可完成收集，借鉴微信文件传输助手的方式，通过聊天窗口输入更符合用户习惯。 2. 自动化“整理入库”： 系统在入库时自动整理每条内容的关键信息，包括标题、摘要、作者、发布平台、发布日期、收集时间和阅读状态。 阅读清单支持跨平台查看。 3. 智能“选择”推荐： 根据当前收藏记录和用户阅读兴趣进行相关性匹配，生成阅读计划。 使用步骤： 1. 设置稍后读存储地址： 首次使用，访问。 点击「更多创建副本」，然后复制新表格的分享链接。 将新链接发送到智能体对话中。 还可以发送“查询存储位置”、“修改存储位置”来更换飞书多维表格链接，调整稍后读存储位置。 2. 收藏待阅读的页面链接： 在对话中输入需要收藏的页面链接，第一次使用会要求授权共享数据，授权通过后再次输入即可完成收藏。 目前部分页面链接可能小概率保存失败。 3. 智能推荐想看的内容： 在对话中发送“我想看 xx”、“xx 内容”，即可按个人兴趣推荐阅读计划。 通过飞书机器人与 Coze 搭建的智能体进行对话，在聊天窗口中完成链接输入和阅读计划输出，由 Coze 调用大模型、插件完成内容的整理、推荐，利用飞书多维表格存储和管理稍后读数据，理论上无需开发任何插件、APP，就能实现跨平台的稍后读收集与智能阅读计划的推荐。部署完成后，您可以在电脑、手机端通过飞书机器人与稍后读助手进行对话，也可以直接在 Coze 商店中与 bot 进行对话，如果部署到微信服务号、订阅号，还可以通过这些渠道调用 bot。

以下是关于 DeepSeek 使用的相关信息： 效果对比：用 Coze 做了小测试，可对比查看相关视频。 如何使用： 步骤 1：搜索 www.deepseek.com，点击“开始对话”。 步骤 2：将装有提示词的代码发给 DeepSeek。 步骤 3：认真阅读开场白之后，正式开始对话。 设计思路： 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能。 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 用 XML 来进行更为规范的设定，而不是用 Lisp（对作者有难度）和 Markdown（运行下来似乎不是很稳定）。 完整提示词：v 1.3 特别鸣谢：李继刚的【思考的七把武器】在前期为作者提供了很多思考方向；Thinking Claude 是作者现在最喜欢使用的 Claude 提示词，也是设计 HiDeepSeek 的灵感来源；Claude 3.5 Sonnet 是最得力的助手。 DeepSeek 介绍： DeepSeek 爆火，价格亲民却实力超群，是智慧开源领航者，实时联网深度推理双冠王，用技术普惠重新定义 AI 边界。 便宜、开源且能联网，在 Appstore 排行第一，导致算力股大跌。 使用地址：https://chat.deepseek.com/（有手机客户端：扫描下面二维码）。 模型下载地址：https://github.com/deepseekai/DeepSeekLLM?tab=readmeovfile 。 API 文档地址：https://apidocs.deepseek.com/zhcn/ 。 DeepSeek 的提示词使用方法比较长，单独列了一篇 。 魔改版本：https://huggingface.co/ValueFX9507/TifaDeepsex14bCoTGGUFQ4 、https://huggingface.co/mradermacher/DeepSeekR1DistillQwen7BabliteratedGGUF 。

以下是关于处理日常重复简单工作的相关建议： 首先，评估和识别日常重复性高的任务。通过分析日常工作流程，观察和记录员工的日常工作，特别是那些耗时且重复性高的活动，如数据输入、文件整理等。确定要通过观察和记录达成的具体目标，例如提高效率、减少错误率、优化工作流程等。与员工交谈，了解他们对当前工作流程的看法，以及他们认为可能存在的效率瓶颈或挑战。 然后，分析收集到的数据，识别哪些任务是最耗时和重复性最高的。基于分析结果，确定哪些任务可以通过引入自动化工具来优化，并制定具体的行动计划，包括引入新工具、重新设计工作流程或提供额外培训。 最后，引入自动化工具，例如 RPA（机器人流程自动化）技术。RPA 是一种软件技术，能够模仿人类在电脑上执行的重复性任务，可在不改变现有系统架构的情况下工作，是一种快速部署且成本效益高的解决方案。它可以用于自动化各种标准化、规则性的任务。在企业的 IT 系统中部署 RPA 或其他自动化软件，并根据具体的工作流程进行配置，在初期实施后对自动化流程进行测试和调整优化。 需要注意的是，在选择自动化工具时，应根据企业的具体需求和预算来选择合适的工具。

