雪梅100天学AI

100 万 tokens 具有以下重要意义和影响： 算法视角：更宽的上下文窗口允许模型在推理时纳入训练数据中未找到的大量新的、特定于任务的信息，从而提高各种自然语言或多模式任务的性能。对越来越长的上下文进行数据建模的能力经历了从 Shannon 1948 提出的 2gram 语言模型、到 1990 年代和 2000 年代的现代 ngram 模型（5 个上下文 token），2010 年代的循环神经网络（RNN）达到数百个 token（Jozefowicz 等），到 2023 年 Anthropic 将上下文扩展到几十万 token 的发展历程。 产品视角：长上下文意味着 LLM 理解能力增强。从提示词到 RAG，都是为了增加给模型的上下文，进而让需求更明确，让模型理解得更好。从用数据训练模型、到指令微调，到提示词和 RAG，到大模型的超长下文，机器越来越像人了。提示词和 RAG 正在快速被弱化，但出于工程和商业考量，目前在很多领域还是主流，未来依然可能是一个混合状态。模型上下文长度覆盖了书籍、电影、长视频等产品的通用长度，应该会引发相关链路上产品交互层的变化。 具体应用：Gemini1.5 支持 100 万 token，可以一次性处理大量信息，比如 1 小时的视频，11 小时的音频，超过 30,000 行代码或超过 700,000 个单词的代码库。Claude2100 k 模型的上下文上限是 100k Tokens，即 100000 个 Token。ChatGPT16 k 模型的上下文上限是 16k Tokens，即 16000 个 Token；ChatGPT432 k 模型的上下文上限是 32k Tokens，即 32000 个 Token。Token 限制同时对一次性输入和一次对话的总体上下文长度生效，当达到上限时，会遗忘最前面的对话。若想直观查看 GPT 如何切分 token，可以打开。此外，英文的 Token 占用相对于中文较少，因此很多中文长 Prompt 会被建议翻译成英文设定，然后要求中文输出。

以下是对 a16z 的 AI top100 榜单的分析： A16Z 的 AI top100 榜单聚焦生成式 AI 应用。自 ChatGPT 将生成式 AI 引入公众视野以来，已涌现出成千上万面向消费者的相关产品。 在 AI 陪伴方面，它已成为生成式 AI 的主流应用场景之一。例如，Character.AI 在网页端和移动端榜单上表现出色。网页端有八家 AI 陪伴公司进入榜单，移动端有两家。其中，多数产品自诩“无限制”，用户可进行不受限的对话或互动，且访问主要通过移动网页，平均 75%的流量来自移动设备。对于有移动应用的陪伴产品，用户参与度高，如 Character.AI 每位用户平均每月会话次数达 298 次，Poly.AI 为 74 次。 时隔六个月更新分析，超过 40%的公司是首次出现在榜单上。与六个月前相比，有 30%的新公司。名次进步最大的是 Suno，从第 36 名到第 5 名。移动端最多的应用是图像和视频编辑，占 22%。Luzia 服务西班牙语用户值得关注。字节多款应用上榜，包括 Coze、豆包、CiCi、醒图、Gauth。美学和约会应用开始增加，为用户提供相关建议。此外，Discord 流量值得关注，相当多的应用在其平台完成 PMF 验证。 原文链接：https://a16z.com/100genaiapps/ 作者：A16Z Olivia Moore 发布时间：2024.03.13 去年 9 月的报告：

以下是关于雪梅 May 的 AI 学习日记的相关内容： 1. 适合人群：适合纯 AI 小白，若还在观望不知如何入手，可参考此日记。 2. 学习模式：学习模式为输入→模仿→自发创造。若对费曼学习法没自信，可尝试此模式。 3. 学习内容：日记中的学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区发现感兴趣的领域并学习最新内容。 4. 学习时间：在半年多时间跨度中，其中 100 天学习 AI，并非每天依次进行，有空时学习，目前作者已进行到 90 天。 5. 学习费用：学习资源免费开源。 此外，作者在第九阶段的感受是，想明白从让个人更优秀角度前进就有很多灵感，其学习路径为迈出第一步→大量的学习输入→疯狂的模仿→开始自己创造→学的越来越宽越来越杂→积累的量变产生质变→开始分享。在第二阶段，作者因自身工作选择了 AI agent 领域的 coze 进行学习，认为可根据自身熟悉领域选择学习方向，coze 适用所有人，无需代码基础和图文审美，只要能发现智能体需求，就可用工作流实现。

