Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

知识模型对个人有什么用

Answer

知识模型对个人具有以下作用：

  1. 扩展记忆与智力：OpenAI 的首席科学家伊尔亚·苏茨克维认为，高效压缩信息即得到知识，而 GPT-3 及 GPT-4 等模型虽通过预测下一个单词进行工作，但已包含世界信息且能持续提高能力。
  2. 构建个人知识库：虽然个人搭建本地知识库可能面临机器配置要求较高的问题，如运行大模型需要较高的硬件配置，如生成文字大模型的最低配置为 8G RAM + 4G VRAM，建议配置为 16G RAM + 8G VRAM，理想配置为 32G RAM + 24G VRAM（若要跑 GPT-3.5 差不多性能的大模型）；生成图片大模型的最低配置为 16G RAM + 4G VRAM，建议配置为 32G RAM + 12G VRAM；生成音频大模型的最低配置为 8G VRAM 等。但实操可以加深对大模型构建的知识库底层原理的了解。
  3. 形成外脑（ExoBrain）：利用软件工具和大语言模型相关技术扩展记忆和智力的新机制或系统，被称为外脑。语言模型是心智界面，如 ChatGPT 等，除用储备的知识库响应问题外，还能理解复杂文档、生成想法甚至驱动其他软件完成任务，如同心灵副驾，通过自然语言输入和输出实现快速理解、记忆唤起、想法连接和驱动外部软件自动工作。
Content generated by AI large model, please carefully verify (powered by aily)

References

构建外脑 / 智变时代的个人知识管理

OpenAI的首席科学家伊尔亚·苏茨克维（[Ilya Sutskever](https://en.wikipedia.org/wiki/Ilya_Sutskever?ref=indigox.me)）有一个信念：“如果你能够高效地压缩信息，你就已经得到了知识，不然你没法压缩信息”。所以你想高效压缩信息，你就一定得有一些知识，所以他坚信GPT-3以及最新的GPT-4已经有了一个世界模型在里面，虽然它们做的事情是预测下一个单词，但它已经表达了世界的信息，而且它能够持续地提高能力！

手把手教你本地部署大模型以及搭建个人知识库

所有人都会手把手教你部署XX大模型，听起来很诱人，因为不需要科学上网，不需要高昂的ChatGPT会员费用。但是在开启下面的教程之前，我希望你能有个概念：运行大模型需要很高的机器配置，个人玩家的大多数都负担不起所以：虽然你的本地可能可以搭建出一个知识库，但是它不一定能跑的起来下面我通过一组数据来让大家有个感性的认知。以下文字来源于视频号博主：黄益贺，非作者实操生成文字大模型最低配置：8G RAM+4G VRAM建议配置：16G RAM+8G VRAM理想配置：32G RAM+24G VRAM（如果要跑GPT-3.5差不多性能的大模型）生成图片大模型（比如跑SD）最低配置：16G RAM+4G VRAM建议配置：32G RAM+12G VRAM生成音频大模型最低配置：8G VRAM+建议配置：24G VRAM而最低配置我就不建议了，真的非常慢，这个我已经用我自己8G的Mac电脑替你们试过了。讲这个不是泼大家冷水，而是因为我的文章目标是要做到通俗易懂，不希望通过夸大的方式来吸引你的眼球。这是这篇文章的第二次修改，我专门加的这段。原因就是因为好多小伙伴看了文章之后兴致冲冲的去实验，结果发现电脑根本带不动。但是这并不妨碍我们去手把手实操一遍，因为实操可以加深我们对大模型构建的知识库底层原理的了解。如果你想要私滑的体验知识库，可以参考我的另一篇文章：[胎教级教程：万字长文带你使用Coze打造企业级知识库](https://waytoagi.feishu.cn/wiki/CT3UwDM8OiVmOOkohPbcV3JCndb)好了，废话不多说，下面教程还是值得亲自上手搞一遍的，相信走完一遍流程后，你会对知识库有更深的理解。

