AI相关常见缩写及对应含义，包含例如prompt，rag

以下为您介绍一款 24 小时英语陪练 AI 软件： 这款软件是利用 AI 技术实现一对一英语陪练。在中国，很多人学了多年英语仍存在哑巴英语的问题，想提高口语但面临诸多困难，如没机会、不敢说、请外教费用高昂等。而现在借助 AI 发展，有了免费且随时可用的英语陪练。 使用建议：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： 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。 解读上传图片或文件的英文内容（目前支持在 Coze 端使用，豆包端暂不支持）。 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 教学步骤： 创建 AI Bot：首先打开扣子的首页，直接点击左上角的创建 AI Bot 按钮，在弹窗输入 Bot 的相关信息即可完成创建，然后细化其功能。 设计人设与回复逻辑：根据功能需求设计提示词。 调整模型设置：基于聊天为主的需求，建议将对话轮数记录改为 20 轮，方便训练口语考试时不忘记上下文。 插件：主要使用英文名言警句（get_one_eng_word & get_many_eng_words）随机获取英语名言，Simple OCR（ocr）识别图片中的文字。 设置开场白和预置问题：预置问题有参考价值，能满足学习需求。 设置语音：选择亲切的英语音色。

AI 知识库是一系列 AI 相关的信息和知识的集合。以下为您介绍一些知名的 AI 知识库： 通往 AGI 之路：这是一个由开发者、学者和有志人士等参与的学习社区和开源的 AI 知识库。在这里，用户既是知识的消费者，也是知识的创作者。它不仅提供各种 AI 资源，还具有一系列开箱即用的工具，如文生图、文生视频、文生语音等的详尽教程，并且会追踪 AI 领域最新进展并时刻更新。其网址为：https://waytoagi.com/ ，您可即刻体验：https://waytoagi.com/ 。 Coze 知识库：例如在飞书软件搭建的。

以下是为您推荐的一些 AI 搜索引擎： 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，允许用户用自然语言提问，通过生成式 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，并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，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。 有人做了一个名为“ThinkAny”的 AI 搜索引擎，其作者选择做这个产品基于三个原则：感兴趣、有价值能带来成就感、在能力范围内。作者起初认为搜索引擎技术壁垒高，直到研究了贾扬清老师开源的 Lepton Search 源码和 float32 的 AI 搜索引擎源码，了解到所谓的“RAG”（检索增强生成）底层技术，即检索、增强、生成三个步骤，才决定尝试。 这些 AI 搜索引擎通过不同技术和功能，为用户提供更精准、高效和个性化的搜索体验。同时，新型的 AI 搜索引擎在辅助高效处理信息、让信息表达更简便等方面表现出色，比如智能摘要能辅助快速筛选信息。每个人应根据自己的日常工作流找到适合的工具，就像找到合适的武器能在工作中快速提升战力。关于 AI Agent 的未来，技术迭代会不断向前，曾被认为异想天开的想法都可能成为现实。

以下是新手使用 ChatGPT 的操作步骤： 1. 获得 API Key（扣费凭证）： 以 OpenAI API 为例，您可以在这个页面找到 API Key：https://platform.openai.com/apikeys 。 打开后，点击「Create new secret key」即可获取。 请注意：通常，您需要绑定支付方式，才可以获取有效 Key。 2. 获得 API 使用的示例代码： 以 OpenAI API 为例，您可以在 Playground 这个页面获取 API 调用的示例代码：https://platform.openai.com/playground 。 并且可以将您和 GPT 的对话，转换成代码。 注意，这里有两个值可以定义，一个是： SYSTEM：对应 ChatGPT 里的 Instructions，用来定义这个 Bot 的功能/特点。 USER：对应 ChatGPT 里，用户发出的信息。 这里，我将 SYSTEM 定义成了缩略信息助手，而在 USER 中输入了文章内容。 运行后，结果很令人满意。 点击右上方 View Code，获取生成这一内容的示例代码。 3. 再问 ChatGPT：顺着之前的对话，让 ChatGPT 帮我们继续写代码。 4. 对于在 Colab 中抓取网页正文内容，如抓取 https://mp.weixin.qq.com/s/KUnXlDlgRs_6D5RFpQbnQ 的正文内容： 在 Colab 中抓取网页的正文内容，您可以使用 Python 的 requests 库来获取网页的 HTML 源代码，然后使用 BeautifulSoup 库来解析 HTML 并提取所需的正文部分。 首先，确保您已经在您的 Colab 环境中安装了 beautifulsoup4 和 requests 库。如果没有安装，您可以使用以下命令安装： 然后，使用以下代码抓取并解析指定的网页内容： 这段代码会打印出您提供的微信公众号文章的正文内容。请注意，由于网页的结构随时可能发生变化，所以提取正文内容的部分（即 soup.find 那一行）可能需要根据实际的 HTML 结构进行调整。如果文章有反爬虫机制，可能还需要进一步的处理，比如设置请求头模拟浏览器访问等。 运行您的代码： 先复制第一段：!pip install beautifulsoup4 requests ，运行后得到结果。 接下来，点击左上方「+代码」按钮，新建一个新的代码块。 最后，复制后面的代码，并运行，获得结果。

