请介绍下WaytoAGI

WaytoAGI 是一个 AI 开源社区。在短短一年间，靠着口口相传拥有高达数千万的访问量。其知识库涵盖了 AI 领域的最新进展、教程、工具和一线实战案例。它引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。不仅是一个普通的技术社区，更是一个汇聚行业顶尖创作者和 KOL 的思想交流平台，社区制作的优质作品多次登上央视首页，广受好评。 WaytoAGI 社区的 AI 共学范围广泛且质量高，其中包括 ComfyUI 的共学课程等。社区选择内容开源，体现了“坦诚、无私、热情、互助”的精神。

WaytoAGI 网站具有以下功能： 1. 和 AI 知识库对话：您可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，能按您的需求找到适合的工具。 3. AI 提示词：集合了精选的提示词，可复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 WaytoAGI 于 2023 年 4 月 26 日诞生，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量。它是由一群热爱 AI 的专家和爱好者共同建设的开源知识库，是很多 AI 爱好者知识的源头，社群的口号是让更多的人因 AI 而强大，有很多学社和共学共建的活动。打开“waytoagi.com”即可找到社群。总之，WaytoAGI 网站和 WaytoAGI 知识库相互关联，希望成为您学习 AI 路上的好助手。

以下是关于 waytoagi 中 AI 提示词使用的相关内容： 1. 提示词的重要性：与大语言模型对话的基础认知是提示词，通过详细结构化的提示词能获得更优质的解释内容。 2. 最佳实践中的提示词：收录了很多写好的提示词，如李继刚老师的结构化提示词，可复制使用并改变形成自己的见解和应用。 3. 提示词的创作思路：李继刚老师会在 13 号带领大家学习提示词的创作思路。 4. 让输出更拟人化：介绍了如何让大语言模型的输出更加拟人化，但有些可能不适合发在社交媒体上。 5. 提示词的应用场景：涵盖产品经理、工程、游戏等领域，可用提示词写游戏、做互动游戏等。 6. 利用提示词做小项目：AIPO 项目不要求宏大，可做小项目，如用提示词做油猴脚本代码的小插件，也可尝试写化妆机等小方案做线下路演。 7. 多模态识别与测试：很多大语言模型可多模态识别，如测试两人是否有夫妻相，准确率较高。 8. 学习提示词的资源：包括方法论、论文精读、博主的 6 大策略、社区共学课程及直播回放等。 9. 操作过程中的有趣提示词：如“酷老师”“抬杠高手”等，可点开并复制这些提示词，将复制内容丢进大语言模型对话效果会不同。近期提示词有升级，李金刚老师将提示词玩到新高度，cloud 等大语言模型可直接显示编译结果内容。 10. 从工程视角看 AI 提示词在游戏创作及优化中的应用。 11. 拟人提示词：通过情绪体感轮子创建具有人物灵魂的提示词，输入 GPT 知道的人物名称即可生成。例如选择罗永浩作为角色扮演对象生成提示词。 12. 微调提示词：包括限制回答内容长度、防止回答出现逻辑错误、强化语言风格、防止输出多余回复等。

对于小白在 waytoAGI 学习，以下是一些建议： 1. 参与准备： 可以关注 waytoAGI 的“周周黑客松”活动，这是一个初级教程介绍较多的活动。 参加共学，比如 cursor 共学（十一之后），可以获得手把手的指导。 2. 环境准备： 参加 wayToAGI 共学或线下黑客松，会有小伙伴热情帮助搞定环境。 如果条件不允许，可自行准备。预计用时 5 10 分钟，基础需求是需要魔法。网址为 https://www.cursor.com ，下载安装软件后在页面中注册即可。 3. 学习心态和方法： 像彭青云学习 ComfyUI 一样，把大目标拆解成小目标，遇到困难时不断拆解，反复学习，单拎问题去搜索、提问，直到搞透知识点。 记录学习过程，分享遇到的问题及解决方法，先吃透老师讲的知识点，再逐步深入。

