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

关于RAG和知识库的应用

Answer

RAG（检索增强生成，Retrieval Augmented Generation）是一种利用大模型能力搭建知识库的技术应用。当需要依靠不包含在大模型训练集中的数据时，可通过该技术实现。

RAG 的应用可抽象为以下 5 个过程：

  1. 文档加载（Document Loading）：从多种不同来源加载文档，如 PDF 等非结构化数据、SQL 等结构化数据以及 Python、Java 之类的代码等。LangChain 提供了 100 多种不同的文档加载器。
  2. 文本分割（Splitting）：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或“文档片”。
  3. 存储（Storage）：涉及两个环节，一是将切分好的文档块进行嵌入（Embedding）转换成向量的形式，二是将 Embedding 后的向量数据存储到向量数据库。
  4. 检索（Retrieval）：数据进入向量数据库后，通过某种检索算法找到与输入问题相似的嵌入片。
  5. Output（输出）：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示生成更加合理的答案。

离线数据处理的目的是构建知识库这本“活字典”，知识会按照某种格式及排列方式存储在其中等待使用。在线检索则是利用知识库和大模型进行查询的过程。以构建智能问答客服为例，可了解 RAG 所有流程中的 What 与 Why。

相关资源：

  • 文本加载器：将用户提供的文本加载到内存中，便于后续处理。
  • 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html
  • 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge
Content generated by AI large model, please carefully verify (powered by aily)

References

手把手教你本地部署大模型以及搭建个人知识库

因为利用大模型的能力搭建知识库本身就是一个RAG技术的应用。所以在进行本地知识库的搭建实操之前，我们需要先对RAG有一个大概的了解。以下内容会有些干，我会尽量用通俗易懂的描述进行讲解。我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成RAG（Retrieval Augmented Generation）。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给LLM。我们可以将一个RAG的应用抽象为下图的5个过程：文档加载（Document Loading）：从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器，包括PDF在内的非结构化的数据、SQL在内的结构化的数据，以及Python、Java之类的代码等文本分割（Splitting）：文本分割器把Documents切分为指定大小的块，我把它们称为“文档块”或者“文档片”存储（Storage）：存储涉及到两个环节，分别是：将切分好的文档块进行嵌入（Embedding）转换成向量的形式将Embedding后的向量数据存储到向量数据库检索（Retrieval）：一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片Output（输出）：把问题以及检索出来的嵌入片一起提交给LLM，LLM会通过问题和检索出来的提示一起来生成更加合理的答案[heading2]文本加载器（Document Loaders）[content]文本加载器就是将用户提供的文本加载到内存中，便于进行后续的处理

大圣：胎教级教程：万字长文带你使用Coze打造企业级知识库

我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成RAG（Retrieval Augmented Generation）。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给LLM。我们可以将一个RAG的应用抽象为下图的5个过程：文档加载（Document Loading）：从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器，包括PDF在内的非结构化的数据、SQL在内的结构化的数据，以及Python、Java之类的代码等文本分割（Splitting）：文本分割器把Documents切分为指定大小的块，我把它们称为“文档块”或者“文档片”存储（Storage）：存储涉及到两个环节，分别是：将切分好的文档块进行嵌入（Embedding）转换成向量的形式将Embedding后的向量数据存储到向量数据库检索（Retrieval）：一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片Output（输出）：把问题以及检索出来的嵌入片一起提交给LLM，LLM会通过问题和检索出来的提示一起来生成更加合理的答案[heading4]使用知识库[content]海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

胎教级教程：万字长文带你理解 RAG 全流程

旁白：一路千辛万苦，终于要真正了解RAG的全貌了，好激动前面的开胃菜已经完毕，这里我们进入正餐，先上一张图注：这张图引用自：https://mp.weixin.qq.com/s/37tKVQbxenVVBAeMZ334aQ公众号：AI花果山一位RAG大佬，正在编写一系列教程《RAG高效应用指南》这张图将会是我们本章的知识地图，看到这么多的概念，不要慌，我们先整体理解下RAG。自顶向下，RAG的流程分为离线数据处理和在线检索两个过程。我们前面讲到，知识库是RAG的“活字典”，可以让AI随时进行查阅。而离线数据处理的目的就是为了构建出这本“活字典”。经过离线数据后，知识则会按照某种格式以及排列方式存储在知识库中，等待被使用。而在线检索则是我们使用利用知识库+大模型进行查询的过程。在学习一门新知识的时候，是什么与为什么同等重要是什么让你知其然为什么让你知其所以然接下来我们就以RAG最经典的应用场景《构建智能问答客服》来了解RAG所有流程中的What与Why

