举例说明，意图和FAQ训练的区别

意图和 FAQ 最明显的区别在于：意图通常指的是用户行为背后的目的或期望，它更侧重于理解用户的深层需求和动机。而 FAQ（常见问题解答）则是预先准备好的一系列常见问题及其对应的标准答案，主要用于快速回答用户可能提出的一般性问题。 总的来说，意图关注的是挖掘用户潜在的想法和目标，FAQ 则是针对常见问题提供现成的解答。

DeepSeek 的使用对于小白来说可能有点复杂，但我尽量用大白话给您解释清楚。 比如说，您想让 DeepSeek 帮您生成“玄武门之变结束的当天，李世民在深夜写下一段独白，你觉得他会写什么？”这样的内容。 DeepSeek 会这样来处理： 1. 先回顾玄武门之变的历史背景，比如这场政变发生在 626 年，李世民杀了兄弟，逼父亲退位等。 2. 思考李世民当晚的心理，可能有释然、愧疚、恐惧、自责等多种复杂情绪，还要考虑他是被迫还是早有预谋。 3. 要让生成的独白不仅符合历史事实，还要有文学性，体现人性的复杂。比如要平衡他的野心与自责，对未来的抱负与对过去的悔恨。 4. 考虑当时的文化背景，像儒家思想对孝悌的重视，李世民的行为违背了这些伦理，他可能会内心挣扎，还可能为自己的行为找正当理由。 5. 按照您的需求，给独白加上一些文学修辞，像比喻、对仗、意象等，增强画面感。 另外，DeepSeek 还有个很厉害的地方，就是它能在独白文本中“自作主张”地加入括号里的场景描述，让整个输出更有画面感。比如“（夜风掀动案头《韩非子》，停在‘夫妻者，非有骨肉之恩也’那页）”、“（墨迹在‘弑’字上晕开一团）”、“（忽然扔笔，抓起铜镜）”这些句子，很难相信是 AI 写的。 总之，使用 DeepSeek 时要考虑很多方面的因素，它能根据您的提示词和需求，生成很精彩的内容。

医疗人工智能应用存在以下风险： 1. 可能对受欧盟法律保护的公共利益和基本权利造成损害，包括身体、心理、社会或经济方面的损害。 2. 在决定是否给予、拒绝、减少、取消或收回医疗保健服务等福利时，可能对人们的生计产生重大影响，并侵犯基本权利，如社会保护权、不受歧视权、人的尊严权或有效补救权。 3. 用于评估自然人信用分数或信用度的人工智能系统可能导致对个人或群体的歧视，并延续历史上的歧视模式或造成新形式的歧视性影响。 法理防范措施包括： 1. 为所有高风险人工智能系统制定统一的规则，这些规则应与《宪章》保持一致，是非歧视性的，并符合欧盟的国际贸易承诺，同时考虑相关的伦理准则。 2. 明确价值链上相关经营者的作用和具体义务，促进对法规的遵从，确保法律的确定性。 3. 在特定条件下，明确高风险人工智能系统提供者的责任和义务。 需要注意的是，欧盟法律规定的用于检测提供金融服务过程中的欺诈行为以及用于计算信贷机构和保险企业资本要求的尽职审慎目的的人工智能系统，以及用于自然人健康和人寿保险风险评估和定价的人工智能系统，在符合一定条件时不视为高风险系统。

欧盟《人工智能法案》在中国适用过程中的积极影响与不利影响举例如下： 积极影响： 1. 对中小企业的兼顾激励与监管：欧盟的法案顾及到了中小企业在人工智能领域的弱势地位，适当地将对中小企业的合规义务豁免规定以及合规支持规定纳入未来的人工智能立法中，有利于形成健康有序的公平竞争秩序，激发中小企业的科技创新活力，同时防止过度监管。例如，2023 年《AI 法案》折衷草案通过制约单方面强加给中小企业和初创企业的不公平合同条款、促进监管沙盒广泛而平等的参与、降低评估费用等措施降低中小企业的合规成本。 2. 纳入道德伦理和人权考量：《人工智能法案》将人工智能系统对伦理道德和基本人权的影响有机纳入规制框架和评估框架中，我国《科技伦理审查办法》也是将伦理纳入包括人工智能开发在内的科技活动的积极探索。 不利影响： 1. 以风险为基准的管理框架存在不确定性：伦理道德和人权具有高度概括性、抽象性和不确定性，如何将其融入人工智能治理考验立法技术。《人工智能法案》对“不可接受的风险”和“高风险”的人工智能系统的界定和解释存在相当大的不确定性和模糊性，可能难以统一进行风险分类，成效有待进一步观望和研讨。 2. 可能无法完全适应中国国情：中国和欧盟在人工智能发展的阶段、市场环境、企业结构等方面存在差异，欧盟的法案在具体适用时可能需要进行较大的调整和适配，否则可能无法有效发挥作用。

