RAG相关的 论文

LMStudio 能否支持联网搜索和本地知识库 RAG 以及如何实现的问题如下： 实现本地知识库 RAG 需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（使用前需确保 ollama 服务已开启并下载好模型）。 从订阅源获取内容，通过特定函数从指定的 RSS 订阅 URL 提取内容，若需接收多个 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较小的块，并附带相关元数据，最终合并成列表返回用于后续处理或提取。 为文档内容生成向量，可使用文本向量模型 bgem3（从 hf 下载好模型假设放置在某个路径，通过函数利用 FAISS 创建高效的向量存储）。 实现 RAG 包括文档加载（从多种来源加载文档，LangChain 提供 100 多种文档加载器）、文本分割（把 Documents 切分为指定大小的块）、存储（将切分好的文档块嵌入转换成向量形式并存储到向量数据库）、检索（通过检索算法找到与输入问题相似的嵌入片）、Output（把问题及检索出的嵌入片提交给 LLM 生成答案）。 基于用户问题从向量数据库中检索相关段落，根据设定阈值过滤，让模型参考上下文信息回答，从而实现 RAG。 还可创建网页 UI 并进行评测，对于同样的问题和上下文，基于不同模型进行多次测试，其中 GPT4 表现最好，Mixtral 次之，Qwen7b 第三，Gemma 和 Mistral 表现一般。总结来说，本文展示了如何使用 Langchain 和 Ollama 技术栈在本地部署资讯问答机器人，结合 RSSHub 处理和提供资讯，上下文数据质量和大模型性能决定 RAG 系统性能上限，RAG 能提升答案质量和相关性，但不能完全消除大模型幻觉和信息滞后问题。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化，是因为 LLM 存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉干扰等问题。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，可降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可以抽象为 5 个过程： 1. 文档加载：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 在内的非结构化数据、SQL 在内的结构化数据，以及 Python、Java 之类的代码等。 2. 文本分割：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：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 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. 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。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构。 大模型需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. 知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. 输出难以解释和验证，存在内容黑盒、不可控以及受幻觉问题干扰的情况。 4. 容易泄露隐私训练数据。 5. 规模大，训练和运行成本高。 RAG 的优点包括： 1. 数据库对数据的存储和更新稳定，不存在学不会的风险。 2. 数据更新敏捷，增删改查可解释，对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，降低大模型输出出错的可能。 4. 便于管控用户隐私数据，且可控、稳定、准确。 5. 可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt 中，提交给大模型，让大模型的回答充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。RAG 由检索器和生成器两部分组成，检索器从外部知识中快速找到与问题相关的信息，生成器利用这些信息制作精确和连贯的答案，非常适合处理需要广泛知识的任务，如问答系统，能够提供详细而准确的回答。

RAG（RetrievalAugmented Generation，检索增强生成）是一种方法，例如在餐饮生活助手的应用中，它能根据用户需求从大规模餐饮数据集中检索出最合适的餐厅并提供相关信息和服务。实现餐饮生活助手的 RAG 实战，需要将餐饮数据集转化为 LangChain 可识别和操作的数据源，并定义 LLM 的代理，让其根据用户问题提取核心信息和条件，形成标准查询语句检索数据源并生成答案。 Agent 是大模型的一个重要概念，被认为是大模型未来的主要发展方向。它可以通过为 LLM 增加工具、记忆、行动、规划等能力来实现。目前行业里主要使用 LangChain 框架将 LLM 与工具串接。例如在 RAG 基础上，Agent 给大模型提供了更多工具，如长期记忆（数据库工具），还在 prompt 层和工具层完成规划和行动等逻辑设计。 在大模型请求中，最大的两个变量是 Messages 和 Tools，两者组合形成整个 Prompt。Agent 应用开发的本质是动态 Prompt 拼接，通过工程化手段将业务需求转述成新的 prompt。RAG 可以是向量相似性检索，放在 system prompt 里或通过 tools 触发检索。Action 触发 tool_calls 标记进入请求循环，拿模型生成的请求参数进行 API request，再把结果返回给大模型进行交互，没有 tool_calls 标记则循环结束。Multi Agents 则是通过更换 system prompt 和 tools 实现。

