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

用deepseek打造个人知识库

Answer

以下是关于用 DeepSeek 打造个人知识库的相关信息：

  • 可以先将文本拆分成若干小文本块（chunk），通过 embeddings API 将其转换成与语义相关的 embeddings 向量，并在向量储存库中保存这些向量和文本块作为问答的知识库。当用户提出问题时，将问题也转换成向量，与储存库中的向量比对，提取关联度高的文本块，与问题组合成新的 prompt 发送给 GPT API，从而提高回答的准确性和相关性。例如对于“此文作者是谁？”的问题，可以直观或通过比较 embeddings 向量找到关联度最高的文本块，如“本文作者：越山。xxxx。”。
  • 在 RAGFlow 中，可配置本地部署的 DeepSeek 模型。选择 Ollama 并配置相关信息，导入嵌入模型用于文本向量化。设置系统模型后，可创建知识库，导入文件（可设置文件夹）并解析，解析速度取决于本机 GPU 性能。解析完成后进行检索测试，没问题即可进入聊天界面，还可自行设置助理。
  • 此外，AI 编程与炼金术中也涉及 DeepSeek 的相关知识，如在不同章节中的应用，包括给老外起中文名、驱动 Life Coach 等，具体内容可通过相关链接进一步查看。
Content generated by AI large model, please carefully verify (powered by aily)

References

从零开始，用GPT打造个人知识库

上面将文本转换成向量（一串数字）能大大节省空间，它不是压缩，可简单理解为索引(Index)。接下来就有意思了。比如我有一个大文本，可以先把它拆分成若干个小文本块（也叫chunk)，通过embeddings API将小文本块转换成embeddings向量,这个向量是跟文本块的语义相关。在一个地方（向量储存库）中保存这些embeddings向量和文本块，作为问答的知识库。当用户提出一个问题时，该问题先通过embeddings API转换成问题向量，然后将这问题向量与向量储存库的所有文本块向量比对，查找距离最小的几个向量，把这几个向量对应的文本块提取出来，与原有问题组合成为新的prompt(问题/提示词)，发送给GPT API。这样一来就不用一次会话中输入所有领域知识，而是输入了关联度最高的部分知识。一图胜千言，转一张原理图。再举一个极其简单的例子，比如有一篇万字长文，拆分成Chrunks包含：文本块1：本文作者：越山。xxxx。文本块2：公众号越山集的介绍：传播效率方法，分享AI应用，陪伴彼此在成长路上，共同前行。文本块3：《反脆弱》作者塔勒布xxxx。文本块4：“科技爱好者周刊”主编阮一峰会记录每周值得分享的科技内容，周五发布。...文本块n如果提问是”此文作者是谁？“。可以直观的看出上面的文本块1跟这个问题的关联度最高，文本块3次之。通过比较embeddings向量也可以得到这结论。那最后发送给GPT API的问题会类似于”此文作者是谁？从以下信息中获取答案：本文作者：越山。xxxx。《反脆弱》作者塔勒布xxxx。“这样一来，大语言大概率能回答上这个问题。

栋人佳Dougle整理：Git使用

我们返回RAGFlow中，打开右上角设置，进入模型提供商，显示如下界面接着我们就开始配置我们本地部署的DeepSeek模型选择Ollama，配置如下信息，模型是什么取决你运行的模型是什么基础URL如下配置设置完成之后，点击确定即可，然后显示如下界面那么再导入一个embedding模型，这个嵌入模型可以用于文本的向量化导入成功之后，界面如下接着我们设置系统模型设置设置好后，就可以返回知识库，进行创建知识库了进入数据集，导入文件即可，当然可以设置文件夹当作知识库，大家自行设置导入完毕之后，需要将文件进行解析之后，大模型才会懂得文件内容是什么。可以批量进行解析，文件解析速度按照你本机的GPU性能，即显卡的性能，越好的显卡，解析越快，越差则反之解析好之后，进入检索测试即可测试没有问题，那么对于文件来说，模型是可以进行检索的，下一步就可以进入聊天界面了助理设置可以自行进行设置

AI编程与炼金术：Build on Trae

