AI相关常见缩写及对应含义，包含例如prompt，rag

以下是为零基础学习 AI 提供的建议： 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，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，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 知识库提供了很多实践后的作品、文章分享，欢迎实践后的分享。 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，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 此外，还有一个案例供您参考：二师兄来自上海，是典型的 80 后，房地产行业从业二十年，计算机零基础。2024 年 2 月，他在七彩虹的售后群中，因老哥分享用 AI 绘画的心得，要了 SD 秋叶安装包，下载了教学视频，迈出了 AI 学习的第一步。之后他不断学习和实践，如在 3 月啃完 SD 的所有教程并开始炼丹，4 月与小伙伴探讨 AI 变现途径，5 月加入 Prompt battle 社群，开始 Midjourney 的学习。

以下是关于 AI 数据分析的相关内容： ChatGPT 助力数据分析： 本文重点介绍了 AI 与数据分析结合的应用，通过实际案例与相关技巧，描述了 ChatGPT 如何助力数据分析。 实现了两种方式支持多维数据分析： SQL 分析：分析平台自身使用情况，输入一句话可分析用户配置图表相关数据。用户描述想分析的内容，后台连接 DB，附带表结构信息让 AI 输出 SQL 语句，校验为 SELECT 类型后执行返回结果数据，再传给 GPT 分析，最后输出分析结论和建议并返回前端页面渲染图表。 个性化分析：平台支持上传数据，可提供数据信息辅助分析，前端解析文件后传给 GPT 分析，后续步骤与 SQL 分析一致。 分析完成后展示结果数据的图表和分析结论，图表支持折线图和柱状图可随意切换。 生成式 AI 季度数据报告 2024 月 1 3 月： 作者包括郎瀚威 Will、张蔚 WeitoAGI、江志桐 Clara 等。 报告涵盖总体流量概览、分类榜单、文字相关（个人生产力、营销、教育、社交）、创意相关（图像、视频）、音频大类、代码大类、Agent、B2B 垂类等方面。 涉及数据准备、分类标准图谱准备、赛道分析、竞争分析等内容。

以下为您推荐能够根据给定曲名生成不同风格音乐并供下载的 AI 工具： 1. Suno AI： 地址：https://www.suno.ai/ 简介：被誉为音乐界的 ChatGPT，能够根据简单提示创造出从歌词到人声和配器的完整音乐作品。 账号要求：需要拥有 Discord、谷歌或微软中的至少一个账号，并确保网络环境稳定。 订阅信息： 免费用户每天 50 积分，每首歌消耗 5 积分，每天可创作 10 首歌曲，每次点击生成两首歌曲。 Pro 用户每月 2500 点数（大约 500 首歌），按月每月 10 美元，按年每月 8 美元，每年 96 美元。 Premier 用户每月 10000 点数（大约 2000 首歌），按月每月 30 美元，按年每月 24 美元，每年 288 美元。 操作模式： 默认模式：包括关闭个性化、歌曲描述、乐器开关、模型选择 v3 等设置。 个性化模式：开启个性化定制，可填写歌词、曲风、标题等。 生成歌词：可使用大模型如 Kimi、GPT、文心一言等生成。 开始生成：填写好所需内容后点击 Create，等待 2 3 分钟即可。 下载：生成后可下载。 2. 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。地址：https://www.udio.com/ 3. YuE：支持从歌词生成 5 分钟高质量音乐（含人声与伴奏），多语言支持（中、英、日、韩），覆盖多种音乐风格与专业声乐技术。详细介绍：https://www.xiaohu.ai/c/xiaohuai/yue5