构建外脑 / 智变时代的个人知识管理

为了更好的表述这种在大脑之外，利用软件工具还有大语言模型相关的技术，来扩展我们记忆和智力的新机制或者系统，我将其称之为ExoBrain-外脑。后文都用中文外脑来表述ExoBrain。配图01：ExoBrain Concept语言模型是心智界面对话是最简洁的人机界面，ChatGPT的流行让真正的人机对话成为了可能，现在Google的[Bard](https://bard.google.com/?ref=indigox.me)，Anthropic的[Claude](https://claude.ai/?ref=indigox.me)还有inflection的[Pi.ai](https://pi.ai/?ref=indigox.me)都卷入了这场智能入口之争。这些语言模型除了可以用它们储备的全人类的知识库来响应我们的任何问题之外，还能够快速理解复杂的文档，生成想法甚至驱动其它的软件来自动化的完成任务，语言模型就是我们的心灵副驾（Mind Copilot），自然语言输入，自然语言输出。语言代表了人类的智能，当我们思考的时候实际上是在进行内心独白和基于语言的逻辑推理。同样，我们用和LLM之间的对话来实现快速理解，记忆唤起、想法连接和驱动外部软件自动完成工作，LLM就像一个智能引擎一样成为了我们和外脑之间的心智界面。容易唤醒的数字记忆