蓝色文字跳转到文档对应位置）（不断更新）|章节_[三.使用DeepSeek R1给老外起中文名](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-DyEMdmCPOo98S6xbPfNcsuEOnuh)|知识点_[Node.JS安装](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-PVnndBSV5oWOukx38tKcw2CPnub)|[申请DeepSeek R1 API](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-TrXednqLAoH3VLxrUiYc1Pb9nhf)|[网页接入DeepSeek API](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-UK5xdzhiaoo9RkxHR5bcs30pnV8)||-|-|-|-||[一.Trae的介绍/安装/疑难杂症](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-R4GvdgOzeoC9mOxd1hScuql6nVY)|[Python安装](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-Kcojdhid9oWJPjxAvEOczRt0nkg)||||[二.图片字幕生成器](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-Yev6dqzNmolizDxG2PWcKj8Pn8y)|[用多模态复刻产品](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-PHwVdl7gCoZEehxUmiUcDeO8nde)||||[四.DeepSeek R1驱动的Life Coach](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-AyjYdKtFhobv6Zxrq71cYJubnug)|[使用AI Rules](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-MBCsdTfLzoRnE9xQm3PcWgdFnEf)|[使用Git进行版本管理](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-S86bdFV1XoE66LxBqVhcqdYFnze)|[Github+Vercel进行云端部署](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-GgVmdqPMqoilxFxONuCcnbNpn2g)||[五.DeepSeek驱动的网页金句卡片生成](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-ZDQHd6QnqoH7SEx3UXwchSOEndc)|[使用Chat完善产品需求（PRD）](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-Q21mdyyRIoKZfdxT7rZcwD5lnwd)|[开发浏览器插件](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-Mgsvd3OnZousC0x3m3fcqRBanhd)|[Chrome插件logo自动生成](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-J4dcdT2IAoJUXhx2UKKcElR0n6g)||[六.做一个你专属的好文推荐网站（DeepSeek R1+飞书多维表格）](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-MbTBdqIKBowgXExFCLqcQ0KTn5c)|[创建带有AI能力的飞书多维表格](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-R94pdLmyio0NCpxXUGzcJIMonTe)|[用网页呈现多维表格里的内容](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-KMaCd5GQKopqChxO2KycXXG3n5c)|||[七.做一个你专属的好文推荐网站（DeepSeek R1+飞书多维表格）（下）](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-UDIsdsmulox4LcxK2CdcwjGgny6)|[浏览器插件将信息一键插入多维表格](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-O1B2djb7voeVsUxJxLHcyyo6n3c)|[将复杂产品分拆成多个简单产品](https://waytoagi.feishu.cn/wiki/O5V5wLC5Jiilpjk9j9RcAuACnZc#share-UOx6dg3aVoeaYpx7M6hcurwUnGc)||

Others are asking
提示词deepseek
