如何利用多轮对话做Agent问答

AI Agent 是当前 AI 领域中较为热门的概念，被认为是大模型未来的主要发展方向之一。 从原理上看，中间的“智能体”通常是 LLM（语言模型）或大模型。为其增加的四个能力分别是工具、记忆、行动和规划。目前行业中主要使用 langchain 框架，将 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。例如，给大模型提供长期记忆，相当于给予一个数据库工具让其记录重要信息；规划和行动则是在大模型的 prompt 层进行逻辑设计，如将目标拆解并输出不同的固定格式 action 指令给工具。 从产品角度，Agent 可以有不同的设定。比如是一个历史新闻探索向导，身份为历史新闻探索向导，性格知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析，还可以为其设计背景故事使其更加生动。 在人工智能领域，Agent 智能代理是一种能够感知环境并根据感知信息做出决策以实现特定目标的系统，能够自动执行任务，如搜索信息、监控系统状态或与用户交互。

AI Agent 被认为是大模型未来的主要发展方向之一，其发展具有以下特点和阶段： 从原理上看，中间的“智能体”通常是 LLM 或大模型，为其增加了工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。 在人工智能的发展历程中，AI Agent 并非一蹴而就，其发展可分为几个阶段，并受到符号主义、连接主义、行为主义的影响。在人工智能的黎明时期，符号人工智能作为主导范式，以对符号逻辑的依赖著称，代表之作是基于知识的专家系统。其特点是基于逻辑和规则系统，使用符号来表示知识，通过符号操作进行推理。优点是推理过程明确、可解释性强，缺点是知识获取困难、缺乏常识、难以处理模糊性。时间为 20 世纪 50 70 年代。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等。AI Agent 在辅助高效处理信息和简便信息表达方面表现出色，例如智能摘要能辅助快速筛选信息，自然语言描述可生成美观可用的图片。在工作流方面，每个人应根据自身情况找到适合的工具，如产品经理可使用 AI 进行用户画像、竞品调研、设计产品测试用例、绘制产品功能流程图等。关于 AI Agent 的未来，曾被认为异想天开的想法都可能成为现实，技术迭代会不断向前。

以下是 AI Agent 或工作流的一些落地场景： Long horizon task 长期任务执行：Agent 能像称职的项目经理，分解大任务为小步骤，保持目标导向并适时调整策略。 多模态理解：Agent 能同时理解文字、图像、声音等多种交流方式，全方位感知世界和任务上下文。 记忆与行动：通过先进的记忆机制，Agent 能积累经验，记住对话、操作步骤和效果，行动更精准高效。 自适应学习：从每次交互中吸取经验，不断完善策略，实现“智慧成长”。 在技术层面，有两条技术路线：以自主决策为核心的 LLM 控制流和以工作流（Workflow）编排为重点的工具集成系统。Anthropic 提出的 MCP（Model Context Protocol）提供了通用接口协议，将外部资源抽象为“上下文提供者”，便于模型与外部世界交互。 工作流驱动的 Agent 搭建，简单情况分为 3 个步骤：规划，包括制定任务关键方法、总结目标与执行形式、分解子任务等；实施，在 Coze 上搭建框架并分步构建和测试功能；完善，全面评估并优化效果。 典型例子如利用 Kimi Chat 进行网页搜索和总结分析。 包括 Agent 自行规划任务执行的工作流路径，适用于简单或线性流程。 多 Agent 协作，如吴恩达通过开源项目 ChatDev 举例，让大语言模型扮演不同角色共同开发应用或复杂程序。 OpenAI 研究主管 Lilian Weng 提出 Agent 的基础架构为“Agent=LLM+规划+记忆+工具使用”，规划包括子目标分解、反思与改进。