Others are asking
个人怎么在本地搭建AI大模型
个人在本地搭建 AI 大模型可以参考以下步骤： 1. 选择合适的部署方式：包括本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源：确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础：可以使用开源的预训练模型如 BERT、GPT 等，也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练：根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 5. 部署和调试模型：将训练好的模型部署到生产环境，并对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护：大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 如果想要对知识库进行更加灵活的掌控，可以使用 AnythingLLM 软件。其安装地址为：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步： 1. 第一步：选择大模型。 2. 第二步：选择文本嵌入模型。 3. 第三步：选择向量数据库。 在 AnythingLLM 中，有一个 Workspace 的概念，可以创建自己独有的 Workspace 跟其他的项目数据进行隔离。具体操作包括： 1. 首先创建一个工作空间。 2. 上传文档并且在工作空间中进行文本嵌入。 3. 选择对话模式，AnythingLLM 提供了两种对话模式：Chat 模式（大模型会根据自己的训练数据和上传的文档数据综合给出答案）和 Query 模式（大模型仅仅会依靠文档中的数据给出答案）。 4. 测试对话。 本文的思路来源于视频号博主黄益贺，按照他的视频进行实操，并附加了一些关于 RAG 的额外知识。读完本文，您将学习到如何使用 Ollama 一键部署本地大模型，通过搭建本地的聊天工具，了解 ChatGPT 的信息流转，RAG 的概念以及所用到的一些核心技术，如何通过 AnythingLLM 这款软件搭建完全本地化的数据库。
2025-01-17
如何搭建个人AI大模型
搭建个人 AI 大模型主要包括以下步骤： 1. 选择合适的部署方式： 本地环境部署。 云计算平台部署。 分布式部署。 模型压缩和量化。 公共云服务商部署。需根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源： 确保有足够的训练数据覆盖目标应用场景。 准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础： 可以使用开源的预训练模型如 BERT、GPT 等。 也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练： 根据具体应用场景对预训练模型进行微调训练。 优化模型结构和训练过程以提高性能。 5. 部署和调试模型： 将训练好的模型部署到生产环境。 对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护： 大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 此外，还有一种全程白嫖搭建拥有一个 AI 大模型的微信助手的方法： 1. 搭建，用于汇聚整合多种大模型接口，并了解如何白嫖大模型接口。 2. 搭建，这是一个知识库问答系统，将知识文件放入，并接入上面的大模型作为分析知识库的大脑，若不想接入微信，搭建到此即可，其本身有问答界面。 3. 搭建。 大模型的构建过程包括： 1. 收集海量数据：如同让孩子阅读大量书籍等，研究人员会收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。 2. 预处理数据：如同为孩子整理资料，研究人员需要清理和组织收集到的数据，如删除垃圾信息、纠正拼写错误、将文本分割成易于处理的片段。 3. 设计模型架构：如同为孩子设计学习计划，研究人员需要设计 AI 模型的“大脑”结构，通常是一个复杂的神经网络，如 Transformer 架构。 4. 训练模型：如同孩子开始阅读和学习，AI 模型开始“阅读”提供的数据，通过反复尝试预测句子中的下一个词等方式，逐渐学会理解和生成人类语言。
2025-01-17
Claude大模型背后是什么公司
Claude 大模型背后的公司是 Anthropic。Claude 系列在前段时间推出了 Claude3.5Sonnet 等模型，并且在代码生成等方面表现出色。同时，Anthropic 公司的 Claude 还具有较大的上下文窗口等特点。
2025-01-17
如何部署私有大语言模型？
部署私有大语言模型通常包括以下步骤： 1. 部署大语言模型： 下载并安装 Ollama：根据您的电脑系统，从 https://ollama.com/download 下载 Ollama。下载完成后，双击打开，点击“Install”。安装完成后，将下方地址复制进浏览器中。如果出现下方字样，表示安装完成：http://127.0.0.1:11434/。 下载模型：如 qwen2:0.5b 模型（0.5b 是为了方便测试，下载快，自己设备充足的话，可以下载更大的模型）。如果是 Windows 电脑，点击 win+R，输入 cmd，点击回车；如果是 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。复制相关命令行，粘贴进入，点击回车。等待下载完成。 2. 部署 Google Gemma： 进入 ollama.com，下载程序并安装（支持 windows，linux 和 macos）。 查找 cmd 进入命令提示符，输入 ollama v 检查版本，安装完成后版本应该显示 0.1.26，cls 清空屏幕。 