初学者如何使用AI学习AI知识

个人微信接入 AI 存在一定风险和合规问题。微信端的这种接入属于非常规使用，可能会有封号危险，不建议使用主力微信号接入。 在操作过程中，需要注意以下几点： 1. 接入大模型 API 实现时需要单独付费。 2. 对大模型生成的内容要注意甄别，确保所有操作均符合相关法律法规的要求。 3. 禁止将此操作用于任何非法目的。 4. 处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 此外，关于将 AI 接入微信的实现步骤，可参考以下内容： 1. 注册 AI 模型： 进入智普 AI：https://open.bigmodel.cn/ 。 点击开始使用，注册登录。 按照要求进行认证，点击控制台，查看 API key，添加新的 API key 并复制保存。 2. 注册云服务器： 新用户点击去注册腾讯云： 。 微信扫码注册，首次注册选择第一个。 选择地域和镜像（宝塔 8.1.0），点击立即试用。 进入腾讯云服务台，登录（可微信扫码登录）。 复制 sudo/etc/init.d/bt default 并粘贴回车，保存输出内容。 返回服务器控制台，在防火墙菜单栏添加规则，手动输入相关内容并确定。

以下是关于 AI 写作的相关内容： 一、如何用 AI 写出比人更好的文字 作者陈财猫从自身经历出发，分享了以下观点： 1. AI+内容创作是现阶段最好的赛道：基于对大模型发展现状的观察和对“开车”“写作”两类任务的对比，认为该赛道有完美的产品模型匹配和产品市场匹配，且天花板高。 2. AI 写作的实践成果：业务包含营销和小说、短剧创作，开发了智能营销矩阵平台，参与喜马拉雅短故事和短剧写作课程，捣鼓出小财鼠程序版 agent。 3. 定义好文字：好文字能引起人的生理共鸣与情绪，AI 因预训练数据量大能学会引发共鸣，从而写出好文字。 4. 用 AI 写出好文字的方法：选好模型，评估模型的文风和语言能力、是否有过度道德说教与正面描述趋势、in context learning 能力和遵循复杂指令的能力；克服平庸，平衡“控制”与“松绑”；显式归纳想要的文本特征，通过 prompt 中的描述与词语映射到预训练数据中的特定类型文本，往 prompt 里塞例子。 5. 对 AI 创作的看法：AI 创作的内容有灵魂，只要读者有灵魂，文本就有灵魂；有人讨厌 AI 是因其未改变多数人生活，或自身是受害者。作者期望 AI 能力进一步提升，改变每个人的生活。 二、AI 写作变现指南 1. 项目启动： 确定目标客户群体，如大学生、职场人士、自媒体从业者等。 选择合适的 AI 写作工具，以满足不同客户的需求。 2. 准备阶段： 学习并实践 AI 写作技术，通过书籍、在线课程等资源提升写作技能。 构建团队，培养和扩充团队成员，以提高运营效率。 3. 商业模式构建： 确定服务内容，如提供论文、报告、文案等直接写作服务。 制定质量控制标准，确保写作内容满足客户要求。 4. 运营与推广： 在淘宝等电商平台上开设店铺，展示并销售写作服务。 建立写作培训社群，分享写作技巧和 AI 应用经验，提升品牌影响力。 通过社交媒体和线下活动进行品牌和社群建设。 与绘画团队、其他写作工作室等合作，共同开发新项目。 5. 项目优化与发展： 持续关注 AI 技术进展，提升服务质量和效率。 根据市场需求，拓展新的服务和产品。 收集客户反馈，不断优化和改进服务。 三、内容仿写 AI 工具 以下是几款中文的内容仿写 AI 工具： 1. 秘塔写作猫：https://xiezuocat.com/ 写作猫是 AI 写作伴侣，帮你推敲用语、斟酌文法、改写文风，还能实时同步翻译。支持全文改写，一键修改，实时纠错的同时一并给出修改建议，智能分析文章的各类属性，用人工智能为你的文章正负情感、情绪强度和易读性打分。 2. 笔灵 AI 写作：https://ibiling.cn/ 笔灵 AI 写作是得力的智能写作助手，心得体会、公文写作、演讲稿、小说、论文十八般武艺样样精通，算是一本适合打工人和学生党的武林秘籍啦！支持一键改写/续写/扩写，智能锤炼打磨文字，使之更加符合你的需求，让创作更上一层楼。 3. 腾讯 Effidit 写作：https://effidit.qq.com/ 智能创作助手 Effidit（Efficient and Intelligent Editing）是由腾讯 AI Lab 开发的一个创作助手，探索用 AI 技术提升写作者的写作效率和创作体验。 更多 AI 写作类工具可以查看这里：https://www.waytoagi.com/sites/category/2 （内容由 AI 大模型生成，请仔细甄别。）

