你好，什么事comfyui LLM party

以下是关于 AnythingLLM 安装包的相关信息： 安装地址：https://useanything.com/download 。 安装完成后会进入配置页面，主要分为三步： 第一步：选择大模型。 第二步：选择文本嵌入模型。 第三步：选择向量数据库。 在 AnythingLLM 中有 Workspace 的概念，可以创建自己独有的 Workspace 与其他项目数据进行隔离。配置流程包括： 首先创建一个工作空间。 上传文档并且在工作空间中进行文本嵌入。 选择对话模式，提供了 Chat 模式和 Query 模式。Chat 模式大模型会根据训练数据和上传的文档数据综合给出答案，Query 模式大模型仅依靠文档中的数据给出答案。 完成上述配置后，即可与大模型进行对话。 此外，在 GitHubDaily 开源项目列表 2023 年复盘的 AIGC 部分中， 是一个可打造成企业内部知识库的私人专属 GPT，能将任何文档、资源或内容转换为大语言模型（LLM）知识库，在对话中引用其中内容。

AnythingLLM 是一款功能强大的软件，具有以下特点和使用方法： 功能：包含了所有 Open WebUI 的能力，并且额外支持选择文本嵌入模型和向量数据库。 安装和配置：安装地址为 https://useanything.com/download 。安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 构建本地知识库：其中有 Workspace 的概念，可以创建自己独有的 Workspace 与其他项目数据隔离。首先创建工作空间，然后上传文档并进行文本嵌入，接着选择对话模式，提供了 Chat 模式（大模型根据训练数据和上传文档数据综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案），最后进行测试对话。 相关评价：被认为是一个可打造成企业内部知识库的私人专属 GPT，能将任何文档、资源或内容转换为大语言模型（LLM）知识库，支持多用户使用，可设权限，兼容多种 LLM 和数据库。 总的来说，AnythingLLM 的使用效果因人而异，需要您亲自实践和体验来判断其是否好用。

从零到一学习 LLM 上层 AI 应用开发，您可以参考以下步骤： 1. 掌握深度学习和自然语言处理基础： 学习机器学习、深度学习、神经网络等基础理论。 掌握自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程：吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理： 熟悉 Transformer 模型架构及自注意力机制原理。 掌握 BERT 的预训练和微调方法。 阅读相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调： 进行大规模文本语料预处理。 熟悉 LLM 预训练框架，如 PyTorch、TensorFlow 等。 学会微调 LLM 模型进行特定任务迁移。 相关资源：HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署： 掌握模型压缩、蒸馏、并行等优化技术。 了解模型评估和可解释性。 熟悉模型服务化、在线推理、多语言支持等。 相关资源：ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习： 结合行业场景，进行个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态： 关注顶会最新论文、技术博客等资源。 以下是一些相关的学习资源： 面向开发者的 LLM 入门课程： 提示工程指南： LangChain🦜️🔗中文网，跟着 LangChain 一起学 LLM/GPT 开发： LLMs 九层妖塔： 在课程方面，欢迎来到针对开发者的 AIGPT 提示工程课程。该课程将分享软件开发最佳实践的提示，涵盖常见用例，包括总结、推理、转换和扩展，并指导使用 LLM 构建一个聊天机器人。在大型语言模型或 LLM 的开发中，大体上有基础 LLM 和指令调整后的 LLM 两种类型。基础 LLM 已训练出根据文本训练数据预测下一个单词，通常在大量数据上训练，以找出接下来最有可能的单词。