AppAgent 是由腾讯开发的一种基于大型语言模型（LLM）的多模态 Agent 框架。 其主要特点和功能包括： 多模态代理：能够处理和理解多种类型的信息（如文本、图像、触控操作等）。 直观交互：通过模仿人类的直观动作（如点击和滑动屏幕）来与手机应用程序交互，能够在手机上执行各种任务，例如在社交媒体上发帖、帮用户撰写和发送邮件、使用地图、在线购物，甚至进行复杂的图像编辑等。 对于之后模仿数据的反利用也有不错的应用场景，例如互联网或 AI 或涉及到原型+UE 的工作都可以在基于模仿数据的基础上进行反推，进而让设计出的产品原型和 UE 交互更优解。 AppAgent 在 50 个任务上进行了广泛测试，涵盖了 10 种不同的应用程序。该项目由腾讯和德州大学达拉斯分校的研究团开发。 相关链接： 官方网站：https://appagentofficial.github.io 相关报道：https://x.com/xiaohuggg/status/1738083914193965528?s=20

Agent（智能体）是一种能够在环境中自主感知、思考并采取行动以实现特定目标的实体。它可以是软件程序，也可以是硬件设备。 从产品角度来看，比如我们的 Agent 可以是一个历史新闻探索向导，具有知识渊博、温暖亲切、富有同情心的性格，主导新闻解析和历史背景分析。为使角色更生动，可设计背景故事，明确其起源、经历和动机，定义性格特点、说话方式和风格，以及设计对话风格和角色技能。 在结合大型语言模型（LLM）的情况下，LLM Agent 能够利用大型语言模型的自然语言处理能力，理解用户的输入，并在此基础上进行智能决策和行动。其组成部分包括规划（负责将复杂任务分解成可执行的子任务，并评估执行策略）、记忆（包括短期记忆用于存储对话上下文，长期记忆存储用户特征和业务数据）、工具（如 API 调用、插件扩展等辅助手段）和行动（将规划和记忆转换为具体输出，包括与外部环境的互动或工具调用）。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，还包括规划（子目标分解、反思完善）、记忆（短期记忆、长期记忆）和工具使用（调用外部 API 获取额外信息）等方面。

Agent（智能体）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，可以是软件程序或硬件设备。 从产品角度看，比如我们的 Agent 可以是一个历史新闻探索向导，具有知识渊博、温暖亲切、富有同情心的性格，主导新闻解析和历史背景分析，为使其角色更生动，可设计背景故事，明确角色背景和身份、性格和语气、互动方式、技能等。 在结合大型语言模型（LLM）的情况下，LLM Agent 是指结合大型语言模型和自主智能体特性的系统，能够利用大型语言模型的自然语言处理能力，理解用户输入，并进行智能决策和行动。其组成部分包括规划（负责将复杂任务分解成可执行的子任务，并评估执行策略）、记忆（包括短期记忆用于存储对话上下文，长期记忆存储用户特征和业务数据）、工具（如 API 调用、插件扩展等辅助手段）、行动（将规划和记忆转换为具体输出，包括与外部环境的互动或工具调用）。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，还包括规划（子目标分解、反思完善）、记忆（短期记忆、长期记忆）、工具使用（调用外部 API 获取额外信息）等方面。

多轮对话的实现方式如下： 1. 核心思路是让 AI 和您对目标的理解达成共识，保持一致，然后再开始创作，这样能增加创作的可控性。比如通过对生成图像的理解诱导和迭代来实现。 2. 有效的部分包括： 约束的弹性，在探索阶段给 AI 一定自由空间，而 prompt 一般是强约束的，更适合确定性的目标或者用于总结阶段。 情绪，情绪化能局部提升 AI 效能。 共识，您的理解和 AI 的理解要高度一致，在高共识性的背景下，调整和控制会更有效。 3. 注意事项： 如果经历很多轮的对话，可能会导致此次对话超过模型的 token 限制，ChatGPT 会遗忘之前的内容。建议当经历多轮对话后，可以新建一个聊天窗口，把完整的代码和需求背景输入给 ChatGPT，重新开启新的提问。 在自然的人类语言交流中，多轮对话常常伴随着指代问题的产生。为了提升对话系统的性能和用户体验，需要开发提示词来解决多轮对话中的指代消解问题，并确保模型能够在连续的交流中提供准确、连贯的回答。由于“指代消解”需要多轮对话来完成，单次交互无法达成，所以需要将测试形式进行转换，先解决“指代消解”的问题，然后再进行下一轮答复。