在 Coze 中调用插件并非能 100% 保证成功，以下是一些相关信息： Coze 的工作流中，节点是基本单元，插件节点可用于扩展大语言模型本身的限制，实现特定功能，如抓取网页内容。 加入智能体后，会有调用次数的统计。 即使是官方插件也可能存在不稳定的情况，需要自行尝试找到适合当前场景的插件。 例如在微信图片助手的打造中，有以下操作： 任务 1 总结图片内容对应【识图小能手】等任务与相应插件存在对应关系，已在 Coze 插件商店上架，搜索关联即可。 配置插件时，需准备好 Glif 的 Token，在 Coze 中编辑参数选项填入 Token 并保存，同时关闭对大模型的可见按钮。 通过已有服务 api 创建插件时： 进入 Coze 个人空间选择插件，新建并命名，填入 ngrok 随机生成的 https 链接地址，配置输出参数，测试后发布。 手捏插件后可创建 bot 并接入插件，在 prompt 中要求调用插件。 需要注意的是，Coze 调用插件有一定随机性，对输入输出内容会有过滤，如果多次尝试不成功，可优化提示词使其更准确识别输入意图，且不要使用违规字词和图片内容。

要 100% 调用 Coze 的工作流或插件，您可以参考以下内容： 实现工作流方面： 上传输入图片。 理解图片信息，提取图片中的文本内容信息。 进行场景提示词优化/图像风格化处理。 返回文本/图像结果。 搭建流程时，主要步骤包括上传图片（将本地图片转换为在线 OSS 存储的 URL，以便在平台中进行调用），以及将图片理解大模型和图片 OCR 封装为工作流插件（若市场中有可直接使用）。 Coze 简介： 插件：Coze 提供丰富的插件选项，允许通过 API 连接集成各种平台和服务，扩展 Bot 功能，可轻松调用或创建定制插件。 工作流：是强大的工具，用于设计和实施复杂的功能逻辑，通过拖拽不同任务节点构建多步骤任务，提高 Bot 处理任务效率。 图像流：提供可视化操作界面，允许灵活添加处理节点，设计图像处理流程。 触发器：允许 Bot 在设定的特定时间或发生特定事件时自动执行任务，是自动化处理的关键组件。 知识库：使您能够添加和利用本地或在线的文本内容和数据表，支持 Bot 提供更准确和实用的回答。 变量：帮助 Bot 存储用户的个人信息，如语言偏好，使回复更加个性化和精准。 数据库：提供简单高效的方式管理和操作结构化数据，支持自然语言的数据插入和查询，还支持多用户模式，提供灵活读写权限控制。 长期记忆：使 Bot 能够形成对用户的个人记忆，基于这些记忆提供个性化回复，提升用户体验。 卡片：允许自定义 Bot 生成内容的格式，以卡片形式展示，增强交互体验。 大模型：通过人设与回复逻辑中的一系列设定，编排 Bot 的具体执行任务和执行逻辑。 此外，判断任务/Prompt 是否需要拆解为工作流时，通常先从当前性能最强的 LLM 着手，用单条 Prompt 或 Prompt Chain 测试任务执行质量和稳定性，再根据实际情况逐步拆解子任务。对于场景多样、结构复杂、对输出格式要求严格的内容，基本可预见需要拆解为工作流。鉴于 LLM 只能处理文本输入输出的特性，涉及生成多媒体内容或从网络自主获取额外信息等能力时，必然需要通过工作流来调用相应的插件。