欧盟《人工智能法案》在我国适用过程中的影响主要体现在以下方面： 1. 立法参考：我国与欧盟在人工智能立法工作上“齐头并进”，且立法理念有共通之处，如风险分级管理、高风险项目的“备案”“评估”“透明”等原则。该法案对我国人工智能立法工作具有重要参考意义。 2. 市场拓展：若我国的 AI 项目有意拓展欧洲市场，可能因针对不同市场重新训练特有模型效率不高，而不得不根据欧盟法案对产品进行调整。 同时，我国是第一个开始制定生成式人工智能监管框架的国家，从 2022 年开始陆续出台全面指南，如今审查机构已介入。我国持续生产 SOTA 模型，由国家互联网信息办公室监督。政府希望模型避免给政治问题提供“错误”答案，发布模型前须提交测试以校准拒绝率。虽然禁止 Hugging Face 等国外网站访问，但官方批准的“主流价值观语料库”可作为训练数据源。此外，伦理道德和人权向来是人工智能技术发展绕不开的终极话题，我国《科技伦理审查办法》也是将伦理纳入包括人工智能开发在内的科技活动的积极探索。但由于该《办法》适用于所有科技活动，人工智能的特殊性可能无从得到体现，且如何界定和解释“不可接受的风险”和“高风险”的人工智能系统也面临相当大的不确定性和模糊性。

AI 的能力存在边界，主要体现在以下方面： 1. 知识来源受限：AI 的知识来源于训练数据，无法超越这些数据的范围，如同学生不能回答课本之外的问题。 2. 推理能力有限：即使拥有足够的知识，AI 也无法像人类一样进行无限的推理和联想。 例如，在“Hallucination is Inevitable:An Innate Limitation of Large Language Models”这篇论文中，揭示了 AI 幻觉无法被完全消除的根本原因就在于 AI 模型的能力边界。 在探索者队伍的研究中，有人提出开发一个用于探索 AI 能力边界的实验平台，这也从侧面反映了对 AI 能力边界的关注。 此外，国际政治的边界或将按照 AI 技术边界来重新划分，也说明了 AI 能力边界的影响范围之广。

在大语言模型领域，“退火”是一个相对复杂的概念。通俗地说，您可以把它想象成铁匠打铁时的一个过程。铁匠在打造铁器时，不会一开始就用猛火高温一直烧，而是会逐渐升高温度，然后再慢慢降低温度，让金属的结构更加稳定和优化。 在大语言模型中，“退火”的作用类似于此。它可能是在模型的训练过程中，对某些参数或者条件进行逐步的调整和优化，以达到更好的性能和效果。但目前提供的知识库内容中，没有直接关于大语言模型中“退火”概念的详细且通俗易懂的解释和具体例子。

意图识别是根据输入的内容决定后续环节的流程，有点像 if/else 。从输出看，其 reason 通常为英文。可以简单理解为是一个简化版的大语言模型节点，为更精准识别，可优化选项使其更精准凝练，不行的话可换用大语言模型节点。 在自然语言处理领域，意图识别已被广泛讨论。随着大型模型兴起，尤其是用作智能体的 Brain 模块时，承担了主要工作任务。当用户输入指令，通过感知模块传递到 Brain 模块，Brain 模块需做出反应，本质上是一种分类任务，区分用户具体意图，在单一或多智能体系统中都至关重要。通过如 Siri、小爱同学等常见智能助手的例子可更直观理解。大型模型执行意图识别任务主要基于前期大量数据训练得到的模型，可通过微调适应特定领域需求。 在 Manus 多智能体通用任务系统中，意图识别从用户输入中提取关键词和任务类型，引导用户补充信息以明确需求。