以下是关于如何通过与 AI 的对话获取高质量信息以及相关书籍和文章推荐的内容： 在与 AI 对话获取高质量信息方面： 作为普通用户，语言在大模型中不是关键，核心是向量空间中的游走脉络，输出时的语言翻译是次要的，且训练语料的中英文差异在于 embedding 环节。 通过合适的模型、prompt 和 test 入口表达，用大模型公式调试出好效果以替代垂类模型，但微调垂类模型可能使大模型泛化能力下降，需分场景看待。 写提示词未挖掘出大模型的天花板，还有提升空间。 相关书籍和文章推荐： 从数学、作家、代码、原理角度写大模型的四本书。 介绍 GPT 运作原理、Transformer 模型、扩散模型等的文章。 关于 AI 知识库及学习路径的介绍中提到的经典必读文章，如软件 2.0 时代相关内容。 初学者入门推荐看 open AI 的官方 Cookbook，小琪姐做了中文精读翻译，也可查看 cloud 的相关内容。 获取信息的渠道： 可以关注赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等，订阅获取最新信息并投稿。 可通过“通往 AGI 之路”知识库获取相关内容，该知识库涵盖了 AI 多方面知识及社区共创项目，如人工智能简史、AI 会话简史等，还有 10 篇精选文章助于理解 AI。 您还可以通过参加社区共创项目，如 AIPU、CONFIUI 生态大会，每月的切磋大会等活动，以及新活动 AIPO，与他人交流获取更多信息。同时，鼓励整理学习笔记并分享交流，以促进对知识的吸收和理解。

李继刚的提示词使用方法如下： 从最佳实践中的收录内容开始学习，其结构化提示词能让模型给出更优质、完整的答案。 操作时可点开并复制相关提示词，将复制内容丢进大语言模型对话，会有不同效果。 近期提示词有升级，李继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。 输入特定提示词可生成卡片，小创业项目可利用并改变提示词形成独到见解或小应用。 李继刚老师会在 13 号讲创作思路。 从工程视角看，一个提示词就能用于写游戏，如现在的 AI 编程（如 CURSOR）能做出开源小游戏，可拿来使用、交流并研究内容、优化改造。

以下是一些常见 AI 的优势： Notion AI（免费可用）：可在笔记和文档中直接接入 AI 能力，能让工作更迅速，写作更出色，思考更伟大。 Guidde AI（免费可用）：作为生成式 AI 平台，使团队能够以 11 倍的速度传递专业知识，与客户或员工共享。 Arc Max：能在任何网页寻求 AI 辅助，具备智能标签页、下载重命名、集成 ChatGPT 等功能，可优化浏览体验，是一个节省时间的 AI 功能套件。 Trickle（免费可用）：可以帮助总结和整理截图，提取洞察以便于搜索和查询，将视觉混乱的图片转化为智能档案，允许用户截取任何内容，并在以后轻松地检索和使用其内容。 此外，像 GPT4 功能全面，还具备代码解释器等特色功能；Claude 在写作和深度洞察方面备受好评；Gemini 则擅长提供清晰的解释。Claude 3 的上下文窗口超过 150,000 字，而 GPT4 的上下文窗口能够处理 8,000 至 32,000 字的内容。 在科学领域，AI 也展现出诸多优势，例如： 计算机视觉模型可用于拼凑出 5500 万光年外的首个黑洞图像。 英国的一家 AI 公司训练的神经网络能预测蛋白质结构，解决了长期困扰科学家的难题，并推进了结构生物学领域的发展。 深度学习 AI 有望改善乳腺癌筛查，提高检测效率。 AI 机器人能提高农业生产效率。