Others are asking
RAG
RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 研究人员引入 RAG 来完成这类任务，它将信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入后会检索相关支撑文档并给出来源，与原始提示词组合后送给文本生成器得到最终输出，能适应事实随时间变化的情况，让语言模型获取最新信息并生成可靠输出。 LLM 存在一些缺点，如无法记住所有知识尤其是长尾知识、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有数据库存储和更新稳定、数据更新敏捷且可解释、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本等优点。 在 RAG 系统开发中存在 12 大痛点及相应的解决方案。
2025-02-24
rag 模型微调
RAG（检索增强生成）模型微调相关知识如下： 通用语言模型通过微调可完成常见任务，如分析情绪和识别命名实体。对于更复杂和知识密集型任务，可基于语言模型构建系统并访问外部知识源。Meta AI 引入的 RAG 方法把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关支撑文档，给出来源，与输入原始提示词组合后送给文本生成器得到输出，能适应事实变化，获取最新信息并生成可靠输出。 通用的 RAG 微调方法如 Lewis 等人（2021）提出的，使用预训练的 seq2seq 作为参数记忆，用维基百科的密集向量索引作为非参数记忆。 在微调阶段： 检索器微调的常用方法包括直接微调、添加可训练的 Adapter 模块、LSR、LLM Reward RL。 生成器微调的主要方法包括直接微调、GPT4 蒸馏、基于反馈的强化学习。 协同微调是在 RAG 系统中同时对检索器和生成器进行微调，如 RADIT 分别对 LLM 和检索器进行微调。 同时，RAG 提高了嵌入模型质量，传统 RAG 解决方案中的问题也得到解决。
2025-02-24
siliconflow可以搭建rag知识库吗
SiliconFlow 本身并不能直接搭建 RAG 知识库。但一般搭建 RAG 知识库的步骤通常包括以下方面： 1. 准备数据：收集需要纳入知识库的文本数据，包括文档、表格等格式，并对数据进行清洗、分段等预处理，确保数据质量。 2. 创建知识库： 访问相关平台的知识库索引，如阿里云百炼，单击创建知识库。在创建知识库界面填入知识库名称与描述。 选择文件，类目位置单击默认类目，文件名称选择准备好的数据文件。 进行数据处理，使用默认的智能切分或根据需求选择合适的处理方式。 3. 配置相关设置：如在 Dify 中提供了三种索引方式供选择，包括高质量模式、经济模式和 Q&A 分段模式，可根据实际需求选择合适的索引方式。 4. 集成至应用：将创建好的数据集集成到相应的应用中，作为应用的上下文知识库使用，并在应用设置中配置数据集的使用方式。 5. 持续优化：收集用户反馈，对知识库内容和索引方式进行持续优化和迭代，定期更新知识库，增加新的内容以保持时效性。 需要注意的是，不同的平台和工具在具体操作上可能会有所差异。
2025-02-24
搭建rag
搭建 RAG 主要包括以下步骤： 1. 导入依赖库：加载所需的库和模块，如 feedparse 用于解析 RSS 订阅源，ollama 用于在 python 程序中跑大模型，使用前需确保 ollama 服务已开启并下载好模型。 2. 从订阅源获取内容：通过特定函数从指定的 RSS 订阅 url 提取内容，若需接收多个 url 稍作改动即可。然后用专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，如标题、发布日期和链接，最终合并成列表返回用于后续处理。 3. 为文档内容生成向量：使用文本向量模型 bgem3，从 hf 下载好模型后放置在指定路径，通过函数利用 FAISS 创建高效的向量存储。 4. 了解 RAG 概念：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，通过检索增强生成 RAG。RAG 应用可抽象为 5 个过程，包括文档加载（从多种来源加载）、文本分割（切成指定大小的块）、存储（嵌入转换为向量形式并存入向量数据库）、检索（通过检索算法找到相似嵌入片）、输出（问题和检索出的嵌入片提交给 LLM 生成答案）。 5. LangChain 和 RAG 的结合：LangChain 是专注于大模型应用开发的平台，提供一系列组件和工具构建 RAG 应用。包括数据加载器（将数据转换为文档对象）、文本分割器（分割文档）、文本嵌入器（将文本转换为嵌入）、向量存储器（存储和查询嵌入）、检索器（根据文本查询返回相关文档对象）、聊天模型（生成输出消息）。使用 LangChain 构建 RAG 应用的一般流程如下。