RAG 即检索增强生成（RetrievalAugmented Generation），是一种结合了检索模型和生成模型的技术。 其核心目的是通过某种途径把知识告诉给 AI 大模型，让大模型“知道”我们的私有知识，变得越来越“懂”我们。 在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 一个 RAG 的应用通常包含以下 5 个过程： 1. 文档加载：从多种不同来源加载文档，如 PDF 在内的非结构化数据、SQL 在内的结构化数据，以及 Python、Java 之类的代码等。 2. 文本分割：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：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 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. 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。 RAG 的最常见应用场景是知识问答系统，用户提出问题，RAG 模型从大规模的文档集合中检索相关的文档，然后生成回答。 LangChain 是一个用于构建高级语言模型应用程序的框架，它与 RAG 的关系为： 1. LangChain 作为框架，提供了实现 RAG 所必需的工具和组件。 2. RAG 作为技术，可以在 LangChain 框架内得以实施和利用。 3. LangChain 允许开发者通过其模块化组件来构建 RAG 应用程序。 4. LangChain 通过提供现成的链和提示模板，简化了 RAG 应用程序的开发过程。 5. 利用 LangChain 实现 RAG 可以帮助开发者创建更高效、更准确的应用程序，特别是在需要大量外部信息来辅助决策的场景中。 6. LangChain 通过其丰富的 API 和组件库，支持开发者构建复杂的 RAG 应用，如智能问答系统、内容推荐引擎等。

以下是关于 chatbot 特定角色的专业知识 RAG 优化的方法： 1. 复制预置的 Bot： 访问，单击目标 Bot。 在 Bot 的编排页面右上角，单击创建副本。 在弹出的对话框中，设置 Bot 名称、选择 Bot 的所属团队，然后单击确定。 可以在新打开的配置页面修改复制的 Bot 配置。 点击 Bot 名称旁边的编辑图标来更改 Bot 名称。 在人设与回复逻辑区域，调整 Bot 的角色特征和技能。您可以单击优化使用 AI 帮您优化 Bot 的提示词，以便大模型更好的理解。 在技能区域，为 Bot 配置插件、工作流、知识库等信息。 在预览与调试区域，给 Bot 发送消息，测试 Bot 效果。 当完成调试后，可单击发布将 Bot 发布到社交应用中，在应用中使用 Bot。 2. 集成 Workflow 到 Bot 里： 选择 GPT4作为聊天模型。 添加实用的插件，丰富 Bot 的能力。 设计人设和提示词，例如： Your Persona Greetings,seeker of knowledge!I am Dr.Know,your guide to the vast expanse of information.In a world brimming with questions,I stand as a beacon of enlightenment,ready to illuminate the shadows of uncertainty.Whether you're in search of wisdom from ancient lore,keen on unraveling the mysteries of the cosmos,or simply wish to satiate your curiosity on matters both grand and mundane,you've come to the right place.Ask,and let the journey of discovery begin.Remember,in the realm of Dr.Know,there is nothing I don't. Your Capabilities search_and_answer Your most important capability is`search_and_answer`.When a user asks you a question or inquires about certain topics or concepts,you should ALWAYS search the web before providing a response.However,when a user asks you to DO SOMETHING,like translation,summarization,etc.,you must decide whether it is reasonable to use the`search_and_answer`capability to enhance your ability to perform the task. ALWAYS search the web with the exact original user query as the`query`argument.For example,if the user asks\"介绍一下 Stephen Wolfram 的新书 What Is ChatGPT Doing...and Why Does It Work?\",then the`query`parameter of`search_and_answer`should be exactly this sentence without any changes. How to Interact with the User

Few shot 和 One shot 等概念的相关研究在自然语言处理领域有较多的文献提及。 Zero Shot Prompting（零样本提示）：是一种让模型在没有额外训练数据的情况下对之前未见过的数据进行预测的技术。传统机器学习通常需大量标记训练数据来准确预测，而在提示工程中，零样本学习可用于生成自然语言文本，无需显式编程或预定义模板，创造更多样化和动态的文本生成模型，使机器能在训练中没见过某些对象时仍能识别和分类。 One Shot Prompting（一样本提示）：通过有限的输入数据（如单个示例或模板）来生成自然语言文本，可与对话管理和上下文建模等自然语言处理技术结合，创造更复杂、有效的文本生成系统。在提示工程中，只需提供有限输入数据，如单个示例或模板，有助于从大型语言模型中创建可预测的输出。 Few Shot Prompting（少样本提示）：将少量示例（通常为两到五个）提供给模型，以便快速适应新对象的例子。在提示工程中，少样本学习可用于创建自然语言文本，只需提供有限的输入数据，能创造更灵活和适应性强的文本生成模型。 零样本、一样本和少样本提示的区别在于：零样本提示是模型在没有额外训练的情况下进行预测；一样本提示需要提供一个示例或模板；而少样本提示则需要提供更少的数据，通常是两到五个示例。 这些提示工程技术能提供更灵活和可控的方式从自然语言生成模型中输出文本，充分利用模型强大能力，创造更准确、多样和吸引人的输出，满足应用程序需求。

