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

deepseek的使用方法

Answer

以下是 DeepSeek 的使用方法：

  1. 访问网址：搜索 www.deepseek.com，点击“开始对话”。
  2. 操作步骤：
    • 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。
  3. 特点与优势：
    • 核心是推理型大模型，不需要用户提供详细的步骤指令，而是通过理解用户的真实需求和场景来提供答案。
    • 能够理解用户用“人话”表达的需求，不需要用户学习和使用特定的提示词模板。
    • 在回答问题时能够进行深度思考，不是简单地罗列信息。
    • 可以模仿不同作家的文风进行写作，适用于多种文体和场景。
  4. 更多提示词技巧请查看DeepSeek-R1 提示词交互实践指南
Content generated by AI large model, please carefully verify (powered by aily)

References

一个提示词，让 DeepSeek 的能力更上一层楼？——HiDeepSeek

用Coze做了个小测试，大家可以对比看看[e8c1a8c3012fedad10dc0dfcc8b1e263_raw.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/Jz9cbKxDbocGtIxXFFEcdiHjnRc?allow_redirect=1)[heading1]如何使用？[content]Step1：搜索www.deepseek.com，点击“开始对话”Step2：将装有提示词的代码发给DeepseekStep3：认真阅读开场白之后，正式开始对话[heading1]设计思路[content]1.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2.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3.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4.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5.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）[heading1]完整提示词[heading2]v 1.3[heading1]特别鸣谢[content]李继刚：【思考的七把武器】在前期为我提供了很多思考方向Thinking Claude：这个项目是我现在最喜欢使用的Claude提示词，也是我设计HiDeepSeek的灵感来源Claude 3.5 Sonnet：最得力的助手

一起来玩2048：读了元子的Cursor补充

使用cursor可以不用下载上一步中的Pycharm网址：https://www.cursor.com/这个教程很多，通过对话获得代码即可。因为这里面用的是大语言模型Claude3.5sonnet、GPT4o等语言模型，包括我用cursor small也试了，最好是指令更详细一些，比如：我想做个2048游戏，请用上pygame库。。等等[heading4]Deepseek（新手推荐这个，2→3.2→4这样路径）[content]网址：https://www.deepseek.com/zh我们只需要获得游戏代码即可，Deepseek很方便，国内能访问，网页登录很方面，目前完全免费！点击开始对话，左边选择代码助手：直接向神龙许愿吧：[heading4]通义灵码[content]在Pytharm中，“文件”-“设置”-“插件”-红色框位置搜索“通义灵码”（如图：），安装通义灵码插件：（目前免费）[heading4]JetBrains自身的助手插件[content]在Pytharm中，“文件”-“设置”-“插件”-红色框位置搜索“Jetbrains AI assistant”（如图：），安装Jetbrain AI assistant插件：（收费，目前有7天免费试用）[heading4]Marscode及Tencent cloud AI code Assistant等等...[content]见上图绿色部分[heading4]无影的晓颖AI助手[content]在云栖大会上有过使用。晓颖助手内置在云电脑里，无影也是阿里旗下的，晓颖助手的使用很流畅，只是需要在无影的云电脑中。高能力的通用语言大模型通过明确的指令也可以得到python代码，不过我这边使用下来还是Deepseek和晓颖AI助手在生成2048游戏上更为简便准确，这句话仅供参考，不知道大家实践下来有什么新发现可以交流。

详解：DeepSeek深度推理+联网搜索 目前断档第一

先了解下优势和特点[heading2]DeepSeek的特点与优势[content]推理型大模型：DeepSeek的核心是推理型大模型，与指令型大模型不同，它不需要用户提供详细的步骤指令，而是通过理解用户的真实需求和场景来提供答案。更懂人话：DeepSeek能够理解用户用“人话”表达的需求，而不需要用户学习和使用特定的提示词模板。深度思考：DeepSeek在回答问题时能够进行深度思考，而不是简单地罗列信息。文风转换器：DeepSeek可以模仿不同作家的文风进行写作，适用于多种文体和场景。更多提示词技巧请查看[DeepSeek-R1提示词交互实践指南](https://waytoagi.feishu.cn/wiki/ISVZwe05Tio9hEkFSF5cIjZ7nVf)