2025-02-24
RAG是什么
RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化，是因为大模型存在一些缺点，如： 1. 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. 知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. 输出难以解释和验证，存在内容黑盒、不可控及受幻觉干扰等问题。 4. 容易泄露隐私训练数据。 5. 规模大，训练和运行成本高。 而 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释，且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 便于管控用户隐私数据，且可控、稳定、准确。 5. 可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档。 2. 文本分割：把文档切分为指定大小的块。 3. 存储：包括将切分好的文档块进行嵌入转换成向量的形式，以及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：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示生成更合理的答案。
2025-02-24
ragflow
RAGflow 能力拆解： 文档拆分方式： 通用模式：主要参考每个块的 token 数量，同时考虑语意完整性，切分段落点通常在句号或叹号等完整句子结束处。拆分结果和 langchain 的拆分大同小异。 Q&A 问答对：将左边内容加上“问题:”，右边内容加上“回答:”，数据清洗工作量大。 简历：解析容易失败，需要匹配关键词才能解析，建议官方给出简历模板。 手册：一整段文字提取，分割处在页面分页、段落分段处，块大小通常较大。 表格：拆分后每一行被当成一个块，第一行的表头插入到每一块头部。对没有特殊字符的表格信息处理较好，对图片内的公式做了 OCR 检测。 数据清洗：RAGflow 提供分段后的数据处理，可自行添加、修改数据或为数据加标签。测试发现，RAGflow 召回会同时使用向量相似度和关键词相似度并加权得到混合相似度，关键词相似度不仅匹配文本段内容还匹配关键词标签内容，单个实体在关键词中出现即为 100%。需要在检索获得的内容块中同时包含“问题信息”和“答案信息”，大模型才能解答。RAGflow 没提供对外接口，做聊天或其他应用时不方便。 大模型 RAG 问答行业最佳案例及微调、推理双阶段实现模式：基于模块化RAG 自定义 RAG Flow： 原创刘焕勇老刘说 NLP 于 2024 年 1 月 29 日 18:31 发表于北京。在上一篇文章中介绍了模块化RAG 的相关工作，重点论述了每个模块中的构成细节。本文将从三个方面深入探讨 RAG Flow 的设计思路，分别是典型的 RAG Flow 模式、特定的 RAG 流实现以及最佳的行业案例。在典型的 RAG Flow 模式方面，将介绍 3 种微调阶段模式和 4 种推理阶段模式供大家参考思考。
2025-02-22
知识库目录
以下是通往 AGI 之路的知识库目录相关内容： 1. 直播一期：知识库及 GPT 基础介绍 包含知识库及社群介绍，提供了直播回放链接，还介绍了最新知识库精选同步，如通往 AI 绘画之路（小红书），专注于 AI 绘画，分享优质设计 Prompt，并进行了知识库目录导览。 2. 5.关于我们&致谢 介绍这是一个开源 AI 社区，创建知识库的初衷是坚信人工智能将重塑思考和学习方式，带来强大力量。特别感谢支持和推荐知识库的伙伴们，WaytoAGI 是由热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，整合各种 AI 资源，让不同水平的人都能受益。 3. 🌈通往 AGI 之路分享会 深入浅出理解 AI，从有趣的应用到核心原理。包括自我介绍，愿景和目标是让每个人学习 AI 少走弯路，让更多人因 AI 强大。目录涵盖有趣的 AI 案例、AI 的原理、Diffusion 原理和案例、什么是 Agent 。