以下是从零到一学习 LLM 的教程： 1. 掌握深度学习和自然语言处理基础： 学习机器学习、深度学习、神经网络等基础理论。 掌握自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程：吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理： 了解 Transformer 模型架构及自注意力机制原理。 掌握 BERT 的预训练和微调方法。 阅读相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调： 进行大规模文本语料预处理。 运用 LLM 预训练框架，如 PyTorch、TensorFlow 等。 微调 LLM 模型进行特定任务迁移。 相关资源：HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署： 掌握模型压缩、蒸馏、并行等优化技术。 进行模型评估和可解释性研究。 实现模型服务化、在线推理、多语言支持等。 相关资源：ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习： 结合行业场景，进行个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态： 关注顶会最新论文、技术博客等资源。 此外，为您推荐以下 LLM 开源中文大语言模型及数据集集合的学习资源： 1. 面向开发者的 LLM 入门课程： 地址： 简介：一个中文版的大模型入门教程，围绕吴恩达老师的大模型系列课程展开，主要包括：吴恩达《ChatGPT Prompt Engineering for Developers》课程中文版，吴恩达《Building Systems with the ChatGPT API》课程中文版，吴恩达《LangChain for LLM Application Development》课程中文版等。 2. 提示工程指南： 地址： 简介：该项目基于对大语言模型的浓厚兴趣，编写了这份全新的提示工程指南，介绍了大语言模型相关的论文研究、学习指南、模型、讲座、参考资料、大语言模型能力以及与其他与提示工程相关的工具。 3. LangChain🦜️🔗中文网，跟着 LangChain 一起学 LLM/GPT 开发： 地址： 简介：Langchain 的中文文档，由是两个在 LLM 创业者维护，希望帮助到从刚进入 AI 应用开发的朋友们。 4. LLMs 九层妖塔： 地址： 简介：ChatGLM、ChineseLLaMAAlpaca、MiniGPT4、FastChat、LLaMA、gpt4all 等实战与经验。 关于 LLM 的预测原理： LLM 接触了包括教科书、文章、网站等在内的庞大数据集。在训练阶段，它们学会了理解语言的上下文和流动性，掌握了包括语法、风格，甚至是文本的语调等方面。当您用一个句子或问题来指导 LLM 时，它便利用自己所学的知识，预测接下来最可能的一个或几个词。这不仅是基于它在训练期间观察到的模式和规则的推测。 在提示工程方面，鉴于 LLM 的概率本质，提示工程师面临的挑战是如何引导 LLM 向着高度可预测和准确的结果方向发展。在相关课程中，您将学习许多技巧，这些技巧将帮助您掌握高度可预测的 LLM 输出结果的艺术和科学。但在深入学习之前，可以先从一些简单的练习开始，激活思维。

以下是关于 LLM 学习资源和 OpenAI Cookbook 的相关信息： 学习大型语言模型（LLM）开发的资源和路径： 1. 掌握深度学习和自然语言处理基础： 机器学习、深度学习、神经网络等基础理论。 自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程：吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理： Transformer 模型架构及自注意力机制原理。 BERT 的预训练和微调方法。 掌握相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调： 大规模文本语料预处理。 LLM 预训练框架，如 PyTorch、TensorFlow 等。 微调 LLM 模型进行特定任务迁移。 相关资源：HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署： 模型压缩、蒸馏、并行等优化技术。 模型评估和可解释性。 模型服务化、在线推理、多语言支持等。 相关资源：ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习： 结合行业场景，进行个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态： 关注顶会最新论文、技术博客等资源。 OpenAI Cookbook 资源： 如需更多灵感，请访问，其中包含示例代码以及指向第三方资源的链接，例如： 1. 2. 3. 4. 此外，还有 LLM 开源中文大语言模型及数据集集合中的相关资源： HuggingLLM： 地址： 简介：介绍 ChatGPT 原理、使用和应用，降低使用门槛，让更多感兴趣的非 NLP 或算法专业人士能够无障碍使用 LLM 创造价值。 OpenAI Cookbook： 地址： 简介：该项目是 OpenAI 提供的使用 OpenAI API 的示例和指导，其中包括如何构建一个问答机器人等教程，能够为从业人员开发类似应用时带来指导。