Others are asking
想要对deepseek进行提问需要什么技巧吗？有没有什么高校组织给出的方案？
对 DeepSeek 进行提问时，以下是一些技巧： 1. 身份定位技巧：目的是让 AI 理解您的背景和专业水平。例如，差的表述是“帮我写一篇营销方案”，好的表述是“作为一名刚入职的电商运营，需要为天猫美妆店铺制定 618 活动方案”。 2. 场景描述技巧：提供具体的应用场景和限制条件。比如，差的表述是“写一篇新品发布文案”，好的表述是“为新上市的儿童智能手表写一篇朋友圈文案，目标用户是 25 35 岁的年轻父母，预算 3000 以内，需强调安全定位功能”。 3. 结构化输出技巧：指定具体的输出格式和内容结构。例如，差的表述是“分析最近的新能源汽车销量数据”，好的表述是“请用表格对比 2024 年 Q1 特斯拉、比亚迪的销量数据，包含以下维度：月度销量、同比增长、市场份额，并在表格下方总结三个关键发现”。 4. 分步骤提问技巧：将复杂问题拆解为可管理的小任务。比如，差的表述是“怎么做短视频运营？”，好的表述是“请分三步指导新手做美食短视频：前期准备：需要哪些设备和技能 拍摄阶段：关键场景和机位选择 后期制作：剪辑节奏和音乐配合建议”。 5. 反馈优化技巧：通过追问获得更精准的答案。例如，第一轮“帮我做一份产品分析报告”，追问 1：“内容太专业了，能用更通俗的语言解释吗？”追问 2：“可以增加一些具体的用户案例来支撑观点吗？” 6. 深度思考引导技巧：目的是获得更深入的分析和见解。
2025-02-07
deepseek入门到精通
以下是关于 DeepSeek 从入门到精通的相关内容： 效果对比：用 Coze 做了小测试，可对比查看相关视频。 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，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（对作者有难度）和 Markdown（运行下来似乎不是很稳定）。 完整提示词：v 1.3 特别鸣谢：李继刚的【思考的七把武器】在前期为作者提供了很多思考方向；Thinking Claude 是作者现在最喜欢使用的 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。 此外，《》是清华大学新闻与传播学院新媒体研究中心出品的指南，详细阐述了 DeepSeek 的功能，包括智能对话、文本生成、代码生成、自然语言理解等，并探讨了如何使用 DeepSeek，包括推理模型与通用模型的区别、提示语设计策略以及如何从入门到精通。文章还介绍了提示语设计的核心技能、常见陷阱及应对方法，旨在帮助用户更好地掌握 AI 工具的使用，提升工作效率和创新能力。 DeepSeek R1 不同于先前的普通模型，它与 OpenAI 现在最先进的模型 o1、o3 一样，同属于基于强化学习 RL 的推理（Reasoning）模型。其标志性表现是在回答用户问题前，会先进行“自问自答”式的推理思考，凭此提升最终回答的质量。这种能力源于其背后独特的“教育方式”，在许多其他的 AI 模型还在接受“填鸭式教育”时，DeepSeek R1 已经率先进入了“自学成才”的新阶段。
2025-02-07
用deepseek建立个人知识库
以下是关于用 DeepSeek 建立个人知识库的相关知识： RAG（Retrieval Augmented Generation，检索增强生成）是利用大模型的能力搭建知识库的关键技术。在进行本地知识库搭建实操前，需先了解 RAG。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 RAG 实现。RAG 应用包括 5 个过程： 1. 文档加载：从多种来源加载文档，如 PDF 等非结构化数据、SQL 等结构化数据以及代码等。 2. 文本分割：把文档切分为指定大小的块，称为“文档块”或“文档片”。 3. 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。 4. 检索：通过检索算法找到与输入问题相似的嵌入片。 5. 输出：把问题及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 此外，搭建基于 GPT API 的定制化知识库，涉及给 GPT 输入定制化知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 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。将文本转换成向量能节省空间，可理解为索引。比如有大文本，可拆分成小文本块并转换成 embeddings 向量，保存在向量储存库作为问答知识库。当用户提问时，问题先转换成向量，与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。例如，对于一篇万字长文拆分成多个文本块，提问“此文作者是谁？”，可通过比较 embeddings 向量得出关联度高的文本块。
