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

0到1使用大语言模型

Answer

以下是关于 0 到 1 使用大语言模型的相关内容：

Ollama 框架：

  1. 支持多种大型语言模型，如通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同应用场景。
  2. 易于使用，适用于 macOS、Windows 和 Linux 系统，同时支持 CPU 和 GPU。
  3. 提供模型库，用户可从中下载不同参数和大小的模型，通过 https://ollama.com/library 查找。
  4. 支持用户自定义模型，例如修改温度参数调整创造性和连贯性，或设置特定系统消息。
  5. 提供 REST API 用于运行和管理模型，以及与其他应用程序的集成选项。
  6. 社区贡献丰富，包括多种集成插件和界面，如 Web 和桌面应用、Telegram 机器人、Obsidian 插件等。
  7. 安装完后，确保 ollama 后台服务已启动（在 mac 上启动 ollama 应用程序，在 linux 上通过 ollama serve 启动），可通过 ollama list 确认。

大模型安全：

  1. 通过对齐（指令调优）使语言模型更好理解人类意图并增加安全保障，可拆解为监督微调、获取 reward model 和强化学习调整输出分布两部分。
  2. LLAMA2 专门使用安全有监督微调确保语言模型安全。
  3. 强化学习通过引入人类反馈数据调整模型输出分布，使模型面对训练分布外数据时能拒绝不当回答。
  4. 但 Alignment 并不足以防护所有安全问题，存在越狱（Jailbreak）情况，导致模型对齐失效。
  5. 还需关注隐私问题。

大模型架构与特点：

  1. 包括 encoder-only、encoder-decoder 和 decoder-only 三种架构，目前熟知的 AI 助手多为 decoder-only 架构。
  2. 大模型预训练数据量大，来自互联网，参数多，如 Open 在 2020 年发布的 GPT-3 已达 170B 参数。
  3. GPT-3 可根据任务描述和示例完成任务，ChatGPT 则通过对话完成任务，二者在形式和安全性上有差别。
Content generated by AI large model, please carefully verify (powered by aily)

References

本地部署资讯问答机器人：Langchain+Ollama+RSSHub 实现 RAG

1.支持多种大型语言模型：Ollama支持包括通义千问、Llama 2、Mistral和Gemma等在内的多种大型语言模型，这些模型可用于不同的应用场景。2.易于使用：Ollama旨在使用户能够轻松地在本地环境中启动和运行大模型，适用于macOS、Windows和Linux系统，同时支持cpu和gpu。3.模型库：Ollama提供了一个模型库，用户可以从中下载不同的模型。这些模型有不同的参数和大小，以满足不同的需求和硬件条件。Ollama支持的模型库可以通过https://ollama.com/library进行查找。4.自定义模型：用户可以通过简单的步骤自定义模型，例如修改模型的温度参数来调整创造性和连贯性，或者设置特定的系统消息。5.API和集成：Ollama还提供了REST API，用于运行和管理模型，以及与其他应用程序的集成选项。6.社区贡献：Ollama社区贡献丰富，包括多种集成插件和界面，如Web和桌面应用、Telegram机器人、Obsidian插件等。7.总的来说，Ollama是一个为了方便用户在本地运行和管理大型语言模型而设计的框架，具有良好的可扩展性和多样的使用场景。后面在捏Bot的过程中需要使用Ollama，我们需要先安装，访问以下链接进行下载安装。https://ollama.com/download/安装完之后，确保ollama后台服务已启动（在mac上启动ollama应用程序即可，在linux上可以通过ollama serve启动）。我们可以通过ollama list进行确认，当我们还没下载模型的时候，正常会显示空：可以通过ollama命令下载模型，目前，我下载了4个模型：几个模型简介如下:

