目前我有个数据源头，可能是excle或mysql数据库。他们都含义以下字段： 发货日期 物料编号 物料描述 板块 实际已交货量 销售单位 金额(RMB) 金额(不含税RMB) 国家 品牌； 我需要创建一个智能体助手，用于分析这些数据，这个智能通助手需要能按用户需要，分析各个维度的数据，并按板块等维度汇总，并转为柱状图图表表现出现，并表现用户所有日期的近一周的变化，并阐明变化或波动是由哪些数据导致的？

很抱歉，目前飞书知识库中没有关于您所描述的这种特定需求下应选定哪种 prompt 框架的相关内容。但一般来说，构建这样的企业每日利润表分析与汇报助手的 prompt 框架可以考虑以下几个方面： 1. 明确数据来源和格式：清晰描述数据来自 Excel 或 MySQL 数据库，以及包含的具体字段。 2. 定义分析维度和指标：如按板块、国家等维度汇总数据，关注利润相关的指标。 3. 设定时间范围：明确分析近一周的数据变化。 4. 描述图表要求：指定以柱状图展示数据。 5. 解释变化原因：阐明导致数据变化或波动的关键因素。 您可以根据实际情况进一步细化和完善这个框架。

以下为您推荐的 AI 换衣相关的 API 并进行多维度对比： Comfyui_Object_Migration： 特点：可高精度迁移服装样式到目标人物图像，保持高一致性和细节完整性，支持从卡通到写实的风格互相转换，甚至可将平面角色图像转换为可 3D 打印的模型。 应用场景：虚拟角色服装设计迁移到真实照片、为动画角色添加写实服装、微调权重生成独特服装设计。 详细介绍及教程： GitHub： 在选择适合的 AI 大模型 API 服务时，需要考虑以下因素： 对于像开发 AI Share Card 插件这类情况，如果将模板生成功能设计为固定的代码组件，让大模型专注于内容总结的功能，那么对模型的要求就不会过高。 选型要求包括：较长的上下文窗口，因为内容总结类任务需要较大的上下文长度；响应速度要快、并发支持要高，以在多人使用插件时保持良好性能；免费或尽量低价，以减少模型 token 费用。例如，AI Share Card 选用的是 GLM4flash（截至 202412，长达 128k 的上下文窗口，完全免费的调用价格，200 RPM 高并发支持）。

以下是关于图生图时多维度多参数进行生图的方法： 1. 设置文生图提示词： 大模型：majicmixRealistic_v6.safetensors 正向提示词：,auburn hair,eyes open,cinematic lighting,Hyperrealism,depth of field,photography,ultra highres,photorealistic,8k,hyperrealism,studio lighting,photography 负向提示词：EasyNegative,canvasframe,canvas frame,eyes shut,wink,blurry,hands,closed eyes,,lowres,sig,signature,watermark,username,bad,immature,cartoon,anime,3d,painting,b&w 2. 设置参数： 迭代步数：50 采样方法：DPM++ 2M Karras 尺寸：1328×800px 3. 除了文本提词框，图生图功能还有图片框输入口，可通过图片给与 AI 创作灵感。 例如随便照一张照片拖入，文本输入框旁有两个反推提示词的按钮：CLIP 可通过图片反推出完整含义的句子；DeepBooru 可反推出关键词组。 两种反推方式生成的提示词可能有瑕疵，需手动补充提示词信息。 写好提示词后，调整宽度和高度使红框刚好匹配图片。 注意两个重要参数：提示词相关性和重绘幅度。