目前比较成熟的图片生成图片（图生图）的 AI 模型主要有： 1. Artguru AI Art Generator：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：AI 工具，可将图片转换为非凡肖像，有 500 多种风格供选择，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，能将上传的照片转换为芭比风格，效果出色。 此外，一些受欢迎的文生图工具也可用于图生图，例如： 1. DALL·E：由 OpenAI 推出，能根据输入的文本描述生成逼真的图片。 2. StableDiffusion：开源的文生图工具，可生成高质量的图片，支持多种模型和算法。 3. MidJourney：因高质量的图像生成效果和友好的用户界面设计而广受欢迎，在创意设计人群中尤其流行。 在 WaytoAGI 网站（https://www.waytoagi.com/category/104），可以查看更多文生图工具。 关于图生图的操作方式：在相关工具的首页有对话生图对话框，输入文字描述即可生成图片，不满意可通过对话让其修改。例如在吐司网站，图生图时能调整尺寸、生成数量等参数，高清修复会消耗较多算力建议先出小图。Flex 模型对语义理解强，不同模型生成图片的积分消耗不同，生成的图片效果受多种因素影响。国外模型对中式水墨风等特定风格的适配可能存在不足，可通过训练 Lora 模型改善。

作为一名媒体从业者，可以利用 AI 做出以下作品： 1. 写东西： 草拟任何东西的初稿，如博客文章、论文、宣传材料、演讲、讲座、剧本、短篇小说等。 让写作变得更好，将文本粘贴到 AI 中，要求其改进内容，或就如何为特定受众提供更好的建议，还可要求其以不同风格创建多个草稿，使其更生动或添加例子。 帮助完成任务，如写邮件、创建销售模板、提供商业计划的下一步等。 从困难挑战中解锁自己，让自己更有动力。 2. 撰写公众号文章： AI 生产文章的过程相对简单，关键在于提供清晰且具有指导性的提示词。基本提示词能生成基础文章，更详细、具创意的提示词能提升文章质量，更好地捕捉文章的语气、风格和重点。 例如，可给 AI 这样的提示词：“请根据我们收集的关于 OpenAI 回应马斯克言论的资讯，创作一篇既深入又易于理解的科技资讯文章。文章应该有一个吸引人的标题，开头部分要概述事件的背景和重要性，主体部分详细分析 OpenAI 的回应内容及其可能产生的影响，结尾处提出一些引人深思的问题或观点。”AI 会生成结构完整、内容丰富、观点鲜明的文章，但最终产出的内容可能需要微调以符合预期和公众号风格。

以下是一些优化 prompt 以完成程序的建议： 1. 对于算术推理相关的程序，若思维链（及生成的方程式）存在正确但模型执行算术运算错误的情况，可添加一个 Python 程序作为外部计算器（使用 Python 的 eval 函数）处理生成的思维链中的所有方程式。当思维链中包含多个方程式时，通过字符串匹配将外部计算器的结果从一个方程式传递到下一个方程式，以提高思维链提示在大多数任务上的性能。 2. 在涉及迷宫生成的程序中，若生成的迷宫存在边未封好等问题，可调整提示词。若对复杂度不满意，也可提出并进行调整。 3. 在涉及图像生成的程序中，对于提示词编写，应遵循不改变梗图、虚构角色起源、未出现人物等的原则，保持原始提示的意图并优先保证质量。不创建任何具有冒犯性的图像。对于可能存在偏见的场景，确保如性别和种族等关键特征以无偏见的方式指定。对于包含特定人物或名人的提示词，需进行适当修改，以通用描述替代，除非其作为图像中的文本出现。提示词应详细、客观地描述图像的每个部分，思考描述的最终目标并进行推断以生成满意的图像。