单轮对话与多轮对话调用： 聊天模型通过一串聊天对话作为输入，并返回一个模型生成的消息作为输出。尽管聊天格式的设计是为了多轮对话更简单，但它对于没有任何对话的单轮任务同样有用（例如以前由 textdavinci003 等指令遵循模型提供的任务）。 API 调用的例子中，messages 参数是主要的输入，必须是一个消息对象的数组，每个对象拥有一个 role（“system”“user”或“assistant”）和 content（消息的内容）。会话可以少至 1 条消息或者有许多条。通常，会话首先使用系统消息格式化，然后交替使用用户消息和助手消息。系统消息有助于设定助手的行为，用户消息帮助指示助手，助手消息用于存储之前的响应。当用户的指令是关于之前的消息时，包含聊天历史记录将有所帮助。如果会话包含的 token 超出了模型的限制，则需要用一些方法去缩减会话。 百炼相关 Q&A： 如何调用工作流？在提示词写了让大模型调用 xxx 工作流，但实际总是不调用。文档里也没有写调用方式。 如何把开始节点的输入参数直接接入到代码节点中进行处理？ 千问模型基本不能处理标点符号，在提示词中各种要求句尾不要有句号，可仍旧有。甚至在工作流中用代码去掉后，回到应用中又给加上了标点符号。同样的提示词，放在扣子中就可以去掉标点符号。 记得第一天提到，规定模型不能用搜索和投喂输出文本。比赛是不是只限在提示词调试的范围内呢？ 为什么同样的问题，给出的答案区别这么大？接的就是同一个应用，这个问题很早就预测过了，同一个模型。 无论 prompt 怎么变，模型生成完内容后，自动被“不生成任何的标点符号”所替换。这个情况在 max。 COW 调用百炼应用如何支持多轮对话么？

聊天模型通过一串聊天对话作为输入，并返回一个模型生成的消息作为输出。尽管聊天格式的设计是为了多轮对话更简单，但它对于没有任何对话的单轮任务同样有用（例如以前由 textdavinci003 等指令遵循模型提供的任务）。 API 调用的例子中，messages 参数是主要的输入，必须是一个消息对象的数组，每个对象拥有一个 role（“system”“user”或“assistant”）和 content（消息的内容）。会话可以少至 1 条消息或者有许多条。通常，会话首先使用系统消息（“system”）格式化，然后交替使用用户消息（“user”）和助手消息（“assistant”）。系统消息有助于设定助手的行为，用户消息帮助指示助手，助手消息用于存储之前的响应。当用户的指令是关于之前的消息时，包含聊天历史记录将有所帮助。如果会话包含的 token 超出了模型的限制，则需要用一些方法去缩减会话。 此外，还存在一些与百炼相关的 Q&A： 如何调用工作流？在提示词写了让大模型调用 xxx 工作流，但实际总是不调用。文档里也没有写调用方式。 如何把开始节点的输入参数直接接入到代码节点中进行处理？ 千问模型基本不能处理标点符号，在提示词中各种要求句尾不要有句号，可仍旧有。甚至在工作流中用代码去掉后，回到应用中又给加上了标点符号。同样的提示词，放在扣子中就可以去掉标点符号。 为什么同样的问题，给出的答案区别这么大？接的就是同一个应用，这个问题很早就预测过了，同一个模型。 无论 prompt 怎么变，模型生成完内容后，自动被“不生成任何的标点符号”所替换。这个情况在 max。 COW 调用百炼应用如何支持多轮对话么？