以下是为您撰写的汽车领域人工智能自动驾驶应用系统方案的部分内容，您可以根据实际需求进行进一步的完善和补充： 一、项目背景 人工智能在汽车行业的应用已经十分广泛，正在深刻改变汽车的各个方面。自动驾驶技术利用 AI 进行图像识别、传感器数据分析和决策制定，使汽车能够自主导航和驾驶，如特斯拉、Waymo 和 Cruise 等公司都在积极开发和测试自动驾驶汽车。车辆安全系统中，AI 用于增强自动紧急制动、车道保持辅助和盲点检测等功能，通过分析摄像头和传感器数据预防事故。个性化用户体验方面，AI 可根据驾驶员偏好调整车辆设置，包括座椅位置、音乐选择和导航系统。预测性维护通过分析车辆实时数据，预测潜在故障和维护需求，提高车辆可靠性和效率。在汽车制造中，AI 用于自动化生产线，优化生产流程和质量控制。汽车销售和市场分析中，AI 帮助分析市场趋势、消费者行为和销售数据，优化营销策略和产品定价。电动化和能源管理方面，AI 在电动汽车的电池管理和充电策略中发挥作用，提高能源效率和延长电池寿命。共享出行服务借助 AI 优化路线规划、车辆调度和定价策略，提升服务效率和用户满意度。语音助手和车载娱乐由 AI 驱动，允许驾驶员通过语音控制车辆功能、获取信息和娱乐内容。车辆远程监控和诊断利用 AI 系统远程监控车辆状态，提供实时诊断和支持。 二、技术与服务 1. 自动驾驶技术 传感器融合：采用多种传感器，如激光雷达、摄像头、毫米波雷达等，收集车辆周围环境信息。利用 AI 算法对这些多源数据进行融合和分析，提高环境感知的准确性和可靠性。 深度学习决策：基于深度神经网络，训练车辆的决策模型。通过大量的真实驾驶数据，让模型学习如何在各种复杂场景下做出最优的驾驶决策，如加速、减速、转向等。 模拟训练：利用虚拟仿真环境进行大规模的自动驾驶训练。在模拟环境中，可以快速生成各种复杂和罕见的交通场景，加速模型的训练和优化。 2. 车辆安全系统 实时监测与预警：利用 AI 实时分析来自车辆传感器的数据，如车速、加速度、转向角度等，以及外部环境信息，如道路状况、天气条件等。当检测到潜在的危险情况时，及时向驾驶员发出预警。 自动紧急制动：基于 AI 的图像识别和距离检测技术，当判断车辆即将与前方障碍物发生碰撞且驾驶员未采取制动措施时，自动启动紧急制动系统，降低事故风险。 3. 个性化用户体验 偏好学习：通过收集驾驶员的日常操作数据，如座椅调整习惯、音乐播放喜好、常用导航路线等，利用机器学习算法分析和学习驾驶员的偏好模式。 智能推荐：根据学习到的偏好，为驾驶员提供个性化的推荐，如座椅自动调整、音乐推荐、导航路线规划等。 4. 预测性维护 数据采集与分析：安装各类传感器收集车辆的运行数据，如发动机转速、油温、轮胎压力等。利用 AI 算法对这些数据进行分析，挖掘潜在的故障模式和趋势。 故障预测模型：建立基于机器学习的故障预测模型，提前预测可能出现的故障，并及时通知驾驶员和维修人员，安排预防性维护。 5. 生产自动化 质量检测：利用机器视觉技术和 AI 算法，对生产线上的汽车零部件进行自动检测，识别缺陷和瑕疵，提高产品质量。 生产流程优化：通过分析生产数据，如设备运行状态、生产节拍等，利用 AI 优化生产流程，提高生产效率，降低生产成本。 三、财务分析（可根据情况适当缩减） 1. 初始投资 技术研发费用：包括自动驾驶算法开发、硬件设备采购、测试场地建设等方面的费用。 车辆改装和设备安装成本：为实现自动驾驶功能，对车辆进行改装和安装相关传感器、计算设备等的成本。 2. 运营成本 数据采集和处理费用：持续收集车辆运行数据和环境数据，并进行处理和分析的费用。 维护和升级成本：对自动驾驶系统进行定期维护、软件升级和硬件更换的费用。 3. 收益来源 车辆销售增值：配备自动驾驶和智能功能的汽车可以提高售价，增加销售收入。 服务订阅费用：为用户提供个性化服务、远程监控和诊断等服务的订阅收费。 4. 盈利预测 根据市场需求、成本控制和收益增长情况，进行短期和长期的盈利预测。 以上内容仅供参考，您可以根据具体的项目需求和实际情况进一步完善和细化各个部分。

以下是一些好用的 AI 可视化工具： 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，支持逻辑视图的创建，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、设计和生成代码的工具，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，允许创建各种类型的图表，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：免费的开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图的创建。 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，Google DeepMind 发布了一套可视化工具，可用于了解语言模型的内部工作原理，提取有意义的特征，揭示语言模型内部的激活状态。详细原理解释：https://xiaohu.ai/p/12186 链接：https://x.com/imxiaohu/status/1818825233778061560 。