以下是关于 waytoAGI 的使用教程： 1. 二狗子的整合包：通往 AGI 之路天命人整合包（工作流和一键包都上传了），链接：，提取码：LYAI。 2. 二狗子推荐的环境安装器，对没有魔法的小白同学比较友好，项目地址：https://github.com/11dogzi/ComfyuinodesHJGL.git 。 3. B 站 up 小黄瓜帮忙做的使用教程：【环境依赖一键安装，多种源便捷更改，解决依赖问题！】https://www.bilibili.com/video/BV1XZ421i7Nk/?share_source=copy_web&vd_source=766e97e9a72d0634f585e86f359dc8d6 。 4. 小白的 30min Cursor AI 编程上手步骤： 基础需求：需要魔法。 网址：https://www.cursor.com 。 注册：下载安装软件后，直接在页面中注册即可。

“通往 AGI 之路”（WaytoAGI）是一个致力于人工智能学习的中文知识库和社区平台，具有以下特点和作用： 提供全面的 AI 学习路径，涵盖基础概念到实际应用的各个方面，帮助用户有效获取知识、提高自身能力。 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 品牌 VI 融合独特设计元素，以彩虹色彰显多元性和创新，以鹿的形象象征智慧与优雅，通过非衬线字体展现现代感和清晰性。 在飞书 5000 人大群里内置智能机器人「waytoAGI 知识库智能问答」，基于飞书 aily 搭建。用户在飞书群里发起话题时即可，它能实现自动问答、知识搜索、文档引用、互动教学、最新动态更新、社区互动、资源共享、多语言支持等功能。例如自动回答用户关于 AGI 知识库内涉及的问题，对多文档进行总结、提炼，在内置的「waytoAGI」知识库中搜索特定信息和数据，快速返回相关内容等。

以下是常见 GPU 卡的介绍与比较： 在选择 GPU 作为 AI 基础设施时，需要考虑多个因素： 训练与推理方面：训练大型 Transformer 模型通常需要在机器集群上完成，最好是每台服务器有多个 GPU、大量 VRAM 以及服务器之间的高带宽连接。许多模型在 NVIDIA H100 上最具成本效益，但获取较难且通常需要长期合作承诺。如今，NVIDIA A100 常用于大多数模型训练。对于大型语言模型（LLM）的推理，可能需要 H100 或 A100，而较小的模型如 Stable Diffusion 则对 VRAM 需求较少，初创公司也会使用 A10、A40、A4000、A5000 和 A6000 甚至 RTX 卡。 内存要求方面：大型 LLM 的参数数量众多，无法由单张卡容纳，需要分布到多个卡中。 硬件支持方面：虽然绝大多数工作负载在 NVIDIA 上运行，但也有公司开始尝试其他供应商，如谷歌 TPU 和英特尔的 Gaudi2，但这些供应商面临的挑战是模型性能高度依赖软件优化。 延迟要求方面：对延迟不太敏感的工作负载可使用功能较弱的 GPU 以降低计算成本，而面向用户的应用程序通常需要高端 GPU 卡来提供实时用户体验。 峰值方面：生成式 AI 公司的需求经常急剧上升，在低端 GPU 上处理峰值通常更容易，若流量来自参与度或留存率较低的用户，以牺牲性能为代价使用较低成本资源也有意义。 此外，算力可以理解为计算能力，在电脑中可直接转化为 GPU，显卡就是 GPU，除了 GPU 外，显存也是重要参数。GPU 是一种专门做图像和图形相关运算工作的微处理器，其诞生是为了给 CPU 减负，生产商主要有 NVIDIA 和 ATI。