以下是优化 AI 对话脚本和逻辑（多轮对话测试提升 AI 上下文理解）的方法： 1. 样例驱动的渐进式引导法 评估样例，尝试提炼模板：独自产出高质量样例较难，可借助擅长扮演专家角色的 AI 改进初始正向样例，如使用 Claude 3.5 进行对话，输入初始指令，通过其回复侧面印证对样例的理解与建议。 多轮反馈，直至达到预期：AI 可能犯错输出要求外内容，需多轮对话引导，使其不断修正理解，直至达成共识。 用例测试，看看 AI 是否真正理解：找 13 个用例，让 AI 根据模板生成知识卡片，根据结果验证是否符合预期，不符合则继续探讨调整。用例测试和多轮反馈步骤灵活，可根据需要自由反馈调整。 2. Coze 全方位入门剖析 标准流程创建 AI Bot（进阶推荐） 为 Bot 添加技能：国内版暂时只支持使用“云雀大模型”作为对话引擎，可根据业务需求决定上下文轮数。在 Bot 编排页面的“技能”区域配置所需技能，可选择自动优化插件或自定义添加插件。还可根据需求配置知识库、数据库、工作流等操作，参考相关介绍和实战操作或官方文档学习。 测试 Bot：在“预览与调试”区域测试 Bot 是否按预期工作，可清除对话记录开始新测试，确保能理解用户输入并给出正确回应。

在解决模型微调中多轮对话容易受到上轮对话影响的问题时： 对于多轮对话，现实中常伴随指代问题，如使用“它”“他们”“我们”等代词。若仅依据原始提问检索知识片段，可能导致结果不精确或无法检索到信息。同时，对模型回复内容的限制可能影响多轮对话流畅性甚至中断。 为提升对话系统性能和用户体验，需开发提示词解决多轮对话中的指代消解问题，确保模型能在连续交流中提供准确连贯回答。但由于“指代消解”需多轮对话完成，单次交互无法达成，所以要转换测试形式，先解决“指代消解”问题再进行下一轮答复。 首先准备指代消解所需提示词，这里使用的“指代消解”提示词是用 CoT 写出的思维链，列举不同推理情景，让模型适应并推理出需消解的代词，再根据结果重新组织问题。 接着复现指代消解步骤，如进行第一轮对话，提出问题“尼罗河是什么？”，系统召回相关知识片段并回复，然后开始指代消解。 另外，聊天模型通过一串聊天对话输入并返回生成消息输出。聊天格式虽为多轮对话设计，但对单轮任务也有用。会话通过 messages 参数输入，包含不同角色和内容的消息对象数组。通常会话先有系统消息设定助手行为，再交替使用用户和助手消息。当指令涉及之前消息时，包含聊天历史记录有帮助，若超出模型限制需缩减会话。

在多轮对话训练中，让模型掌握情感需求可以通过以下几种方式： 1. 利用相关数据集进行训练，例如： Guanaco：地址为，是一个使用 SelfInstruct 的主要包含中日英德的多语言指令微调数据集。 chatgptcorpus：地址为，开源了由 ChatGPT3.5 生成的 300 万自问自答数据，包括多个领域，可用于训练大模型。 SmileConv：地址为，数据集通过 ChatGPT 改写真实的心理互助 QA 为多轮的心理健康支持多轮对话，含有 56k 个多轮对话，其对话主题、词汇和篇章语义更加丰富多样，更符合长程多轮对话的应用场景。 2. 在创建提示时采用结构化模式，为模型提供一些情感需求的示例，如： |输入|输出| ||| |一部制作精良且有趣的电影|积极的| |10 分钟后我睡着了|消极的| |电影还行|中性的| 然后单击页面右侧的提交按钮。该模型现在可为输入文本提供情绪。还可以保存新设计的提示。 3. 在多轮次对话中，定期总结关键信息，重申对话的目标和指令，有助于模型刷新记忆，确保准确把握对话的进展和要点。 4. 进行意图识别和分类，特别关注在单一模型或情境中处理多个小逻辑分支的情况。例如在客户服务场景中，快速确定用户提出咨询、投诉、建议等多种类型请求的意图，并分类到相应处理流程中。