以下是关于 prompt 的相关知识： 提示简介： 提示是您给 Claude 的文本，用于引发相关输出。提示通常以问题或指示的形式出现。例如： |角色|提示| ||| |用户|为什么天空是蓝色的？| Claude 回答的文本被称为“响应”，有时也被称为“输出”或“完成”。 提示工程： 提示工程是人工智能领域中，特别是在自然语言处理（NLP）和大型语言模型（LLMs）的上下文中一个相对较新的概念。它涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。 提示工程的关键点包括： 1. 精确性：通过精确的提示，可以提高 AI 模型输出的相关性和准确性。 2. 创造性：提示工程需要创造性地思考如何构建问题或请求，以激发 AI 模型的特定能力。 3. 迭代：通常需要多次尝试和调整提示，以获得最佳结果。 4. 上下文理解：提示需要包含足够的上下文信息，以便 AI 模型能够理解并执行所需的任务。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，它们是提示工程的一部分。提示词可以非常简单，如“给我总结这篇文章的主要观点”，或者更复杂，如设计一个包含多个步骤和条件的复杂任务。 提示词是实际输入到 AI 系统中的具体文本，用以引导模型的输出。提示工程则是一个更广泛的概念，它不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。 头脑风暴常用的 20 个 prompt： 1. Brainwriting Prompt: “Let's brainstorm ideas for by writing down as many ideas as you can, then I can build on them with related ideas. Structure your answer using markdown.” 2. Reverse Brainstorming Prompt: “We will use reverse brainstorming for coming up with intentionally bad ideas can spark creativity and lead us in new directions.” 3. Mind Mapping Prompt: “Please create a complete mind map for starting with a central concept and expanding outward with connected branches of related ideas.” 4. Assumptions Prompt: “List your assumptions about . Then, how can you challenge those assumptions to come up with innovative ideas? Describe your journey.” 5. SWOT Analysis Prompt: “Let's do a SWOT analysis on considering internal strengths/weaknesses and external opportunities/threats. Then write a conclusion to summarize.” 6. SCAMPER Prompt: “Use the SCAMPER checklist to ideate on . How can we substitute, combine, adapt, modify, put to other uses, eliminate, or reverse? Detail your answers.” 7. Six Thinking Hats Prompt: “Use the Six Hats method: the red hat is optimistic, the black hat looks at negatives, etc. Ideate on from different mindset angles.” 8. Worst Possible Idea Prompt: “Brainstorm intentionally terrible ideas for to get the creative juices flowing in new directions. Expand on your answers a little, explaining why these ideas are bad.” 9. Trigger Words Prompt: “Here are some random words: ?” 10. Questioning Prompt: “Generate questions about , like who, what, when, where, why, how? Turn the questions into ideas.” 11. Rolestorm

以下是关于如何编写提示词（prompt）的全面指导： 一、编写 prompt 的一般建议 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，提供足够信息。 3. 使用清晰语言：避免模糊或歧义词汇，用简单明了的表述。 4. 给出具体要求：如格式、风格或引用文献等方面的要求。 5. 使用示例：提供期望结果的示例，帮助 AI 理解需求。 6. 保持简洁：避免过多信息导致 AI 困惑。 7. 使用关键词和标签：有助于 AI 理解任务主题和类型。 8. 测试和调整：生成文本后检查结果，根据需要调整 prompt。 二、律师编写 prompt 的建议框架及格式 CRISPE 1. Capacity and Role（能力与角色）：明确 AI 的角色和能力，如专注于民商事法律领域、擅长案例研究等。 2. Insight（洞察）：提供背景信息和上下文，如案件关键事实、相关法律等。 3. Statement（陈述）：明确期望 AI 完成的任务，如总结诉求、检索法条等。 4. Personality（个性）：设定 AI 的回答风格或方式。 5. Experiment（举例）：通过具体例子说明上述各点。 三、头脑风暴常用的 20 个 prompt 1. Take on the perspective of afrom their point of view.My aim is to find new ways to improve. 2. Scenarios Prompt:Imagine a best case scenario for:everything goes right.Now imagine a worst case scenario:everything goes wrong.Brainstorm ideas for each. 3. Analogy Thinking Prompt:is like what?Identify an analogy,then brainstorm ideas based on properties of the analogy.Explain each idea that follows from this analogy. 4. Idea Spurring Prompt:Build on the following idea related to.What does it make you think of?Use it as a jumping off point for more ideas. 5. Concept Fan Prompt:Here is one idea related to.Fan out from this concept in different directions to generate related ideas.Explain each new idea in a few words. 6. Evil Genius Prompt:Pretend you're an evil genius plotting against.How would you undermine it?Reverse engineer your evil plans into constructive ideas. 7. Random Stimuli Prompt:Use this random.Make unlikely connections. 8. Headline Writing Prompt:Come up with turn them into full ideas. 9. Brainstorming Journey Prompt:Imagine you're on a journey related to.Describe where you are,what you see,who you meet,what you're thinking let the scenario spark ideas. 10. Outside Perspectives Prompt:Bring in different viewpoints to ideate onand get new perspectives.Develop these different points of view,explaining succinctly why they are relevant in each case. 希望以上内容能对您编写 prompt 有所帮助。请注意，内容由 AI 大模型生成，请仔细甄别。