以下是关于 LLM studio 联网搜索的相关内容： Cursor 方面： Cursor 适用于多种编程场景，如问答。在问答场景中，LLM 支持联网功能后，如 Claude、ChatGPT、Perplexity 等平台可咨询技术问题，能自动提炼关键字、联网搜索并总结分析搜索结果返回简洁答案，但答案置信率不高，而 Cursor 的上下文符号引用能力（如@Codebase 符号索引整个仓库）弥补了这一点，其将整个仓库 Embedding 成向量数据库供 LLM 消费，具备极强的私域知识理解能力，还能高效地帮用户分析总结各类项目的底层原理。 LLM Agent 方面： 工作步骤包括接收指令（用户通过文本、语音等方式发出指令或提出问题）、数据处理与理解（利用内部大语言模型解析用户输入，提取关键信息）、生成响应与执行任务（根据用户需求生成回答或采取行动，如查询数据库、搜索网络等）、输出结果（通过文本或语音将生成的结果反馈给用户）。 AIGC Weekly34 方面： 提出将 LLM 与互联网上的高质量内容结合来修复信息生态系统的问题，如 Metaphor 希望恢复搜索的神奇感，发布了 Metaphor API 用于将 LLM 连接到互联网。 介绍了 StarCraft II 作为强化学习环境的相关论文，提出了 AlphaStar Unplugged 基准测试。 提到了名为 Glean 的 AI 搜索工具能帮助用户在工作场景中进行搜索和优化，还讨论了人工智能人格模拟相关内容，如语言模型如何模拟和改变人格等。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，您可以把它想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现了更加精准的工作流定制和完善的可复现性。 其优势包括： 1. 对显存要求相对较低，启动速度快，出图速度快。 2. 具有更高的生成自由度。 3. 可以和 webui 共享环境和模型。 4. 可以搭建自己的工作流程，可以导出流程并分享给别人，报错的时候也能清晰的发现错误出在哪一步。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势在于： 1. 操作门槛高，需要有清晰的逻辑。 2. 生态没有 webui 多（常用的都有），也有一些针对 Comfyui 开发的有趣插件。 ComfyUI 的官方链接为：https://github.com/comfyanonymous/ComfyUI 。 关于 ComfyUI 的学习资料，有以下几个网站提供相关教程： 1. ComfyUI 官方文档：提供了使用手册和安装指南，适合初学者和有经验的用户。网站为：https://www.comfyuidoc.com/zh/ 。 2. 优设网：提供了详细的入门教程，适合初学者。教程地址是：https://www.uisdc.com/comfyui3 。 3. 知乎：有用户分享了部署教程和使用说明，适合有一定基础并希望进一步了解的用户。地址：https://zhuanlan.zhihu.com/p/662041596 。 4. Bilibili：提供了一系列从新手入门到精通的视频教程。地址：https://www.bilibili.com/video/BV14r4y1d7r8/ 。 此外，在知乎的“深入浅出完整解析 Stable Diffusion（SD）核心基础知识”中，也有关于零基础使用 ComfyUI 搭建 Stable Diffusion 推理流的内容。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，以下是关于它的详细介绍： 简介：可以想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优劣势： 优势： 对显存要求相对较低，启动速度快，出图速度快。 具有更高的生成自由度。 可以和 webui 共享环境和模型。 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势：操作门槛高，需要有清晰的逻辑；生态没有 webui 多（常用的都有），也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 安装部署： 电脑硬件要求： 系统：Windows7 以上。 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 硬盘留有足够的空间，最低 100G 起步（包括模型）。 注：mac 系统，AMD 显卡，低显卡的情况也可以安装使用，功能不全，出错率偏高，严重影响使用体验个人建议升级设备或者采用云服务器玩耍。 下载并安装所需要环境：依次下载并安装 python、Git、VSCode，安装过程中一直点击勾选对应选项，一直下一步。 安装 Python：https://www.python.org/downloads/release/python3119/ ，安装的时候选中“将 Python 添加到系统变量”。 安装 VSCode：https://code.visualstudio.com/Download 。 安装 Git：https://gitscm.com/download/win 。 安装 CUDA：https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network 。 地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，以下是关于它的详细信息： 简介：可以想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优劣势： 优势： 对显存要求相对较低，启动速度快，出图速度快。 具有更高的生成自由度。 可以和 webui 共享环境和模型。 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势：操作门槛高，需要有清晰的逻辑；生态没有 webui 多（常用的都有），也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 安装部署： 电脑硬件要求： 系统：Windows7 以上。 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 硬盘留有足够的空间，最低 100G 起步（包括模型）。 注：mac 系统，AMD 显卡，低显卡的情况也可以安装使用，功能不全，出错率偏高，严重影响使用体验个人建议升级设备或者采用云服务器玩耍。 下载并安装所需要环境： 依次下载并安装 python、Git、VSCode，安装过程中一直点击勾选对应选项，一直下一步。 安装 Python：https://www.python.org/downloads/release/python3119/ ，安装的时候选中“将 Python 添加到系统变量”。 安装 VSCode：https://code.visualstudio.com/Download 。 安装 Git：https://gitscm.com/download/win 。 安装 CUDA：https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network 。 安装地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。