以下是一些常见的大模型排名及评测标准维度： FlagEval（天秤）大模型评测体系及开放平台： 地址： 简介：旨在建立科学、公正、开放的评测基准、方法、工具集，协助研究人员全方位评估基础模型及训练算法的性能，同时探索利用 AI 方法实现对主观评测的辅助，大幅提升评测的效率和客观性。创新构建了“能力任务指标”三维评测框架，细粒度刻画基础模型的认知能力边界，可视化呈现评测结果。 CEval： 地址： 简介：构造了一个覆盖人文，社科，理工，其他专业四个大方向，52 个学科（微积分，线代…），从中学到大学研究生以及职业考试，一共 13948 道题目的中文知识和推理型测试集。此外还给出了当前主流中文 LLM 的评测结果。 SuperCLUElyb： 地址： 简介：中文通用大模型匿名对战评价基准，这是一个中文通用大模型对战评价基准，它以众包的方式提供匿名、随机的对战。他们发布了初步的结果和基于 Elo 评级系统的排行榜。 斯坦福发布的大模型排行榜 AlpacaEval： 项目链接：https://github.com/tatsulab/alpaca_eval 排行榜链接：https://tatsulab.github.io/alpaca_eval/ 该研究团队选择了目前在开源社区很火的开源模型，还有 GPT4、PaLM 2 等众多「闭源」模型，甚至还开设了一个「准中文」排行榜。 AlpacaEval 分为以 GPT4 和 Claude 为元标注器的两个子榜单。 在斯坦福的这个 GPT4 评估榜单中： GPT4 稳居第一，胜率超过了 95%；胜率都在 80%以上的 Claude 和 ChatGPT 分别排名第二和第三，其中 Claude 以不到 3%的优势超越 ChatGPT。 值得关注的是，获得第四名的是一位排位赛新人——微软华人团队发布的 WizardLM。在所有开源模型中，WizardLM 以仅 130 亿的参数版本排名第一，击败了 650 亿参数量的 Guanaco。 而在开源模型中的佼佼者 Vicuna 发挥依然稳定，凭借着超过 70%的胜率排在第六，胜率紧追 Guanaco 65B。 最近大火的 Falcon Instruct 40B 表现不佳，仅位居 12 名，略高于 Alpaca Farm 7B。 AlpacaEval 的技术细节： 人类一致性：标注者与交叉标注集中人类多数票之间的一致性。 价格：每 1000 个标注的平均价格。 时间：计算 1000 个标注所需的平均时间。相对于人工标注，全自动化的 AlpacaEval 仅需花费约 1/22 的经济成本和 1/25 的时间成本。 AlpacaEval 评估模型的方式： alpaca_eval：直接根据目标模型输出的响应来评估模型。 alpaca_eval evaluate_from_model：根据 HuggingFace 已注册模型或这 API 提供商来端到端评测模型。 评测过程分为以下 3 步： 1. 选择一个评估集，并计算指定为 model_outputs 的输出。默认情况下，使用来自 AlpacaEval 的 805 个示例。 2. 计算 golden 输出 reference_outputs。默认情况下，在 AlpacaEval 上使用 textdavinci003 的输出。 3. 通过 annotators_config 选择指定的自动标注器，它将根据 model_outputs 和 reference_outputs 计算胜率。这里建议使用 alpaca_eval_gpt4 或 claude。根据不同的标注器，使用者还需要在环境配置中设定 API_KEY。

以下是关于“AI 治理与法律”维度的相关内容： 在全球范围内，对于 AI 的立法、监管、伦理讨论大范围落后于技术发展。 美国方面，对于中国的硬件科技限制进一步升级。最先进的 AGI 世界模型不开源，开源模型会落后闭源一个代际，但会服务更广泛的各种专业应用。AGI 将对全行业科技发展起到推动作用，有更好 AGI 的国家会有更快的全面技术进步。 欧洲是目前唯一对 AI 治理有一定讨论的地区，但也大多停留在纸面。 英国的情况是，AI 可能增加不公平偏见或歧视的风险，可能会削弱公众对 AI 的信任。产品安全法确保在英国制造和投放市场的商品是安全的，特定产品的立法可能适用于一些包含集成 AI 的产品，但 AI 技术的特定安全风险应密切监测。消费者权利法可能在消费者签订基于 AI 的产品和服务销售合同时提供保护。 欧盟方面，自 1956 年“人工智能”概念提出后，其理论范围和技术方法不断扩展。2021 年《AI 法案》提案对人工智能的定义更宽泛，而 2022 年《AI 法案》妥协版本中，欧盟理事会及欧洲议会认为“AI 系统”的定义范围应适当缩窄，并侧重强调机器学习的方法。 我国相关法规讨论的出发点完全在于“对于舆论的影响”，根本没有触及 AGI 本身的伦理问题，决策路径大概是政治>经济>>AI 伦理。

AI 治理涵盖多个维度，以下为您梳理的相关内容： 国际合作：拜登政府在推进国内 AI 议程的同时，将与国外盟友和伙伴合作，构建强有力的国际框架来管理 AI 的开发和使用。过去几个月已与多国广泛协商 AI 治理框架。 政策发展：英国在 AI 治理方面，参与者提到了隐私原则，该原则嵌入在更广泛的监管考虑中，要求监管机构和 AI 生命周期参与者遵守英国的数据保护框架。 安全与治理：监管机构可能需要考虑解决安全性、稳健性和安全性的技术标准，以对 AI 系统的安全和稳健性能进行基准测试，并为 AI 生命周期参与者提供实施原则的指导。 透明度和可解释性：AI 系统应具有适当的透明度和可解释性，透明度指向相关人员传达适当的信息，解释性指相关方能够访问、解释和理解决策过程。 公平性：AI 可能增加在一系列指标或特征上的不公平偏见或歧视风险，可能会破坏公众对 AI 的信任。 法律保护：产品安全法确保在英国制造和投放市场的商品是安全的，消费者权益法可能在消费者签订基于 AI 的产品和服务销售合同时提供保护。