以下是常见 GPU 卡的介绍与比较： 在 AI 基础设施的考虑因素中，比较 GPU 时需要关注以下几个方面： 训练与推理： 训练 Transformer 模型除了模型权重外，还需要存储 8 字节的数据用于训练。内存 12GB 的典型高端消费级 GPU 几乎无法用于训练 40 亿参数的模型。 训练大型模型通常在机器集群上完成，最好是每台服务器有多个 GPU、大量 VRAM 以及服务器之间的高带宽连接。 许多模型在 NVIDIA H100 上最具成本效益，但截至目前很难找到在 NVIDIA H100 上运行的模型，且通常需要一年以上的长期合作承诺。如今，更多选择在 NVIDIA A100 上运行大多数模型训练，但对于大型集群，仍需要长期承诺。 内存要求： 大型 LLM 的参数数量太多，任何卡都无法容纳，需要分布到多个卡中。 即使进行 LLM 推理，可能也需要 H100 或 A100。但较小的模型（如 Stable Diffusion）需要的 VRAM 要少得多，初创公司也会使用 A10、A40、A4000、A5000 和 A6000，甚至 RTX 卡。 硬件支持： 虽然绝大多数工作负载都在 NVIDIA 上运行，但也有一些公司开始尝试其他供应商，如谷歌 TPU、英特尔的 Gaudi2。 这些供应商面临的挑战是，模型的性能往往高度依赖于芯片的软件优化是否可用，可能需要执行 PoC 才能了解性能。 延迟要求： 对延迟不太敏感的工作负载（如批处理数据处理或不需要交互式 UI 响应的应用程序）可以使用功能较弱的 GPU，能将计算成本降低多达 3 4 倍。 面向用户的应用程序通常需要高端 GPU 卡来提供引人入胜的实时用户体验，优化模型是必要的，以使成本降低到可管理的范围。 峰值： 生成式 AI 公司的需求经常急剧上升，新产品一经发布，请求量每天增加 10 倍，或者每周持续增长 50%的情况并不罕见。 在低端 GPU 上处理这些峰值通常更容易，因为更多的计算节点可能随时可用。如果这种流量来自于参与度较低或留存率较低的用户，那么以牺牲性能为代价使用较低成本的资源也是有意义的。 此外，算力可以直接转化成 GPU，电脑里的显卡就是 GPU。一张显卡除了 GPU 外，显存也是很重要的参数。GPU 的生产商主要有 NVIDIA 和 ATI。GPU 作为一种专门在个人电脑、工作站、游戏机和一些移动设备上做图像和图形相关运算工作的微处理器，其诞生源自对 CPU 的减负，使显卡减少了对 CPU 的依赖，并进行部分原本 CPU 的工作。

以下为您介绍一些文稿转换成视频的 AI 工具： 1. Pika：一款出色的文本生成视频 AI 工具，擅长动画制作，并支持视频编辑。 2. SVD：如果您熟悉 Stable Diffusion，可以直接安装这款最新的插件，在图片基础上直接生成视频。这是由 Stability AI 开源的 video model。 3. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但需要收费。 4. Kaiber：视频转视频 AI，能够将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可以生成长达 1 分钟以上的视频。 若您想用 AI 把小说做成视频，可参考以下制作流程： 1. 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 2. 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 3. 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 4. 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 5. 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 6. 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 7. 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 8. 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 9. 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 以下是一些可利用的工具及网址： 1. Stable Diffusion（SD）：一种 AI 图像生成模型，可以基于文本描述生成图像。网址： 2. Midjourney（MJ）：另一个 AI 图像生成工具，适用于创建小说中的场景和角色图像。网址： 3. Adobe Firefly：Adobe 的 AI 创意工具，可以生成图像和设计模板。网址： 4. Pika AI：文本生成视频的 AI 工具，适合动画制作。网址： 5. Clipfly：一站式 AI 视频生成和剪辑平台。网址： 6. VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。网址： 7. 极虎漫剪：结合 Stable Diffusion 技术的小说推文视频创作提效工具。网址： 8. 故事 AI 绘图：小说转视频的 AI 工具。网址： 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。

DeepSeek 是一家低调但引人关注的大模型公司。其发布了 2360 亿参数的 DeepSeekV2 模型，该模型具有以下特点： 由 60 位专家参与的混合开源模型。 在数学、编码和推理方面表现出色。 拥有 236B 参数，其中 21B 在生成过程中被激活。 在 MTBench 上表现优异，中文能力强且性价比高。 关于 DeepSeek 的详细介绍，您可以通过以下链接获取更多信息：https://xiaohu.ai/p/7468 。此外，还有一篇文章《》对其进行了深入报道。