2025-02-24
搭建个人知识库
以下是关于如何搭建个人知识库的详细介绍： 要搭建基于 GPT API 的定制化知识库，首先需要给 GPT 输入（投喂）定制化的知识。但 GPT3.5（即当前免费版的 ChatGPT）一次交互（输入和输出）只支持最高 4096 个 Token，约等于 3000 个单词或 2300 个汉字，这个容量对于绝大多数领域知识是不够的。为解决此问题，OpenAI 提供了 embedding API 解决方案，可参考 OpenAI embedding documents。 embeddings（直译为嵌入）是一个浮点数字的向量（列表）。两个向量之间的距离衡量它们的关联性，小距离表示高关联度，大距离表示低关联度。向量是数学中表示大小和方向的一个量，通常用一串数字表示，在计算机科学和数据科学中，向量通常用列表（list）来表示，列表是一种包含一组有序元素的数据结构。向量之间的距离是一种度量两个向量相似性的方法，最常见的是欧几里得距离，其计算方法是将两个向量的对应元素相减，然后取平方和，再开平方。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似，例如“猫”和“狗”距离近，它们都是宠物，与“汽车”距离远，相关性低。文档上给了创建 embeddings 的示例。 将文本转换成向量能大大节省空间，可简单理解为索引，发送给 GPT API。 LlamaIndex 是更高一层 LangChain 的抽象，之前叫 GPT Index。之前的文章中的例子就是使用的 LlamaIndex 包。它简化了 LangChain 对文本分割、查询这块的接口，提供了更丰富的 Data Connector。LlamaIndex 只针对 GPT Model 做 Index，而 LangChain 是可以对接多个 LLMs，可扩展性更强。参考 https://gptindex.readthedocs.io/en/latest/ 。 最近各家大厂接连放大招，AI 技术和应用突飞猛进，GPT4 接口已经支持最大 32K 输入，AI 的开发和使用门槛肯定会越来越低。垂直领域知识库的搭建和优化可能更多的是一个业务问题，而不是一个技术问题。欢迎关注公众号“越山集”，多交流。
2025-02-24
如何搭建 知识库
以下是搭建知识库的相关内容： 使用 Dify 构建知识库的步骤： 1. 准备数据：收集纳入知识库的文本数据，包括文档、表格等格式，进行清洗、分段等预处理以确保数据质量。 2. 创建数据集：在 Dify 中创建新数据集，上传准备好的文档，并编写良好的描述。 3. 配置索引方式：Dify 提供三种索引方式，根据实际需求选择，如追求更高准确度可选高质量模式。 4. 集成至应用：将数据集集成到 Dify 的对话型应用中，在应用设置中配置数据集使用方式。 5. 持续优化：收集用户反馈，对知识库内容和索引方式持续优化和迭代，定期更新增加新内容。 使用 Coze 智能体机器人搭建知识库的步骤： 1. 手动清洗数据：本次创建知识库使用手动清洗数据，提高数据准确性。 2. 在线知识库：点击创建知识库，创建画小二课程的 FAQ 知识库，飞书在线文档中每个问题和答案以分割，选择飞书文档、自定义，输入，可编辑修改和删除，添加 Bot 并在调试区测试效果。 3. 本地文档：注意拆分内容提高训练数据准确度，将海报内容训练到知识库，按章节进行人工标注和处理，选择创建知识库自定义清洗数据。 4. 发布应用：点击发布，确保在 Bot 商店中能搜到。 本地部署大模型以及搭建个人知识库中关于 RAG 的介绍： 利用大模型的能力搭建知识库是 RAG 技术的应用。在进行本地知识库搭建实操前，需先了解 RAG。RAG 是当需要依靠不包含在大模型训练集中的数据时，通过检索增强生成的技术。其应用可抽象为 5 个过程：文档加载、文本分割、存储（包括将文档块嵌入转换成向量形式并存储到向量数据库）、检索、输出（把问题及检索出的嵌入片提交给 LLM 生成更合理答案）。文本加载器是将用户提供的文本加载到内存中以便后续处理。
2025-02-24
WaytoAGI 知识库有什么应用场景