2025-02-07
提供一些deepseek提示词
以下是一些关于 DeepSeek 的提示词相关信息： 1. 效果对比：用 Coze 做了小测试，可对比查看。访问 www.deepseek.com 点击“开始对话”，将装有提示词的代码发给 DeepSeek，认真阅读开场白后正式开始对话。 2. 设计思路：将 Agent 封装成 Prompt 并储存在文件，实现同时使用联网和深度思考功能，优化输出质量，设计阈值系统，用 XML 进行规范设定。 3. 完整提示词：v 1.3 ，特别鸣谢李继刚和 Thinking Claude 等。 4. 使用案例： 借助 AI 分析好文章，如找出喜欢的文章投喂给 deepseek R1，从写作和读者角度分析，询问文章缺点和提升空间，对作者进行侧写等。 让 AI 对自己写的文章点评，给出详细优缺点分析和指导建议。 根据文章内容对作者心理侧写。 5. 集合·DeepSeek 提示词方法论：可查看相关文章，如南瓜博士的相关内容，以及 DeepSeek 官方提示词等。最新文章观点学术报告及业界评论可参考特定链接。R1 模型也有一些使用建议。
2025-02-07
你比deepseek聪明吗
DeepSeek 具有以下优秀特点： 1. 在语气上能够还原特定角色的语气，如帝王的语气，相比其他模型输出更准确恰当，兼顾了古典文字和可读性。 2. 对历史细节非常熟悉，这可能与支持“深度探索”和“联网搜索”同时开启有关，能准确还原历史称谓。 3. 输出极其具体且充满惊人细节，行文的隐喻拿捏到位，高级感十足。 此外，DeepSeek R1 属于基于强化学习 RL 的推理模型，在回答用户问题前会先进行“自问自答”式的推理思考，提升回答质量，这种能力源于其独特的“教育方式”，在其他模型还在接受“填鸭式教育”时，它已进入“自学成才”新阶段。 至于我是否比 DeepSeek 聪明，这很难直接比较，因为我们在不同的方面和场景中可能各有优势。
2025-02-07
帮我找到deepseek的培训教程，我是一个技术小白
以下是关于 DeepSeek R1 的培训教程相关内容： DeepSeek R1 引入了纯强化学习（RL），不依赖大量人类标注数据，而是通过自我探索和试错来学习。在“冷启动”阶段，仅通过少量（数千条）人工精选的思维链数据进行初步引导，建立起符合人类阅读习惯的推理表达范式。随后主要依靠强化学习，在奖励系统的反馈下（只对结果准确率与回答格式进行奖励），自主探索推理策略，不断提升回答的准确性，实现自我进化。 准确率奖励用于评估 AI 提供的最终答案是否正确，格式奖励强制结构化输出，让模型把思考过程置于<think></think>标签之间，以便人类观察模型的推理过程。 更有趣的是，DeepSeek 还有一个更加聪明的 R1zero 实验版本，这个版本甚至没有进行任何的初始引导，而是采用了完全从零开始的强化学习。实验表明，无需任何人类的监督训练，R1zero 自然而然地学会了用更多的思考步骤来解决推理任务，还学会了在推理过程中反思先前的推理步骤，探索解决问题的替代方法。但因为没有微调，R1zero 的输出内容可读性差、语言混合，且风险不可控。所以我们见到的是经过符合人类阅读偏好的冷启动与微调过的 R1 版本，确保 AI 生成内容的稳定、安全、道德、无害。 附：DeepSeek R1 完整训练过程，因文章定位与行文节奏设计，上文仅对影响 R1 涌现关键智能的前两个训练步骤进行了讲解。更加完善的训练说明，可直接阅读官方论文：DeepSeekAI《DeepSeekR1:Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》https://arxiv.org/html/2501.12948 参考文献： 1. 碎瓜波斯兔子《Deepseek R1 可能找到了超越人类的办法》https://mp.weixin.qq.com/s/YgRgDw8ndSHJwcPNMqWZNQ 2. 大聪明赛博禅心《DeepSeek R1 是怎么训练的？》https://mp.weixin.qq.com/s/Wuz0H9jmZYV1jM1YtwTlA 3. 老刘说 NLP《可视化角度具象化理解 DeepSeekR1 类推理大模型的习得进程》https://mp.weixin.qq.com/s/ytKTGTgU2T7jSNrBghX1cA 4. Tianzhe Chu et al.《SFT 记忆，RL 泛化：基础模型训练后的比较研究》https://arxiv.org/html/2501.17161 5. Metaso 长思考对话《RL 和 SFT 在后训练中的区别》https://metaso.cn/s/WGdOwPC