直接输入 ollama run gemma 运行模型（默认是 2b），首次需要下载，需要等待一段时间，如果想用 7b，运行 ollama run gemma:7b 。完成以后就可以直接对话。 3. 关于 Ollama 的其他特点： 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同应用场景。 易于使用，适用于 macOS、Windows 和 Linux 系统，同时支持 cpu 和 gpu。 提供模型库，用户可从中下载不同模型，满足不同需求和硬件条件。模型库可通过 https://ollama.com/library 查找。 支持自定义模型，可修改模型的温度参数等。 提供 REST API，用于运行和管理模型，以及与其他应用程序的集成选项。 社区贡献丰富，包括多种集成插件和界面。 总的来说，Ollama 是一个方便用户在本地运行和管理大型语言模型的框架，具有良好的可扩展性和多样的使用场景。安装完之后，确保 ollama 后台服务已启动（在 mac 上启动 ollama 应用程序即可，在 linux 上可以通过 ollama serve 启动）。可以通过 ollama list 进行确认。
2025-01-17
是什么大模型
大模型通俗来讲，是输入大量语料，让计算机获得类似人类的“思考”能力，从而能够理解自然语言，并进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以用“上学参加工作”来类比： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在 LLM 中，Token 被视为模型处理和生成的文本单位，可代表单个字符、单词、子单词等。Token 会被数字化形成词汇表，便于计算机处理。为让计算机理解 Token 之间的联系，还需把 Token 表示成稠密矩阵向量，这个过程称为 embedding，常见算法有基于统计的 Word2Vec、GloVe，基于深度网络的 CNN、RNN/LSTM，基于神经网络的 BERT、Doc2Vec 等。以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。 大模型的“大”指用于表达 token 之间关系的参数多，主要是模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数。 从原理角度，传统机器学习是 p，但这个通用模型未经人工标注，什么都能学会。给出的 Prompt 其实就是 x，让大模型基于 x 知道概率最大的 y，避免人工标注，但依赖 x 给入的信息，更大概率找到合适的 y。比如给一张照片，输入这是一个动物，这是什么，大模型根据输入提取照片特征和提示，最终返回猫。
2025-01-17
可以改变视频人物说话内容 的模型
以下是一些可以改变视频人物说话内容的模型及相关信息： 解梦新出的 p 模型支持人物多动作和变焦，易改变画风；s 模型生成速度快、积分消耗少，能保持原始画风但语义理解有限。 吉梦的对口型技术支持文本朗诵和本地配音，能根据输入生成人物开口讲话的视频，但有上传人物长相等限制。 Runway 的 GN3 模型支持上传视频并转换风格，可用于实现多元宇宙等风格穿梭的片子，也能将简单场景转换为难以拍摄的场景。 在角色生视频方面： 角色生视频突破关键帧限制，不再依赖关键帧输入，而是直接传入角色本身，可更灵活生成视频。 支持多角色参考生成创意视频，可上传多张图，最多三张，将人物、衣服、背景等元素融合生成视频。 不同工具的角色生视频效果有所不同，如 Runway 的 x one 在身体、头部、眼神动态上表现更好。 角色生视频的应用场景包括规避机器人念台词的尴尬瞬间，让机器人有更丰富的表情和神态。未来视频生成将摆脱纯关键帧方式，采用多模态信息输入，如定义角色和场景的三视图等。 此外，谷歌 Gemini 模型在处理视频相关问题时，可通过修改提示来改变模型的行为。
2025-01-16
知识库目录
以下是知识库的目录内容： 1. 关于我们&致谢 我们是一个开源 AI 社区，坚信人工智能将重新塑造思考和学习方式，为创建知识库的决心提供动力。 特别感谢一路上支持和推荐知识库的伙伴们，使我们有信心持续探索 AGI 的无限可能。 WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，大家贡献并整合各种 AI 资源，方便不同水平的人学习和应用。 2. 元子：WayToAGI 知识库究竟咋用？ 知识库起飞指南 把知识库想象成 24 小时在线的 AI 老师、永不嫌烦的知识管家、不断成长的智慧宝库。 里面藏着 AI 工具的“傻瓜式说明书”、大神们的“踩坑经验分享”、实用的“一招制胜”秘籍。 新手探索指南：点击飞书链接（）。 知识库界面：左边的导航栏是指南针，上面的搜索框是探宝雷达，中间的内容区是知识的海洋。 3. 信鑫：基于大模型+知识库的 Code Review 实践 实现思路 官方文档知识库（内置） 避免大家将官方文档重复录入、embedding，CR Copilot 内置了官方文档，目录包含： React 官方文档： TypeScript 官方文档： Rspack 官方文档： Garfish： 公司内 Go/Python/Rust 等编程规范等，并通过一个简单的 CURD 来管理内置向量知识库。
2025-01-17
如何部署自己的知识库