从 0 到 1 了解大模型安全，看这篇就够了

这张图来自于OpenAI()于2022年发布的论文，正是这篇论文造就了我们所熟知的ChatGPT。通过对齐，也叫做指令调优，使得语言模型更好的理解人类意图，同时也对语言模型增加了安全保障，确保语言模型不会输出有害的内容和信息。对于对齐任务来说，我们可以拆解为两部分第一个部分是图中的Step-1.监督微调第二个部分则是图中的二和三，通过Step2获取reward model与通过Step3进行强化学习，调整语言模型的输出分布。这两种方法都能用于保证语言模型的安全LLAMA2()是当前使用最广泛的开源大型语言模型,在其技术报告中提到他们专门使用了安全有监督微调用于确保语言模型的安全.通过给定危险的问题和拒绝的回答,语言模型就像背诵一样,学会了对危险的查询生成拒绝的响应强化学习通过引入带有人类反馈的数据对模型进行强化学习,根据人类的偏好和反馈,语言模型在调整分布的过程中,需要更细粒度的思考,究竟什么样的答案是更好的,更安全的.并且由于引入了类似思考的过程,语言模型在面对训练分布外的数据,也有可能学会举一反三的拒绝掉不该回答的内容,更少的胡编乱造,产生幻觉性的输出那么Alignment就足够防护所有的安全问题了吗?毕竟现在的大型语言模型如GPT-4和Claude()等已经几乎不会回复危险的问题了.不,并不安全,就像测试工程师经常苦恼的问题一样,用户们的创造力是无穷的.,他们会用各种各样难以想象的方法试图得到他们想要的”不受束缚的”AI这种技术被统称为越狱,Jailbreak!通过Jailbreak,模型的对齐基本失效,重新变为一个回答各种问题的模型关于越狱部分，我将在文章的后半部分中专门详细讲解。在这里，我们先来讲讲隐私问题。

从 0 到 1 了解大模型安全，看这篇就够了

encoder-only:这些模型通常适用于可以自然语言理解任务，例如分类和情感分析.最知名的代表模型是BERTencoder-decoder:此类模型同时结合了Transformer架构的encoder和decoder来理解和生成内容。该架构的一些用例包括翻译和摘要。encoder-decoder的代表是google的T5decoder-only:此类模型更擅长自然语言生成任务。典型使用包括故事写作和博客生成。这也是我们现在所熟知的众多AI助手的结构我们目前耳熟能详的AI助手基本都来自左侧的灰色分支,当然也包括ChatGPT。这些架构都是根据谷歌2017年发布的论文“attention is all you need”中提出的transformer衍生而来的，在transformer中，包括Encoder，Decoder两个结构目前的大型语言模型就是右侧只使用Decoder的Decoder-only架构的模型大模型又大在哪呢？第一，大模型的预训练数据非常大，这些数据往往来自于互联网上，包括论文，代码，以及可进行爬取的公开网页等等，一般来说，现在最先进的大模型一般都是用TB级别的数据进行预训练。第二，参数非常多，Open在2020年发布的GPT-3就已经达到170B的参数在GPT3中，模型可以根据用户输入的任务描述，或给出详细的例子，完成任务但这与我们熟知的ChatGPT仍然有着很大的差距，使用ChatGPT只需要像和人类一样对话，就可以完成任务。除了形式上的不同之外，还有一个更加重要的差距，那就是安全性上的差别。

