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？ 结合以上需求，我需要在飞书上构建一个企业每日利润表分析与汇报助手，该选定哪种prompt框架

如果您想要一个能帮助快速计算式子的助手，可以通过以下步骤实现： 1. 搭建示例网站： 创建应用：点击打开提供的函数计算应用模板，参考相关图示选择直接部署，并填写获取到的百炼应用 ID 以及 APIKEY，其他表单项保持默认，点击页面左下角的创建并部署默认环境，等待项目部署完成（预计耗时 1 分钟）。 访问网站：应用部署完成后，在应用详情的环境信息中找到示例网站的访问域名，点击即可查看，确认示例网站已经部署成功。 2. 为网站增加 AI 助手： 增加 AI 助手相关代码：回到应用详情页，在环境详情的最底部找到函数资源，点击函数名称，进入函数详情页。在代码视图中找到 public/index.html 文件，然后取消相应位置的代码注释。最后点击部署代码，等待部署完成。 验证网站上的 AI 助手：重新访问示例网站页面以查看最新效果，此时网站的右下角会出现 AI 助手图标，点击即可唤起 AI 助手。 此外，零代码自建决策助手可以帮您解决生活中的决策问题，决策链设计包括： 1. 加权得分计算：将每个选项在各个标准上的得分与相应的权重相乘，然后求和，得出每个选项的总加权得分。 2. 机会成本分析：考虑选择每个选项时可能放弃的其他机会。 3. 简单情景分析：为每个选项构想最佳和最坏的情况。 4. 决策矩阵分析：将前面步骤的分析结果汇总到一个表格中，包括预期收益、机会成本、净收益、长期影响和风险评估。 决策阶段包括： 1. 敏感性分析：通过调整不同因素的权重，检验决策是否稳健。 2. 情感检验：反思个人对每个选项的情感反应，并考虑其与理性分析的一致性。 3. 提供最终决策建议：基于前面的所有分析，提出一个综合的建议。 案例——帮你选工作： 假设您是一名在职的产品经理，想跳槽并拿到两个不错的 offer，向决策助手求助。整个流程始于您向决策助手提出问题，决策助手随即要求您提供 offer 的基本信息。在您提供完信息后，决策助手开始定义基本的评估标准，并让您审核，还会根据您的喜好和目标给出权重分配的建议。在您认可权重分配后，决策助手对每个选项进行评分，评分采用 1 到 10 分的制度，涵盖所有评估标准。评分完成后，决策助手会整理出一个清晰的表格，包含各项评估标准的权重以及每个选项在各个标准下的得分。

以下是关于问题定义优化助手的相关内容： 市面上有很多 Prompt 框架，框架可理解为从不同角度为思考问题提供解决方案的路径。一个问题的解决通常包括问题背景（所需角色、具备的能力和资源）、问题目标（期望的输出结果和验收标准，如提供商务谈判的完整过程）、提供的资料信息、限制条件（如预算限制等）、角色技能（为目标服务所需调动的技能，如熟悉某个领域的商业案例）和工作流（解决问题时需完成的任务步骤，如信息收集、谈判策略设定等）。细致的内容可能得到更好的结果，但也可能限制可能性，这是一个平衡和折中的结果。 效果呈现方面，体验地址为 。 3 月 5 日作业要求大家看完小七姐的 5 篇入门指南并动手实践，写出自己的一条 prompt 及对话分享出来，提交格式为创作思路和目标｜prompt 展示｜输出结果。例如无上的目标是让大模型对自己的提问内容进行优化，其思路包括询问大模型“更好的提问”方法论、让 kimi 分析并优化等步骤。 在从 AI 助教到智慧学伴的应用探索中，提到了在不同学段和学科的应用场景，以及向 AI 大模型提问的问题设计，还涉及教育提示词优化助手。