以下是一些学习 ComfyUI 的途径和资源： 1. 官方文档：ComfyUI 官方文档提供了使用手册和安装指南，适合初学者和有经验的用户，可在获取相关信息。 2. 优设网：有一篇详细的 ComfyUI 入门教程，适合初学者，详细介绍了其特点、安装方法及生成图像等内容，教程地址是。 3. 知乎：有用户分享了 ComfyUI 的部署教程和使用说明，适合有一定基础并希望进一步了解的用户，可在找到相关教程。 4. Bilibili：提供了一系列涵盖从新手入门到精通各个阶段的视频教程，可在找到。 此外，还有 ComfyUI 共学快闪的飞书学习群，其中包含了众多如 Stuart 风格迁移、红泥小火炉基础课程等各类课程和讲解，如郑个小目标针对于某个插件的深入讲解、波风若川报错解决等。 另外，有人因为以下原因学习使用 ComfyUI：更接近 SD 的底层工作原理；自动化工作流，消灭重复性工作；作为强大的可视化后端工具，可实现 SD 之外的功能，还能根据定制需求开发节点或模块。例如，有人为了工作室获取抠图素材的需求，基于创建了工作流，不仅能用于绿幕素材抠图，还能自动生成定制需求的抠图素材，全程仅需几秒。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

ComfyUI_LayerStyle 相关内容如下： 加载模型部分： 下好工作流中的所需三张图片“SeasonYou_Reference、BG、MASK”以及上传自己所需的照片到 Input 部分。右上角放自己的人像图片（非人像会报错提示“no face detected”）。 对于 vae 加载器部分，选择 xl 版本（因为大模型用的 xl）的 vae 即可。 对于 ipadater 部分，倘若加载器部分报错说 model 不存在，将文中画圈部分修改调整到不报错。 Pulid 部分，除了下载好对应的节点以及参考官方网站最下面的安装对应要求外，还要注意对应安装一些内容，具体要求可查看云盘中命名为“pulid 插件模型位置.png”及对应的云盘链接：PulID 全套模型 链接:https://pan.baidu.com/s/1ami4FA4w9mjuAsPK49kMAw?pwd=y6hb 提取码:y6hb ，否则将会报错。 爆肝博主 ZHO 的更新记录： 3 月 7 日：ComfyUI 支持 Stable Cascade 的 Inpainting ControlNet，ComfyUI 作者在示例页面给出了说明和工作流：https://comfyanonymous.github.io/ComfyUI_examples/stable_cascade/ ，博主自己也整理了一版，分享在：https://github.com/ZHOZHOZHO/ComfyUIWorkflowsZHO ，说明第二个 inpainting+composite 是将原图帖回到重绘之后的效果，是非必要项，按需使用。 3 月 6 日：国内作者把 ps 很多功能都迁移到了 ComfyUI 里，项目是：https://github.com/chflame163/ComfyUI_LayerStyle 。最新版 ComfyUI 支持了一系列图像形态学处理，包括 erode 腐蚀（去除小噪点/分离相邻对象）、dilate 膨胀（填补小洞/连接临近对象）、open 开（先腐蚀后膨胀）、close 闭（先膨胀后腐蚀）、gradient 梯度（膨胀与腐蚀之差）、top_hat 顶帽（原图与开之差）、bottom_hat 底帽（原图与闭之差）。使用方法为：1）更新 ComfyUI；2）右键 image/postprocessing/ImageMorphology；3）接上图像输入和输出即可。

在 ComfyUI 中可以接入以下与 3D 相关的 API： 1. @CSM_ai：可以将文本、图像或草图转换为 3D 素材，并直接应用于游戏中，无需后期处理。体验地址：https://cube.csm.ai ，https://x.com/xiaohuggg/status/1763758877999587757?s=20 2. Move AI 推出的 Move API：可以从 2D 视频生成 3D 运动数据，支持多种 3D 文件格式导出，为 AR 应用、游戏开发等提供高质量 3D 运动数据。链接：https://move.ai/api ，https://x.com/xiaohuggg/status/1761590288576061573?s=20 3. ComfyUI 3D Pack 引入 3D 图像处理：可以快速将图片转换为 3D 模型，支持多角度查看，使用 3D 高斯扩散技术提升模型质量，支持多种格式导出，集成先进 3D 处理算法。链接：https://github.com/MrForExample/ComfyUI3DPack/tree/main ，https://x.com/xiaohuggg/status/1755824687811346514?s=20 此外，ZHO 博主有关于 ComfyUI 的更新记录： 1. 4 月 18 日，ComfyUI Stable Diffusion 3 API 已更新为 V1.5 版，图生图和 SD3 Turbo 都可以正常使用，但 SD3 图生图模式不支持选择比例，SD3 Turbo 模型不支持负面提示词。使用方法是先申请 API，然后填入 config.json 文件即可（每账户 25 免费积分），SD3 每张图 6.5 积分（比较贵）。项目地址：https://github.com/ZHOZHOZHO/ComfyUIStableDiffusion3API ，SD3 API ComfyUI 节点测试成功。 2. 4 月 17 日，Stability AI 刚刚发布了 Stable Diffusion 3 和 Stable Diffusion 3 Turbo，现在已经可通过 Stability AI 开发者平台 API 使用，SAI 计划在不久的将来通过会员资格提供模型权重。详情：https://bit.ly/3W43FjY