AIGC（人工智能生成内容）是一种利用人工智能技术生成各种类型内容的应用方式。它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。 具体来说，AIGC 包括以下方面： 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 作为一种强大的技术，能赋能诸多领域，但也存在多重潜在的合规风险。目前，我国对 AIGC 的监管框架由《网络安全法》《数据安全法》及《个人信息保护法》构成，并与《互联网信息服务算法推荐管理规定》、《互联网信息服务深度合成管理规定》、《生成式人工智能服务管理暂行办法》、《科技伦理审查办法（试行）》等形成了共同监管的形势。 AIGC 主要分为语言文本生成、图像生成和音视频生成。语言文本生成利用马尔科夫链、RNN、LSTMs 和 Transformer 等模型生成文本，如 GPT4 和 Gemini Ultra。图像生成依赖于 GANs、VAEs 和 Stable Diffusion 等技术，应用于数据增强和艺术创作，代表项目有 Stable Diffusion 和 StyleGAN 2。音视频生成利用扩散模型、GANs 和 Video Diffusion 等，广泛应用于娱乐和语音生成，代表项目有 Sora 和 WaveNet。此外，AIGC 还可应用于音乐生成、游戏开发和医疗保健等领域，展现出广泛的应用前景。 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。类似的名词缩写还有 UGC（普通用户生产），PGC（专业用户生产）等。能进行 AIGC 的产品项目也很多，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。

多维表格 AI 接入分享课程有回放。例如，在“1204|微信超级 AI 知识助手教学（上）—智谱共学营智能纪要”中提到直播有回放。在“飞书多维表格 AI 共学解锁更强大的豆包 2024 年 12 月 21 日”中，王大仙表示分享有回放，可顺着搭建流程使用。

对于您的毕业论文主题“AIGC 的陶寺遗址空间可视分析技术研究”，以下是一些可能的思路供您参考： 首先，深入了解陶寺遗址的相关背景和特点，包括其历史、文化、地理等方面的信息，这将为后续的分析提供基础。 其次，研究 AIGC 技术在空间可视分析方面的应用现状和前沿成果，了解相关的算法、模型和工具。 然后，考虑如何收集和整理陶寺遗址的空间数据，例如通过实地测量、卫星图像、考古记录等方式获取数据，并对数据进行预处理和清洗。 接着，运用合适的 AIGC 技术和算法，对陶寺遗址的空间数据进行可视化呈现，例如创建三维模型、绘制地图、生成动态图像等，以直观展示遗址的空间特征和关系。 在可视化的基础上，进行深入的分析，例如探究遗址的布局规律、空间结构、功能分区等，挖掘潜在的历史和文化信息。 最后，对研究结果进行评估和验证，确保其准确性和可靠性，并提出进一步的改进和优化方向。 希望这些思路能对您有所帮助，祝您顺利完成毕业论文！

以下是关于口播文案 Prompt 的相关内容： 一、景淮：漫画趣味高中大学时期对比图 GPTs 实战 在这个示例中，先将相关示例喂给 GPT，观察其生成文案的效果。提示词为上述高中和大学区别的口播搞笑视频，重点突出不同时期的生活状态和鲜明反差。输入关键词“下雨了”后，生成了以下口播文案： 1. 高中：下雨了，天哪，怎么办，我的数学书会湿！大学：下雨了，哦，正好，再睡一会儿。 2. 高中：下雨了，得快跑，别迟到了！大学：下雨了，那今天就不去了，网课见。 3. 高中：下雨了，我的鞋子！得小心踩！大学：下雨了，穿拖鞋去了，方便。 4. 高中：下雨了，雨衣雨伞全副武装！大学：下雨了，抓个文件夹顶顶就行。 5. 高中：下雨了，课间不能出去玩了。大学：下雨了，正好和室友打个牌。 6. 高中：下雨了，哦不，体育课怎么办？大学：下雨了，哈，今天体育课取消了！ 7. 高中：下雨了，我的作业别淋湿了！大学：下雨了，电脑在宿舍，作业得推迟了。 8. 高中：下雨了，赶紧找地方躲雨。大学：下雨了，雨中漫步也挺浪漫的。 9. 高中：下雨了，不会影响放学吧？大学：下雨了，嘿，这是不是个不去自习的理由？ 10. 高中：下雨了，我的头发！大学：下雨了，谁还没个糟糕的头发日呢。 二、歌词提示词 1. 柔和的原声乐器引子：指在歌曲开头使用柔和的原声乐器（如原声吉他或钢琴）演奏的部分。作用是设置温暖、亲密的氛围，引导听众进入歌曲。适用于民谣、流行音乐、乡村音乐等风格，编曲技巧是使用原声吉他或钢琴演奏柔和的旋律或和声，创造出温暖和亲密的开场效果。 2. 富有灵魂感的：充满情感和灵魂的表现，通常具有深情的旋律和强烈的情感表达。作用是增强音乐的情感深度和感染力，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是使用深情的旋律、柔和的和声和强烈的情感表达。 3. 富有灵魂感的桥段：在歌曲中间部分或过渡部分，充满情感和灵魂的旋律或和声。作用是增强音乐的情感深度和结构变化，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是在歌曲的过渡部分设计一个深情且富有灵魂感的桥段。 4. 口语：在歌曲或音乐中使用普通说话的方式进行表演，而不是唱歌。作用是增加音乐的叙述性和亲密感，强调歌词的内容和表达，适用于说唱、独立音乐、实验音乐等风格，编曲技巧是在适当的段落使用口语表演。 三、Prompt 的专场教程 基础篇 1. Prompt 是一段指令，用于指挥 AI 生成所需内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行都不影响效果。 改变 tag 权重：tag 顺序越靠前对于 SD 来说权重越大，可通过“括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍）两种方式设置。 进行 tag 的步数控制（高级玩法）：“”，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