2025-02-07
如何做一个AI智能体，能具备某个人的思考能力和方法，比如马斯克，金枪大叔或者毛泽东。
要创建一个具备像马斯克等人思考能力和方法的 AI 智能体并非易事，以下是一些相关的要点和思路： xAI 的使命在于探索宇宙本质与智能体。从宇宙尺度看，意识进化存在狭窄窗口，计算机若不能解决至少一个基本问题，不能称之为 AGI。 对于使命陈述，短期内致力于更好地理解深度学习技术，工作中应始终记住构建与理解并重，追求科学是基础。 主要目标是创建能帮助更好理解宇宙的聪明智能体，相关数学研究可能为对基本物理或其他现实的思考开辟新方式，带来有趣视角，对现有问题产生启发，但目前多为推测性，尚无具体结论。 但需要注意的是，完全复制某个人的思考能力和方法在当前技术水平下是极具挑战性的，甚至可能无法实现。
2025-02-07
请给我整理一套怎么才能学习和使用AI的方法，列举几个例子是怎么能快速的理解ai的发展历史及原理
以下是一套学习和使用 AI 的方法，以及帮助您快速理解 AI 发展历史及原理的途径： 一、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），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。 二、快速理解 AI 发展历史及原理的途径 1. AI 背景知识 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 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。
2025-02-07
模型能力测评方法有哪些，比如ragas这种
以下是一些常见的模型能力测评方法： 1. 从模型角度（generation）： 回答真实性：评估模型结果的真实性，减少模型幻觉。 回答相关度：衡量结果与问题的相关性，避免南辕北辙。 2. 从检索角度（retrieval）： 召回率（recall）：考查相关信息在返回的检索内容中的包含程度，越全越好。 准确率（precision）：评估返回的检索内容中有用信息的占比，越多越好。 RAGAS 是一个用于 RAG 评估的知名开源库，您可以通过了解和使用。 RAG 具有一定的优势和局限性： 优势： 能够解决大语言模型技术中输出结果的不可预测性、知识的局限性、幻觉问题、数据安全性等问题。 可以让大模型从权威的、预先确定的知识来源中检索、组织相关信息，更好地控制大模型生成的文本输出，并且用户可以深入了解 LLM 如何生成最终的结果。 可以和微调结合使用。 局限性： 适合打造专才，不适合打造通才，不适合为模型提供通用领域知识。 难以让模型保持稳定的风格或结构输出，降低 token 消耗等，需要使用微调技术解决。
2025-02-07
模型能力测评方法
以下是关于模型能力测评方法的相关内容： 测评机制： 测评目标：测评三家国产大模型，以同组提示词下 ChatGPT 4.0 生成的内容做对标参照，包括智谱清言（https://chatglm.cn/main/detail）、文心一言 4.0（https://yiyan.baidu.com/）、Kimi Chat（https://kimi.moonshot.cn/chat/）。 能力考量：包括复杂提示词理解和执行（结构化提示词）、推理能力（CoT 表现）、文本生成能力（写作要求执行）、提示词设计能力（让模型设计提示词）、长文本归纳总结能力（论文阅读）。 测评轮次： 第一轮：复杂提示词理解和执行，包括 Markdown+英文 title 提示词测试、Markdown+中文 title 提示词测试、中文 title+自然段落提示词测试。 第二轮：推理能力（CoT 表现），逐步推理任务，遍历 3 个不同类型任务和 4 个大模型。 第三轮：文本生成能力（写作要求执行），根据提示词生成文本任务，遍历 3 个不同类型任务和 4 个大模型。 第四轮：提示词设计能力（让模型设计提示词），按提示词要求生成提示词，逐步推理任务，遍历 3 个不同类型任务和 4 个大模型。 第五轮：长文本归纳总结能力（论文阅读），按提供的长文本（上传或在线）进行归纳总结，逐步推理任务，遍历 3 个不同类型任务和 4 个大模型。 测评过程： 用 5 组提示词分别测试模型的复杂提示词执行能力、推理能力、文本生成能力、用提示词设计提示词的能力、长文本归纳总结能力。每一轮中提示词和问题相同，观察国产三家模型的生成结果，并以 ChatGPT 4.0 生成的内容做对照参考。需要注意的是，本测评是主观需求主观视角，不具有权威性。
2025-02-07