Others are asking
大模型和小模型区别是什么？是否大模型都属于生成式AI，小模型属于判别式AI，为什么大模型有幻觉小模型没有？
大模型和小模型的区别主要体现在以下几个方面： 1. 规模和参数数量：大模型通常具有更多的参数和更复杂的架构，能够处理更大量和更复杂的数据。 2. 能力和性能：大模型在语言理解、生成等任务上往往表现更出色，能够生成更准确、丰富和连贯的内容。 3. 应用场景：大模型适用于广泛的通用任务，而小模型可能更专注于特定的、较狭窄的领域。 并非大模型都属于生成式 AI，小模型都属于判别式 AI。生成式 AI 能够生成新的内容，如文本、图片等；判别式 AI 则主要用于对输入进行分类或判断。模型的分类与其大小并无直接的必然联系。 大模型出现幻觉的原因主要是其通过训练数据猜测下一个输出结果，可能会因错误或不准确的数据导致给出错误的答案。而小模型相对来说数据量和复杂度较低，出现幻觉的情况相对较少，但这并非绝对，还取决于模型的训练质量、数据的准确性等多种因素。优质的数据集对于大模型减少幻觉现象非常重要。
2025-02-21
如果想用AI创作表情包，推荐用什么AI大模型
如果您想用 AI 创作表情包，以下是一些推荐的 AI 大模型及相关平台： 1. MewXAI：这是一款操作简单的 AI 绘画创作平台。其功能包括 MX 绘画，拥有众多超火模型和上百种风格，支持文生图、图生图；MX Cute 是自研的可爱风动漫大模型；MJ 绘画在表情包制作等方面表现出色；还有边缘检测、室内设计、姿态检测、AI 艺术二维码、AI 艺术字等多种功能。访问地址：https://www.mewxai.cn/ 2. 在开发 AI Share Card 插件的过程中，选用的是 GLM4flash 模型。它具有较长的上下文窗口、响应速度快、并发支持高、免费或价格较低等优点。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-02-21
复杂推理的产品，给模型灌什么能够更好训练推理能力？以及怎么优化模型的推理准确度？
以下是一些能够更好训练模型推理能力以及优化推理准确度的方法： 1. OpenAI 的推理模型通过强化学习进行训练，在训练过程中，模型学会在回答前思考，产生长链的思维过程，并不断尝试不同策略，识别错误，从而能够遵循特定的指导方针和模型政策，提供更有用的回答，避免产生不安全或不适当的内容。 2. 蒙特卡洛树搜索（MCTS）对推理模型有积极影响，例如在数学定理证明中，能探索非确定性证明路径，将解决 IMO 几何题的耗时从传统方法的 30 分钟降至 90 秒；在多跳问答系统中，结合 MCTS 的模型在 HotpotQA 数据集上准确率提升 12%，因其能回溯验证中间推理步骤。 3. 动态知识融合机制方面，传统基于规则的推理无法处理模糊知识，而 MCTS 增强方案在医疗诊断中可将误诊率从纯规则引擎的 23%降至 9%。 4. 资源分配优化方面，在逻辑谜题求解任务中，MCTS + Transformer 能达到 85%准确率且耗时 3 秒，而纯 Transformer 为 62%准确率且耗时 8 秒；在法律条文推导任务中，MCTS + Transformer 有 92%合规性且耗时 5 秒，纯 Transformer 为 88%合规性且耗时 2 秒。 OpenAI 于 9 月 12 日发布的新模型 o1 旨在实现通用复杂推理，通过强化学习和思维链的方式提升推理能力，尤其在数学和编程领域表现出色，但用户反馈显示其实际表现与宣传存在差距，成本高于 GPT4o，且在某些任务上优势不明显，OpenAI 仍在探索如何优化模型的推理性能。
2025-02-21
偏推理型的内容，怎么提升模型的推理深度及准确度？
提升模型推理深度及准确度的方法包括以下几个方面： 1. 扩大模型规模：随着模型规模的扩大，其推理能力会得到提升，类似于 AlphaGo 或 AlphaZero 的工作方式，通过蒙特卡罗推演来修改评估函数，从而提高推理精度。 2. 引入多模态学习：引入图像、视频和声音等多种模式将极大地改变模型的理解和推理能力，特别是在空间理解方面。多模态模型可以通过更多的数据和更少的语言来进行学习。 3. 优化训练方法： RLHF（Reinforcement Learning from Human Feedback）：模型在这个过程中的目标是最大程度地获得人类的认可，通过奖励模型来衡量。 结合不同的推理能力提高途径：将生成不同的思维链（CoT）并选择有效路径的方法，与在部署时用大量计算进行推理的方法结合起来。 4. 改进模型结构和算法： 规模和算法是科技进步的关键因素，数据和计算规模具有决定性作用。 在模型之上添加启发式方法或增加模型本身的规模。 此外，Hinton 还提到了一些相关观点，如最合理的模型是将符号转换成大向量并保留符号的表面结构，大型语言模型通过寻找共同的结构来提高编码效率，以及即使训练数据中有错误，大型神经网络也具有超越训练数据的能力等。