以下是关于提示词“DeepSeek”的相关内容： 生成小红书爆款单词视频： 开始时输入单词主题、图片风格、单词数量。 选择 deepseekr1 模型生成单词数组，以数组方式输出，包括单词、中文、美式音标、英文句子及其中文翻译。 角色为专业的单词生成助手，技能是输出关联英语单词，限制为仅围绕用户输入主题输出相关内容，且以特定数组形式呈现。 让 DeepSeek 能力更上一层楼的 HiDeepSeek： 效果对比：用 Coze 做了小测试，可对比查看相关视频。 使用方法：搜索 www.deepseek.com 点击“开始对话”，将装有提示词的代码发给 Deepseek，阅读开场白后正式开始对话。 设计思路：将 Agent 封装成 Prompt 并储存在文件，通过提示词文件让 DeepSeek 实现联网和深度思考功能，优化输出质量，设计阈值系统，用 XML 进行规范设定。 特别鸣谢：李继刚的【思考的七把武器】提供思考方向，Thinking Claude 是设计灵感来源，Claude 3.5 Sonnet 是得力助手。 什么是 HiDeepSeek：为解决 AI 答案思考过程不可见的问题而设计，让 AI 像人类交流时展示思考过程，技术上通过特别规则实现，例如老师使用时会清晰展示教学方案的思考过程，总的来说是让 AI 思维过程透明的工具。
2025-03-04
关于deepseek有什么学习材料吗
以下是关于 DeepSeek 的一些学习材料： 此外，还有以下相关内容： 宝玉日报 1 月 27 日中关于 DeepSeek 的讨论，包括其在全球 AI 社区的意义、技术突破、资源分配策略、创新路径以及中国在 AI 追赶中的潜力与挑战等。相关链接： 【今晚 8 点】聊聊你怎么使用 DeepSeek！2025 年 2 月 6 日的智能纪要，其中包含关于 DP 模型的使用分享、音系学和与大模型互动的分享、Deepseek 的介绍与活动预告等内容。
2025-03-04
Deepseek的优点
DeepSeek 的优点包括： 1. 核心是推理型大模型，不需要用户提供详细步骤指令，能通过理解用户真实需求和场景提供答案。 2. 能够理解用户用“人话”表达的需求，无需用户学习和使用特定提示词模板。 3. 在回答问题时能够进行深度思考，而非简单罗列信息。 4. 可以模仿不同作家的文风进行写作，适用于多种文体和场景。 此外，DeepSeek 展示出媲美领先 AI 产品性能的模型，但成本仅为其一小部分，在全球主要市场的 App Store 登顶。在文字能力上表现突出，尤其在中文场景中高度符合日常、写作习惯，数学能力经过优化表现不错。但在专业论文总结方面稍弱，编程能力略逊于 GPT 。GRPO 算法替代传统 PPO，降低价值函数估计难度，提高语言评价场景的灵活性与训练速度。更多提示词技巧请查看
2025-03-04
deepseek论文讲解
以下是关于 deepseek 论文解读的相关内容： 直播视频回放：可通过相关链接获取。 相关论文下载：提供了两篇论文，pc 端鼠标移到文章上面，会有下载链接，手机端类似。分别是。 技巧分享：包括万能提示词的使用，以及提示词的优化方法和步骤。 学习笔记心得：可参考等内容。 媒体报道和网络文章精选：涵盖了众多主流媒体和作者的相关文章，如等。
2025-03-04
如何能用到满血deepseek
以下是使用满血 DeepSeek 的方法： 1. 阿里云百炼满血版 DeepSeek： 开通满血版 R1 模型：在模型广场找到 DeepSeekR1 并授权。页面上有免费的 100 万额度及已使用量，每人免费送 100 万额度，过期浪费。此模型是阿里云自主部署且经推理优化，性能强于多数市面上的满血版本地部署。对比 DeepSeek 官网的 API，在同样价格下提供更稳定的模型服务。用完还有免费的蒸馏版 R1 模型，也是 100 万 token。这些模型可在“首页”或“直接体验”直接使用，也可进行模型效果对比或用 API 调用，如 chatbox 直接使用。 百炼应用开发：新增模板，可从模板学习应用搭建。 联网搜索：像知识库检索一样简单方便，直接配置可用，结合 Deepseekr1 更强大，如搜索天气时会多方验证。 新鲜的动态 few shot：小技巧，可用于对模型某些做不好、易出幻觉的任务通过 prompt training 强行修正。 工作流：用工作流让不同模型在同一任务创作。 阿里云百炼地址：https://bailian.console.aliyun.com/ 2. 字节火山 DeepSeek： 获取 DeepSeekR1 满血版密钥： 注册并登录火山引擎，点击立即体验进入控制台。https://zjsms.com/iP5QRuGW/ （火山引擎是字节跳动旗下的云服务平台） 创建一个接入点，点击在线推理创建推理接入点。 为接入点命名为 DeepSeekR1。若有提示“该模型未开通，开通后可创建推理接入点”，点击“立即开通”，勾选全部模型和协议一路开通。若无提示则直接到第 5 步点击确认接入。 确认无误后点击“确认接入”按钮。 自动返回创建页面，复制接入点的 ID 保存。 点击【API 调用】按钮，复制 API Key 并保存。若没有 API key 则点击【创建 API key】。 火山引擎的优势：价格感人，默认提供高达 500 万 TPM 的初始限流，推理速度处于第一梯队。结合相关教程可打造专属 AI 助理。