以下是一些可以帮助您构建技术中心知识库的 AI 工具及相关步骤： Dify 1. 准备数据：收集需要纳入知识库的文本数据，包括文档、表格等格式，并对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集：在 Dify 中创建新的数据集，上传准备好的文档，并为数据集编写清晰的描述，说明其包含的内容和特点。 3. 配置索引方式：Dify 提供了高质量模式、经济模式和 Q&A 分段模式三种索引方式，您可根据实际需求选择，如追求更高准确度可选高质量模式。 4. 集成至应用：将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。在应用设置中，配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化：收集用户反馈，对知识库内容和索引方式进行持续优化和迭代，定期更新知识库，增加新内容以保持时效性。 其他相关场景和应用 1. 提示词帮您规划 PARA 分类模式：PARA 代表项目（Projects）、领域（Areas）、资源（Resources）和档案（Archives）。AI 可通过分析您的工作模式和内容类型，自动生成提示词，帮助您将信息和知识分类到 PARA 的相应部分，简化分类过程，更快组织和检索信息。 2. 提示词帮您设计笔记标签系统：AI 能通过分析您的笔记内容和使用习惯，推荐合适的标签和标签结构，提高笔记管理和检索效率。 3. 知识助手 Bot 帮您渐进式积累领域知识：例如基于 dify.ai 将数百个思维模型整合成一个知识库，根据不同的对话和条件判断为用户选择适用的思维模型分析工具，封装成一个智能分析的 Bot，能根据您的学习进度和兴趣点，定期推送相关文章、论文和资源，持续扩展知识边界并确保知识及时更新。

以下是为初学者提供的 Coze 智能体相关教程： 1. 可能是全网最好的 Coze 教程之一，能一次性带您入门 Coze 工作流。即使是非技术出身的爱好者也能上手跟学，一站式学会 AI Agent 从设计到落地的全流程方法论。 阅读指南：长文预警，请视情况收藏保存。 核心看点：通过实际案例逐步演示，用 Coze 工作流构建一个能够稳定按照模板要求，生成结构化内容的 AI Agent；开源 AI Agent 的设计到落地的全过程思路；10+项常用的 Coze 工作流的配置细节、常见问题与解决方法。 适合人群：任何玩过 AI 对话产品的一般用户（如果没用过，可以先找个国内大模型耍耍）；希望深入学习 AI 应用开发平台（如 Coze、Dify），对 AI Agent 工作流配置感兴趣的爱好者。 注：本文不单独讲解案例所涉及 Prompt 的撰写方法。文末「拓展阅读」中，附有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容，以供前置或拓展学习。 2. 90 分钟从 0 开始打造您的第一个 Coze 应用： 智能纪要： 智能章节： 页面布局的常见方式与实际操作讲解：本章节主要介绍页面布局。先讲解常见的左右、上下布局及嵌套方法，演示如何设置容器实现左右布局、调整大小分割等，强调外层高度设置的重要性。接着说明溢出处理方式及内边距影响，建议初学者用固定宽高布局。最后介绍换行布局及元素分布设置，用于图片排版。 讲解证件照应用搭建过程及布局设置：本章节介绍证件照应用搭建。会魔法的大人让大家创建应用、清理页面，先设置第一个 div 容器方便后续操作。提到要 1:1 复刻其应用，讲解证件照基础界面为上下布局，分标题、示例、操作展示三块，需拖三个容器，因排列方向问题可能只看到两个，还提到顶部高度大概 100。 证件照应用的用户界面搭建与业务逻辑构建讲解：本章节主要讲解证件照应用的搭建。先介绍用户界面搭建，包括各部分尺寸、布局、组件设置，如文本、图片、表单等；后阐述业务逻辑搭建，创建工作流，添加图片理解、图像生成、智能换脸等插件，设置参数、提示词，并进行测试，还告知文档地址在社区智能体 1.3 共学里。

对于 AI 初学者，以下是一些可以学习的课程： 1. 特定的机器学习云框架： 例如。 相关课程如《》。 2. 对话式人工智能和聊天机器人： 单独课程《了解更多详情。 3. 深度学习背后的深层数学（Deep Mathematics）： 推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《深度学习》（Deep Learning）一书，该书可在 https://www.deeplearningbook.org/ 上获取。 4. 人工智能的商业应用案例： 如《》（和欧洲工商管理学院 INSEAD 共同开发）。 5. 经典机器学习： 可参考《》。 6. 使用 Azure 认知服务（Azure Cognitive Services）来创建实用的人工智能应用： 如《》等。 此外，还可以： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，了解其主要分支及联系。 浏览入门文章，了解 AI 的历史、应用和发展趋势。 2. 开始 AI 学习之旅： 在「」中找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习，有机会获得证书。 3. 选择感兴趣的模块深入学习： 根据自身兴趣选择特定模块，如图像、音乐、视频等。 掌握提示词技巧。 4. 实践和尝试： 实践巩固知识，尝试使用各种产品创作作品。 在知识库分享实践成果。 5. 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。