以下是部署自己知识库的详细步骤： 一、了解 RAG 技术 因为利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用。在进行本地知识库的搭建实操之前，需要先对 RAG 有大概的了解。 RAG 是指检索增强生成（Retrieval Augmented Generation）。当需要依靠不包含在大模型训练集中的数据时，通过检索外部数据，然后在生成步骤中将这些数据传递给 LLM。一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载（Document Loading）：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器，包括 PDF 在内的非结构化的数据、SQL 在内的结构化的数据，以及 Python、Java 之类的代码等。 2. 文本分割（Splitting）：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储：涉及两个环节，分别是将切分好的文档块进行嵌入（Embedding）转换成向量的形式，以及将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 5. Output（输出）：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 二、通过 Open WebUI 使用大模型 1. 首先访问相关网址。打开页面时，使用任意邮箱注册账号。 2. 登陆成功后，Open WebUI 一般有两种使用方式，第一种是聊天对话，第二种是 RAG 能力，可让模型根据文档内容来回答问题，这种能力是构建知识库的基础之一。 三、本地知识库进阶 如果想要对知识库进行更加灵活的掌控，需要一个额外的软件：AnythingLLM。这个软件包含了所有 Open WebUI 的能力，并且额外支持了以下能力：选择文本嵌入模型、选择向量数据库。 安装地址：https://useanything.com/download 。安装完成后，会进入到其配置页面，主要分为三步： 1. 第一步：选择大模型。 2. 第二步：选择文本嵌入模型。 3. 第三步：选择向量数据库。 构建本地知识库： 1. 在 AnythingLLM 中有一个 Workspace 的概念，可以创建自己独有的 Workspace 跟其他的项目数据进行隔离。 2. 首先创建一个工作空间。 3. 上传文档并且在工作空间中进行文本嵌入。 4. 选择对话模式。AnythingLLM 提供了两种对话模式：Chat 模式，大模型会根据自己的训练数据和上传的文档数据综合给出答案；Query 模式，大模型仅仅会依靠文档中的数据给出答案。 5. 测试对话。当上述配置完成之后，就可以跟大模型进行对话了。 四、写在最后 “看十遍不如实操一遍，实操十遍不如分享一遍”。如果对 AI Agent 技术感兴趣，可以联系作者或者加其免费知识星球（备注 AGI 知识库）。
2025-01-17
ai 基础知识学习
以下是新手和中学生学习 AI 基础知识的方法和建议： 新手学习 AI ： 1. 了解 AI 基本概念：阅读「」，熟悉术语和基础概念，了解主要分支及联系。 2. 浏览入门文章：了解 AI 的历史、应用和发展趋势。 3. 开始学习之旅：在「」中找到初学者课程，推荐李宏毅老师的课程。也可通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习并获取证书。 4. 选择感兴趣模块深入：AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块，掌握提示词技巧。 5. 实践和尝试：理论学习后进行实践，巩固知识，尝试使用各种产品创作，分享实践成果。 6. 体验 AI 产品：与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式。 中学生学习 AI ： 1. 从编程语言入手：学习 Python、JavaScript 等编程语言，掌握编程语法、数据结构、算法等基础知识。 2. 尝试使用工具和平台：使用 ChatGPT、Midjourney 等生成工具，探索百度“文心智能体平台”、Coze 智能体平台等面向中学生的教育平台。 3. 学习基础知识：了解 AI 基本概念、发展历程、主要技术及在各领域的应用案例。 4. 参与实践项目：参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动，尝试用 AI 技术解决实际问题，培养动手能力。 5. 关注前沿动态：关注权威媒体和学者，了解最新进展，思考 AI 对未来社会的影响。 对于希望继续精进的学习者，还可以尝试了解以下 AI 基础内容： 1. AI 背景知识：包括基础理论、历史发展。 2. 数学基础：统计学基础（如均值、中位数、方差）、线性代数（向量、矩阵）、概率论（条件概率、贝叶斯定理）。 3. 算法和模型：监督学习（线性回归、决策树、支持向量机）、无监督学习（聚类、降维）、强化学习。 4. 评估和调优：性能评估（交叉验证、精确度、召回率）、模型调优（网格搜索）。 5. 神经网络基础：网络结构（前馈网络、卷积神经网络、循环神经网络）、激活函数（ReLU、Sigmoid、Tanh）。
2025-01-16
如果想购建一个自己的知识库，最好的方案是什么？
要构建自己的知识库，以下是一些可行的方案： 1. 基于 GPT API 打造： 给 GPT 输入定制化知识，但需注意 GPT3.5（免费版 ChatGPT）一次交互的 Token 限制。 OpenAI 提供了 embedding API 解决方案，embeddings 是浮点数字的向量，向量间距离衡量关联性，小距离表示高关联度。 可将大文本拆分成小文本块，转换为 embeddings 向量并保存，用户提问时将问题转换为向量与储存库比对，提取关联度高的文本块与问题组合成新 prompt 发送给 GPT API。 2. 本地部署大模型及搭建： 访问特定网址，使用邮箱注册账号。 Open WebUI 一般有聊天对话和 RAG 能力（让模型根据文档内容回答问题）两种使用方式，RAG 能力是构建知识库的基础之一。 若要求不高，已可实现本地大模型通过 Web UI 对话功能。但 ChatGPT 访问速度快、回答效果好，原因在于服务器配置高、训练参数多、数据更优及训练算法更好。若想更灵活掌握知识库，可进一步操作。
2025-01-16
个人知识库与大模型如何结合