我是科研人员，有什么方法能构建自己专业领域的知识库吗？请给出详细的操作步骤，并说明需要什么样的软硬件设备？预算多少？
构建自己专业领域的知识库可以按照以下步骤进行： 步骤一：明确知识库的目标和范围 首先，确定您想要涵盖的专业领域的具体范围和知识库的主要目标，例如是为了内部研究使用、对外分享知识还是其他特定用途。 步骤二：收集和整理资料 收集相关的文献、研究报告、实验数据、案例等各种资料，并对其进行分类和整理。 步骤三：选择合适的技术架构 1. 考虑使用数据库管理系统，如 MySQL、Oracle 等。 2. 或者采用知识图谱技术来构建更直观的知识关系。 步骤四：确定软硬件设备 1. 硬件方面，需要一台性能较好的计算机，具备足够的内存和存储空间。预算大约在 5000 10000 元，具体取决于配置要求。 2. 软件方面，需要操作系统（如 Windows 或 Linux）、数据库管理软件、文本编辑工具等。 步骤五：设计知识库的结构 规划好知识的分类体系、标签系统和索引方式，以便于快速检索和查找。 步骤六：数据录入和维护 将整理好的资料录入到知识库中，并定期更新和维护，确保知识的准确性和时效性。 步骤七：测试和优化 在初步构建完成后，进行测试，检查检索功能是否正常，知识的展示是否清晰，并根据测试结果进行优化。 需要注意的是，实际的预算和设备需求可能会因具体情况而有所不同，您可以根据自己的需求和资源进行调整。
2025-02-06
我想学习AI，但是不知道如何入门，希望你可以帮我梳理出AI的各个应用方向，要求要有具体的实操方法和必坑指南，能应用于生活和工作中，适合新手学习
以下是为您梳理的适合新手学习 AI 的应用方向、实操方法和避坑指南： 一、了解 AI 基本概念 1. 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。 2. 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。 二、开始 AI 学习之旅 1. 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。 2. 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。 三、选择感兴趣的模块深入学习 1. 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。 2. 掌握提示词的技巧，它上手容易且很有用。 四、实践和尝试 1. 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。 2. 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。 五、体验 AI 产品 1. 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。 六、如果希望继续精进 1. AI 背景知识 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 避坑指南： 1. 不要急于求成，AI 学习需要逐步积累。 2. 注重理论与实践结合，避免只学习理论而不进行实际操作。 3. 对于复杂的概念和算法，要多花时间理解，不要一知半解。 4. 在选择学习资源时，要注意其质量和适用性。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-02-06
如何使用deep seek？
使用 DeepSeek 的步骤如下： 1. 访问网址 www.deepseek.com，点击“开始对话”。 2. 将装有提示词的代码发给 DeepSeek。 3. 认真阅读开场白之后，正式开始对话。 此外，DeepSeek 具有以下特点和相关信息： 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（对开发者有难度）和 Markdown（运行下来似乎不是很稳定）。 完整提示词：v 1.3 特别鸣谢：李继刚的【思考的七把武器】在前期为开发者提供了很多思考方向；Thinking Claude 是开发者现在最喜欢使用的 Claude 提示词，也是设计 HiDeepSeek 的灵感来源。 同时，关于 DeepSeek 还有以下相关内容： 在 2025 年 2 月 6 日的分享中提到，DP 模型能进行自然语言理解与分析、编程、绘图等，使用时有优势也存在问题，使用时要有自己的思维雏形，其使用场景包括阅读、育儿、写作、随意交流等方面。 在获取 2048 游戏代码方面，DeepSeek 很方便，国内能访问，网页登录便捷，目前完全免费。
2025-02-07
多模态是什么？如何使用多模态模型构建 AI 智能体