以下是一些论文阅读助手相关的预置提示词： 论文内容总结方面：GLM4Plus 结合良好的提示词能够帮助学生快速总结论文内容，提高梳理效率。例如：阅读完整篇文章之后需要花费大量时间总结和梳理文章内容，而大模型可以结合有效的提示词，迅速总结概括文档，从而节省时间。 论文内容翻译方面：GLM 结合良好的提示词能够帮助学生快速翻译论文内容，提高论文阅读效率。 论文内容扩写润色方面：精心设计的润色提示词可以根据特定场景进行调整，以便生成与特定平台风格相匹配的多样化润色结果。比如针对小红书的使用场景，调整提示词以匹配其特有的口语化、轻松愉快的氛围，从而将论文中的结论部分润色成适合在小红书上分享的生活化内容。 此外，还有以下相关提示词： Claude2 中文精读方面：零提示生成直接引用，如提示以获取相关引语。文档摘要或文本+直接引语通常能使答案更准确。 小七姐的教程中提到：比如让 AI 帮阅读文档时，可以写如“于是这个提示词解决了你自己，和任何收到你 Prompt 的人微调几个关键信息就能自动让 GPT 或者 Kimi 帮你阅读一篇论文而且生成不错的总结啦！”的提示词。还可以选择如“情境:”这样的基础提示词框架入手。

作为财务人员，可以开发以下类型的 AI 助手： 1. 税务方面： 利用引刀 AP 创建网页实现智能解答税务问题。 结合飞书避免信息泄露和实现自动回复。 2. 日常工作方面： RPA 流程自动化机器人，可替代电脑办公中的重复有逻辑工作，如开票、网银流水下载等，为企业降本增效。 财经数据分析助手，能分析和解释财经数据，提供投资建议。 风险评估模型，进行财务风险评估和预测。 自动化金融报告编制，自动化编制和解读财务报告。

个人 AI 助手的应用方向广泛，包括但不限于以下几个方面： 1. 教育培训： 数字教师：如让牛顿亲自授课《牛顿运动定律》，让白居易讲述《长恨歌》背后的故事。可以与历史人物对话交流，不受时空限制，实现一对一辅导，提高学生参与感，还能根据学生情况提供定制化学习计划和资源，缓解教育资源不平等问题。 数字陪伴：作为孩子的玩伴，给予赞美等社会奖励，促进儿童成长和提高学习成绩。 2. 宠物相关： AI 宠物助手：基于自然语言处理和计算机视觉，帮助主人照顾宠物，如自动识别宠物情绪、提供饮食建议、监测健康状况等。 AI 宠物互动玩具：利用 AI 技术开发智能互动玩具，增强宠物娱乐体验，如会自主移动并引起宠物注意、会发声和互动的玩具等。 AI 宠物图像生成：使用生成式 AI 模型，根据文字描述生成宠物形象图像，帮助主人定制个性化形象。 AI 宠物医疗诊断：利用计算机视觉和机器学习技术，开发辅助诊断系统，通过分析症状图像和病历数据提供初步诊断建议。 AI 宠物行为分析：基于传感器数据和计算机视觉，分析宠物行为模式，帮助主人了解宠物需求和习性。 3. 信息检索与分析： Google Gemini 的 Deep Research：智能信息检索与分析工具，基于主题快速检索全网资源并生成综合报告，支持导出为 Google Docs 文档格式，适合学术研究、内容创作、行业分析等场景，整合了 Google 核心数据源，结合模型多模态处理能力，可处理大量上下文信息。 第四范式发布的桌面端 AI 搜索工具：基于人工智能技术的全能搜索助手，提升用户在本地文件、即时通信、网盘等各类在线应用中的搜索体验，可通过简单描述查询意图进行模糊搜索，支持实时预览搜索结果。