2025-02-21
现在市面上的AI大模型
以下是关于市面上的 AI 大模型的相关知识： 1. 概念：生成式 AI 生成的内容称为 AIGC。 2. 概念与关系： AI 即人工智能。 机器学习是电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习从反馈中学习，以最大化奖励或最小化损失，类似训小狗。 深度学习是一种参照人脑有神经网络和神经元的方法（因层数多而称为深度），神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型，对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 3. 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出 Transformer 模型，它完全基于自注意力机制处理序列数据，不依赖于循环神经网络或卷积神经网络。
2025-02-20
你使用了哪些大模型
以下是关于大模型的相关信息： 大模型的定义：大模型的“大”指用于表达 token 之间关系的参数多，主要是模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数。以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。数字化便于计算机处理，为让计算机理解 Token 之间的联系，需把 Token 表示成稠密矩阵向量，这个过程称为 embedding，常见算法有基于统计的 Word2Vec、GloVe，基于深度网络的 CNN、RNN/LSTM，基于神经网络的 BERT、Doc2Vec 等。 国内部分大模型： 北京：百度（文心一言）https://wenxin.baidu.com 、抖音（云雀大模型）https://www.doubao.com 、智谱 AI（GLM 大模型）https://chatglm.cn 、中科院（紫东太初大模型）https://xihe.mindspore.cn 、百川智能（百川大模型）https://www.baichuanai.com/ 上海：商汤（日日新大模型）https://www.sensetime.com/ 、MiniMax（ABAB 大模型）https://api.minimax.chat 、上海人工智能实验室（书生通用大模型）https://internai.org.cn 部分大模型的特点：在聊天状态下能生成 Markdown 格式的有智谱清言、商量 Sensechat、MiniMax；目前不能进行自然语言交流的有昇思、书生；受限制使用的有 MiniMax；特色功能方面，昇思能生图，MiniMax 能语音合成。 大模型的动手实验：由于作者使用的是 macOS 系统，因此采用 GGML 量化后的模型。比较有名的相关项目有 ggerganov/llama.cpp:Port of Facebook's LLaMA model in C/C++ 中下载模型，3G 到 7G 不等。此外，llama.cpp 还提供了 WebUI 供用户使用，首先启动 server，它默认监听 8080 端口，打开浏览器就可以对话。
2025-02-20
有什么AI工具支持上传图片后，将图片内的文字翻译成多种语言后重新生成图片？
以下是为您找到的相关 AI 工具： MangaimageTranslator：具有高效 OCR 和 AI 翻译技术，支持多语言，能对去文字区域修复上色并重新渲染文本。相关链接：https://github.com/zyddnys/mangaimagetranslator 、https://touhou.ai/imgtrans/ 、https://x.com/imxiaohu/status/1770700877172736238?s=20
2025-02-21
汇总一下现在的大语言模型都有哪些，国外和国内的模型分别列出来