以下是为您整理的关于 AI 文档的相关内容： 如何使用 AI 来做事： 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，但似乎没有实验室提供用户文档，用户指南多来自 Twitter 影响者。 作者基于经验为学生和感兴趣的读者准备入门指南，侧重于如何选择正确工具做事，提前阅读相关任务类型可能有帮助。 Cursor 进阶： 模块结构上的使用，目的是让 AI 输出更多理解信息，使用后 AI 回复会随机带图便于查阅。 意在以各种形式提升 AI 对所做事情的理解，方便用户理解以持续控制 AI 产出。 有更新提示词限制 AI 产出的情况。 建议配置各种文档，如初始化文档、目录文档、关联模块文档、全局文档等。 AI 文章排版工具： 主要用于自动化和优化文档布局和格式，处理学术论文和专业文档时很有用。 一些流行的工具包括：Grammarly（提供排版功能改进风格）、QuillBot（改进文本清晰度和流畅性）、Latex（学术论文排版常用，有 AI 辅助编辑器和插件）、PandaDoc（文档自动化平台）、Wordtune（重新表述和改进文本）、Overleaf（在线 Latex 编辑器）。 选择合适工具取决于具体需求，如文档类型、出版标准和个人偏好。学术论文常用 Latex 和 Overleaf，一般文章和商业文档可用 Grammarly 和 PandaDoc 等。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是为您推荐的用 AI 建立本地知识库的方法和相关软件： 1. AnythingLLM： 包含了所有 Open WebUI 的能力，并额外支持选择文本嵌入模型和向量数据库。 安装地址：https://useanything.com/download 。 安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 构建本地知识库时，有 Workspace 的概念，可创建独有的 Workspace 与其他项目数据隔离。首先创建工作空间，然后上传文档并在工作空间中进行文本嵌入，接着选择对话模式（包括 Chat 模式和 Query 模式），最后进行测试对话。 2. Obsidian 加 Cursor： 可利用 Obsidian 的浏览器剪藏插件和 AI 插件，但配置复杂，可能存在恶性 Bug 。 可以用 Cursor 等 AI IDE 解决问题，主要有三类作用：帮助用模糊问题检索笔记库；基于笔记库进行研究，结合多个笔记软件给出建议；生成和修改笔记，如生成整个笔记文件或修改笔记文案。 希望以上内容对您有所帮助。

以下是一些专业分析和修改简历的 AI 工具： 1. Kickresume 的 AI 简历写作器：使用 OpenAI 的 GPT4 语言模型自动生成简历，能为简历摘要、工作经验和教育等专业部分编写内容，并保持一致语调。 2. Rezi：受到超过 200 万用户信任的领先 AI 简历构建平台，使用先进的 AI 技术自动化创建可雇佣简历的每个方面，包括写作、编辑、格式化和优化。 3. Huntr 的 AI 简历构建器：提供免费的简历模板，以及 AI 生成的总结/技能/成就生成器和 AI 驱动的简历工作匹配。 此外，还有超级简历优化助手，能帮助用户优化简历提高求职成功率。您还可以查看这里获取更多 AI 简历产品：https://www.waytoagi.com/category/79 。 希望这些信息对您有所帮助，您可以根据自己的需要选择最适合您的工具。

目前在将 PPT 转换为论文方面，GPT 模型可能会有所帮助。例如，在“教育：一个历史老师用 GPT 给学生讲课”的案例中，学生利用 GPT 相关功能进行模拟体验，并根据要求撰写论文，包括分析模拟的准确性、进行事实核查等。 另外，Claude 模型也能在相关工作中发挥作用。比如可以帮助快速寻找符合条件的论文、提取精炼论文中的信息，甚至找到适合的 PPT 制作工具并指导使用。 此外，一些神经网络大模型通过预测下一个字的方式生成文字，这种方式具有一定的创意性，且可拓展到图像、声音等领域。但需要注意的是，AI 的预测不一定保证完全正确。