对于初学者学习 AI，建议您采取以下步骤： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您将找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 6. 持续学习和跟进： AI 是一个快速发展的领域，新的研究成果和技术不断涌现。关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得自己的成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

对于 AI 初学者，以下是一些学习的起点和资源推荐： 1. 学习 SD 提示词：可从官方资料入手掌握基本概念，通过大量实践培养敏锐度，追求创新性并挖掘新维度，持续学习、实践和总结反馈。 2. 课程资源： 微软的 AI 初学者课程： AI for every one（吴恩达教程）： 大语言模型原理介绍视频（李宏毅）： 谷歌生成式 AI 课程： ChatGPT 入门： 3. 小七姐的 Prompt 喂饭级系列教程：可以在关注她。对于初学者，建议至少先真正理解以下几个问题： GPT 说人话的能力是怎么来的 “涌现”的产生 prompt 的概念和意义 为什么现阶段我们不得不用 prompt 推荐两个课外阅读：B站 UP Yjango（于建国博士）很早前发布的相关视频。

对于 AI 初学者，以下是一些选择学习方向和材料的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您可以找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 如果您偏向技术研究方向，需要学习的内容包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，需要学习的内容包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。

对于 AI 初学者，以下是一些学习建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支如机器学习、深度学习、自然语言处理等以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人进行互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 此外，还可以参考微软为期 12 周、共 24 课时的课程，课程原网址 https://microsoft.github.io/AIForBeginners/ 。在课程中，将深入学习符号人工智能、神经网络、计算机视觉、自然语言处理等内容。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

对于想学习 AI 的小白，以下是一些推荐和需要注意的方面，以及技术学习路线： 一、基础知识 1. 了解 AI 基本概念 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 数学基础 学习线性代数、概率论、优化理论等。 3. 编程基础 掌握 Python、C++等编程语言。 二、学习路径 1. 偏向技术研究方向 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 2. 偏向应用方向 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 三、深入学习和实践 1. 选择感兴趣的模块深入学习 AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 2. 实践和尝试 理论学习之后，通过实践巩固知识，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 3. 体验 AI 产品 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是为您规划的图书内容和重点参考资料： 一、图书内容规划 1. 引言 介绍 AI 时代的背景和企业面临的挑战与机遇。 阐述 DeepSeek 在塑造企业竞争力方面的重要性。 2. DeepSeek 的技术创新 详细介绍 DeepSeek 最新模型 V3 与 R1 的架构创新，如混合专家（MoE）架构、多头潜注意力（MLA）等。 解释其如何提升计算效率和推理能力，打破算力壁垒。 3. 多领域的应用案例 字节跳动的新技术 OmniHuman 在视频生成方面的突破。 Coinbase 全面推动 AI 应用的实践，如在欺诈预防和客户支持等领域的应用。 4. 对企业管理的影响 探讨善于沟通上下文、明晰 AI 能力边界、合理授权并监督等管理经验如何提升 AI 协作效率。 5. 行业趋势与挑战 分析 AI 基础大模型参数量的变化趋势。 讨论初级程序员面临的职业挑战以及编程领域的颠覆性变化。 6. 未来展望 预测 DeepSeek 及相关技术在未来的发展方向和可能的创新。 二、重点参考资料 1. 《》 2. 《》 3. 《》 4. 《》 5. 《》 6. 《[零基础掌握 Deepseek》》 7. 日报 8. 日报