waytoAGI 知识库智能问答机器人的实现方式如下： 基于 Aily 和云雀大模型。Aily 是飞书团队旗下的企业级 AI 应用开发平台，提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用。云雀是字节跳动研发的语言模型，能通过自然语言交互高效完成互动对话等任务。 在飞书 5000 人大群里内置，根据通往 AGI 之路的文档及知识进行回答。使用方法为在飞书群里发起话题时，它会根据 waytoAGI 知识库的内容进行总结和回答。 其具备多种功能，如自动问答、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。 搭建过程包括介绍 WaytoAGI 社区的成立愿景和目标、利用 AI 技术帮助用户检索知识库内容、引入 RAG 技术、介绍基于飞书的知识库智能问答技术的应用场景和实现方法、使用飞书的智能伙伴功能搭建 FAQ 机器人以及智能助理的原理和使用方法等。

以下是使用钉钉中的知识库构建智能问答机器人的步骤： 1. 纯 GPT 大模型能力的微信聊天机器人搭建： 配置极简未来（Link.AI）平台：按照官方教程操作，教程地址为 https://docs.linkai.tech/platform/createapp ，学习补充可参考 https://docs.linkai.tech/platform/quickstart 。 教程中的应用是创建一个具体的 AI 问答机器人应用。 教程中的知识库是给绑定到指定问答机器人的资料数据集，让机器人基于这些内容回答问题。 知识库应用中的应用设定是给 AI 机器人的提示词内容或者人设，关于提示词可查看教程 https://waytoagi.feishu.cn/wiki/OqJQwzq2wi9EIOkFtFkclM24nSe 。 创建成功的 AI 应用，记住应用的应用 ID，用于后续对接微信聊天机器人。 生成 API Key 用于后续功能对接，地址为 https://linkai.tech/console/interface ，点击创建 API Key 并记住。 2. 用 Coze 免费打造自己的微信 AI 机器人： 设计 AI 机器人： 开始节点和结束节点会自动生成。 开始节点配置：输入变量名写“Question”，描述写“用户输入的问题”，变量类型选“String”。 知识库配置：将开始节点和知识库左侧节点连接，知识库输入引用开始节点的变量“Question”，点击“+”号选择之前创建好的知识库，将知识库右侧节点与结束节点左侧连起来。 结束节点配置：用于输出 AI 机器人的最终结果，回答格式设置为“您的问题：{{question}} 问题的答案：{{answer}}”，在输出变量那里定义“question”引用“开始节点的 Question”，“answer”引用“知识库节点的输出 output”，回答模式选择使用设定的内容直接回答。 试运行测试：点击右上角“试运行”，输入问题如“AIGC 课件”，点击右下角“运行”，查看工作流每一步的详细输入和输出。

以下是关于如何使用好大模型的一些指导： 1. 本地部署资讯问答机器人： 加载所需的库和模块，如用于解析 RSS 订阅源的 feedparse，用于在 Python 程序中跑大模型的 ollama（使用前确保 ollama 服务已开启并下载好模型）。 从订阅源获取内容，可通过指定的 RSS 订阅 url 提取，如需多个 url 稍作改动即可。然后用专门的文本拆分器将长文本拆分成小块，并附带相关元数据，最终合并成列表用于后续处理。 为文档内容生成向量，使用文本向量模型 bgem3，从 hf 下载好模型放置在指定路径，通过函数利用 FAISS 创建高效向量存储。 Ollama 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同场景。易于使用，适用于 macOS、Windows 和 Linux 系统，支持 cpu 和 gpu。提供模型库，用户可从中下载不同模型，还支持自定义模型，如修改温度参数等，同时提供 REST API 用于运行和管理模型及与其他应用集成，社区贡献丰富。需先安装，可通过 https://ollama.com/download/ 下载，安装后确保后台服务已启动。 2. 编写清晰的说明： 在 OpenAI 官方说明文档中提到的“官方最佳实践”为用户提供了若干策略。 策略一是编写清晰的说明，在询问中包含详细信息，多说一些内容，多提供一些信息，能有效提高大模型回复的质量和丰富性。通过多个具体例子展示了提供更多细节能得到更符合预期的回答。