产品经理在设计 AI 产品功能时，需要设计意图识别。以下是关于意图识别的相关内容： 意图识别的定义：当用户输入指令，这些指令通过感知模块传递到 Brain 模块，Brain 模块需要对这些指令做出反应。这个过程在本质上是一种分类任务，即识别并区分用户的具体意图。无论是在单一智能体架构还是复杂的多智能体系统中，意图识别都扮演着至关重要的角色。 意图识别的实现方式： 1. 通过准备特定于任务的数据集，然后利用这些数据对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。这个过程涉及到在预训练模型的基础上进一步训练，以调整模型参数，使其更适应特定的任务需求。 2. Prompttuning，这种方法不需要对模型的参数进行大规模调整。而是通过精心设计的提示词来引导模型，使其能够识别和响应用户的意图。这种方法的优势在于其灵活性和快速适应性，能够在不改变模型参数的情况下，迅速适应新的任务或领域。 这两种方法各有优缺点：微调能够提供更高的准确性，但需要较多的训练数据和计算资源；而提示词调优则在创造性和灵活性方面表现更为突出。 在使用大型模型进行意图识别时，需要注意一些潜在的问题： 1. 由于意图识别在智能系统中扮演着守门人的角色，如果其准确性不足，整个系统的后续环节，包括记忆、规划和反思等，都可能受到影响，无法正常发挥作用。 2. 在落地设计时，意图识别通常与特定的业务场景紧密相关，如果脱离了具体的业务需求，意图识别将失去其实际意义。因此，在设计意图识别系统时，必须将其与业务需求紧密结合，确保其能够准确地理解和响应用户的需求。如果意图识别脱离了业务背景，那么可能不如利用模型的泛化能力去执行更基本的意图识别任务。 以下是一个使用 prompt 来设计意图识别的例子：在上述使用提示词进行意图识别的例子中，提示词对用户的指令进行了分类，以识别不同的意图。然后，根据这些识别出的意图，系统执行相应的动作。最终，系统会输出一个 JSON 格式的结果，这通常包含了对用户指令的解析和响应。 在未来的 AI 学习产品中，除了拥有大模型之外，还需要拥有其他的基础设施，包括但不仅限于具备学习任务规划能力的小参数规模模型、意图识别模型、多模态交互模型、搜索引擎、既有的知识库等等。

以下是一些生成示意图的好工具： 1. Creately： 简介：在线绘图和协作平台，利用 AI 功能简化图表创建过程，适合绘制流程图、组织图、思维导图等。 功能：智能绘图功能，可自动连接和排列图形；丰富的模板库和预定义形状；实时协作功能，适合团队使用。 官网：https://creately.com/ 2. Whimsical： 简介：专注于用户体验和快速绘图的工具，适合创建线框图、流程图、思维导图等。 功能：直观的用户界面，易于上手；支持拖放操作，快速绘制和修改图表；提供多种协作功能，适合团队工作。 官网：https://whimsical.com/ 3. Miro： 简介：在线白板平台，结合 AI 功能，适用于团队协作和各种示意图绘制，如思维导图、用户流程图等。 功能：无缝协作，支持远程团队实时编辑；丰富的图表模板和工具；支持与其他项目管理工具（如 Jira、Trello）集成。 官网：https://miro.com/ 4. Lucidchart： 简介：强大的在线图表制作工具，集成了 AI 功能，可以自动化绘制流程图、思维导图、网络拓扑图等多种示意图。 功能：拖放界面，易于使用；支持团队协作和实时编辑；丰富的模板库和自动布局功能。 官网：https://www.lucidchart.com/ 5. Microsoft Visio： 简介：专业的图表绘制工具，适用于复杂的流程图、组织结构图和网络图。其 AI 功能可以帮助自动化布局和优化图表设计。 功能：集成 Office 365，方便与其他 Office 应用程序协同工作；丰富的图表类型和模板；支持自动化和数据驱动的图表更新。 官网：https://www.microsoft.com/enus/microsoft365/visio/flowchartsoftware 6. Diagrams.net： 简介：免费且开源的在线图表绘制工具，适用于各种类型的示意图绘制。 功能：支持本地和云存储（如 Google Drive、Dropbox）；多种图形和模板，易于创建和分享图表；可与多种第三方工具集成。 官网：https://www.diagrams.net/ 使用 AI 绘制示意图的步骤： 1. 选择工具：根据具体需求选择合适的 AI 绘图工具。 2. 创建账户：注册并登录该平台。 3. 选择模板：利用平台提供的模板库，选择适合需求的模板。 4. 添加内容：根据需求，添加并编辑图形和文字。利用 AI 自动布局功能优化图表布局。 5. 协作和分享：如果需要团队协作，可以邀请团队成员一起编辑。完成后导出并分享图表。 示例：假设需要创建一个项目管理流程图，可以按照以下步骤使用 Lucidchart： 1. 注册并登录：https://www.lucidchart.com/ 2. 选择模板：在模板库中搜索“项目管理流程图”。 3. 编辑图表：根据项目需求添加和编辑图形和流程步骤。 4. 优化布局：利用 AI 自动布局功能，优化图表的外观。 5. 保存和分享：保存图表并与团队成员分享，或导出为 PDF、PNG 等格式。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