以下是本地部署 Deep Seek 后搭建个人知识库的详细步骤： 1. 在 RAGFlow 中配置 Deep Seek 模型 返回 RAGFlow ，打开右上角设置，进入模型提供商界面。 配置本地部署的 Deep Seek 模型，选择 Ollama ，并根据运行的模型配置相关信息。 设置基础 URL 。 点击确定。 2. 导入嵌入模型 导入一个用于文本向量化的嵌入模型。 3. 设置系统模型设置 4. 创建知识库 返回知识库，进入数据集，导入文件或设置文件夹当作知识库。 5. 文件解析 对导入的文件进行解析，解析速度取决于本机 GPU 性能（显卡性能），越好的显卡解析越快。 6. 检索测试 解析完成后，进行检索测试。 7. 进入聊天界面 测试没问题后，可进入聊天界面，助理设置可自行进行。 此外，如果想要对知识库进行更灵活的掌控，可以使用 AnythingLLM 软件，步骤如下： 1. 安装 AnythingLLM ，安装地址：https://useanything.com/download 。 2. 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。 3. 构建本地知识库 在 AnythingLLM 中创建独有的 Workspace 与其他项目数据隔离。 上传文档并在工作空间中进行文本嵌入。 选择对话模式，包括 Chat 模式（大模型根据训练数据和上传的文档数据综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案）。 4. 测试对话 完成上述配置后，即可与大模型进行对话。 在进行本地知识库搭建实操之前，还需要对 RAG 有大概的了解： RAG 是一种检索增强生成技术，应用过程包括文档加载、文本分割、存储（包括将文档块嵌入转换成向量形式并存储到向量数据库）、检索、输出（把问题以及检索出来的嵌入片一起提交给 LLM 生成答案）。文本加载器用于将用户提供的文本加载到内存中以便后续处理。

以下是本地部署 ollama + deep seek 后有效搭建机械领域知识库或微调为机械领域的步骤： 1. 下载 Ollama 程序：官方网址为 https://ollama.com/ 。默认下载到 C 盘，若想修改安装目录到 D 盘，后续会有相关说明。下载完成后，右下角会出现 Ollama 的图标，打开命令行输入相应命令回车。根据自身独立显卡性能选择模型，如英伟达 2060Super 可选择 Deepseekr1:14b 的模型。若下载速度慢，可按 Ctrl+C 强制退出重新下载。下载完毕后，再下载一个嵌入模型，Ollama 的 bge 模型官方网址：https://ollama.com/library/bgem3 ，输入相应命令，下载好后直接退出终端。 2. 配置模型：返回 RAGFlow 中，打开右上角设置，进入模型提供商进行配置。选择 Ollama，并配置相关信息，基础 URL 按要求设置，设置完成后点击确定。 3. 导入嵌入模型：导入一个嵌入模型用于文本向量化。 4. 设置系统模型：完成相关设置。 5. 创建知识库：返回知识库，进入数据集，可导入文件或设置文件夹当作知识库，自行设置。导入完毕后，对文件进行解析，解析速度取决于本机 GPU 性能，越好的显卡解析越快。解析完成后，进行检索测试，测试没问题即可进入聊天界面，助理设置可自行设置。

以下是在 Kimi 创建个人知识库的相关信息： 使用 GPT 打造个人知识库： 由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。 将文本拆分成小文本块（chunk），通过 embeddings API 转换成 embeddings 向量并保存。 当用户提问时，将问题也转换成向量，与向量储存库中的向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API。 理解 embeddings： embeddings 是浮点数字的向量，两个向量之间的距离衡量关联性，小距离表示高关联度。 向量是用一串数字表示的量，在计算机科学中常用列表表示。 常见的向量距离计算方式是欧几里得距离。 使用 Coze 创建个人知识库： 来到个人空间，找到知识库导航栏，点击创建知识库。 知识库是共享资源，多个 Bot 可以引用同一个知识库。 选择知识库的格式（目前支持文档、表格、图片）并填写信息。 可选择本地文档或问答对表格，还能进行自定义的文档切割。 数据处理完成后，一个问答对会被切割成一个文档片。 关于使用知识库，可参考教程：

以下是新手学习 AI 的方法： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 6. 持续学习和跟进： AI 是一个快速发展的领域，新的研究成果和技术不断涌现。关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始学习，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 可以参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，中学生可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能，为未来的 AI 发展做好准备。

很抱歉，目前没有关于基于深度学习的草莓目标识别毕设的具体内容。但我可以为您提供一个大致的指导框架： 首先，您需要收集大量包含草莓的图像数据，并对这些数据进行标注，例如标记出草莓的位置和类别。 然后，选择适合的深度学习模型，如卷积神经网络（CNN），可以考虑使用经典的模型架构如 VGG、ResNet 等，或者根据您的需求进行适当的修改和优化。 在训练模型时，要注意设置合适的超参数，如学习率、迭代次数等，并使用合适的优化算法，如随机梯度下降（SGD）、Adagrad 等。 在模型训练完成后，进行评估和验证，可以使用准确率、召回率、F1 值等指标来衡量模型的性能。 最后，对模型进行优化和改进，以提高识别效果。 希望以上框架对您有所帮助，祝您顺利完成毕业设计！