以下是关于写精彩脱口秀文本的一些提示： 基本提示可以只是一个单词、短语或表情符号。 更高级的提示可以包括一个或多个图片 URL、多个文本短语以及一个或多个参数。图片 URL 始终位于提示的最前面，以影响完成结果的风格和内容。参数需要放在提示语的末尾。 作为脱口秀编剧，如李继刚，在编写 Oneliner 风格的脱口秀段子时，需注意以下方面： 角色设定：writer 为李继刚，语言为中文。 注意事项：创作对用户的上台表演影响巨大，段子必须包含铺垫和包袱两部分，要有幽默感，能打破预期。预期违背即在段子的结构中，包袱必须是对铺垫的预期违背。 参考示例：可查看

以下是一些写新闻采写好用的 prompt 示例： 1. 新闻文章的事实核查员： 角色：你是一个新闻文章的事实核查员。 个人信息： 作者：悟空 版本：0.1 语言：中文 描述：你的工作是确定新闻报道中哪些段落是假的。 目标：首先，你需要能够区分事实和观点。其次，你需要确定事实和观点是否一致。最后，你应该同时呈现事实和观点，使用问号标记哪些观点缺乏事实支持。 约束：你列出的事实可以进行总结，而观点必须原样重述。 技能：首先是区分事实和观点的能力。此外，还包括使用表情符号、缩写、粗体文本和其他格式化技术使内容清晰生动。 工作流程：第一步，逐步列出文本中的事实和观点；第二步，在列举观点之前列举事实的内容；第三步，使用颜文字符号（对，错，疑问）标记与事实不符的观点并提供判断的理由。第四步，进一步解释第三步的推理，并提供类似案。 2. 联网的科普作者： 角色：科普作者 个人信息： 作者：小七姐 版本：1.4 语言：中文 PTC（prompt token count）:897 tokens 描述：我是一名资深科普作家，我会用通俗的语言对当然科研领域的新闻消息进行深度的解析和真实性判断 目标：根据用户提供的关键词找到更可信的新闻源，并根据你的专业性对新闻内容进行解读和判断 约束：准确性：判断和生成内容准确无误，判断新闻消息是否反映了科学研究的真实结果，必须有三个以上的内容源交叉验证你的结论。清晰性：文章应该易于理解。记者需要使用清晰、简洁的语言来解释复杂的科学概念和发现。公正 3. 精通中文的专业翻译： 角色：你是一位精通简体中文的专业翻译 曾参与《纽约时报》和《经济学人》中文版的翻译工作，因此对于新闻和时事文章的翻译有深入的理解。我希望你能帮我将以下英文新闻段落翻译成中文，风格与上述杂志的中文版相似。 规则：翻译时要准确传达新闻事实和背景。保留特定的英文术语或名字，并在其前后加上空格，例如："中 UN 文"。分成两次翻译，并且打印每一次结果：1.根据新闻内容直译，不要遗漏任何信息；2.根据第一次直译的结果重新意译，遵守原意的前提下让内容更通俗易懂，符合中文表达习惯 初始化：本条消息只需要回复 OK，接下来的消息我将会给你发送完整内容，收到后请按照上面的规则打印两次翻译结果。

以下是为您整理的关于产品经理功能设计的相关 prompt： 创建客户旅程：帮您写一段客户旅程，该产品功能为{功能描述}，用户画像是{用户特征描述，如年龄、性别等}；为{具有功能的产品}创建针对{受众人口统计，如性别、年龄组等}的客户旅程。客户旅程应该包括用户角色、场景、目标和期望，以及接触点的体验。此外，提供有助于改善客户旅程的机会和问题等见解。 竞争对手分析：帮您分析几个竞争对手，可以列出产品名字；通过研究提供类似产品或功能的公司，分析{产品/功能}的竞争对手。使用表格格式组织调查结果：公司名称|资金来源|投资者|客户|目标市场。 API 集成问题：帮您确定需要哪些 API 来实现以下的功能；请提供在将第三方 API 集成到此特定功能的{产品}中时需要询问的技术问题列表。 用户测试问题：帮您编写一份用户测试问题，实现以下的功能；编写{产品/功能}的用户测试说明，用用户目标和目的代替逐步指导。用相关问题总结说明，以收集用户的反馈。 商业计划书：您的商业目标是{……}，为您撰写一份商业计划书，包括想法名称、简短的一句话、目标用户角色、用户要解决的痛点、主要价值主张、销售和营销渠道、收入来源、成本结构、关键活动、关键资源、关键合作伙伴、想法验证步骤、估计的第一年运营成本，以及需要寻找的潜在业务挑战。将结果以 Markdown 形式写在表格中。 写 PRD：您作为一名产品经理，根据{具体需求}撰写一份 PRD。包括主题、介绍、问题陈述、目标和目的、用户故事、技术要求、好处、关键绩效指标、开发风险、结论。 行业洞察分析：对行业现状、趋势和未来发展方向进行深入研究和预测。 方法论专家：精通各类管理和研发方法论，能根据具体情况选择和应用最佳方法。 头脑风暴：团队成员自由提出各种想法和见解，快速产出创意解决方案。 需求文档设计：根据产品特性和用户需求，设计产品需求文档。 功能价值分析：评估产品各项功能的重要性和价值，辅助优化资源配置。 竞品分析报告：对竞争对手的产品进行全面的分析比较，找出优劣势。 流程图/图表设计：直观地呈现业务流程、组织结构或统计数据。 思维导图设计：以树状图形式展示思路和知识框架。 解决方案专家：根据问题分析，提供切实可行的解决方案。 周报生成器：自动化生成工作周报，提高工作效率。 学习 Prompt 提示词可以参考：https://www.promptingguide.ai/zh