以下是关于机器人交互提问的问答相关内容： 容器编排模板：是一种配置文件，用于在 Docker 中部署和管理多个容器，可一键部署复杂环境，无需手动配置细节，文中通过其配置 COW 组件与微信和极简未来平台交互。 使用 Docker 部署 COW 组件的原因：Docker 提供隔离运行环境，确保应用稳定运行，简化安装和配置，保证部署环境一致，便于管理和维护。 配置多个前缀触发机器人回复的原因：确保只有特定情况机器人才回复，避免群聊或私聊中频繁干扰，提高响应准确性和用户体验。 扫码登录失败的解决办法：尝试重启 Docker 容器（在宝塔面板中找到对应容器点击“重启”）、检查网络连接（确保服务器和微信客户端能正常访问互联网）、重新扫描二维码（等待容器重启后扫描日志中生成的二维码）。 AI 微信聊天机器人的费用：实际费用不高，极简未来平台按使用量收费，对一般用户费用相对低廉，充值少量费用通常可用很长时间，平台还提供每天签到免费领积分福利降低成本。 使用极简未来平台创建 AI 机器人的费用：未明确具体金额，收费按使用量计算。 此外，关于问答机器人： 整个知识库内容庞大丰富，新用户难以快速找到内容。 传统搜索基于关键词及相关性，存在局限性。 作为 AI 知识库，需用更先进的 RAG 技术解决。 在群中提供快速检索信息的方式，使用更便捷。 您可以通过以下方式使用： 在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（最新二维码在知识库首页），加入后直接@机器人。 在 WaytoAGI.com 的网站首页直接输入问题获取回答。

目前从经济效益的角度来看，以下一些服务可能有助于您构建这样的知识库并支持 AI 问答以及结果保存： 1. 云服务提供商，如阿里云、腾讯云、AWS 等，它们提供可扩展的计算和存储资源，您可以根据实际需求灵活配置，避免过度投入硬件成本。 2. 开源的知识管理和问答系统框架，例如使用 Elasticsearch 结合相关插件来实现问答功能，成本相对较低，但可能需要一定的技术投入进行搭建和维护。 3. 一些专门针对知识管理和 AI 应用的 SaaS 服务，它们通常按使用量计费，初期投入较小，适合小规模应用。 需要注意的是，具体选择哪种服务取决于您的业务规模、技术能力、预算以及对性能和功能的要求。

在 AI 连续问答中，有时 AI 似乎不记得第一个问题，可能有以下原因： 1. 模型本身的限制：AI 回答问题时可能容易“产生幻觉”，生成看似合理但实际错误的内容，且可能连续且良好地撒谎，对于所提供的信息不一定能保证准确性和连贯性。 2. 缺乏上下文理解：AI 可能在处理后续问题时，未能充分整合和记住之前问题的关键信息，导致回答与之前的问题脱节。 3. 输出模式的固定性：像 GPT 回答问题时喜欢用特定的模式，如 1、2、3、4 或“首先、其次、最后”，这种固定模式可能影响对问题的灵活处理和记忆。 4. 无法真正解释自身：当被要求解释回答的原因或思考过程时，AI 只是生成听起来合理但可能是编造的文本，而不是真正审查自身的行动，这使得理解其回答的逻辑和连贯性变得困难。 为了让 AI 的回复更有灵性和连贯性，可以尝试一些方法，如让 AI 扮演特定角色、给出明确输出要求、营造特定环境、让其用括号补充动作以增加感情等。但即便如此，也不能完全消除上述问题。同时，使用 AI 时要注意对其输出进行检查，避免被不道德地利用。