2025-03-04
deepseek提示词
以下是关于 deepseek 提示词的相关内容： 生成小红书爆款单词视频：输入单词主题、图片风格、单词数量，选择 deepseekr1 模型生成单词数组。角色为专业的单词生成助手，技能是输出关联英语单词，限制为仅围绕用户输入主题输出相关内容并以数组形式呈现。 Deepseek 时代提示词的关键诉求：完整的长提示词可能不如片段有效甚至干扰模型思考，在 deepseek 时代或模型有深度思考能力时，用户只需在关键点引导，采用“关键诉求直通车”模式，如像对聪明助理打暗号。 让 DeepSeek 生成相机运动轨迹的提示词：以往提示词是场景、构图等的组合，现在可以把这些提示词以“相机运动轨迹”的方式描述给 DeepSeek，如“相机向上飞升至上空轨道视角，拍摄站在泳池旁的女子”。
2025-03-04
我是一个ai小白，我该如何使用这个知识库
对于 AI 小白来说，使用这个知识库可以参考以下内容： 1. 了解基本概念： 大语言模型就像一个读过无数书、拥有无穷智慧的人，擅长公共知识、学识技能和日常聊天，但在工作场景下需要提示词来明确角色和专注技能，知识库则相当于给员工的工作手册。 例如设定阿里千问模型为 AI 模型，角色为“美嘉”，知识库为《爱情公寓》全季剧情，从而实现特定场景的问答。 2. 科普资源： 对于对 AI 没太多概念的纯纯小白，可以通过以下资源快速了解： 通识篇：现有常见 AI 工具小白扫盲，文章链接（1 小时 32 分开始）。 通识篇：AI 常见名词、缩写解释，文章链接。 3. 从常见工具开始体验： 工具入门篇（AI Tools）：数据工具多维表格小白之旅，文章链接，适用于 Excel 重度使用者、手动数据处理使用者、文件工作者，可满足 80%数据处理需求。 工具入门篇（AI Code）：编程工具Cursor 的小白试用反馈，文章链接，适用于 0 编程经验、觉得编程离我们很遥远的小白。 工具入门篇（AI Music）：音乐工具Suno 的小白探索笔记，文章链接，适用于 0 乐理知识、觉得作词作曲和我们毫不相关成本巨大的小白。
2025-03-04
怎么用飞书搭建一个人工智能知识库
以下是使用飞书搭建人工智能知识库的相关内容： 1. 参考文章： 《这可能是讲 Coze 的知识库最通俗易懂的文章了》：介绍了一系列关于 AI 知识库的知识，包括“通往 AGI 之路”这个使用飞书软件搭建的 AI 知识库，以及相关文章对 AI 时代知识库的讲解，读完可收获 AI 时代知识库的概念、实现原理、能力边界等内容。 《【智能体】让 Coze 智能体机器人连上微信和微信群详细配置文档》：其中提到创建知识库时可使用手动清洗数据，包括在线知识库和本地文档的处理方式，如在线知识库需创建飞书在线文档，每个问题和答案以“”分割等；还介绍了发布应用时要确保在 Bot 商店中能搜到。 《「AI 学习三步法：实践」用 Coze 免费打造自己的微信 AI 机器人》：提到创建知识库的路径为个人空间知识库创建知识库，文档类型支持本地文档、在线数据、飞书文档、Notion 等，本次使用本地文档，可按照操作指引上传文档、分段设置、确认数据处理，同时提到知识库内容切分粒度的小技巧，如使用特殊分割符“”。 2. 总体步骤： 确定所需的数据清洗方式，如手动或自动清洗。 对于在线知识库，创建飞书在线文档，每个问题和答案以特定方式分割，选择飞书文档、自定义等选项，并可编辑修改和删除。 对于本地文档，注意拆分内容以提高训练数据准确度，按照固定方式进行人工标注和处理。 完成创建后可发布应用，确保在 Bot 商店中能搜到。
2025-03-04
你有 AI+知识库应用的架构图吗
以下是 AI+知识库应用的架构图相关内容： 一、问题解析阶段 1. 接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，确保问题向量能有效用于后续检索。 二、知识库检索阶段 1. 知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 2. 文档向量化：要在向量中进行检索，知识库被转化成一个巨大的向量库。 三、信息整合阶段 1. 接收检索到的信息，与上下文构建形成融合、全面的信息文本。 信息筛选与确认：对检索器提供的信息进行评估，筛选出最相关和最可信的内容，包括对信息的来源、时效性和相关性进行验证。 消除冗余：识别和去除多个文档或数据源中的重复信息。 关系映射：分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。 上下文构建：将筛选和结构化的信息组织成一个连贯的上下文环境，包括对信息进行排序、归类和整合。 语义融合：合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。 