多模态是指对同一概念的多维度理解，例如人类可以边看、边交谈，还能同时听着背景音乐和察觉危险，而仅靠语言来描述和理解世界是远远不够的。拥有多模态能力的模型可以更全面地学习世界，理解人类的行为和需求，提高任务解决能力，并克服单一模态的局限性，是让 AI 能在现实世界中运行极为重要的一环。 2023 年 9 月 GPT4v 的发布把大语言模型的竞赛带入了多模态模型（LMM Large Multimodal Models）的时代，如 ChatGPT 可以看图说话，还能通过内置的 DallE 3 直接画图；几个月后 Google 的 Gemini 正式推出，直接支持了文本、视频和声音多种模态。今年 5 月，OpenAI 完成了 GPT4 的实时听说和视频模态输入，发布了 GPT4o，向智能体方向迈进了一大步。 多模态大模型由解码器、backbone、Generator 等部件组成，左侧多模态理解，右侧生成输出。其架构基于大圆模型，能识别页面组件结构和位置绝对值信息，并与组件、文本映射。 在应用方面，多模态模型有着广泛的用途。例如 Stable Diffusion 模型可用于带货商品图生成、模特服装展示、海报生成、装修设计等。吉梦 AI 提供 AI 视频生成等能力，吐司是类似的在线生成平台，具备多种 AI 能力。 关于模型训练，需要大量图像数据和标签化处理。AI 视频生成原理主要基于特定架构，如基于 Sara 的整体架构，采用 diffusion Transformer 架构，以扩散模型通过随机造点、加噪和去噪得到连续图像帧，输入视频可看成若干帧图片，经处理后生成视频。Meta 的视频生成模型能生成视频和声音，可替换视频中的物体和人脸，其把 diffusion 架构换成纯 transformer 架构，基于 LLAMA3 训练，与 diffusion 在 CLIP 等方面有区别。 要使用多模态模型构建 AI 智能体，需要考虑实时性，保持模型能力不变的情况下缩小参数规模，升级架构来提升性能，最好让终端也参与进来分担一部分模型的计算量。同时，让科技变简单，设计出从未有过的硬件产品或重新设计现有的产品，以适应这种毫无机械感、完全类人化的交互方式。
2025-02-06
批改作文时使用什么ai
在批改作文时，可以利用以下 AI 技术和方案： 1. 抓取错词错句： 依赖模型深厚的语言处理能力和对长文本的细致分析能力，精确定位每一个错误，并在理解上下文的基础上提出修改建议。 具备深层次语义理解，能在复杂语境中辨识不恰当词汇和错误句子构造。 基于大规模数据识别，辨别出罕见的词汇或句子搭配。 能够基于上下文相关性评估，有效识别语法正确但语境不适宜的用词。 吸收众多语法规则知识，检测句子是否遵守语法标准。 2. 好词好句识别评测： 模型能模拟一定水平的文学素养，辨别出具有表现力、形象生动或富含智慧的词汇和句子。 有能力辨识不同的写作风格和修辞技巧，挑选出提升文章感染力的佳词妙句。 能够对句子的情感倾向和语气进行解析，识别出有效表达作者意图和情感的优质语句。 3. 作文综合评价评分： 可以综合考虑文章的内容、结构、语言等多个维度，给出全面细致的评价。 按照预定的评分标准，如内容完整性、逻辑性、语言准确性等，进行客观评分。 能够根据学生的写作特点和水平提供个性化的评价和建议。 保证评价标准的一致性，减少主观差异带来的评分不公。
2025-02-06
怎么开始学习AI使用课程？
以下是关于如何开始学习 AI 使用课程的建议： 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。 6. 微软相关课程： 如需了解云计算中的人工智能主题，可以考虑参加《》课程。 人工智能的商业应用案例方面，可以学习《》（和欧洲工商管理学院 INSEAD 共同开发）。 经典机器学习可参考《》。 使用 Azure 认知服务（Azure Cognitive Services）来创建实用的人工智能应用，可从《》等微软课程开始学习。
2025-02-06
怎么学习使用AI课程
以下是关于如何学习使用 AI 课程的建议： 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。 在知识库中有很多大家实践后的作品、文章分享，欢迎实践后分享。 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，微软也提供了一些 AI 初学者入门课程： 1. 如需了解云计算中的人工智能主题，可以考虑参加《》课程。 2. 人工智能的商业应用案例： 可以考虑学习《》（和欧洲工商管理学院 INSEAD 共同开发）。 3. 经典机器学习：在《》中有详细介绍。 4. 使用 Azure 认知服务（Azure Cognitive Services）来创建实用的人工智能应用： 建议从以下微软课程开始学习：《》等。
2025-02-06