以下是在课堂中可以使用的一些 AI 应用和方法： 1. 让 AI 出题，如出 Python 题，可先出 20 道再挑选修改。 2. 利用 AI 进行智慧课程设计，例如围绕巴以冲突出相关数学题，将维基百科的史料借助 AI 变成数学课教案，让孩子从生活中学习多学科知识。 3. 输入书上例题，让 AI 生成新颖解法，引发学生思考。 4. 进行交互式学习，随时要求 AI 解释关键代码并举例，为学生提供支架。 5. 利用 AI 分担低阶认知，让人有精力投入高阶认知加工。 6. 借助 AI 工具，将知识作为解决问题的方法来教。 7. 声音克隆：可在 Elevenlabs.io、speechify.com 等网站进行，还能通过 HeyGen 定制“数字分身”。 8. 视频生成：如用 runway 让互联网梗图动起来，用 lumalabs.ai 让图片动起来。 同时要注意对学生思维训练的引导，关注和设法引导“偷懒”的学生，避免差距拉大。

以下是一些测绘地理信息可能使用到的大模型获取途径和相关信息： 1. 常用的模型网站有： 2. 关于 SDXL 大模型： SDXL 的大模型分为两个部分，base + refiner 是必须下载的，base 是基础模型，用于文生图操作；refiner 是精炼模型，用于对生成的模型进行细化以生成细节更丰富的图片。此外，还有一个配套的 VAE 模型，用于调节图片的画面效果和色彩。 想要在 webUI 中使用 SDXL 的大模型，首先要在秋叶启动器中将 webUI 的版本升级到 1.5 以上。然后将 base 和 refiner 放在“……\\sdwebuiakiv4.2\\models\\Stablediffusion”路径下，vae 放在“……\\sdwebuiakiv4.2\\models\\VAE”路径下。 3. 模型下载和分辨： 在 Civitai 网站下载模型时，可通过科学上网，点击右上角筛选按钮找到所需模型类型，如 Checkpoint = 大模型、LoRA = Lora。感兴趣的模型可点击“Download”下载保存到电脑本地。 模型下载保存地址：大模型可存放在 SD 根目录（即下载 SD 时存放的文件夹）；Lora 和 VAE 也有相应的存放位置。 若不知道下载的模型类型及应存放的文件夹，可使用秋叶的模型解析工具 https://spell.novelai.dev/，将模型拖动到空白处查看模型信息。

以下是关于高效使用 ChatGPT 的一些方法和建议： 1. 对于产品经理： 步骤 1：进行原 SQL 输入，让 ChatGPT 对需求有初步理解。 步骤 2：将真实的业务需求场景及现存问题输入给 ChatGPT，通过多轮输入输出的讨论，强化其对真实需求的认知，以获取针对性的优化建议，并输出更符合需求的代码。 步骤 3：根据 ChatGPT 给出的结果不断调试和优化，直至生成满足需求的新代码。例如，按照原 SQL 思路更新数据时存在耗时长、资源浪费严重的问题，可参考 ChatGPT 提出的优化建议，如每次更新 1 天而非 30 天的数据、创建中间结果表存储非二次计算的数据等。 2. 对于开发人员： 痛点：在 IDE 和 ChatGPT 两个软件中不断切换、拷贝代码较为麻烦。 解决方案：将 ChatGPT 装进 WebStorm 中，通过右键选中代码，让 ChatGPT 进行优化、找 BUG 等操作，并可在窗口中随时提问。具体操作如下： 第一步：获取 API Keys，可参考文章 第二步：在 WebStorm 中下载 ChatGPT 插件，并将从 OpenAI 开发平台获取到的 API keys 设置进插件的配置中。安装后可实现选中代码找 bug、优化代码、自定义指令等功能，插件底部还有对话框可实时提问，让其解释、重新生成代码等。 此外，ChatGPT 的诞生经历了一系列的研究和改进。OpenAI 团队曾侧重浏览功能，但后来减少了这方面的侧重，将指令型数据和聊天数据混合，创造出既可以处理具体任务又能流畅聊天的模型。GPT4 完成训练后，特别强调指令遵循能力，但仍存在可靠性问题。指令型模型中的某些任务描述不够清晰，增加了模型执行和数据标注的难度，而 ChatGPT 这类聊天模型则更加直观，能更好地理解和处理潜在局限性，展现出更连贯的特征和更稳定的行为。