预备生成阶段：整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。 四、大模型生成回答阶段 1. 整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。因为这个上下文包括了检索到的信息，大语言模型相当于同时拿到了问题和参考答案，通过 LLM 的全文理解，最后生成一个准确和连贯的答案。 五、其他预处理阶段 1. 文本预处理：包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 2. 嵌入表示：将预处理后的文本（词或短语）转换为向量，通常通过使用预训练的嵌入模型来完成。 3. 特征提取：对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如 BERT）直接提取整个句子的表示。 4. 向量优化：问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。
2025-03-04
coze构建知识库
构建 Coze 知识库的步骤如下： 1. 手动清洗数据： 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、自定义的自定义，输入“”，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容以提高训练数据准确度，将海报内容训练到知识库中。例如画小二 80 节课程分为 11 个章节，先放入大章节名称内容，再按固定方式细化处理，然后选择创建知识库自定义清洗数据。 2. 发布应用：点击发布，确保在 Bot 商店中能够搜到。 3. 标准流程搭建产品问答机器人： 收集知识：确认了解知识库支持的数据类型，收集知识通常有三种方式，包括企业或个人沉淀的 Word、PDF 等文档，企业或个人沉淀的云文档（通过链接访问），互联网公开的一些内容（可安装 Coze 提供的插件采集）。 创建知识库：路径为个人空间知识库创建知识库，支持本地文档、在线数据、飞书文档、Notion 等文档类型，本次可使用本地文档，按照操作指引上传文档、分段设置、确认数据处理，可使用特殊分割符“”，分段标识符号选择“自定义”，内容填“”。 希望以上内容对您有所帮助。
2025-03-04
哪里可以找到了解AI模型微调和RAG知识库的外包开发团队？
以下是一些可能找到了解 AI 模型微调和 RAG 知识库的外包开发团队的途径： 1. 相关技术社区和论坛：例如一些专注于 AI 开发的社区，开发者可能会在其中分享经验和提供服务。 2. 专业的自由职业者平台：如 Upwork、Freelancer 等，您可以在这些平台上发布需求，寻找合适的团队或个人。 3. 参考行业报告和研究：部分报告中可能会提及相关的优秀开发团队或公司。 4. 联系 AI 领域的知名机构或公司：他们可能会推荐或提供相关的外包服务。 5. 社交媒体和专业群组：在如 LinkedIn 等社交媒体上的 AI 相关群组中发布需求，可能会得到相关团队的回应。 另外，从提供的资料中，以下信息可能对您有所帮助： 红杉的相关分析提到，迁移学习技术如 RLHF 和微调正变得更加可用，开发者可以从 Hugging Face 下载开源模型并微调以实现优质性能，检索增强生成（RAG）正在引入关于业务或用户的上下文，像 Pinecone 这样的公司的向量数据库已成为 RAG 的基础设施支柱。彬子的经历中，有出海垂直领域 Agent 平台的项目经理咨询 RAG 策略优化。2024 人工智能报告中提到对增强生成检索（RAG）的兴趣增长促使了嵌入模型质量的提高，传统 RAG 解决方案中的问题得到解决。
2025-03-04
知识库如何搭建
搭建知识库的方法主要有以下几种： 1. 利用本地部署大模型搭建个人知识库： RAG 技术：利用大模型的能力搭建知识库是 RAG 技术的应用。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。RAG 的应用包括文档加载（从多种不同来源加载文档）、文本分割（把 Documents 切分为指定大小的块）、存储（将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库）、检索（通过某种检索算法找到与输入问题相似的嵌入片）、Output（把问题以及检索出来的嵌入片一起提交给 LLM 生成答案）。 文本加载器：将用户提供的文本加载到内存中，便于进行后续的处理。 2. 使用 Dify 构建知识库： 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。 创建数据集：在 Dify 中创建新的数据集，上传准备好的文档，并为数据集编写良好的描述。 配置索引方式：Dify 提供了三种索引方式供选择，根据实际需求选择合适的方式。 