通过提示词实现意图识别通常有以下几种方式： 1. 准备特定于任务的数据集，对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。但此过程需要较多训练数据和计算资源。 2. 使用 Prompttuning 方法，通过精心设计的提示词来引导模型识别和响应用户意图。这种方法具有灵活性和快速适应性。 3. 对用户的指令通过提示词进行分类，以识别不同的意图，然后根据识别出的意图执行相应动作，最终输出 JSON 格式的结果。 4. 对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，匹配更准的信息源和更好的回复提示词。例如搜索“笔记本电脑”，提取出“shopping”意图，挂载相关电商平台信息源进行更小范围搜索，并加载匹配的提示词模板控制大模型回答内容。 5. 利用大模型提供的 Function Calling 能力进行意图识别。 但目前主流的实现方案，不管是成熟的大模型还是微调的小模型，准确度都不够高。

意图识别是根据输入的内容决定后续环节的一种方式，类似于 if/else 。从输出看，其 reason 通常为英文。它可以被理解为简化版的大语言模型节点，为更精准识别，可优化选项，若不行可换大语言模型节点。 在自然语言处理领域，意图识别虽已被广泛讨论，但随着大型模型兴起，尤其在用作智能体的 Brain 模块时，承担了主要工作任务。其本质是对用户输入指令的分类任务，在单一或多智能体系统中都至关重要。通过如 Siri、小爱同学等常见智能助手的例子可更直观理解。大型模型执行意图识别任务主要基于大量数据训练得到的模型，可通过微调适应特定领域需求。 在 AI 搜索中，意图识别的关键作用是对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，还包括多级子分类，但面临枚举无法穷尽的问题。对搜索意图分类可匹配更准的信息源和更好的回复提示词，很大程度提升检索召回率，保证搜索结果个性化。目前主流实现方案主要通过提示词请求大模型完成识别，但准确度不够高，大模型的 Function Calling 能力也可理解为一种意图识别。

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，可按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，能复制到 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。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望成为您学习 AI 路上的好助手。

以下是为您推荐的自学 AI 训练师的视频： 1. 3 月 26 日｜自由讨论｜离谱视频切磋大会 猫先生介绍自己的背景和擅长领域 AI 学习与实践的重要性 AI 交流会：分享项目经验和技能 讨论比赛规则和资源分配 AI 工具学习与合作 广州 AI 训练师叶轻衣分享使用 AI 工具的经验和想法 组队提升工作效率 AI 技术在 3D 动画制作中的应用与优势 链接：https://waytoagi.feishu.cn/minutes/obcnc915891t51l64uyonvp2?t=0 2. AI 大神 Karpathy 再发 LLM 入门介绍视频 神经网络训练的目标：训练神经网络的目标是让模型学习 token 在序列中彼此跟随的统计关系，即预测给定上下文（token 序列）后，下一个最有可能出现的 token。 Token 窗口：训练时，模型从数据集中随机抽取固定长度的 token 窗口（例如 8000 个 token）作为输入。 神经网络的输入与输出：输入为 Token 序列（上下文），输出为预测下一个 token 的概率分布，词汇表中每个 token 都有一个概率值。 随机初始化与迭代更新：神经网络初始参数是随机的，预测也是随机的。训练过程通过迭代更新参数，调整预测结果，使其与训练数据中的统计模式相匹配。 损失函数与优化：训练过程使用损失函数来衡量模型预测与真实 token 的差距。优化算法（如梯度下降）用于调整参数，最小化损失函数，提高预测准确率。 神经网络内部结构：Transformer 包含注意力机制和多层感知器等组件，能够有效地处理序列数据并捕捉 token 之间的复杂关系。 链接：无

如果您想自学成为 AI 训练师，以下是一些相关的知识和建议： 一、AI 训练的基本概念 训练是指通过大数据训练出一个复杂的神经网络模型。这需要使用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。训练过程需要较高的计算性能，能够处理海量的数据，并具有一定的通用性，以便完成各种各样的学习任务。 二、相关领域的知识 1. 机器学习：机器学习是人工智能的一个分支，是实现人工智能的途径之一，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。 2. 自然语言处理：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，是人工智能和语言学领域的分支学科。 三、学习资源和实践 您可以参考以下的一些资源和实践方式： 1. 参加相关的线上交流会，例如 3 月 26 日的自由讨论活动，其中会分享项目经验、技能以及使用 AI 工具的经验和想法。 2. 了解一些健身的 AI 产品，如 Keep（https://keep.com/）、Fiture（https://www.fiture.com/）、Fitness AI（https://www.fitnessai.com/）、Planfit（https://planfit.ai/）等，虽然这些主要是健身领域的应用，但也能帮助您了解 AI 在不同场景中的应用和创新。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