您好，我是一名 AI 知识专家，能够为您提供全面的 AI 知识指导和解答相关问题。 关于模型方面的知识： LoRA 和 LyCORIS 都属于微调模型，常用于控制画风、生成的角色、角色姿势等。它们的后缀均为.safetensors，体积较主模型小，一般在 4M 300M 之间，使用 LoRA 模型较多，LyCORIS 可调节范围更大，现在 SD 已内置。在 WebUl 中使用时，可在 LoRA 菜单中点击使用，也可直接使用 Prompt 调用。 在 Tusiart 中，首页有模型、帖子、排行榜，展示了大手子炼成的模型和图片。生图必需基础模型（Checkpoint），任何生图操作必须选定一个 Checkpoint 模型才能开始，lora 是低阶自适应模型，可有可无，但对细节控制有价值。ControlNet 可控制图片中特定图像，VAE 类似于滤镜调整生图饱和度，选择 840000 即可。Prompt 提示词是想要 AI 生成的内容，负向提示词是想要 AI 避免产生的内容。还有图生图，即上传图片后 SD 会根据相关信息重绘。 如果您想搭建类似的群问答机器人，可以参考以下内容：

以下是一些外网免费的 AI 视频生成网站： Pika：https://pika.art/ ，可控性强，可以对嘴型，可配音。 SVD：https://stablevideo.com/ ，对于景观生成效果较好。 Kaiber：https://kaiber.ai/ 。 更多的文生视频网站可以查看：https://www.waytoagi.com/category/38 。 此外还有以下网站可供选择： Runway：https://runwayml.com ，有网页有 app 方便，但收费。 即梦：https://dreamina.jianying.com/ ，剪映旗下，生成 3 秒，动作幅度有很大升级，最新 S 模型，P 模型。 Minimax 海螺 AI：https://hailuoai.video/ ，非常听话，语义理解能力非常强。 Kling：kling.kuaishou.com ，支持运动笔刷，1.5 模型可以直出 1080P30 帧视频。 Vidu：https://www.vidu.studio/ 。 haiper：https://app.haiper.ai/ 。 智谱清影：https://chatglm.cn/video ，开源了，可以自己部署 cogvideo 。 PixVerse：https://pixverse.ai/ ，人少不怎么排队，还有换脸功能。 luma：https://lumalabs.ai/ 。 还有一些其他网站，如： Morph Studio：https://app.morphstudio.com/ ，还在内测。 Heygen：https://www.heygen.com/ ，数字人/对口型。 Moonvalley：https://moonvalley.ai/ 。 Mootion：https://discord.gg/AapmuVJqxx ，3d 人物动作转视频。 美图旗下：https://www.miraclevision.com/ 。 Neverends：https://neverends.life/create ，操作傻瓜。 SD：Animatediff SVD deforum ，自己部署。 Leiapix：https://www.leiapix.com/ ，可以把一张照片转动态。 Krea：https://www.krea.ai/ 。 Opusclip：https://www.opus.pro/ ，利用长视频剪成短视频。 Raskai：https://zh.rask.ai/ ，短视频素材直接翻译至多语种。 invideoAI：https://invideo.io/make/aivideogenerator/ ，输入想法>自动生成脚本和分镜描述>生成视频>人工二编>合成长视频。 descript：https://www.descript.com/?ref=feizhuke.com 。 veed.io：https://www.veed.io/ ，自动翻译自动字幕。 clipchamp：https://app.clipchamp.com/ 。 typeframes：https://www.revid.ai/?ref=aibot.cn 。 内容由 AI 大模型生成，请仔细甄别。

目前有以下几种智能体适合处理 Excel 表格： 1. Excel Labs：这是一个 Excel 插件，新增了基于 OpenAI 技术的生成式 AI 功能，可在 Excel 中直接进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的 AI 工具，整合了多种办公软件，能通过聊天形式让用户告知需求，自动完成如数据分析、格式创建等任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还能根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。但请注意，以上内容由 AI 大模型生成，请仔细甄别。