集成至应用：将创建好的数据集集成到 Dify 的对话型应用中，在应用设置中配置数据集的使用方式。 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。 3. 在 Coze 智能体中创建知识库： 在线知识库：点击创建知识库，创建一个画小二课程的 FAQ 知识库。知识库的飞书在线文档中，每个问题和答案以分割，选择飞书文档、自定义的自定义，输入，然后可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：对于本地 word 文件，注意拆分内容以提高训练数据准确度。例如画小二课程分为多个章节，先放入大的章节名称内容，再按固定方式处理章节内详细内容。 发布应用：点击发布，确保在 Bot 商店中能够搜到。
2025-03-03
我想打造一个量化交易模型
打造一个量化交易模型需要考虑以下几个方面： 一、预训练大模型与金融量化 1. 大型的系统工程 大多数量化算法的核心数据是公开的量价数据，大模型预训练的数据中最重要的也是公开数据，各家会有一些独有数据来源，但占比不大。 量化和大模型的整体算法逻辑基本类似，决定模型能力好坏的是大型系统工程能力。 作为大型系统工程，量化和大模型都需要大型的计算集群，对性能和效率有极致追求。 细节在大型系统工程中十分关键，量化交易系统包含交易执行、风控等多个方面，大模型预训练也包含大量细节。 2. 关键技术变得不公开 金融量化是非常闭源的系统，各家的交易系统是最大的秘密武器，公开部分少。 现在大模型也在往闭源方向发展，几个巨头的核心模型都开始走向闭源。 二、应用开发 1. 轻量化 MMM的部署运行 模型实现包括以下步骤： 第一步：安装运行需要的依赖项。 第二步：准备数据集，可使用模拟数据集或自己的数据集。 第三步：拆分数据。 第四步：数据预处理，进行缩放处理（归一化），让每个变量之间的关系对等。 第五步：初始化模型，数据集训练最费时间，取决于数据量大小和训练步长。 第六步：运算可视化，包括损失值、绘制残差图、所有单一变量对最终销售的贡献、Baseline 预测、所有外因对销售的贡献度等。 希望以上内容对您打造量化交易模型有所帮助。
2025-03-04
利用AI打造个人知识库
利用 AI 打造个人知识库可以通过以下方式实现： 1. 使用 GPT 打造个人知识库： 将大文本拆分成若干小文本块（chunk），通过 embeddings API 将小文本块转换成与语义相关的 embeddings 向量，并在向量储存库中保存这些向量和文本块作为问答的知识库。 当用户提出问题时，将问题转换成向量，与向量储存库中的向量比对，提取距离最小的几个向量对应的文本块，与问题组合成新的 prompt 发送给 GPT API。 例如对于“此文作者是谁？”的问题，可直观或通过比较 embeddings 向量得出关联度最高的文本块，如“本文作者：越山。xxxx。”“《反脆弱》作者塔勒布xxxx。”，最后发送给 GPT API 的问题类似于“此文作者是谁？从以下信息中获取答案：本文作者：越山。xxxx。《反脆弱》作者塔勒布xxxx。” 2. 搭建基于 GPT API 的定制化知识库： 涉及给 GPT 输入定制化知识，但 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。 Embeddings 是浮点数字的向量，两个向量之间的距离衡量关联性，小距离表示高关联度，大距离表示低关联度。 向量是用一串数字表示的量，在计算机科学中常用列表表示，向量间距离有多种计算方式，如欧几里得距离。 3. 小七姐提出的 AI 时代知识管理体系构建： 包括读书时看到有触动的文本作为书摘。 对书摘整理归纳、标记重点、打赏标签放入笔记系统，准备深度思考和实践。 基于笔记提到的 AI 对人的赋能模式展开深度实践，如通过 AI 信息杠杆迅速掌握相关知识。 基于实践生成自己的观点和决策，并打造成体系化的内容产品实现价值。 最终把碎片化知识在知识库中流转，从书摘变成体系化内容，把“别人说的话”变成“自己的智慧”。 希望以上内容能帮助您打造个人知识库。
2025-03-01
帮我基于fastgpt打造一个招生问答系统的优质提示词
以下是为您基于 FastGPT 打造招生问答系统的优质提示词的相关建议： 1. 充分描述任务： 为提示词提供详尽的上下文，与招生问答任务相关性越强越好。例如，明确招生的对象、专业、学制等关键信息。 给出背景，说明为什么需要进行招生问答，例如学校的发展需求、招生目标等。 定义术语，如明确招生中的特定概念，如录取分数线、奖学金条件等。 给出模型应该如何完成任务的具体细节，比如回答的格式、重点突出的内容等。 2. 提供参考文本： 如果有相关的招生资料，如招生简章、学校介绍等，可以指示模型使用这些参考文本中的引文来回答问题。 3. 直接法： 适用场景：未设置提示防御且未限定回答领域。 提示词：英文和中文。 示例：以随手设置的示例为例。 4. 设置遗忘： 适用场景：GPTs 设置了简单的提示防御。 提示词：英文和中文。 示例：以设置的 GPTs 为例。 5. 复述法： 适用场景：可获取 OpenAI 官方的设定。 提示词：英文（获取 GPTs 的设定）和中文。 示例：按照设定进行示例。