以下是国内外的大语言模型汇总： 国外大语言模型： GPT4（OpenAI）：目前最先进的自然语言生成模型，可用于回答问题、撰写文章等。 Gemini Ultra（Google）：多模态人工智能模型，采用神经网络架构，对标 GPT4，可用于回答问题、生成代码、处理文本等。 Claude 3 Opus（Anthropic）：多模态模型，能处理超过 1 百万 token 的输入，具有实时聊天、数据处理、分析预测等功能；实现了接近完美的召回率。 国内大语言模型： 文心一言（百度）：大语言模型，可用以文学创作、商业文案创作、数理逻辑推算、中文理解、多模态生成。 讯飞星火：目前体验效果较好。 悟道・天鹰（北京智源人工智能研究院）：首个具备中英文双语知识、支持商用许可协议、国内数据合规需求的开源语言大模型。 清华 ChatGLM 。 此外，国内还有通用模型如通用模型如文心一言、讯飞星火等，处理自然语言；还有垂直模型，专注特定领域如小语种交流、临床医学、AI 蛋白质结构预测等。
2025-02-19
我是少儿编程老师,现在我需要知道编程每个语言之间的区别，并绘制出一张思维导图给我详细介绍
很抱歉，目前没有关于编程各语言区别的详细内容来为您绘制思维导图。但一般来说，不同的编程语言在语法、应用场景、性能特点等方面存在差异。例如，Python 语法简洁，常用于数据科学和人工智能；Java 应用广泛，在企业级开发中表现出色；C++ 性能高效，常用于系统编程和游戏开发等。您可以通过在线编程学习网站、相关书籍以及技术论坛获取更详细准确的信息来绘制思维导图。
2025-02-19
用lua语言写一个a星算法
很抱歉，目前知识库中没有关于用 Lua 语言编写 A 星算法的相关内容。但我可以为您提供一个 A 星算法的基本框架和思路，您可以根据这个来尝试用 Lua 语言实现： A 星算法是一种在图形中寻找最短路径的常见算法。以下是其基本步骤： 1. 初始化 创建开放列表和关闭列表。 将起始节点添加到开放列表，并设置其 g 值（从起始节点到当前节点的实际代价）为 0，f 值（f = g + h，其中 h 是从当前节点到目标节点的估计代价）为 h 值。 2. 主循环 从开放列表中取出 f 值最小的节点作为当前节点。 将当前节点从开放列表移到关闭列表。 对于当前节点的所有相邻节点： 如果相邻节点在关闭列表中，跳过。 计算相邻节点的 g 值（通过当前节点的 g 值加上从当前节点到相邻节点的代价）。 如果相邻节点不在开放列表中，将其添加到开放列表，并设置其 g 值和 f 值。 如果相邻节点已经在开放列表中，且新计算的 g 值更小，更新其 g 值和 f 值。 3. 找到目标节点 当目标节点被添加到关闭列表时，算法结束。通过从目标节点回溯到起始节点，即可得到最短路径。 希望以上内容对您有所帮助，祝您成功实现用 Lua 语言编写 A 星算法。
2025-02-19
现在大语言模型的跑分对比
对比不同大语言模型的性能需要考虑多个维度，包括但不限于以下方面： 1. 理解能力：评估对语言的语法、语义、上下文和隐含意义的理解程度。 2. 生成质量：检查生成文本的流畅性、相关性和准确性。 3. 知识广度和深度：掌握广泛主题的知识程度，以及对特定领域或话题的理解深度。 4. 泛化能力：处理未见过的任务或数据时的表现。 5. 鲁棒性：应对错误输入、对抗性输入或模糊不清指令的能力。 6. 偏见和伦理：生成文本时是否存在偏见，是否遵循伦理标准。 7. 交互性和适应性：在交互环境中的表现，包括对用户反馈的适应性和持续对话的能力。 8. 计算效率和资源消耗：考虑模型大小、训练和运行所需的计算资源。 9. 易用性和集成性：是否易于集成到不同应用和服务中，提供的 API 和工具的易用性。 为了进行有效的比较，可以采用以下方法： 1. 标准基准测试：使用如 GLUE、SuperGLUE、SQuAD 等标准的语言模型评估基准，它们提供统一的测试环境和评分标准。 2. 自定义任务：根据特定需求设计任务，评估模型在特定领域的表现。 3. 人类评估：结合人类评估者的主观评价，特别是在评估文本质量和伦理问题时。 4. A/B 测试：在实际应用场景中，通过 A/B 测试比较不同模型的表现。 5. 性能指标：使用准确率、召回率、F1 分数、BLEU 分数等性能指标来量化比较。 当前领先的大型语言模型的排行榜，例如聊天机器人竞技场，由伯克利的团队管理，根据 ELO 评级对不同语言模型进行排名，计算方式与国际象棋中的类似。在排行榜中，顶部多为专有模型，下方有开放权重的模型。 大语言模型的特点包括： 1. 架构：有 encoderonly、encoderdecoder、decoderonly 等，如 BERT 是 encoderonly 模型，google 的 T5 是 encoderdecoder 模型，众多 AI 助手多为 decoderonly 模型。 2. 数据和参数：预训练数据量大，往往来自互联网，包括论文、代码、公开网页等，参数多，如 OpenAI 在 2020 年发布的 GPT3 已达到 170B 的参数。