要使用 RAG（RetrievalAugmented Generation，检索增强生成）来做一个回答用户问题的聊天机器人，可以按照以下步骤进行： 1. 加载所需的库和模块：包括用于解析 RSS 订阅源的 feedparse，用于在 Python 程序中跑大模型的 ollama（使用前需确保 ollama 服务已开启并下载好模型）。 2. 从订阅源获取内容：通过特定函数从指定的 RSS 订阅 URL 提取内容，如需接收多个 URL 可稍作改动。然后使用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，最终将这些文档合并成一个列表用于后续处理。 3. 为文档内容生成向量：使用文本向量模型 bgem3（可从 https://huggingface.co/BAAI/bgem3 下载，假设放置在某个路径 /path/to/bgem3 ），通过 FAISS 创建一个高效的向量存储。 4. 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。 5. 创建网页 UI：通过 gradio 创建网页 UI 并进行评测。 6. 技术栈选择：经过调研，可先采取 Langchain + Ollama 的技术栈作为 demo 实现，后续也可考虑使用 dify、fastgpt 等更直观易用的 AI 开发平台。 Langchain 简介：是当前大模型应用开发的主流框架之一，提供一系列工具和接口，其核心在于“链”概念，包括 Model I/O、Retrieval、Chains、Agents、Memory 和 Callbacks 等组件，生态系统还包括 LangSmith、LangGraph 和 LangServe 等工具。 Ollama 简介：是一个开箱即用的用于在本地运行大模型的框架。 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。

以下是一些关于 RAG 的研究报告： 1. 《RAG 系统开发中的 12 大痛点及解决方案》：研究了开发检索增强生成（RAG）系统时遇到的 12 个主要难题，并提出了相应的解决策略。通过将挑战和解决方法并列在一张表中，更直观地展示了设计和实施 RAG 系统面临的复杂挑战。 2. 《小七姐：精读翻译《提示词设计和工程：入门与高级方法》》：提到在解决预训练大型语言模型（LLM）的限制方面，RAG 成为关键创新，通过动态整合外部知识扩展了 LLM。还介绍了 RAG 感知提示词技术，如 FLARE 以创新方法增强 LLM 性能。 3. 《通过增强 PDF 结构识别，革新检索增强生成技术》：包含对 PDF 识别对 RAG 影响的实验研究，通过列举 ChatDOC 在查询特斯拉用户手册中的具体案例，突出了 ChatDOC 解析方法在处理表格和呈现方式上的有效性。

以下是关于如何利用飞书构建 RAG 系统的相关内容： RAG 的常见误区： 随意输入任何文档就能得到准确回答：这是常见误区，RAG 流程包含离线环节（文档解析、切割及向量化写入向量数据库）和在线检索环节（用户问题理解、初步检索、重排序及大模型生成），任何环节都会影响最终质量，有效实现 RAG 系统需要考虑多个复杂因素，如文档预处理、高效索引、相关性排序等，需要专业知识和持续优化。 RAG 完全消除了 AI 的幻觉：虽然 RAG 可以显著减少幻觉，但并不能完全消除，只要有大模型参与，就有可能产生幻觉。 RAG 不消耗大模型的 Token 了：从大模型生成结果环节可以看出，最终还是将知识库中检索的结果给到 LLM，然后由 LLM 进行重新整理输出，所以 RAG 仍然消耗大模型的 Token。 本地部署资讯问答机器人：Langchain + Ollama + RSSHub 实现 RAG： 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，使用前需确保 ollama 服务已开启并下载好模型。 从订阅源获取内容，通过函数从指定的 RSS 订阅 url 提取内容，将长文本拆分成较小的块，并附带相关元数据，最终合并成列表返回。 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，通过函数利用 FAISS 创建高效的向量存储。 RAG 性能提升策略和评估方法（产品视角）： 前言：RAG 是检索增强生成的缩写，是结合检索模型和生成模型的技术，核心目的是把知识告诉给 AI 大模型，让其“懂”我们，核心流程是根据用户提问从私有知识中检索相关内容，与用户提问一起放入 prompt 中提交给大模型，常见应用场景如知识问答系统。