WaytoAGI 知识库具有以下应用场景： 1. 在飞书 5000 人大群中，内置了智能机器人“waytoAGI 知识库智能问答”，可根据文档及知识进行回答。使用时在飞书群里发起话题时即可，它能自动回答用户关于 AGI 知识库内的问题，对多文档进行总结、提炼；在内置的“waytoAGI”知识库中搜索特定信息和数据，快速返回相关内容；提供与用户查询相关的文档部分或引用，帮助用户获取更深入的理解；通过互动式的问答，帮助群成员学习和理解 AI 相关的复杂概念；分享有关 AGI 领域的最新研究成果、新闻和趋势；促进群内讨论，提问和回答，增强社区的互动性和参与度；提供访问和下载 AI 相关研究论文、书籍、课程和其他资源的链接；支持多语言问答，满足不同背景用户的需求。 2. WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，目前知识库的内容覆盖：AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，包含赛事和活动促进大家动手实践。 3. WaytoAGI 里有个离谱村，是由 WaytoAGI 孵化的千人共创项目，让大家学习和接触 AI 更容易，更感兴趣。参与者不分年龄层，一起脑洞和创意，都可以通过 AI 工具快速简单地创作出各种各样的作品。离谱村是一个没有被定义的地方，每个人心中都有自己想象中的离谱村，不仅代表着一个物理空间，更是灵魂的避风港，激励着每一个生命体发挥其无限的想象力，创造属于自己的独特生活方式。
2025-02-24
知识库怎么 传变量
在 Coze 中传变量的相关知识如下： 在创建工作流时，Start 节点可以定义输入变量，如“question”，该变量会在启动工作流时由 Bot 从外部获取信息传递过来。 变量节点有两个能力：设置变量给 Bot 和从 Bot 中获取变量。例如，可以从 Bot 中获取“user_language”这个变量，传给后面的大模型节点以控制其输出语言。 此外，关于 Coze 的工作流： 工作流由多个节点构成，节点是组成工作流的基本单元，本质是一个包含输入和输出的函数。 Coze 平台支持的节点类型包括 LLM（大语言模型）、Code（代码）、Knowledage（知识库）、Condition（条件判断）、Variable（获取变量）、Database（数据库）。 关于创建和使用工作流，可参考以下官方教程： 海外参考文档：https://www.coze.com/docs/zh_cn/use_workflow.html 国内参考文档：https://www.coze.cn/docs/guides/use_workflow 国内版本还提供了一些示例，如搜索新闻：https://www.coze.cn/docs/guides/workflow_search_news ；使用 LLM 处理问题：https://www.coze.cn/docs/guides/workflow_use_llm ；生成随机数：https://www.coze.cn/docs/guides/workflow_use_code ；搜索并获取第一个链接的内容：https://www.coze.cn/docs/guides/workflow_get_content ；识别用户意图：https://www.coze.cn/docs/guides/workflow_user_intent 。 创建知识库并上传文本内容的操作如下： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在页面顶部进入知识库页面，并单击创建知识库。 4. 在弹出的页面配置知识库名称、描述，并单击确认。一个团队内的知识库名称不可重复，必须是唯一的。 5. 在单元页面，单击新增单元。 6. 在弹出的页面选择要上传的数据格式，默认是文本格式，然后选择一种文本内容上传方式完成内容上传。
2025-02-23
我是一个什么都不懂的小白，但是我想通过ai弄出一个应用，我该怎么做？
对于纯小白想要通过 AI 开发应用，您可以参考以下步骤： 1. 从基础小任务开始： 让 AI 按照最佳实践为您写一个 say hello 的示例程序，并解释每个文件的作用及程序运行的逻辑，以此学会必备的调试技能。 比如在学习写 chrome 插件时，可以要求 AI 选择适合小白上手的技术栈生成简单的示范项目，并包含尽可能全面的典型文件和功能，同时讲解每个文件的作用和程序运行的逻辑。 如果使用 o1mini，还可以在提示词最后添加“请生成 create.sh 脚本，运行脚本就能直接创建插件所需要的所有文件。请教我如何运行脚本。”（windows 机器则是 create.cmd），从而一次性生成多个目录和文件。 2. 明确项目需求： 通过和 AI 的对话，逐步明确项目需求。 可以让 AI 像高级别的懂技术的产品经理那样向您提问，帮助梳理产品功能，尤其注意涉及技术方案选择的关键点。 来回对话后，让 AI 帮助梳理出产品需求文档，在后续开发时每次新起聊天将文档发给 AI 并告知正在做的功能点。 需要注意的是，虽然 AI 能提供帮助，但对于复杂的应用开发，仍需要您在过程中逐渐学习一些编程知识。目前像字节 Coze 这样的工具本质上是「AIfirst aPaaS」，它把实现应用所需的不同类型代码用不同可视化工具实现，生成的是「配置」，且开发和运行阶段都有大模型的支持。