个人知识库与大模型的结合是一个关键问题。目前大模型在通用知识方面表现出色，但对专业领域知识了解有限。将两者结合有以下 5 种方法： 1. 重新训练：使用私域数据重新训练大模型。 2. 微调：利用私有数据对大模型进行 finetuning。 3. RAG：将知识库里的知识搜索送进大模型。 4. 关键词工程：写好提示词。 5. 加长 Context：当 Context 能无限长时，理论上可将个人知识和记忆都 prefill 到 Context 里。 对于哪种方法最有希望，学术界存在分歧。做深度学习的人偏向于用 RAG，而以前做过搜索的人则偏向于用 Long Context。有人认为最终会采用仿生的方法，即拥有一个足够长的 Context，例如谷歌的一篇论文 infinite context transform 提到，不需要把 Context 做得太长，可以将以前可能需要被扔掉的 token 深度压缩后依然保存在 Context 里。 此外，运行一个几百亿个参数的大模型，存算一体的架构是最佳选择，因为能避免所有数据的搬运。使用存算一体的方式也是未来 AI 硬件的发展趋势。
2025-01-16
如何用一个摄像头记录卷子，通过AI来识别做作业过程中的知识点理解偏差，给出改正措施并记录到错题本
目前暂时没有关于如何用一个摄像头记录卷子，并通过 AI 来识别做作业过程中的知识点理解偏差、给出改正措施并记录到错题本的相关内容。但从理论上讲，要实现这个目标，大致需要以下步骤： 首先，需要通过摄像头获取清晰的卷子图像。这可能需要合适的摄像头位置和光线条件，以确保图像质量。 其次，利用图像识别技术对卷子内容进行识别和分析。这需要训练有素的 AI 模型，能够准确识别题目、答案和书写内容。 然后，通过与预设的知识点和正确答案进行对比，判断知识点的理解偏差。 最后，根据偏差情况，利用相关的教育算法和知识储备，给出改正措施，并将相关内容记录到错题本中。 但要实现这一整套流程，还面临着许多技术挑战和实际操作的困难，例如图像识别的准确性、知识点的精准分析等。
2025-01-16
现在给我外网，免费的ai视频生成网址的url具体到我该如何使用，别和一个人工智障一样
很抱歉，目前没有免费的外网 AI 视频生成网址可供提供。通常这类工具可能存在版权、使用限制以及安全性等问题。建议您关注一些国内正规且合法的相关平台和工具。
2025-01-16
我要做讲书的自媒体，个人不出镜，书的内容讲解与AI视频完美衔接，应该用什么工具，做到完美结合
如果您想做讲书的自媒体，个人不出镜，让书的内容讲解与 AI 视频完美衔接，可以参考以下工具和流程： 工具： 1. Stable Diffusion（SD）：一种 AI 图像生成模型，可基于文本描述生成图像。 网址：https://github.com/StabilityAI 2. Midjourney（MJ）：适用于创建小说中的场景和角色图像的 AI 图像生成工具。 网址：https://www.midjourney.com 3. Adobe Firefly：Adobe 的 AI 创意工具，能生成图像和设计模板。 网址：https://www.adobe.com/products/firefly.html 4. Pika AI：文本生成视频的 AI 工具，适合动画制作。 网址：https://pika.art/waitlist 5. Clipfly：一站式 AI 视频生成和剪辑平台。 网址：https://www.aihub.cn/tools/video/clipfly/ 6. VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。 网址：https://www.veed.io/zhCN/tools/aivideo 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：https://tiger.easyartx.com/landing 8. 故事 AI 绘图：小说转视频的 AI 工具。 网址：https://www.aihub.cn/tools/video/gushiai/ 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。 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。
2025-01-16
搭建个人知识库
搭建个人知识库主要包括以下内容： 1. 了解 RAG 技术： 利用大模型的能力搭建知识库是 RAG 技术的应用。 大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，可通过检索增强生成 RAG 实现。 RAG 应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种来源加载文档，LangChain 提供 100 多种文档加载器，包括非结构化、结构化数据和代码等。 文本分割：把文档切分为指定大小的块。 存储：包括将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：把问题及检索出来的嵌入片提交给 LLM 生成答案。 2. 基于 GPT API 搭建： 涉及给 GPT 输入定制化知识，但 GPT3.5 一次交互容量有限，可使用 OpenAI 的 embedding API 解决方案。 embeddings 是浮点数字的向量，向量之间的距离衡量关联性，小距离表示高关联度。 3. 本地知识库进阶： 若要更灵活掌控，需额外软件 AnythingLLM，其包含 Open WebUI 能力，并支持选择文本嵌入模型和向量数据库。 安装地址：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。 AnythingLLM 中有 Workspace 概念，可创建独有 Workspace 与其他项目数据隔离。 构建本地知识库包括创建工作空间、上传文档并嵌入、选择对话模式（Chat 模式综合给出答案，Query 模式仅依靠文档数据给出答案）、测试对话。 最后，“看十遍不如实操一遍，实操十遍不如分享一遍”。如果对 AI Agent 技术感兴趣，可联系或加入免费知识星球（备注 AGI 知识库）。
2025-01-15