AGI（通用人工智能）、RAG（检索增强生成）和 Agent 存在以下区别： Agent： 本质是动态 Prompt 拼接，通过工程化手段将业务需求转述为新的 Prompt。 包含短期记忆（messages 里的历史 QA 对）和长期记忆（summary 之后的文本塞回 system prompt）。 可以通过工具触发检索和 Action，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进行交互。 如 Multi Agents ，主要是更换 system prompt 和 tools 。 为 LLM 增加工具、记忆、行动、规划等能力，目前行业主要使用 langchain 框架，在 prompt 层和工具层完成设计。 有效使用工具的前提是全面了解工具的应用场景和调用方法，学习使用工具的方法包括从 demonstration 中学习和从 reward 中学习。 在追求 AGI 的征途中，具身 Agent 强调将智能系统与物理世界紧密结合，能够主动感知和理解物理环境并互动，产生具身行动。 RAG： 是向量相似性检索，可放在 system prompt 里或通过 tools 触发检索。 AGI：是一种更广泛和全面的智能概念，旨在实现类似人类的通用智能能力。 需要注意的是，这些概念的发展和应用仍在不断演进，想做深做好还有很多需要探索和解决的问题。

对 RAG 进行评估可以从以下几个方面入手： 1. 使用 RAG 三角形的评估方法： 在 LangChain 中创建 RAG 对象，使用 RAGPromptTemplate 作为提示模板，指定检索系统和知识库的参数。 在 TruLens 中创建 TruChain 对象，包装 RAG 对象，指定反馈函数和应用 ID。反馈函数可使用 TruLens 提供的 f_context_relevance、f_groundness、f_answer_relevance，也可自定义。 使用 with 语句运行 RAG 对象，记录反馈数据，包括输入问题、得到的回答以及检索出的文档。 查看和分析反馈数据，根据 RAG 三角形的评估指标评价 RAG 的表现。 2. 建立评估框架将检索性能与整个 LLM 应用程序隔离开来，从以下角度评估： 模型角度（generation）： 回答真实性：模型结果的真实性高低（减少模型幻觉）。 回答相关度：结果和问题的相关程度，避免南辕北辙。 检索角度（retrieval）： 召回率（recall）：相关信息在返回的检索内容中的包含程度，越全越好。 准确率（precision）：返回的检索内容中有用信息的占比，越多越好。 3. 考虑以下评估方法和指标： 生成质量评估：常用自动评估指标（如 BLEU、ROUGE 等）、人工评估和事实验证，衡量生成文本的流畅性、准确性和相关性。 检索效果评估：包括检索的准确性、召回率和效率，其好坏直接影响生成文本的质量。 用户满意度评估：通过用户调查、用户反馈和用户交互数据了解用户对 RAG 系统的满意度和体验。 多模态评估：对于生成多模态内容的 RAG 系统，评估不同模态之间的一致性和相关性，可通过多模态评估指标实现。 实时性评估：对于需要实时更新的 RAG 任务，考虑信息更新的及时性和效率。 基准测试集：使用基准测试集进行实验和比较不同的 RAG 系统，涵盖多样化的任务和查询，以适应不同的应用场景。 评估方法和指标的选择取决于具体的任务和应用场景，综合使用多种评估方法可更全面地了解 RAG 系统的性能和效果，评估结果能指导系统的改进和优化，满足用户需求。此外，RAGAS 是一个用于 RAG 评估的知名开源库，可参考使用： 。需要注意的是，RAG 适合打造专才，不适合打造通才，且存在一定局限性，如在提供通用领域知识方面表现不佳，可能影响模型的风格或结构输出、增加 token 消耗等，部分问题需使用微调技术解决。