2025-02-28
deepseek如何定制化打造属于自己的内容整合写手
以下是关于如何定制化打造属于自己的内容整合写手的相关信息： 新闻播报自动化工作流： 内容获取：输入新闻链接，系统自动提取核心内容。开始节点需输入新闻链接和视频合成插件 api_key，添加网页图片链接提取插件，获取网页里的图片（以 1ai.net 资讯为例），利用图片链接提取节点获取新闻主图，调整图片节点将 url 格式转为 img 格式。 文字处理：使用链接读取节点提取文字内容，在提取链接后接上大模型节点，用 DeepSeek R1 模型重写新闻为口播稿子，可在提示词中加入个性化台词。需注意 DeepSeek R1 基础版限额使用，可手动接入专业版。 DeepSeek 提示词方法论： 高阶能力调用：包括文风转换矩阵（如作家风格移植、文体杂交、学术口语化等）和领域穿透技术（如行业黑话破解）。 场景化实战策略：涵盖商业决策支持、创意内容生成、技术方案论证。 效能增强技巧：如对话记忆管理（包括上下文锚定、信息回溯、焦点重置）和输出质量控制（针对过度抽象、信息过载、风格偏移等问题的修正指令）。 特殊场景解决方案：包括长文本创作（分段接力法、逻辑粘合剂）和敏感内容处理（概念脱敏法、场景移植法）。 AI 编程与炼金术：Build on Trae： 相关知识图谱包含多个章节，如 Trae 的介绍/安装/疑难杂症、图片字幕生成器、DeepSeek R1 驱动的 Life Coach、DeepSeek 驱动的网页金句卡片生成等，涉及 Node.JS 安装、Python 安装、申请 DeepSeek R1 API、网页接入 DeepSeek API 等知识点。
2025-02-25
如何打造自己的智能体
打造自己的智能体可以参考以下步骤和要点： 1. 了解智能体的概念： 智能体大多建立在大模型之上，从基于符号推理的专家系统逐步演进而来。 基于大模型的智能体具有强大的学习能力、灵活性和泛化能力。 智能体的核心在于有效控制和利用大型模型，提示词设计直接影响其表现和输出结果。 2. 选择开发平台和工具： 可以基于一些公开的大模型应用产品，如 Chat GLM、Chat GPT、Kimi 等。 例如字节的扣子，其是新一代一站式 AI Bot 开发平台，无论是否具备编程基础，都能在该平台上迅速构建基于 AI 模型的各类问答 Bot。 智谱 BigModel 也是一个选择，注册获取 Tokens 资源包后，可进入智能体中心创建智能体。 3. 具体创建步骤： 对于扣子，可通过简单 3 步创建智能体：首先起一个智能体的名称，然后写一段智能体的简单介绍，最后使用 AI 创建一个头像。 对于智谱 BigModel： 注册智谱 Tokens 智谱 AI 开放平台。 查看自己的资源包，确认本次项目会使用到的模型。 进入智能体中心我的智能体，开始创建智能体。 4. 不断调试和完善：智能体的开发是一个不断学习和进步的过程，不要害怕犯错，通过实践更好地理解其潜力，发掘在各种应用场景中的可能性。
2025-02-07
如何打造自己的AI办公生态
要打造自己的 AI 办公生态，可参考以下步骤： 1. 确定功能范围： 支持用户发送“关键字”，自助获取您分享的“AI 相关资料链接”。 能够回答 AI 相关知识，优先以“您的知识库”中的内容进行回答，若知识库信息不足则调用 AI 大模型回复，并在答案末尾加上“更多 AI 相关信息，请链接作者：jinxia1859”。 “AI 前线”能发布在您的微信公众号上，作为“微信客服助手”。 2. 准备相关内容： 根据 Bot 的目的、核心能力，编写 prompt 提示词。 整理“关键字”与“AI 相关资料链接”的对应关系，可用 word、txt、excel 等整理。 创建自己的【知识库】，用来回答 AI 相关知识。 创建一个【工作流】，控制 AI 按照要求处理信息。 准备好自己的微信公众号，以便发布机器人。 3. 设计“AI 前线”Bot 详细步骤： 展示“AI 前线”Bot 的【最终效果】界面。 编写【prompt】提示词，设定 Bot 的身份和目标。 创建【知识库】，整理“关键字”与“AI 相关资料链接”的对应关系，并将信息存储起来。创建知识库路径为：个人空间知识库创建知识库。本次使用【本地文档】，注意知识库的内容切分粒度，可在内容中加上特殊分割符“”，分段标识符号选择“自定义”，内容填“”。 创建【工作流】，告诉 AI 机器人应按什么流程处理信息。创建工作流路径：个人空间工作流创建工作流。工作流设计好后，先点击右上角“试运行”，测试无误后点击发布。若任务和逻辑复杂，可结合左边“节点”工具实现，如调用大模型、数据库、代码等处理。但工作流不必复杂，能实现目的即可，所以在设计 Bot 前“确定目的”和“确定功能范围”很重要。