通过飞书机器人与 Coze 搭建智能体进行对话，实现跨平台的稍后读收集与智能阅读计划推荐，具体步骤如下： 1. 前期准备： 设计 AI 稍后读助手的方案思路，包括简化“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 URL 完成收集，借鉴微信文件传输助手通过聊天窗口输入）、自动化“整理入库”（自动整理每条内容的关键信息，支持跨平台查看）、智能“选择”推荐（根据收藏记录和阅读兴趣生成阅读计划）。 2. 逐步搭建 AI 智能体： 经过配置得到两个可用工作流（整理入库、选择内容），将其编排为完整智能体。 配置过程包括创建 Bot、填写 Bot 介绍、切换模型为“通义千问”、把工作流添加到 Bot 中、新增变量{{app_token}}、添加外层 bot 提示词，完成后可在「预览与调试」窗口与智能体对话并使用全部功能。

以下是豆包、DeepSeek、ChatGPT 在解决用户整理对话需求方面的功能： ChatGPT： 1. 内容生成：可以生成文章、故事、诗歌、歌词等内容。 2. 聊天机器人：作为聊天机器人的后端，提供自然的对话体验。 3. 问答系统：为用户提供准确的答案。 4. 文本摘要：生成文本的摘要或概述。 5. 机器翻译：在这方面有不错的表现。 6. 群聊总结：能够对群聊内容进行总结。 7. 代码生成：生成代码片段，帮助开发者解决编程问题。 8. 教育：帮助学生解答问题或提供学习材料。 9. 浏览器插件：如 webpilot 。 10. PDF 对话：通过相关网站实现与 PDF 的对话。 11. PPT 生成：协助高效制作 PPT 。 12. 音视频提取总结：通过特定网站进行总结。 13. 播客总结：通过特定网站完成总结。 14. 生成脑图：通过相关网站生成。 关于豆包和 DeepSeek 在解决用户整理对话需求方面的功能，上述内容中未提及。

以下是与 Deepseek 高效对话的五个黄金法则： 1. 像教实习生：别指望它读心术，要给明确“操作手册”。 亮身份（就像相亲自我介绍）：说清角色（新人/专家）、处境（紧急任务/长期规划）、特殊需求（老板的喜好/公司制度）。例如，错误示范是“帮我写个方案”，正确示范是“我是刚入职的行政专员，要给 50 人团队策划元旦团建，预算人均 200 元”。 派任务（像教小朋友做家务）：明确要做什么、范围多大、重点在哪、要几个结果。例如，错误示范是“分析下市场”，正确示范是“请对比蜜雪冰城和茶百道最近 3 个月的新品策略，找出年轻人最爱的 3 个创新点”。 立规矩（像点菜提要求）：包括时间限制、资源条件、雷区预警、特殊偏好。例如，请 AI 当健身教练，正确示范是“我是 996 上班族，每天最多锻炼 30 分钟，家里只有瑜伽垫，帮我制定减脂计划，不要深蹲伤膝盖”。 定格式（像下单选规格）：根据需求选择文档类（PPT 页数、报告部分）、数据类（表格或图表）、创意类（小红书风格或知乎体）等格式。例如，做会议纪要，正确示范是“用表格呈现，左边列讨论主题，右边分决策事项/负责人/截止时间三栏，最后用红色标出待确认事项”。 2. 像拼乐高：复杂任务拆成小模块，逐个击破。 3. 像打乒乓球：有来有往多回合，好答案都是改出来的。 4. 下次和 AI 对话前，先花 30 秒填这个 checklist： 我说清自己身份了吗？ 任务目标够具体吗？ 特殊要求列全了吗？ 要什么格式交代了吗？ 留好修改的余地了吗？ 5. 一个提示词，让 DeepSeek 的能力更上一层楼： 效果对比：用 Coze 做了个小测试，大家可以对比看看。 如何使用： 搜索 www.deepseek.com，点击“开始对话”。 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。 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）。 完整提示词。 特别鸣谢：李继刚的【思考的七把武器】在前期为提供了很多思考方向；Thinking Claude 是项目最喜欢使用的 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。 掌握这套方法，您会突然发现：原来 AI 这么听话！从此刻开始，告别无效对话，让您的每个问题都换来实实在在的干货。