在论文写作方面，AI 技术的应用能提供多方面的辅助。以下为您介绍一些相关的 AI 工具和利用 AI 写论文、课题的方法： 常用的论文写作 AI 工具： 1. 文献管理和搜索： Zotero：结合 AI 技术，可自动提取文献信息，助您管理和整理参考文献。 Semantic Scholar：AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：通过 AI 技术提供文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化论文内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化，助力复杂数据分析和模型构建。 4. 论文结构和格式： LaTeX：结合自动化和模板，高效处理论文格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化编写过程。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保论文原创性。 Crossref Similarity Check：检测潜在抄袭问题。 利用 AI 写论文的方法： 目前大多数人零碎使用 AI 工具，未系统应用到工作场景，可能导致整体效率不高。要形成适合自己的 AI 工作方法论和流程，比如在挑选和切换工具时避免浪费时间。 利用 AI 写课题的步骤和建议： 1. 确定课题主题：明确研究兴趣和目标，选择有价值和创新性的主题。 2. 收集背景资料：使用学术搜索引擎和文献管理软件等 AI 工具搜集相关文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：借助 AI 工具确保内容准确完整。 6. 构建方法论：根据需求，利用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据，用 AI 数据分析工具处理和解释。 8. 撰写和编辑：用 AI 写作工具写各部分，并检查语法和风格。 9. 生成参考文献：用 AI 文献管理工具生成正确格式。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，根据反馈修改。 11. 提交前的检查：用 AI 抄袭检测工具确保原创性，做最后的格式调整。 请注意，AI 工具是辅助，不能完全替代研究者的专业判断和创造性思维，使用时要保持批判性思维，确保研究质量和学术诚信。

以下是关于如何让 AI 写一篇好的文学理论论文的相关内容： 首先，过度追求模型的正面描述和对齐人类价值观可能会带来问题。比如在文学创作中，道德过度正确和大量正面描述实际上是一种“对齐税”，会让模型变得愚蠢。像生成的游戏中主人公全是幸福人生，这样的故事缺乏冲突，人物单薄，不好看。而且全乎正确的道德和完美的正面在现实世界中并不存在，纵观文学史，伟大的文学作品几乎没有全是正面描述的，因为人类的心灵与生活极为复杂，痛苦、绝望和悲伤也是生命体验的一部分，只有正面的故事很难获得共鸣。 其次，好的文字能引起人的生理共鸣与情绪。人们在感受到好文字时，往往有一种被击中、头皮发麻的感觉。共鸣是文学的基础，有共鸣才有读者，有读者才有文学。文学映照的是人类相同的渴望与恐惧，人类之间的共性大于差异。对于像 GPT 这样的大语言模型，其预训练数据量大且丰富，储存了人类几乎所有可能的生命经验，理应能够学会引发人类的共鸣与情绪。 最后，在实际操作中，对于处理文本特别是 PDF，Claude 2 表现出色。可以将整本书粘贴到 Claude 的前一版本中取得不错的结果，新模型更强大。但需要注意的是，这些系统仍会产生幻觉，若要确保准确性，需检查其结果。