对于您的“基于深度学习的草莓目标识别系统”毕业设计，以下是一些制作的步骤和可能用到的 AI 工具： 制作步骤： 1. 数据收集：收集大量包含草莓的图像数据，并对其进行标注，例如标记出草莓的位置和类别。 2. 数据预处理：对收集到的数据进行清洗、增强、裁剪等操作，以提高数据质量和模型的泛化能力。 3. 选择模型架构：可以考虑使用常见的深度学习目标检测模型，如 Faster RCNN、YOLO 等。 4. 训练模型：使用预处理后的数据对选择的模型进行训练。 5. 模型评估：使用测试集对训练好的模型进行评估，如准确率、召回率等指标。 6. 模型优化：根据评估结果对模型进行调整和优化，例如调整超参数、增加数据量、使用更复杂的模型等。 可能用到的 AI 工具： 1. TensorFlow：一个广泛使用的深度学习框架，提供了丰富的模型构建和训练工具。 2. PyTorch：另一个流行的深度学习框架，具有灵活的编程接口和强大的计算能力。 3. OpenCV：用于图像处理和数据预处理。 4. LabelImg：用于图像数据的标注。 希望以上内容对您有所帮助，祝您毕业设计顺利！

以下为您推荐一些 Coze 学习教程： 1. 胎教级教程：万字长文带你理解 RAG 全流程 其中九、用 Coze 学习 RAG 部分提到，新知识学习可采用 Claude + Coze 的方法。Claude 是目前最强的 AI 大模型，Coze 是一款 AI Agent 的衍生产品，其最大价值在于跟进 AI Agent 工具发展情况、发现商业化机会以及做产品 Demo。还不知道 Coze 是什么的同学可以看公开分享：。在学习 RAG 过程中，可先通过 Claude 了解细节概念，再通过 Coze 搭建 Demo，且创建了产品资料问答机器人等 4 个 Bot，相关资料请参考上述公开分享。 2. 一泽 Eze:万字实践教程，全面入门 Coze 工作流｜用 Coze 打造 AI 精读专家智能体，复刻 10 万粉公众号的创作生产力 可能是全网最好的 Coze 教程之一，即使是非技术出身的爱好者也能上手跟学，一站式学会 AI Agent 从设计到落地的全流程方法论。核心看点包括通过实际案例逐步演示用 Coze 工作流构建生成结构化内容的 AI Agent、开源 AI Agent 的设计到落地的全过程思路、10+项常用的 Coze 工作流的配置细节、常见问题与解决方法。适合玩过 AI 对话产品的一般用户以及对 AI 应用开发平台（如 Coze、Dify）和 AI Agent 工作流配置感兴趣的爱好者。注：本文不单独讲解案例所涉及 Prompt 的撰写方法。文末「拓展阅读」中，附有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容，以供前置或拓展学习。

以下是关于系统学习 AI 的建议： 对于中学生： 1. 从编程语言入手：可以选择 Python、JavaScript 等编程语言，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习筑牢根基。 2. 尝试使用 AI 工具和平台：体验如 ChatGPT、Midjourney 等生成工具，探索面向中学生的教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识：了解 AI 的基本概念、发展历程，熟悉主要技术如机器学习、深度学习等，学习其在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目：参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动，尝试运用 AI 技术解决实际问题，锻炼动手能力。 5. 关注 AI 发展的前沿动态：关注权威媒体和学者，思考 AI 技术对未来社会的影响，培养思考和判断能力。 对于一般学习者： 1. 系统性学习：避免碎片化输入，通过看书、听课等方式，了解 AI 的底层原理和发展历程，打好基础。 2. 加入相关社区：如“通往 AGI 之路”等开源知识库，参考新手指引，获取成体系的学习资源。 总之，系统学习 AI 可以从编程基础、工具体验、知识学习、实践项目和关注前沿动态等多方面着手，为未来在 AI 领域的发展做好充分准备。

以下是为新手提供的 AI 学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，通过实践巩固知识，尝试使用各种产品做出作品。 在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与现有的 AI 产品（如 ChatGPT、Kimi Chat、智谱、文心一言等）进行互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 另外，如果您偏向技术研究方向，学习路径包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，学习路径包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。