2025-02-18
现在大语言模型的跑分对比
对比不同大语言模型的性能需要考虑多个维度，包括但不限于以下方面： 1. 理解能力：评估对语言的语法、语义、上下文和隐含意义的理解程度。 2. 生成质量：检查生成文本的流畅性、相关性和准确性。 3. 知识广度和深度：掌握广泛主题的知识程度，以及对特定领域或话题的理解深度。 4. 泛化能力：处理未见过的任务或数据时的表现。 5. 鲁棒性：应对错误输入、对抗性输入或模糊不清指令的能力。 6. 偏见和伦理：生成文本时是否存在偏见，是否遵循伦理标准。 7. 交互性和适应性：在交互环境中的表现，包括对用户反馈的适应性和持续对话的能力。 8. 计算效率和资源消耗：考虑模型大小、训练和运行所需的计算资源。 9. 易用性和集成性：是否易于集成到不同应用和服务中，提供的 API 和工具的易用性。 为了进行有效的比较，可以采用以下方法： 1. 标准基准测试：使用如 GLUE、SuperGLUE、SQuAD 等标准的语言模型评估基准，它们提供统一的测试环境和评分标准。 2. 自定义任务：根据特定需求设计任务，评估模型在特定领域的表现。 3. 人类评估：结合人类评估者的主观评价，特别是在评估文本质量和伦理问题时。 4. A/B 测试：在实际应用场景中，通过 A/B 测试比较不同模型的表现。 5. 性能指标：使用准确率、召回率、F1 分数、BLEU 分数等性能指标来量化比较。 当前领先的大型语言模型的排行榜，例如聊天机器人竞技场，由伯克利的团队管理，根据 ELO 评级对不同语言模型进行排名，计算方式与国际象棋中的类似。在排行榜中，顶部多为专有模型，下方有开放权重的模型。 大语言模型的特点包括： 1. 架构：有 encoderonly、encoderdecoder、decoderonly 等，如 BERT 是 encoderonly 模型，google 的 T5 是 encoderdecoder 模型，众多 AI 助手多为 decoderonly 模型。 2. 数据和参数：预训练数据量大，往往来自互联网，包括论文、代码、公开网页等，参数多，如 OpenAI 在 2020 年发布的 GPT3 已达到 170B 的参数。
2025-02-18
dify使用秘诀
Dify 是一个开源的大模型应用开发平台，具有以下特点和优势： 1. 理念创新：结合后端即服务和 LLMOps 的理念。 2. 界面直观：为用户提供直观的界面，能快速构建和部署生产级别的生成式 AI 应用。 3. 功能强大：具备强大的工作流构建工具，支持广泛的模型集成，提供功能丰富的提示词 IDE 以及全面的 RAG Pipeline 用于文档处理和检索。 4. 智能体支持：允许用户定义 Agent 智能体。 5. 性能优化：通过 LLMOps 功能对应用程序的性能进行持续监控和优化。 6. 部署灵活：提供云服务和本地部署选项，满足不同用户需求。 7. 数据可控：通过开源特性确保对数据的完全控制和快速的产品迭代。 8. 设计理念：注重简单性、克制和快速迭代，旨在帮助用户将 AI 应用的创意快速转化为现实。 9. 适用场景广泛：无论是创业团队构建 MVP、企业集成 LLM 以增强现有应用的能力，还是技术爱好者探索 LLM 的潜力，Dify 都能提供相应的支持和工具。 Dify 官方手册：https://docs.dify.ai/v/zhhans 一般来说，如果是个人研究，推荐单独使用 Dify；如果是企业级落地项目，推荐使用多种框架结合，效果更好。
2025-02-21
如何使用ai提示词
以下是关于如何使用 AI 提示词的详细介绍： 1. 提示词的定义和输入语言： 提示词用于描绘您想要的画面。 不同模型对输入语言有不同要求，如星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如“一个长头发的金发女孩”），基础模型 1.5 使用单个词组（如“女孩、金发、长头发”），且支持中英文输入。 2. 写好提示词的方法： 预设词组：小白用户可点击提示词上方官方预设词组进行生图。 内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，例如“一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量”。 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框，输入不想生成的内容，如“不好的质量、低像素、模糊、水印”。 利用“加权重”功能：在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可对已有的提示词权重进行编辑。 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 3. 对使用提示词的认识： 不能期待设计一个完美的提示词就得到完美答案，提示词实际上是一个相对完善的“谈话方案”，成果在与 AI 的对话中产生，需要在对话中限缩自己思维中的模糊地带。 要接受 AI 的“不稳定性”，对其进行教育、监督和鞭策。