以下是一些加速 RAG 的好办法： 1. 确保 LLM 以正确的格式回应：函数调用已成为确保 LLM 严格输出特定格式的相对靠谱的新方法，推荐使用此方法提升性能。可参考结构化输出文档，其中高层次的 LangChain API 展示了不同 LLM 如何调用工具和函数。 2. 使用参考样例：在实际操作中，将输入和对应输出的样例纳入其中通常大有裨益，这些样例有时比指示本身更能有效指导 LLM 处理特定情况。在提取用例文档中可找到更多细节，助您从 LLMs 中提取更好的性能。 此外，LangChain 携手 NVIDIA 为 RAG 加速带来了新的篇章： 1. 将 NVIDIA NIM 与 LangChain 结合使用：新增了支持 NIM 的集成包，安装专门的集成包后可导入所需模型，并通过示例展示如何构建应用程序，包括安装额外的包、加载数据源、初始化嵌入模型等一系列操作。 2. NVIDIA NIM 介绍：NVIDIA NIM 是一系列用户友好的微服务，旨在加速企业内部生成式 AI 的部署进程，支持广泛的 AI 模型，基于强大的推理引擎和技术构建，提供无缝的 AI 推理体验，是实现大规模、高性能生成式 AI 推理的最佳选择。其具有自托管特性，能保证数据安全；提供预构建的容器，方便选择和使用最新模型；具有可扩展性。开始使用 NIM 非常简单，在 NVIDIA API 目录中可轻松访问多种 AI 模型，NIM 是 NVIDIA AI Enterprise 的一部分，可通过相关博客获取详细指南。

以下是一些常见的 AI 相关缩写及对应含义： AI：Artificial Intelligence，人工智能，一种目标，让机器展现智慧。 GenAI：Generative AI，生成式人工智能，一种目标，让机器产生复杂有结构的内容。 LLMs：Large Language Models，大语言模型，是一类具有大量参数的“深度学习”模型。 AIGC：Artificial Intelligence Generated Content，人工智能生成内容，是利用人工智能技术生成内容的新型生产方式，包括文本、图像、音频和视频等。 ANI：artificial narrow intelligence，弱人工智能，只可做一件事，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等。 AGI：artificial general intelligence，通用人工智能，能做任何人类可以做的事。

以下是一些 AI 常见缩写及含义： AI：人工智能（Artificial Intelligence） AGI：通用人工智能（Artificial General Intelligence），能够像人类一样思考、学习和执行多种任务的人工智能系统 NLP：自然语言处理（Natural Language Processing），即处理和理解人类语言 LLM：大型语言模型（Large Language Model），数据规模大，耗费资金多 chatGPT：由致力于 AGI 的公司 OpenAI 研发的一款 AI 技术驱动的 NLP 聊天工具，于 2022 年 11 月 30 日发布，目前使用的是 GPT4 的 LLM 此外，还有一些相关的术语： NAI： 咒语：prompts，关键词 施法/吟唱/t2i：Text2Image 魔杖：t2i/i2i 参数 i2i：Image2Image，一般特指全部图片生成 inpaint：i2i 一种 maskredraw，可以局部重绘 ti/emb/炼丹：Train 中的文本反转，一般特指 Embedding 插件 hn/hyper/冶金：hypernetwork，超网络 炸炉：指训练过程中过度拟合，但炸炉前的日志插件可以提取二次训练 废丹：指完全没有训练成功 美学/ext：aesthetic_embeddings，emb 一种，特性是训练飞快，但在生产图片时实时计算 db/梦展：DreamBooth，目前一种性价比高（可以在极少步数内完成训练）的微调方式，但要求过高 ds：DeepSpeed，微软开发的训练方式，移动不需要的组件到内存来降低显存占用，可使 db 的 vram 需求降到 8g 以下。开发时未考虑 win，目前在 win 有兼容性问题故不可用 8bit/bsb：一般指 Bitsandbyte，一种 8 比特算法，能极大降低 vram 占用，使 16g 可用于训练 db。由于链接库问题，目前/预计未来在 win 不可用 关于机器学习： 机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近 30 多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 关于自然语言： 自然语言（NLP）认知和理解是让电脑把输入的语言变成有意思的符号和关系，然后根据目的再处理。自然语言生成系统则是把计算机数据转化为自然语言。自然语言处理是人工智能和语言学领域的分支学科，此领域探讨如何处理及运用自然语言；自然语言处理包括多方面和步骤，基本有认知、理解、生成等部分。 关于 AI 的推理： 推理是指利用训练好的模型，使用新数据推理出各种结论。借助神经网络模型进行运算，利用输入的新数据来一次性获得正确结论的过程。这也有叫做预测或推断。 关于 AI 的训练： 训练是指通过大数据训练出一个复杂的神经网络模型，通过大量标记过的数据来训练相应的系统，使其能够适应特定的功能。训练需要较高的计算性能、能够处理海量的数据、具有一定的通用性，以便完成各种各样的学习任务。