目前，通过 AI 工具的结合，在一定程度上可以根据已调研完成的病例数据输出医学报告。例如 GPT4V 在医学图像理解方面显示出了有效性，能够为各种医学图像生成完整的放射学报告。在一些案例中，如腹部 X 射线图像和右膝的 MRI 图像，GPT4V 能正确识别研究并提供准确诊断。但也存在一些错误，比如在手部/腕部 X 射线图像中错过远侧桡骨骨折，在胸部 CT 中错误识别结节位置和产生测量误差。尽管生成的报告能保持高质量格式，可作为模板减轻医学专业人士起草报告的工作负担，但由医学专业人士评估生成的报告以确保其正确性和准确性仍是至关重要的。

以下是关于 AI 数据分析的相关内容： ChatGPT 助力数据分析： 本文重点介绍了 AI 与数据分析结合的应用，通过实际案例与相关技巧，描述了 ChatGPT 如何助力数据分析。 实现了两种方式支持多维数据分析： SQL 分析：分析平台自身使用情况，输入一句话可分析用户配置图表相关数据。用户描述想分析的内容，后台连接 DB，附带表结构信息让 AI 输出 SQL 语句，校验为 SELECT 类型后执行返回结果数据，再传给 GPT 分析，最后输出分析结论和建议并返回前端页面渲染图表。 个性化分析：平台支持上传数据，可提供数据信息辅助分析，前端解析文件后传给 GPT 分析，后续步骤与 SQL 分析一致。 分析完成后展示结果数据的图表和分析结论，图表支持折线图和柱状图可随意切换。 生成式 AI 季度数据报告 2024 月 1 3 月： 作者包括郎瀚威 Will、张蔚 WeitoAGI、江志桐 Clara 等。 报告涵盖总体流量概览、分类榜单、文字相关（个人生产力、营销、教育、社交）、创意相关（图像、视频）、音频大类、代码大类、Agent、B2B 垂类等方面。 涉及数据准备、分类标准图谱准备、赛道分析、竞争分析等内容。

要让 AI 识别对话并生成结构化数据存储到软件系统里，可以参考以下方法： 1. 基于结构化数据来 RAG：如果原始数据本身就是结构化、标签化的，不必将这部分数据做向量化。结构化数据的特点是特征和属性明确，可用有限标签集描述，能用标准查询语言检索。以餐饮生活助手为例，流程包括用户提问、LLM 提取核心信息并形成标准查询、查询结构化数据、LLM 整合回复。 2. 利用 Coze 平台设计 AI 机器人：创建好 Bot 后，从“个人空间”入口找到机器人，进行“编排”设计。Coze 平台常用的概念和功能包括提示词（设定 Bot 身份和目标）、插件（通过 API 连接集成服务）、工作流（设计多步骤任务）、触发器（创建定时任务）、记忆库（保留对话细节，支持外部知识库）、变量（保存用户个人信息）、数据库（存储和管理结构化数据）、长期记忆（总结聊天对话内容）。设计 Bot 时要先确定目的，比如“AI 前线”Bot 的目的是作为 AI 学习助手，帮助职场专业人士提升在人工智能领域的知识和技能，并提供高效站内信息检索服务。 注：Coze 官方使用指南见链接：https://www.coze.cn/docs/guides/welcome ，遇到疑问也可查阅该指南。

以下两款 AI 可以实现参考一张柱状图，使用您提供的数据生成同样的柱状图： 1. PandasAI：这是让 Pandas DataFrame“学会说人话”的工具，在 GitHub 已收获 5.4k+星。它并非 Pandas 的替代品，而是将 Pandas 转换为“聊天机器人”，用户可以以 Pandas DataFrame 的形式提出有关数据的问题，它会以自然语言、表格或者图表等形式进行回答。目前仅支持 GPT 模型，OpenAI API key 需自备。例如，输入“pandas_ai.run”，即可生成相关柱状图。链接：https://github.com/gventuri/pandasai 2. DataSquirrel：这是一款自动进行数据清理并可视化执行过程的数据分析工具，能帮助用户在无需公式、宏或代码的情况下快速将原始数据转化为可使用的分析/报告。目前平台提供的用例涵盖了 B2B 电子商务、人力资源、财务会计和调查数据分析行业。平台符合 GDPR/PDPA 标准。链接：https://datasquirrel.ai/

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。