以下是关于 Coze 小红书爆款文章生成助手的相关内容： 1. 画小二的 Coze 工作流配置：包括抖音热门视频转小红书图文的详细参数配置，如整体结构图、开始模块、Get_Video 模块、LinkReaderPlugin 模块、标题大模型、内容大模型、图片 Prompt 大模型、文生图 ImageToolPro 以及输出结果的参数配置。在标题和正文生成方面，有具体的要求和技能，如采用二极管标题法、使用爆款关键词、遵循小红书平台标题特性、保证正文口语化且长短在 200 字左右等。 2. 一泽 Eze 提出的样例驱动的渐进式引导法：强调精彩的 Prompt 对驱动 AI Agent 稳定运作的重要性，指出高质量 Prompt 依赖用户的逻辑思考和知识经验抽象表达，介绍了通过 12 个初始样例引导 AI 定制完美提示词的方法。 3. 雪梅 May 的 AI 学习日记：记录了对 Coze 的学习过程，包括了解到 Coze 是字节跳动的 AI agent 产品，可用工作流方式制作 AI 智能体，如爸妈防骗助手、热点文章生成器等，并分享了自己对 Coze 的初步理解，认为它能让无技术背景的人实现想法。

要创建这样一个智能体助手来分析您提供的数据，以下是一些建议的步骤： 1. 数据获取与预处理： 从 Excel 或 MySQL 数据库中读取数据。 对数据进行清洗和预处理，例如处理缺失值、异常值等。 2. 数据分析与计算： 按照用户需求的维度（如板块、国家、品牌等）对数据进行分组和汇总计算。 计算近一周的数据变化情况。 3. 图表生成： 使用合适的图表库（如 matplotlib、Seaborn 等）将汇总后的数据以柱状图的形式展示。 4. 变化原因分析： 通过比较不同维度的数据，找出导致变化或波动的关键因素。 在技术实现方面，您可以使用 Python 编程语言来完成上述任务。例如，使用 Pandas 库进行数据处理和分析，使用 Matplotlib 库生成图表。希望这些建议对您有所帮助，如果您在实现过程中遇到具体的技术问题，欢迎随时向我咨询。

以下是对程序员在 AI 能力上不同维度的分析： AI 对程序员工作的影响： AI 可代替的部分：代码生成、补全、分析问题和数据提取、辅助架构设计文档等。 AI 无法代替的部分：需求分析、复杂项目拆分、线上问题排查、调试及安全性保障。 企业考察候选人 AI 能力的要点： 基础 AI 应用能力：包括提示词工程，会用合适的方式提问以引导 AI 输出高质量答案；内容评估能力，能够判断 AI 生成的内容是否靠谱并加以优化；熟练使用 AI 工具，能快速上手各类 AI 工具，如 DeepSeek、Cursor、Midjourney 等。 高级 AI 应用能力：任务拆解能力，知道哪些工作适合用 AI，哪些环节需要人工把控；业务场景应用能力，能在实际工作中灵活运用 AI 提高效率。 加分项：快速学习能力，能跟上 AI 技术的快速迭代，主动学习新工具、新方法。 不同领域考察 AI 能力的方式：因领域而异。 程序员与 AI 编程助手： 约 2/3 的 730 名程序员已在使用 AI 编程助手（如 ChatGPT、GitHub Copilot、Cursor 等），原因包括对新技术的敏感性、尝试后获得效率红利、习惯养成。 使用比例远超预期，AI 编程助手迅速渗透开发者日常，好奇心驱动和效率反馈形成正向循环，AI 的使用逐渐成为程序员的“标配能力”。 AI 对编程行业的影响： 不止于“效率提升”，还带来岗位结构、心理预期、安全风险等深层变化。 技能退化与岗位压缩令人焦虑，使用 AI 成为职场新基本素养，心理压力、合规风险需同步应对。 积极影响与未来趋势：人机协作成为主流，AI 释放开发者创造力；门槛降低促使创新频率提升；持续学习与能力更新成为行业新常态。