以下是一些提升 RAG 知识库问答的好的 prompt 相关内容： RAG 在 Natural Questions、WebQuestions 和 CuratedTrec 等基准测试中表现出色，在使用 MSMARCO 和 Jeopardy 问题进行测试时，生成的答案更符合事实、具体且多样，FEVER 事实验证使用 RAG 后也有更好结果，说明 RAG 是可行方案，能增强知识密集型任务中语言模型的输出，基于检索器的方法常与 ChatGPT 等流行 LLM 结合提高能力和事实一致性，可在 LangChain 文档中找到相关例子。 RAG 能显著提高大模型在处理私域知识或垂直领域问答时的效果。其流程包括：上传文档（支持多种格式，会转换为 Markdown 格式）、文本切割、文本向量化（存入向量数据库）、问句向量化、语义检索匹配（匹配出与问句向量最相似的 top k 个）、提交 Prompt 至 LLM、生成回答返回给用户。RAG 研究范式分为基础 RAG、高级 RAG 和模块化 RAG。 高级 RAG 特点：支持多模态数据处理，增强对话性，具备自适应检索策略，能进行知识融合，扩展了基础 RAG 功能，解决复杂任务局限，在广泛应用中表现出色，推动自然语言处理和人工智能发展。 模块化 RAG 侧重于提供更高定制性和灵活性，将系统拆分成多个独立模块或组件，每个组件负责特定功能，便于根据不同需求灵活组合和定制。

以下是关于 prompt 应用的全面介绍： 一、什么是 prompt 1. 提示是您给模型（如 Claude）的文本，用于引发相关输出。它通常以问题或指示的形式出现。例如：“为什么天空是蓝色的？” 2. 在 AI 视频生成中，prompt 是直接描述或引导视频生成的文本或指令。类似给 AI 的提示，包含主体、运动、风格等信息，用户借此控制和指导生成内容。它在 AI 视频生成中作用十分重要，是表达需求的方式，影响视频内容和质量。如果上述过于抽象，您可以理解 Prompt 为：将您输入的文字变成对应的画面和运动形式。 3. 简单来说，prompt 是一套您和大模型交互的语言模板。通过这个模板，您可以输出对于大模型响应的指令，用于指定大模型应该具体做什么、完成什么任务、如何处理具体的任务，并最终输出您期望的结果。大模型的本质是一个基于语言的概率模型，若直接问大模型而不提供 prompt，相当于大模型随机给出答案。有了 prompt，相当于给了一个模板，包括对于模型的要求、输入和输出的限制，大模型在这个限制之下，去得到概率最大的答案。 二、prompt 在不同场景的应用 在即梦 AI 视频生成中，要想获得最佳的视频质量，需要写好 prompt。在图片生视频和文本生视频中，都有 prompt 的输入位置。