在论文写作方面，AI 技术的应用发展迅速，能提供多方面的辅助。以下是一些常用的 AI 工具和平台： 1. 文献管理和搜索： Zotero：结合 AI 技术，可自动提取文献信息，助于管理和整理参考文献。 Semantic Scholar：AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：通过 AI 技术提供文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化的软件，助力复杂数据分析和模型构建。 4. 论文结构和格式： LaTeX：结合自动化和模板，高效处理格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化编写过程。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保原创性。 Crossref Similarity Check：通过与已发表作品比较，检测潜在抄袭问题。 利用 AI 写课题可参考以下步骤和建议： 1. 确定课题主题：明确研究兴趣和目标，选有价值和创新性的主题。 2. 收集背景资料：用学术搜索引擎和文献管理软件等 AI 工具搜集相关文献和资料。 3. 分析和总结信息：借助 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：利用 AI 工具确保内容准确完整。 6. 构建方法论：根据需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，用 AI 数据分析工具处理和解释。 8. 撰写和编辑：借助 AI 写作工具写各部分，并检查语法和风格。 9. 生成参考文献：用 AI 文献管理工具生成正确格式。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，再修改。 11. 提交前的检查：用 AI 抄袭检测工具确保原创性，做最后的格式调整。 需注意，AI 工具是辅助，不能替代研究者的专业判断和创造性思维，应保持批判性思维，保证研究质量和学术诚信。 对于担心 AI 削弱孩子思考力的问题，如果用法不对，可能会有负面效果。比如提封闭性问题，孩子用 AI 搜索迅速得到答案结束任务，AI 就像好奇心的毒药；但改成开放性问题或让 AI 帮助提更多拓展思考的问题，好奇心会被激发。AI 辅助写作文也是同理，可让孩子提交与 AI 共同完成作文的聊天记录，要求孩子对 AI 作文点评批改、让其迭代出更好文章，重点关注孩子能否说清作文好坏及如何修改。

在论文写作方面，AI 技术的应用发展迅速，能提供多方面的辅助，以下是一些常用的 AI 工具和平台： 1. 文献管理和搜索： Zotero：结合 AI 技术，可自动提取文献信息，助于管理和整理参考文献。 Semantic Scholar：AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：通过 AI 技术提供文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化的软件，助力复杂数据分析和模型构建。 4. 论文结构和格式： LaTeX：结合自动化和模板，高效处理格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化编写过程。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保原创性。 Crossref Similarity Check：通过与已发表作品比较，检测潜在抄袭问题。 利用 AI 写课题可参考以下步骤和建议： 1. 确定课题主题：明确研究兴趣和目标，选有价值和创新性的主题。 2. 收集背景资料：用学术搜索引擎和文献管理软件等 AI 工具搜集相关文献和资料。 3. 分析和总结信息：借助 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：利用 AI 工具确保内容准确完整。 6. 构建方法论：根据需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：借助 AI 写作工具写各部分，并检查语法和风格。 9. 生成参考文献：用 AI 文献管理工具生成正确格式。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，根据反馈修改。 11. 提交前的检查：用 AI 抄袭检测工具确保原创性，做最后的格式调整。 需注意，AI 工具是辅助，不能替代研究者的专业判断和创造性思维，应保持批判性思维，保证研究质量和学术诚信。 对于担心 AI 削弱孩子思考力的问题，如果用法不对，可能会有负面效果。比如提封闭性问题，孩子用 AI 搜索迅速得到答案结束任务，AI 就像好奇心的毒药；但改成开放性问题或让 AI 帮助提更多拓展思考的问题，好奇心会被激发。AI 辅助写作文也是同理，可让孩子提交与 AI 共同完成作文的聊天记录，要求孩子对 AI 作文点评批改、让其迭代更好的文章，重点关注孩子能否说清作文好坏及如何修改。

在论文写作领域，AI 技术的应用发展迅速，能提供多方面的辅助，以下是一些相关的 AI 工具和平台： 1. 文献管理和搜索： Zotero：结合 AI 技术，可自动提取文献信息，助于管理和整理参考文献。 Semantic Scholar：由 AI 驱动的学术搜索引擎，能提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：通过 AI 技术提供文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化论文内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化的软件，有助于复杂数据分析和模型构建。 4. 论文结构和格式： LaTeX：结合自动化和模板，高效处理论文格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化编写过程。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保论文原创性。 Crossref Similarity Check：通过与已发表作品比较，检测潜在抄袭问题。 利用 AI 写课题可参考以下步骤和建议： 1. 确定课题主题：明确研究兴趣和目标，选有价值和创新性的主题。 2. 收集背景资料：用学术搜索引擎和文献管理软件等 AI 工具搜集相关文献和资料。 3. 分析和总结信息：借助 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：利用 AI 工具确保内容准确完整。 6. 构建方法论：根据需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：用 AI 写作工具写各部分，并检查语法和风格。 9. 生成参考文献：用 AI 文献管理工具生成正确格式。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，根据反馈修改。 11. 提交前的检查：用 AI 抄袭检测工具确保原创性，做最后的格式调整。 对于不会代码但想在 20 分钟内上手 Python + AI 的朋友，可循序渐进完成以下任务： 1. 完成一个简单程序。 2. 完成一个爬虫应用，抓取公众号文章。 3. 完成一个 AI 应用，为公众号文章生成概述。 请注意，AI 工具可辅助但不能完全替代研究者的专业判断和创造性思维，使用时应保持批判性思维，确保研究质量和学术诚信。