以下是对程序员在 AI 能力上不同维度的分析，包括 AI 框架和 AI Prompt 等方面： AI 框架： PromptPal：专为 AI 领域中的初创公司和个人开发者设计的提示管理工具，是一个集中化平台，便于在 AI 项目中管理提示，实现协作和工作流程优化。具有本地部署和云原生、简易设置、数据库支持、SDK 支持、提示跟踪与分析、协作工具等特点。开发指向： ChainForge：开源的可视化编程环境，专门用于测试大型语言模型（LLMs）的提示。允许用户进行快速而有效的提示想法测试和变化，具有多模型测试、响应质量比较、评估指标设置、多对话管理等特点。开发指向： AI Prompt： Promptknit：为 AI Prompts 测试提供服务的平台，可能提供工具和资源来帮助用户设计、测试和优化 AI 模型的提示。网站： 对于律师等法律人写好 Prompt 的建议： 明确 Prompt 是给人工智能（AI）系统提供的信息或问题，用来引导其产生特定回答或执行特定任务。 建议框架及格式：CRISPE 包括 Capacity and Role（能力与角色）、Insight（洞察）、Statement（陈述）、Personality（个性）、Experiment（举例）。例如，在处理合同纠纷案件时，为 AI 赋予角色和能力，提供背景信息和上下文，明确期望其完成的任务，设定回答风格等。

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。

在提供的内容中，有提及数据治理在 AI 领域的相关信息。例如，数据治理涵盖了组织为确保数据的质量、安全和合乎伦理的使用而制定的政策、程序和标准。在 AI 情境中，数据治理对于保证用于训练和运行 AI 系统的数据准确、公平且使用得当、获得同意，尤其是处理敏感或个人可识别信息时，显得尤为重要。但未对数据治理领域的 AI 进行专门和详细的阐述。

以下是一些用数据作图的 AI 软件： 1. Lucidchart：流行的在线绘图工具，支持多种图表创建，包括逻辑视图、功能视图和部署视图，用户可通过拖放界面轻松创建架构图。 2. Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能，如逻辑视图（类图、组件图）、功能视图（用例图）和部署视图（部署图）。 3. ArchiMate：开源的建模语言，专门用于企业架构，支持逻辑视图创建，可与 Archi 工具配合使用，该工具提供图形化界面创建模型。 4. Enterprise Architect：强大的建模、设计和生成代码工具，支持创建多种架构视图，包括逻辑、功能和部署视图。 5. Microsoft Visio：广泛使用的图表和矢量图形应用程序，提供丰富模板用于创建逻辑视图、功能视图和部署视图等。 6. draw.io（现称为 diagrams.net）：免费的在线图表软件，允许创建各种类型图表，包括软件架构图，支持创建逻辑视图和部署视图等。 7. PlantUML：文本到 UML 的转换工具，通过编写描述性文本自动生成序列图、用例图、类图等，帮助创建逻辑视图。 8. Gliffy：基于云的绘图工具，提供创建各种架构图的功能，包括逻辑视图和部署视图。 9. Archi：免费开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图创建。 10. Rational Rose：IBM 的 UML 工具，支持创建多种视图，包括逻辑视图和部署视图。 此外，还有一些辅助或自动生成 CAD 图的 AI 工具： 1. CADtools 12：Adobe Illustrator 插件，为 AI 添加 92 个绘图和编辑工具。 2. Autodesk Fusion 360：集成了 AI 功能的云端 3D CAD/CAM 软件，能创建复杂几何形状和优化设计。 3. nTopology：基于 AI 的设计软件，可创建复杂 CAD 模型，包括拓扑优化、几何复杂度和轻量化设计等。 4. ParaMatters CogniCAD：基于 AI 的 CAD 软件，可根据用户输入的设计目标和约束条件自动生成 3D 模型。 5. 主流 CAD 软件（如 Autodesk 系列、SolidWorks 等）中的生成设计工具，可根据用户输入自动产生多种设计方案。 在 AI 绘图方面，目前市面上主流的有 Stable Diffusion 和 Midjourney。Stable Diffusion 开源免费、可本地化部署、创作自由度高，但需要较好电脑配置，尤其是显卡；Midjourney 操作简单方便，创作内容丰富，但需要科学上网且付费，每月费用约 200 多元。前期想要了解的可以试试 Stable Diffusion，具体安装方法可参考 B 站【秋葉 aaaki】的视频。