以下是 12 个精选的 prompt 框架： 1. ICIO 框架： 指令：执行的具体任务。 背景信息：提供执行任务的背景信息、上下文内容，让大模型更好地回答。 输入信息：大模型需要用到的一些信息。 输出信息：明确输出的具体信息的要求，比如字数、风格、格式。 2. BROKE 框架：通过 GPT 的设计提示，来提升整体反馈的效率。 背景：提供足够背景信息，让大模型可以理解问题的上下文。 角色设定：特定的角色，让 GPT 根据特定的角色能力的特点来形成响应。 目标：明确任务的目标，让大模型知道您想让它做什么。 结果定义：明确可以衡量的结果，让大模型清楚自己做的情况。 调整：根据具体的情况，来调整具体的结果。 3. CRISPIE 框架： 能力和角色：您期望大模型扮演的角色洞察，提供幕后洞察力、背景信息和上下文。 声明：简洁明了地说明希望完成的任务。 个性：回应的风格、个性或者方式。 实验：提供多个回答的示例。 4. 课件中的 Prompt 之术“三板斧”： 分配角色。 给出示例（fewshots）。 思维链（ChainofThought）。

以下是关于 prompt 的相关知识： 1. 提示简介： 提示是您给 Claude 的文本，用于引发相关输出，通常以问题或指示的形式出现。例如，“User：Why is the sky blue? 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”。 2. 改变区域+混音： 选择的大小会影响结果。更大的选择为中途机器人提供更多上下文信息，能改善新添加内容的扩展和上下文，但选择太多可能导致新生成的元素混合或替换原始图像的部分。 提示应集中于您希望在所选区域中发生的事情，较短且聚焦的提示通常更有效，不应是对话式的。 分步进行，如果要更改图像的多个部分，一次只处理一个部分。 技术细节：使用 Vary+Remix 模式生成的作业遵循 chaos、fast、iw、no、stylize、relax、style、version、video、weird 等参数。 3. 提示的类型： 基本提示：可以是简单的单词、短语或表情符号。中途机器人最适合用简单、简短的句子来描述您想看到的内容，避免长长的请求列表。 高级提示：可以包括一个或多个图像 URL、多个文本短语以及一个或多个参数。图像 URL 始终出现在提示的前面，精心编写的提示有助于生成令人惊叹的图像。

以下是一份关于 DeepSeek R1 大模型的 prompt 提示词模板： 一、核心原理认知 1. AI 特性定位 多模态理解：支持文本/代码/数学公式混合输入 动态上下文：对话式连续记忆（约 4K tokens 上下文窗口，换算成汉字是 8000 字左右） 任务适应性：可切换创意生成/逻辑推理/数据分析模式 2. 系统响应机制 采用意图识别+内容生成双通道 自动检测 prompt 中的：任务类型/输出格式/知识范围 反馈敏感度：对位置权重（开头/结尾）、符号强调敏感 二、基础指令框架 1. 四要素模板 2. 格式控制语法 强制结构：使用```包裹格式要求 占位符标记：用{{}}标注需填充内容 优先级符号：>表示关键要求，!表示禁止项 三、进阶控制技巧 1. 思维链引导 分步标记法：请逐步思考：1.问题分析→2.方案设计→3.风险评估 苏格拉底式追问：在得出最终结论前，请先列举三个可能存在的认知偏差 2. 知识库调用 领域限定指令：基于 2023 版中国药典，说明头孢类药物的配伍禁忌 文献引用模式：以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破 3. 多模态输出 此外，还有关于创建 DeepSeek 联网版工作流的相关内容： 1. 创建工作流 创建一个对话流，命名为 r1_with_net 开始节点，直接使用默认的 大模型分析关键词设置 模型：豆包通用模型lite 输入：直接使用开始节点的 USER_INPUT 作为大模型的输入 系统提示词：你是关键词提炼专家 用户提示词：根据用户输入`{{input}}`提炼出用户问题的关键词用于相关内容的搜索 bingWebSearch搜索 插件：BingWebSearch 参数：使用上一个节点，大模型分析输出的关键词作为 query 的参数 结果：data 下的 webPages 是网页搜索结果，将在下一个节点使用 大模型R1 参考搜索结果回答 这里需要在输入区域开启“对话历史” 模型：韦恩 AI 专用 DeepSeek 输入：搜索结果，选择搜索节点 data 下的 webPages；选择开始节点的 USER_INPUT；开启对话历史，设置 10 轮，默认不开启对话历史，开启后默认是 3 轮 系统提示词：这里不需要输入 用户提示词： 结束节点设置 输出变量选择大模型R1 参考搜索结果回答的输出 回答内容里直接输出:{{output}} 测试并发布工作流 输入你的测试问题，测试完成后，直接发布工作流 关于 HiDeepSeek 的相关内容： 1. 效果对比 用 Coze 做了个小测试，大家可以对比看看 2. 如何使用？ Step1：搜索 www.deepseek.com，点击“开始对话” Step2：将装有提示词的代码发给 Deepseek Step3：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（对我来说有难度）和 Markdown（运行下来似乎不是很稳定） 4. 完整提示词 v 1.3 5. 特别鸣谢 李继刚：【思考的七把武器】在前期为我提供了很多思考方向 Thinking Claude：这个项目是我现在最喜欢使用的 Claude 提示词，也是我设计 HiDeepSeek 的灵感来源 Claude 3.5 Sonnet：最得力的助手

RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，能适应事实变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识尤其是长尾知识、知识易过时且不好更新、输出难以解释和验证、易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有数据库存储和更新稳定、数据更新敏捷且不影响原有知识、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本等优点。 在 RAG 系统开发中存在 12 大痛点及相应的解决方案，旨在帮助理解设计和实施 RAG 系统面临的复杂挑战，激发开发更强大且适用于生产环境的 RAG 应用。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关/支撑文档，给出来源（如维基百科），这些文档作为上下文和原始提示词组合给文本生成器得到最终输出，能适应事实随时间变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有以下优点：数据库对数据的存储和更新稳定，无学习风险；数据更新敏捷，可解释且不影响原有知识；降低大模型输出出错可能；便于管控用户隐私数据；降低大模型训练成本。 在 RAG 系统开发中存在 12 大痛点及相应解决方案，包括原论文中的 7 个和额外发现的 5 个。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化，是因为 LLM 存在一些缺点： 1. LLM 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. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉干扰等问题。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，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，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 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 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 在 RAG 的应用中，可以将其抽象为 5 个过程：文档加载、文本分割、存储（包括将文档块嵌入转换成向量形式并存储到向量数据库）、检索、输出（把问题以及检索出来的嵌入片一起提交给 LLM 生成答案）。

AGI 指通用人工智能，是一种能够像人类一样执行各种智能任务的人工智能。 AIGC 是人工智能生成内容的缩写，在公众传播层面，最初指用 Stable Diffusion 或 Midjourney 生成图像内容，后来泛指用 AI 生成音乐、图像、视频等内容。AIGC 是一种利用人工智能技术生成各种类型内容的应用方式，包括文字生成（如使用 GPT 系列模型生成文章、故事、对话等）、图像生成（如使用 Stable Diffusion、DALLE 等模型生成艺术作品、照片等）、视频生成（如使用 Runway、KLING 等模型生成动画、短视频等）。 AIGC、UGC（用户生成内容）和 PGC（专业人士或机构生成内容）都是内容生成的不同方式。UGC 由用户通过社交媒体等平台发布自己的内容，内容丰富多样，反映用户真实想法和创意，适用于互动性强的平台。PGC 由专业团队或机构根据特定标准和流程创作高质量内容，适用于需要高质量内容的平台。AIGC 的优势在于可以快速、大规模地生成内容，适用于需要大量内容的场景。

AGI 是“Artificial General Intelligence”的缩写，中文意思是“通用人工智能”。它强调的是构建一种能够展示如 1994 年共识定义所捕捉到的广泛智能能力的人工系统，包括推理、规划、解决问题、抽象思维、理解复杂思想、快速学习和从经验中学习等能力，并且这些能力要在或超过人类水平。在 2000 年代初开始流行，许多相关研究和讨论都围绕着它展开。

AGI 是 artificial general intelligence 的缩写，意思是通用人工智能，即能够做任何人类可以做的事。OpenAI 在其内部会议上分享了 AGI 的五个发展等级，分别为： 1. 聊天机器人（Chatbots）：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 推理者（Reasoners）：具备人类推理水平，能够解决复杂问题，如 ChatGPT，能根据上下文和文件提供详细分析和意见。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 4. 创新者（Innovators）：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可以预测蛋白质结构，加速科学研究和新药发现。 5. 组织（Organizations）：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。

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）