要与多个 PDF 进行对话，可以考虑使用以下方法和工具： 1. ChatDOC：这是一个 AI 文档阅读助手，能够在数秒内总结长文档、解释复杂概念和查找关键信息。它具有以下优势： 可靠性和准确性高，在所有 ChatPDF 类产品中居首。 精通表格理解，选择表格或文本可立即获取详细信息。 支持多文档对话，不受每个文档页数限制。 每个回答均可溯源至原文，有原文档中的直接引用支持。 支持多种文档类型，包括扫描件、ePub、HTML 和 docx 格式文档。 2. AskYourPDF Research Assistant：可以与多个文件聊天，生成带有引文的文章，分析和生成论文的参考文献，创建文件的知识库并与之交互等。 在进行互动式问答时，需要注意以下几点： 1. 对于更新的数据或最新出版的书籍、报告和文件，ChatGPT 的知识库可能无法提供答案。 2. 如果有现成的 PDF，建议通过 CHATDOC 网站进行互动式问答。 3. 提问时应遵循一定的模板，例如： 输入信息：向 ChatGPT 提供要查询的书籍、报告或文件的详细信息，包括书籍的书名、作者、出版日期、出版社，报告的时间、主题，文件的名称等，提供越详细越能获得准确答案。 提出问题：例如询问书籍中提到的某些方面、原则、方法，报告中行业的增长趋势，对报告或书籍的概括、主要观点等。

以下工具可以实现和多个 PDF 或 Word 文档对话： 1. ChatDOC（海外官网：chatdoc.com）：是一个 AI 文档阅读助手，能在数秒内总结长文档、解释复杂概念和查找关键信息。在可靠性和准确性方面，它在所有 ChatPDF 类产品中居首。其优势包括精通表格理解、多文档对话、每个回答均可溯源至原文，还支持多种文档类型，如扫描件、ePub、HTML 和 docx 格式文档。 2. IncarnaMind：是一个可以使用大型语言模型（如 GPT）与个人文档（PDF、TXT）进行聊天的工具。它通过滑动窗口分块机制和检索器，能高效查询细粒度和粗粒度信息，支持多文档查询和稳定的解析，还具有自适应分块、多文档对话问答、文件兼容性和模型兼容性等特点。

以下是关于多文档对话的相关信息： ChatDOC 是一个 AI 文档阅读助手，具有以下特点： 1. 可以在数秒内总结长文档、解释复杂概念和查找关键信息。 2. 在可靠性和准确性方面，是所有 ChatPDF 类产品之首。 3. 优势包括精通表格理解，只需选择任何表格或文本，即可立即深入获取其详细信息。 4. 支持多文档对话，且不用担心每个文档的页数限制。 5. 每个回答均可溯源至原文，所有答案都有来自原文档中的直接引用支持。 6. 支持多种文档类型，可以丝滑处理扫描件、ePub、HTML 和 docx 格式文档。 IncarnaMind 是一个可以使用大型语言模型（如 GPT）与个人文档（PDF、TXT）进行聊天的工具，支持多文档查询和稳定的解析，还具有自适应分块、多文档对话问答、文件兼容性和模型兼容性等特点。 熊猫大侠中的文档总结对话功能： 1. 依赖 LinkAI 的知识库及对话功能，需要在项目根目录的 config.json 中设置 linkai_api_key，同时根据插件配置说明，在插件 config.json 添加 summary 部分的配置，设置 enabled 为 true。如果不想创建 plugins/linkai/config.json 配置，可以直接通过 $linkai sum open 指令开启该功能。 2. 功能开启后，向机器人发送文件、分享链接卡片、图片即可生成摘要，进一步可以与文件或链接的内容进行多轮对话。如果需要关闭某种类型的内容总结，设置 summary 配置中的 type 字段即可。 3. 存在一些限制，如文件目前支持 txt、docx、pdf、md、csv 格式，文件大小由 max_file_size 限制，最大不超过 15M，文件字数最多可支持百万字的文件，但不建议上传字数过多的文件；分享链接目前仅支持公众号文章，后续会支持更多文章类型及视频链接等；总结及对话的费用与 LinkAI 3.5 4K 模型的计费方式相同，按文档内容的 tokens 进行计算。