以下是为您整理的关于用数据作图的 AI 相关内容： 在 AI 绘画方面，其运行机制通常有三层。第一层是基础逻辑层，能完成风格迁移。第二层是数据库，需要大量“喂图”供 AI 深度学习，以获得不同图像参数范例。第三层是创造性输出，能产出符合文字描述且具美学逻辑的图像。例如在 AI 绘画服务中，存在爬取大量数据以供后续深度学习使用的情况。在美国版权法中，获取使用网络数据的行为在一定条件下被纳入合理使用范畴。我国虽未明确规定“转换性使用”概念，但司法实践中已有参考适用案例。然而，针对 AI 爬取网络数据的行为，实际上并不完全符合我国《著作权法》中对于合理使用的规定，且举证困难。 在教师使用 AI 小技巧方面，如生成关于特定问题的统计数据图，如“此前你是否使用过生成式 AI 大语言模型？”的柱状图或饼图，并标注数据比例。 在 UI 设计中，Midjourney 可生成相关图片，但可能存在不规范和文字混乱的情况，目前只能作为风格参考。网上已有不少 AI 生成的 UI 设计软件开始内测。

目前知识库中没有关于如何利用 AI 采集准确数据并转化为图表表示的相关内容。但一般来说，要利用 AI 实现这一目标，您可以考虑以下步骤： 首先，明确您需要采集的数据类型和来源。例如，是网络数据、数据库数据还是传感器数据等。 然后，选择适合的 AI 工具或技术，如数据挖掘算法、机器学习模型等，对数据进行采集和预处理，以提高数据的准确性和质量。 在数据采集完成后，使用数据分析软件或编程语言，如 Python 中的相关库（如 matplotlib、seaborn 等），将数据转化为图表进行直观展示。 需要注意的是，具体的实现方式会因数据特点、需求和技术环境的不同而有所差异。

以下是关于 Python 数据分析的相关内容： BORE 框架与数据分析： 自动驾驶产品经理的工作中会涉及大量数据分析，数据分析是一门独立完整的学科，包括数据清洗、预处理等。从工具和规模上，写 Excel 公式、用 Hadoop 写 Spark 算大数据等都属于数据分析；从方法上，算平均数、用机器学习方法做回归分类等也属于数据分析。 用 ChatGPT 做数据分析的工具： 1. Excel：是最熟悉和简单的工具，写公式、Excel 宏等都属于进阶用法，能满足产品的大部分需求。ChatGPT 可轻松写出可用的 Excel 宏。 2. Python：有很多强大的数据分析库，如 pandas、numpy 用于数据分析，seaborn、plotly、matplotlib 用于画图，产品日常工作学点 pandas 和绘图库就够用。一般数据分析的代码可用 Jupyter Notebook 运行，用 Anaconda 管理安装的各种包。 3. R 语言：专门用于搞统计，但 Python 通常已够用。 实践：用 Kaggle 的天气数据集绘制气温趋势折线图与月降雨天数柱状组合图： 1. 项目要求：绘制气温趋势折线图+月降雨天数柱状组合图，即双 y 轴的图形。 2. 打开数据集，分析数据：发现关键表头与数据可视化目的的关联。 3. 新建 Python 文件，开始编程：包括调用库、读取数据、数据处理、创建图表、添加标题与图例、保存并显示图形等步骤。 4. 试运行与 Debug：发现左纵坐标数据有误，重新分析数据集并修改代码，最终实现可视化目的。 关于 ChatGPT 的预设 prompt： 在特定的设置下，当发送包含 Python 代码的消息给 Python 时，它将在有状态的 Jupyter 笔记本环境中执行，有 60 秒的超时限制，'/mnt/data'驱动器可用于保存和持久化用户文件，本次会话禁用互联网访问，不能进行外部网络请求或 API 调用。

以下是一些数据集的下载途径： 对于微调 Llama3 的数据集，获取及原理可参考文档：。 鸢尾花数据集下载请点击链接：https://scikitlearn.org/stable/modules/generated/sklearn.datasets.load_iris.html 。 天气数据集下载请点击链接：https://www.kaggle.com/datasets/muthuj7/weatherdataset 。建议创建一个文件夹，将下载下来的数据集放入文件夹中。