以下是一些 AI 在不同领域的应用案例： 活动策划方面： 1. 活动主题及内容生成：根据活动目标、参与者背景等信息，AI 可以生成合适的活动主题和内容框架建议，例如通过对话生成模型提出活动主题和议程草案。 2. 邀请函和宣传文案生成：AI 可以基于活动信息生成吸引人的邀请函和宣传文案，增强宣传效果。例如微软在 Build 大会上，使用 AI 生成了 8000 多份个性化的邀请函。 3. 现场活动管理：利用计算机视觉、语音识别等，AI 可以辅助管理活动现场的人流、秩序等。例如基于人群密度的通道引导、实时翻译等。 4. 虚拟助手：AI 对话系统可以作为虚拟活动助手，为参与者提供信息查询、问题咨询等服务。例如，Replika 提供了智能的虚拟活动助手应用。 5. 活动反馈分析：AI 可以自动分析活动反馈（文字、语音等），总结关键观点和改进建议。例如飞书和钉钉的会议总结功能。 6. 活动营销优化：基于参与者行为数据，AI 可以优化营销策略，实现个性化营销。例如，针对目标受众的定向广告投放等。 其他领域： 1. 客户服务聊天机器人中的自然语言处理：具有适应性，能根据大量数据集训练对实时客户消息做出响应，并可能随着系统学习而增加个性化；具有自主性，基于客户文本输入生成类似人类的输出，回答查询、帮助客户查找产品和服务或发送有针对性的更新，操作时几乎不需要人工监督或干预。但可能存在无意包含不准确或误导信息等监管问题。 2. 医疗保健分诊系统的自动化：具有适应性，能根据医疗数据集、患者记录和实时健康数据分析预测患者病情；具有自主性，为医疗专业人员或直接为患者生成有关患者症状可能原因的信息，并推荐潜在的干预措施和治疗方法。 扣子案例： 1. 2. 3. 4. 5. 6. 7. 8. 9.

目前在市场上，还没有能够完全替代家教老师团队进行 1v1 辅导，包括根据学生当天学习课程出题、定时监督并整理错题等全方位功能的单一 AI 工具。但您可以考虑结合使用以下几种 AI 相关的技术和工具来部分实现您的需求： 1. 智能学习管理系统：这类系统可以根据学生的学习进度和表现生成一些练习题，但可能无法完全针对当天学习的课程精准出题。 2. 自然语言处理工具：帮助分析学生的学习情况和问题，为后续的辅导提供一定的参考。 需要注意的是，AI 工具在教育中的应用仍处于不断发展和完善的阶段，不能完全替代人类教师的情感支持、个性化引导和灵活应变能力。

目前的情况来看，使用 AI 代替家教老师团队进行 1v1 辅导，包括出题、监督和整理错题等工作，虽然具有一定的可行性，但也面临一些挑战。 从出题方面，AI 可以根据学生当天学习的课程内容，利用其强大的数据分析和算法能力生成相关题目。但需要确保题目质量和针对性，能够准确覆盖重点知识点，并适应学生的学习水平。 在监督方面，AI 可以通过设定时间提醒等方式，督促学生按时完成任务。然而，它可能无法像人类教师那样敏锐地察觉学生的情绪和学习状态变化，及时给予鼓励和支持。 对于整理错题，AI 能够快速分类和分析错题，但在解释错题原因和提供个性化的学习建议上，可能不如人类教师那么深入和灵活。 总之，虽然 AI 可以在一定程度上辅助这些工作，但完全替代家教老师团队可能还不太成熟，或许可以将 AI 与人类教师相结合，以达到更好的辅导效果。

以下是雪梅 May 的 AI 学习笔记相关内容： 1. 作者介绍： 适合纯 AI 小白，可参考此日记，学习模式为输入→模仿→自发创造。 学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区找感兴趣的最新内容。 学习时间有空就进行，目前作者进行到 90 天。 2024 年保持较好学习状态，若觉得难做到不用有压力。 学习资源免费开源。 2. 第一阶段： DAY5 2024.5.26：开始使用 kimi，抱着每天问 100 个问题的心态调整思考模式。 DAY6 2024.5.31：应朋友推荐学习吴恩达生成式人工智能课程，在 B 站有资源，抽空 3 天学完。 DAY7 2024.6.1：探索用 AI 解决真实问题，如写行业研究报告。 3. 2024 年 12 月 31 日历史更新（归档）： 雪梅 May 挑战 100 天与 AI 学习的过程，分为系统性学习、模仿实践、研究 Prompt 提示词阶段，学习路线图适合新人参考。 Meta 首席 AI 科学家 LeCun 访谈，指出 AI 根本局限，阐述不同于主流 LLM 的技术路径。 少卿的《AI 帮你赢，谈双重主体性》，强调将 AI 视为方法，提供实用应用框架。