AI aPaaS 是指像字节 Coze 这样的工具，本质上是“AIfirst aPaaS”。 “aPaaS”意味着 Bot Builder 这类工具与以往的 aPaaS 相同，实现一个应用所需的不同类型代码，如数据、状态、API 调用、逻辑（工作流、事件系统等）、UI 等，通过不同的可视化工具来实现，像数据库建模、服务插件、节点图工具、拖拽式 UI 搭建工具等。生成的并非新应用的完整代码，而是“配置”，所有创建的“应用”都是 aPaaS 本体这个单一应用读取不同配置的运行结果。Bot Builder 只是针对其中部分类型更换了不同的可视化工具，比如针对“数据”类型用 RAG 工具，对“状态”类型用 Token 缓存等工具、对“工作流逻辑”用 Agent 搭建工具，对“UI”用提示词和卡片配置工具。得到的“应用”一部分作为“配置”存储和运行在 Bot Builder 平台自身，一部分作为“配置”存储和运行在各种 Chatbot 平台（比如 ChatGPT）。 “AIfirst”指的是它们不仅在开发应用时使用 AI 辅助或依赖 AI，开发出来的也是 AI 应用（目前主要形态是各平台上的 chatbot）。应用的开发阶段有大模型加持（比如用自然语言描述任务），应用的运行阶段也有大模型支撑（大模型扮演两个角色，最平庸的角色是用大模型的 prompt 调用取代手工编写的代码，更重要的角色是借助大模型做到手工代码做不到的事情）。 像这样的 AI 应用开发平台存在一些问题：aPaaS 这种单一应用的模式，跟内容平台（比如微信公众号、Medium、头条抖音，很多内容平台同样有“开发”需求，比如文章的 HTML 排版和 widget 组合配置，视频中的 AR 效果）、乃至元宇宙平台（比如 Roblox、堡垒之夜、Decentraland、VRChat、元梦之星，这些平台中用户创建的每个 3D 世界，都是应用，传统上都需要专门开发）非常一致或者说一脉相承。缺点是不生成完整、专业的应用代码，跟专业应用开发（包括开发方式、最佳实践、技术生态、抽象积累）割裂，自成体系，重新发明一切，无法灵活深度的混搭和优化。优点是天然趋向把同一个应用在开发阶段的形态和运行阶段的形态统一，类似本帖引用中 Ego 的说法“a game engine that is also a game”，应用自身就是应用开发工具、就是编辑器，开发应用的同时就是在使用应用，开发游戏的时候就是在玩游戏。但 aPaaS 们（含 Bot Builder）显然还远远没实现这种优点，仍然有使用门槛，使用 Bot Builder 过程中的复杂性也远高于使用 Bot。Bot Builder 们只做到“AIfirst”，并没做到“AInative”。引用中的 Ego 是一个“AInative App Builder”的例子，定位是“AInative simulation/game engine and platform”。

AI 大模型的发展具有重要意义和深远影响： 1. 与传统语音技能的差异：语音技能的 NLU 是通过规则、分词策略等训练而成，运作逻辑可观测，具有 ifelse 式逻辑性；而大模型凭借海量数据在向量空间中学习知识关联性，运作逻辑难以观测，脱离了 ifelse 层面。 2. 带来的变革量级：汪华老师认为此次 AI 变革 100%能达到与移动互联网同级，50%可能发展至与蒸汽机出现同量级，能否到达 AGI 阶段尚不明确。 3. 背景和趋势：随着大模型技术成熟和规模增大，为 AI Agent 提供强大能力，有望构建具备自主思考、决策和执行能力的智能体，广泛应用于多个行业和领域。 4. 整体架构： 基础层：为大模型提供硬件支撑和数据支持，如 A100、数据服务器等。 数据层：包括企业根据自身特性维护的静态知识库和动态三方数据集。 模型层：有 LLm（大语言模型，如 GPT，一般使用 transformer 算法实现）和多模态模型（如文生图、图生图等模型，训练数据为图文或声音等多模态数据集）。 平台层：如大模型的评测体系或 langchain 平台等，提供模型与应用间的组成部分。 表现层：即应用层，是用户实际看到的地方。