2025-02-24
什么应用可以将草图进行绘制
以下是一些可以将草图进行绘制的应用： 1. Stable Diffusion：例如其中的 ControlNet 插件，如 tile 模型，可以对草图进行细化和加强细节。在放大图片时，能在较高的重绘幅度下保持画面质量。 2. 摩搭平台：可用于参加相关比赛，如“AI 梦一单一世界比赛”，作为底膜训练 Lora，并生成作品。 此外，在 AI 绘图中，还需要考虑构图、色彩、光影等因素，选择合适的景别和构图方式，以创作出高质量的作品。
2025-02-24
智能体和应用什么区别
智能体和应用的区别主要体现在以下几个方面： 1. 控制流：应用程序将语言模型作为语义搜索、综合或生成的“工具”，其采取的步骤由代码预先确定；而智能体是将语言模型置于应用程序的控制流中，让其动态决定要采取的行动、使用的工具以及如何解释和响应输入。 2. 自由度：在智能体中，如“决策智能体”设计使用语言模型遍历预定义的决策树，自由度受到限制；“轨道智能体”自由度更大，配备更高层次的目标，但解决空间有限；“通用人工智能体”则完全依赖语言模型的推理能力进行所有的计划、反思和纠正。 3. 概念理解：智能体简单理解就是 AI 机器人小助手，参照移动互联网，类似 APP 应用的概念。AI 大模型是技术，面向用户提供服务的是产品，很多公司关注 AI 应用层的产品机会，出现了如社交方向等 C 端案例和帮助 B 端商家搭建智能体等 B 端案例。同时，也有像字节扣子、腾讯元器等智能体开发平台。
2025-02-24
在教育方面怎么应用
以下是 AI 在教育方面的应用： 1. 定制和动态化教育材料：视频扩散模型可将文本描述或课程大纲转化为针对个别学习者的特定风格和兴趣量身定制的动态、引人入胜的视频内容，图像到视频编辑技术能将静态教育资产转换为互动视频，支持多种学习偏好，增加学生参与度，使复杂概念更易于理解和吸引人。 2. 个性化教学：个性化学习平台通过集成算法和大数据分析，实时跟踪学生学习进度，诊断学习难点，提供个性化学习建议和资源。 3. 自动评估：利用自然语言处理技术，机器可自动批改学生的作文和开放性答案题，减轻教师批改负担，提高评估效率和一致性。 4. 智能辅助教学：AI 教师能引导学生通过对话学习，解答疑问并提供即时反馈，创建定制的学习内容，提高学习动机，加深知识掌握。 5. 虚拟现实和增强现实教学：学生可通过 VR 头盔进入虚拟实验室进行实验操作，立即得到 AI 系统反馈，无需昂贵设备或专业环境。 6. 数字教师和数字陪伴：人工智能生成的角色可作为数字教师，如让历史人物授课，实现一对一辅导，提供定制化学习计划和资源，还可作为数字陪伴促进儿童成长。
2025-02-23
Ai在电商行业的应用
AI 在电商行业有以下应用： 1. 产品推荐：通过分析客户数据，为每个客户推荐可能感兴趣的产品。 2. 搜索和个性化：改善搜索结果，为客户提供个性化的购物体验。 3. 动态定价：根据市场需求动态调整产品价格。 4. 聊天机器人：提供服务，回答客户问题并解决他们的问题。 在这个领域，电子商务已成为生成式 AI 最富成效的垂直行业之一。相关工具能帮助品牌创建引人注目的产品照片，如将连衣裙的静态照片变成女人穿着裙子在花园行走的形象，预期用途将极度个性化，如展示沙发在用户公寓中的照片。品牌还能通过相关工具创作用于电子邮件或社交媒体的营销材料、编写经过 SEO 优化的产品描述，未来甚至能仅通过描述期望的审美并点击按钮创建完整的电商商店及营销材料。 同时，AIGC 应用在电商领域也存在法律风险。目前关于 AIGC 侵权的关注重点多集中于版权和专利侵权，实际上也可能产生商标侵权和不正当竞争的风险。例如，利用 AIGC 设计商标可能生成与在先注册商标近似的标志，导致商标侵权。在数据采集过程中，若直接抓取竞争者加工过的数据且未付出新的劳动创造就将其作为获取商业利益的工具，可能构成不正当竞争。
2025-02-23