以下是一些与仿制药合成相关的 AI 应用和系统： 1. ChatGPT 引发的范式转移涉及医疗领域，在蛋白质结构预测和合成方面有大量突破。 2. AlphaFold 是由 DeepMind 开发的在蛋白质结构预测方面表现出色的 AI 系统，其预测准确度超过其他系统，为科学家和药物开发提供了巨大帮助。 3. Meta 的蛋白质结构预测 AI 模型 ESMFold，截至目前已经进行了 7 亿次预测。 4. 多伦多大学研究人员开发了一种新的 AI 系统，利用类似 Stable Diffusion、Midjourney 的生成扩散技术创造出自然界中不存在的蛋白质。 5. 华盛顿大学的 David Baker 教授的团队开发了基于 DALLE 的人工智能系统 RF Diffusion，用于根据科学家的需求生成合适的蛋白质结构。 6. 洛桑联邦理工学院的科学家们开发了一种基于神经网络的新工具 PeSTo，可以预测蛋白质如何与其他物质相互作用，速度快、且通用性强。 7. 在 Surrey 大学开发了一种人工智能系统，用于识别个体细胞中的蛋白质模式，这一进展可以用于理解肿瘤的差异并开发药物。 8. 肯特大学的研究团队使用名为 talin 的蛋白质制成凝胶，该凝胶具有吸收冲击的能力，他们的目标是将 talin 蛋白质制成防弹材料。 文献参考： https://www.sciencedaily.com/releases/2023/05/230504121014.htm https://www.wevolver.com/article/pestoanewaitoolforpredictingproteininteractions https://www.sciencedirect.com/science/article/pii/S0958166923000514

以下是关于 Coze 的相关内容： 扣子案例合集：包括智能对话科学防癌 AI 赋能肿瘤防治行动、打造私人播客助手、开发 AI chatbot 短视频爆款案例初探、制作 MidJourney 提示词专家、创建 AI 绘画助手、搓一个乞丐版的秘塔搜索、搞一个简单的安全 AI 助手、手搓英语陪练教师、为开源 AI 社区搞社群运营机器人等案例。 通俗易懂的 Coze 数据库文章：作者大圣致力于使用 AI 技术将自己打造为超级个体的程序员。本文是关于数据库概念的细化，旨在从非编程人士角度讲清数据库概念和基本使用，不会陷入传统教学讲 SQL 语法，而是通过和 Excel 对比让读者了解本质概念，从而更好利用 ChatGPT 等工具。另外作者还预告了关于 AI 时代应具备的编程基础系列大纲。 大圣的胎教级教程：Coze 是新一代一站式 AI Bot 开发平台，无论有无编程基础都可快速搭建各类问答 Bot。字节针对 Coze 部署了国内版和海外版两个站点，国内版使用字节自研的云雀大模型，国内网络可正常访问；海外版使用 GPT4、GPT3.5 等大模型，访问需突破网络限制。Bot 的开发和调试页面布局主要分为提示词和人设区块、Bot 的技能组件、插件、工作流、Bot 的记忆组件（包括知识库、变量、数据库、长记忆、文件盒子）、一些先进的配置（如触发器、开场白、自动建议、声音）等，后续会逐一讲解每个组件的能力及使用方式。

以下是一些通过学习 AI 在杭州找到相关工作的建议： 1. 提升技能：学习主流的 AI 工具和技术，如 RAG 微调等。 2. 积累项目经验：可以通过参与类似杭州站的 AI 活动，如“AI 自媒体涨粉”“AI+东方哲学”“AI 赚钱实验室”等，分小组协作完成相关项目，积累实践经验。 3. 拓展人脉：参加杭州当地的 AI 相关社群或活动，结识像老李哥哥这样在杭州的行业人士，获取更多的信息和机会。 4. 关注行业动态：了解杭州 AI 行业的发展趋势和需求，针对性地提升自己的能力。 5. 准备优秀的作品：例如创作引人入胜的 AI 相关短视频等，展示自己的能力和成果。