2025-02-21
能在局域内网，没有网络，离线的场景使用的AI编程工具，可以是单独运行的，也可以是JetBrains IDEs中作为插件使用的
以下是一些可以在局域内网、没有网络、离线场景使用的 AI 编程工具： 1. PyCharm：是 JetBrains 推出的智能代码补全工具，支持 Java、Python 和 JavaScript 等多种语言。因其高准确性著称，帮助开发人员节省编程时间。价格：起价每月 24.90 美元。 2. AIXcoder：AI 驱动的编程助手，支持 Java、Python 和 JavaScript 等语言。它提供了自动任务处理、智能代码补全、实时代码分析以及输入时的错误检查功能。价格：暂无信息。 3. Ponicode：AI 驱动的代码工具，旨在帮助开发人员优化编码流程。利用自然语言处理和机器学习，根据用户的描述生成代码。由 CircleCI 维护。 4. Jedi：开源的代码补全工具，主要作为 Python 静态分析工具的插件运行，适用于各种编辑器和 IDE。价格：免费。 此外，还有以下相关工具： 1. Cursor：网址：https://www.cursor.com/ ，通过对话获得代码。 2. Deepseek：网址：https://www.deepseek.com/zh ，方便国内访问，网页登录方便，目前完全免费。 3. 通义灵码：在 Pytharm 中，“文件”“设置”“插件”红色框位置搜索“通义灵码”进行安装（目前免费）。 4. JetBrains 自身的助手插件：在 Pytharm 中，“文件”“设置”“插件”红色框位置搜索“Jetbrains AI assistant”进行安装（收费，目前有 7 天免费试用）。 5. AskCodi：一款 AI 代码助手，提供各种应用程序用于代码生成、单元测试创建、文档化、代码转换等。由 OpenAI GPT 提供支持，可以作为 Visual Studio Code、Sublime Text 和 JetBrains 的 IDE 的扩展/插件使用。 6. ODIN（Obsidian 驱动信息网络）：是一个插件，可以在 Obsidian 中使用。它提供了一些功能，包括通过图形提示栏进行 LLM 查询、图形可视化、下拉菜单功能等。安装 ODIN 需要先安装 Obsidian 并按照指示进行插件的安装和启用。
2025-02-21
有没有关于使用coze制作在线客服的案例或教程
以下是关于使用 Coze 制作在线客服的案例和教程： 画小二：通过 Coze 定制开发插件案例，包括创建智能体、添加插件等，还可发布到微信成为专职客服技能，并有手把手的会员教程和 AIGC 商业案例实操课海报。 扣子案例合集：包含保姆级教程，如如何用扣子搭建一个免费好用的“图片转表格”AI 客服等。 Agent 相关比赛中的 Coze 相关教程：包括不同分享人的主题分享及流程安排，如大聪明、大圣、艾木、罗文、Itao 的分享，均有回放地址可供查看。
2025-02-21
AI使用文档
以下是一份关于如何使用 AI 来做事的指南： 一、当前 AI 系统的发布情况 越来越强大的人工智能系统正快速发布，如 Claude 2 、Open AI 的 Code Interpreter 等，但似乎没有相关实验室提供用户文档，用户指南多来自 Twitter 影响者。 二、处理文档和数据 1. 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，新模型更强大。通过询问后续问题来审问材料，但需注意系统仍会产生幻觉，若要确保准确性需检查结果。 2. 对于数据和代码相关： 代码解释器是一种 GPT 4 模式，允许上传文件、编写和运行代码、下载结果，可用于执行程序、数据分析、创建各种文件、网页甚至游戏。但使用它进行未经培训的分析存在风险。 对于大型文档或同时处理多个文档，可使用 Claude 2 ；对于较小的文档和网页，可使用 Bing 侧边栏（ Edge 浏览器的一部分），但上下文窗口大小有限。 希望以上内容对您有所帮助。若想了解更多关于特定任务类型或工具使用的详细信息，可提前阅读相关文章。
2025-02-20