以下是 AI 常见的缩写及对应含义： AI：人工智能（Artificial Intelligence） AGI：通用人工智能（Artificial General Intelligence），能够像人类一样思考、学习和执行多种任务的人工智能系统。 NLP：自然语言处理（Natural Language Processing） LLM：大型语言模型（Large Language Model） chatGPT：是由致力于 AGI 的公司 OpenAI 研发的一款 AI 技术驱动的 NLP 聊天工具，于 2022 年 11 月 30 日发布，目前使用的是 GPT4 的 LLM。 此外，还有一些其他相关缩写及含义： NAI： 咒语：prompts，关键词 施法/吟唱/t2i：Text2Image 魔杖：t2i/i2i 参数 i2i：Image2Image，一般特指全部图片生成 inpaint：i2i 一种 maskredraw，可以局部重绘 ti/emb/炼丹：Train 中的文本反转，一般特指 Embedding 插件 hn/hyper/冶金：hypernetwork，超网络 炸炉：指训练过程中过度拟合，但炸炉前的日志插件可以提取二次训练 废丹：指完全没有训练成功 美学/ext：aesthetic_embeddings，emb 一种，特性是训练飞快，但在生产图片时实时计算。 db/梦展：DreamBooth，目前一种性价比高（可以在极少步数内完成训练）的微调方式，但要求过高 ds：DeepSpeed，微软开发的训练方式，移动不需要的组件到内存来降低显存占用，可使 db 的 vram 需求降到 8g 以下。开发时未考虑 win，目前在 win 有兼容性问题故不可用 8bit/bsb：一般指 Bitsandbyte，一种 8 比特算法，能极大降低 vram 占用，使 16g 可用于训练 db。由于链接库问题，目前/预计未来在 win 不可用 AI 的应用场景包括： 1. 医疗保健： 医学影像分析：AI 可用于分析医学图像，辅助诊断疾病。 药物研发：加速药物研发过程，识别潜在药物候选物和设计新治疗方法。 个性化医疗：分析患者数据，提供个性化治疗方案。 机器人辅助手术：控制手术机器人，提高手术精度和安全性。 2. 金融服务： 风控和反欺诈：识别和阻止欺诈行为，降低金融机构风险。 信用评估：评估借款人信用风险，帮助做出贷款决策。 投资分析：分析市场数据，辅助投资者决策。 客户服务：提供 24/7 服务，回答常见问题。 3. 零售和电子商务： 产品推荐：分析客户数据，推荐可能感兴趣的产品。 搜索和个性化：改善搜索结果，提供个性化购物体验。 动态定价：根据市场需求调整产品价格。 聊天机器人：回答客户问题，解决问题。 4. 制造业： 预测性维护：预测机器故障，避免停机。 质量控制：检测产品缺陷，提高质量。 供应链管理：优化供应链，提高效率和降低成本。 机器人自动化：控制工业机器人，提高生产效率。 5. 交通运输：（未给出具体应用场景）

AGI 是通用人工智能（Artificial General Intelligence）的缩写，指的是能够像人类一样思考、学习和执行多种任务的人工智能系统。 例如，OpenAI 在相关计划中涉及 AGI 的研究和发展，如原本计划发布的 Q 2025（GPT8）将实现完全的 AGI 等。GPT3 及其半步后继者 GPT3.5 在某种程度上是朝着 AGI 迈出的巨大一步，而早期的模型则并非如此。

AGI 是 artificial general intelligence 的缩写，意思是人工通用智能。 目前大多数人将 AGI 定义为一种能够完成任何聪明人类所能完成的智力任务的人工智能。 AI 分为 ANI 和 AGI，ANI（artificial narrow intelligence，弱人工智能）只能做一件事，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等；而 AGI 的目标是创建一个全面智能的系统，解决广泛问题并进行多种任务，能够在不同的环境中适应和学习，从不同的来源中获取信息，做出像人类一样的推理和决策。多模态大模型是实现 AGI 的必经之路，像 BabyAGI 就是一种基于强化学习和深度学习的自主通用人工智能系统，可根据用户需求进行学习和优化，实现更智能的操作。

AGI 是通用人工智能（Artificial General Intelligence）的缩写。它指的是能够像人类一样思考、学习和执行多种任务的人工智能系统。 AGI 是人工智能领域的一个重要概念，旨在实现更广泛、更智能的人工智能。与传统的人工智能系统相比，AGI 具有更强的通用性和适应性，可以处理各种不同类型的任务和问题。 在相关内容中，还提到了其他与 AGI 相关的信息。例如，OpenAI 是致力于 AGI 的公司，其研发的 chatGPT 是一款 AI 技术驱动的 NLP 聊天工具。此外，GPT3、GPT3.5 以及 GPT4 等模型也与 AGI 有关。 总之，AGI 是人工智能领域的一个重要发展方向，它的实现将对人类社会产生深远的影响。