以下是关于 DeepSeek 的相关文章： 1. 1 月 8 日：《》DeepSeek 是一家位于杭州的人工智能创业公司，其大语言模型 DeepSeekV3 在全球引发广泛关注。该模型以 550 万美元和 2000 块低配版英伟达 H800 GPU 训练，超越了多个顶级模型，获得硅谷研究者的高度评价。DeepSeek 的成功被视为中国式创新的典范，但其独特之处在于其更像一个研究机构，注重技术创新而非商业化运作，吸引了大量年轻的顶尖研究人才。 2. 1 月 28 日： 拾象：DeepSeek r1 闭门学习讨论|Best Ideas Vol 3，讨论了 DeepSeek 对全球 AI 社区的影响，包括技术突破、资源分配及其长上下文能力与商业模式。分析了中国在 AI 追赶过程中的潜力与挑战，探讨了创新路径及深远生态影响。 转：关于 DeepSeek 的研究与思考 3. 1 月 30 日：《》阐述了 DeepSeek 省钱的原因，包括高效硬件使用、创新训练方法、高效模型压缩、避免无效尝试等，还提及成本对比及创新蒸馏技术。接着从核心思想、技术实现方式（知识表示、温度调节）、训练过程（基本流程、关键点）、DeepSeek 的创新及有效性原因（信息压缩、概率分布学习、泛化能力）等方面详细讲述了蒸馏工作原理。

当前 AI 发展现状： 涵盖了不同领域的应用和发展，如电子小说行业等。 包括了智能体的 API 调用、bot 串联和网页内容推送等方面。 对于非开发者一类的普通用户使用及进阶相关工具的指导： 可以先从国内模型工具入手，这些工具不花钱。 学习从提示词开始，与模型对话时要把话说清，强调提示词在与各类模型对话中的重要性及结构化提示词的优势。 对于技术爱好者：从小项目开始，如搭建简单博客或自动化脚本；探索 AI 编程工具，如 GitHub Copilot 或 Cursor；参与 AI 社区交流经验；构建 AI 驱动的项目。 对于内容创作者：利用 AI 辅助头脑风暴；建立 AI 写作流程，从生成大纲开始；进行多语言内容探索；利用 AI 工具优化 SEO。 若想深入学习美学概念和操作可报野菩萨课程。国内模型指令遵循能力较弱时，可使用 launch BD 尝试解决。

以下是国内部分 AI 工具及相关网站： |排行|产品名|分类| |||| |15|墨刀 AI|设计工具| |16|无限画|图像生成| |17|autoDL 云服务租用|Agent| |18|百度 Chat|AI ChatBots| |19|360AI 搜索（没接 GA）|搜索| |20|AIbot ai 工具集|导航网站| |21|创客贴 AI|设计工具| |22|MasterGo|设计工具| |23|美图设计室|图像编辑| |24|魔搭社区阿里达摩院|AI 训练模型| |25|即时 AI 设计|设计工具| |26|Boardmix 博思 AI 白板|PPT| |27|百度飞桨 AI Studio|AI 学习| |28|字节扣子|| |29|提示工程指南|Prompts| |30|toolsdar|导航网站| |31|autoDL 云服务租用|| |32|AIbot ai 工具集|导航网站| |33|同花顺问财|金融| |34|魔搭社区阿里达摩院|AI 训练模型| |35|MasterGo|设计工具| |36|即时 AI 设计|设计工具| |37|百度 Chat|AI ChatBots| |38|创客贴 AI|设计工具| |39|即梦 AI（剪映）|其他视频生成| |40|可灵 AI|其他视频生成| |41|360 快剪辑|视频编辑| |42|Dify.ai|Agent| |43|Vast（算力）|| |44|提示工程指南|Prompts| |45|站酷海洛|资源| |46|toolsdar|导航网站| |47|百度飞桨 AI Studio|AI 学习| |48|Boardmix 博思 AI 白板|PPT| |49|讯飞听见|转录| |50|帆软战略|电商| |51|帆软数据|数据分析| |52|360 苏打办公|生产力| |53|标小智 LOGO 生成|图像生成| |54|edrawsoft|思维导图| |55|彩云|通用写作| |56|虎课网免费在线视频教程|AI 学习| |57|xmind|思维导图| |58|秘塔写作猫|通用写作| |59|Pixso AI|设计工具| |60|火山翻译|翻译| |61|aippt|PPT|