目前有以下几种可以增强 Excel 表格数据处理和分析能力的 AI 服务： 1. Excel Labs：这是一个 Excel 插件，基于 OpenAI 技术，新增了生成式 AI 功能，能让用户在 Excel 中直接利用 AI 进行数据分析和决策支持。 2. Microsoft 365 Copilot：微软推出的 AI 工具，整合了包括 Excel 在内的多种办公软件，用户通过聊天形式告知需求，Copilot 会自动完成如数据分析、格式创建等任务。 3. Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式地进行数据分析和生成 Excel 公式。 4. Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，除公式生成外，还能根据提示生成相关文本内容、执行情感分析、语言翻译等任务。 这些工具通过 AI 技术提升了 Excel 的数据处理能力，使用户能更高效地进行数据分析和决策。随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是在苹果和安卓系统下载并使用 GPT 的方法： 苹果系统： 1. 在 AppleStore 下载 chatgpt：中国区正常下载不了，需要切换到美区才可以下载。美区 AppleID 注册教程参考知乎链接：。最终在 AppleStore 搜到 chatgpt 结果如下，下载安装即可，注意别下错啦。 2. 支付宝 购买苹果礼品卡 充值 订阅付费 App：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，可以看到【大牌礼品卡】，往下滑找到【App Store&iTunes US】礼品卡，按需要的金额购买即可，建议先买 20 刀就行。具体步骤包括： 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，如果中途不想继续订阅了，可到订阅列表中取消订阅即可。 安卓系统： 1. 安装 google play： 到小米自带的应用商店搜索 google play 进行安装。 安装好后，打开 GooglePlay，按照提示一步步操作，登录 GooglePlay。 2. 下载安装 chatgpt： 到谷歌商店搜索“ChatGPT”进行下载安装，开发者是 OpenAI，别下错了哦～可能遇到“google play 未在您所在的地区提供此应用”的问题，解决方法如下：在 google play 点按右上角的个人资料图标。依次点按：设置>常规>帐号和设备偏好设置>国家/地区和个人资料。在这里看到账号没有地区，可以“添加信用卡或借记卡”，国内的双币信用卡就行，填写信息时地区记得选美。如果回到 google play 首页还搜不到 chatgpt，可以卸载重装 google play，操作过程保持梯子的 IP 一直是美，多试几次。 3. 体验 ChatGPT：如果只想体验 ChatGPT 3.5 版本，不升级 GPT4，直接登录第二部注册好的 ChatGPT 账号即可。 4. 订阅 GPT4 Plus 版本：先在 Googleplay 中的【支付和订阅】【支付方式】中绑定好银行卡，然后在区 chatgpt 里订阅 Plus。 使用 ChatGPT 4o： 1. 开启对话：打开 ChatGPT 应用或网页，点击开始对话。会员不管是在苹果还是安卓手机上购买的，电脑上都能登录。 2. 体验最新语音对话功能：版本切到 ChatGPT 4o，点击右下角“耳机🎧”图标，选择一个声音，就可以体验流畅的语音对话。

GPT 是 OpenAI 推出的一种工具，具有以下特点和使用方式： 1. GPTs 允许用户量身打造自己的 AI 助理，可根据需求和偏好创建完全定制的 ChatGPT，如帮忙梳理电子邮件或提供创意灵感等。目前已有几种现成的 GPTs 供 ChatGPT Plus 用户使用，如“The Negotiator”、“Game Time”等，用户还可上传资料来自定义 GPTs，并能分享给他人或使用他人创建的 GPTs。 2. 有推特博主的英语老师制作了基于 GPT 的英文学习工作流，具体使用方法为：先把特定 prompt 喂给 ChatGPT（建议开新对话专门用于学习英文），然后 ChatGPT 会扮演美国好朋友，对输入的英文和中文表达返回更地道的表达，并对俚语部分加粗，还会针对发送的话题举一反三，结合欧美流行内容给出更多例子，输入特定语句后 ChatGPT 会输出对话回顾并建议 3 个推荐任务，强化记忆。建议使用方式包括开窗口复制 prompt、手机端打开历史记录、点右上角耳机图标打电话等，打电话可同时练习口语和听力，结束后看回顾有助于阅读。 3. 像高手一样编写 GPT 时，以“找电影”为例，调用 themoviedb.org 需先注册申请 API KEY，注册后依次点击右上角头像账户设置API请求 API 密钥click here，选择 Developer 开发者，填写相关信息，提交后获得 API 密钥和 API 读访问令牌并记录备用。构建 GPT 时，新创建一个 GPT，填写相关内容并添加 Actions。