要将 AI 训练成自己的东西，可以参考以下方法： 1. 像马斯克提到的，对于公开的推文数据可以合理使用，但不能使用私人的东西进行训练。同时，要注重数据的质量和使用方式，高质量的数据对于训练效果至关重要。 2. 张梦飞的方法中，例如部署 LLama Factory 时，需要添加选中“identity”数据集，将训练轮数改成 15 等，并通过一系列操作进行训练和测试。但需要注意的是，训练大模型是复杂的过程，数据集和训练参数都会影响最终效果，需要反复调试和深入学习实践。 3. 在写作方面，我们可以根据自身需求选择人类驱动为主，利用 AI 进行修改完善，或者先由 AI 生成内容再进行修改以符合自己的风格。

训练一个 AI 可以类比为培养一位职场新人，主要包括以下三个阶段： 1. 规划阶段：明确目标 确定 AI 的具体任务，比如结构化外文精读等。 将任务拆解为可管理的子任务。 设计每个子任务的执行方法。 2. 实施阶段：实战指导 搭建工作流程。 为每个子任务设置清晰的操作指南。 像指导新员工一样，手把手引导 AI 完成任务，并及时验证其输出质量。 3. 优化阶段：持续改进 通过反复测试和调整，不断优化 AI 的性能。 调整工作流程和 Prompt 配置，直到 AI 能稳定输出高质量的结果。 当前大模型在处理多步骤复杂任务时存在明显局限，比如在“数据分析图表、剧情游戏”或“本文结构化外文精读”等任务中，仅依靠单一 Prompt 指令难以稳定执行，现阶段的 AI 更像缺乏独立解决问题能力的职场新人，需要遵循指引和给定的流程才能完成特定任务。如果您已经完全了解上述内容，不妨自己设定一个任务目标，动手构建一个专属于自己的 AI 。

以下是关于模型训练的基本名词和方法的介绍： 基本名词： 1. 过拟合&欠拟合：过拟合和欠拟合都是不好的现象，需要加以控制以让模型达到理想效果。解决方法包括调整训练集、正则化和训练参数等，过拟合可减少训练集素材量，欠拟合则增加训练集素材量。 2. 泛化性：泛化性不好的模型难以适应其他风格和多样的创作。可通过跑 lora 模型生图测试判断泛化性，解决办法与过拟合和欠拟合类似，从训练集、正则化、训练参数等方面调整。 3. 正则化：是解决过拟合和欠拟合情况、提高泛化性的手段，给模型加规则和约束，限制优化参数，有效防止过拟合，提高模型适应不同情况的表现和泛化性。 方法： 1. 全面充分采集训练素材：例如在角色训练素材中，应包含各种角度、表情、光线等情况的素材，确保模型具有较好泛化性。 2. 图像预处理：对训练素材进行分辨率调整、裁切操作，并对训练集进行打标签处理。 3. 参数调优：尽量将训练时长控制在半小时左右，过长易导致过拟合，通过调整参数控制时长。 4. 观察学习曲线：通过观察学习曲线来调整训练素材和参数。 5. 过拟合&欠拟合处理：测试训练好的模型，观察过拟合和欠拟合问题，进一步通过调整训练素材和正则化等手段优化。 此外，在模型训练中还需注意： 1. 数据集获取渠道：可通过网上收集、购买、使用无版权问题的如古画等，原则是根据生成图的需求找对应数据集，要清晰、主体元素干净、风格统一。 2. 数据集处理：包括基础处理如裁剪保证清晰和分辨率，更重要的是写标注。 3. 设置模型触发词：可自定义，完整形式可以是一句话，建议以王 flags 模型为主。 4. 统一标注风格与应用场景：例如未来高科技 3D 天然风格，用于互联网首页图像等，并概括主题内容、描述物体特征等。 5. 利用 GPT 辅助描述并人工审核：让 GPT 按要求描述，人工审核修改。 6. 模型训练的准备与流程：完成数据集描述后进入训练流程，选择模型训练分类和数据集，创建并上传数据集压缩包，注意数据名与图片命名一致。选择训练模式和参数，新手选用普通基础模式，训练集质量重要，训练参数中总步数与训练集图片数量相关，触发词设定要避免概念混乱。