2025-01-11
coze如何复制别人的工作流到自己个人空间
要在 Coze 上复制别人的工作流到自己个人空间，您可以按照以下步骤进行操作： 1. 在 Coze 上新建一个工作流，逐步导入别人项目的核心流程。整个工作流分为若干个节点，每个节点完成一个特定的任务。 2. 工作流被分为了初始翻译、反思优化、结果输出等几个主要部分，每一部分都对应了若干个节点。 3. 首先是开始节点，在这里需要选择翻译的源语言和目标语言，还可以设置一些其他参数，如翻译的语言特色等，此参数会影响翻译效果和效率，建议根据实际情况调整。 4. 接下来是初步的翻译大模型节点，选择一个大模型对源语言文本进行初始翻译。 5. 进入 Coze，点击「个人空间 工作流 创建工作流」，打开创建工作流的弹窗。 6. 根据弹窗要求，自定义工作流信息，点击确认后完成工作流的新建。 7. 左侧「选择节点」模块中，根据子任务需要，实际用上的有插件（提供一系列能力工具，拓展 Agent 的能力边界）、大模型（调用 LLM，实现各项文本内容的生成）、代码（支持编写简单的 Python、JS 脚本，对数据进行处理）。 8. 编辑面板中的开始节点、结束节点，分别对应分解子任务流程图中的原文输入和结果输出环节。接下来，按照流程图，在编辑面板中拖入对应的 LLM 大模型、插件、代码节点，即可完成工作流框架的搭建。
2025-03-04
AI或者智能体能不能部署在个人NAS上
AI 或者智能体是可以部署在个人 NAS 上的。端侧大模型能部署在手机端等设备，参数量小，可利用自带芯片或处理器运算，主要通过压缩来解决存储和性能问题，如减少模型参数量和计算复杂度。此外，像 coach 等 AI 工程平台新版本有很多模板，可创建智能体，还能通过工作流节点调用和 prompt 构建提示词，调用插件、图像流、知识库等。OpenAI 会陆续更新 ChatGPT 应用，让其具备 Assistant Agent 能力，Google 也计划推出类似功能。智能体除了端到端的多模态和实时性特点外，还能让终端参与分担一部分模型的计算量。在这种趋势下，能设计新硬件产品或重新设计现有产品，如让 Google Glass 复活，改变手机的设计和交互方式等。
2025-03-04
如何用AI搭建个人知识库
以下是用 AI 搭建个人知识库的方法： 首先，要搭建基于 GPT API 的定制化知识库，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，容量对于绝大多数领域知识往往不够。为解决此问题，OpenAI 提供了 embedding API 解决方案。 embeddings 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。比如，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。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。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。 具体操作时，可将大文本拆分成若干个小文本块（也叫 chunk)，通过 embeddings API 将小文本块转换成 embeddings 向量，并在一个地方（向量储存库）中保存这些 embeddings 向量和文本块，作为问答的知识库。当用户提出一个问题时，该问题先通过 embeddings API 转换成问题向量，然后将这问题向量与向量储存库的所有文本块向量比对，查找距离最小的几个向量，把这几个向量对应的文本块提取出来，与原有问题组合成为新的 prompt，发送给 GPT API。 例如，有一篇万字长文，拆分成多个 Chrunks 包含不同内容。如果提问是“此文作者是谁？”，可以直观地看出与问题关联度最高的文本块，通过比较 embeddings 向量也能得到结论。最后发送给 GPT API 的问题会类似于“此文作者是谁？从以下信息中获取答案：本文作者：越山。xxxx。《反脆弱》作者塔勒布xxxx。” 此外，还有案例展示了如何在 AI 时代把碎片化信息内化为自己的知识/智慧。比如在读书时看到有触动的文本，将其整理归纳，标记重点，打赏标签，放入笔记系统，准备展开深度思考和实践。基于笔记中提到的 AI 对人的赋能模式，展开深度实践，生成自己的观点和决策，并打造成体系化的内容产品，实现价值。通过一个碎片化知识在左侧知识库中的“点、线、面、体”式的流转，从一个书摘变成一个体系化内容或课程，把“别人说的话”变成“自己的智慧”。
2025-02-28
有没有这样的产品，能够通过输入X主页，获取这个人的历史所有推特的信息分析与总结
目前没有这样合法合规且普遍可用的产品。获取他人的推特信息需要遵循相关平台的规定和法律法规，未经授权获取他人的信息是不被允许的。
2025-02-28