纯小白，要如何入行Ai Agent

AI 绘画具有多方面的特点和影响： 1. 与艺术界的双向影响： 改变传统艺术面貌：从生成艺术作品到辅助艺术创作，影响创作方式、审美观念和市场需求。 技术进步：从早期机械臂机器人到当前大语言模型，在创作质量和速度上有新突破，推动传统艺术数字化和普及化。 引发讨论和争议：人们对 AI 创作的艺术品接受程度与人类作品大致相同，但不太愿意将其视为艺术家；艺术家态度复杂，有期待也有担忧；带来从业者职业安全焦虑和“侵权”反对之声，挑战现有法律和伦理框架。 提供新可能性：帮助艺术家探索新创意表达方式，提高制作效率，降低成本，促进艺术与观众互动，提供个性化体验。 2. 关键词指南： 公式：主题+环境+气氛+灯光+色彩+构图+风格参考。 比如：将喜欢的艺术家、灯光、颜色等风格放入相应的关键词里。 3. 艺术与科技的融合： 呈现奇妙景象：将艺术与先进技术完美结合，引领艺术界走向未来。 探索之旅：利用机器学习和深度学习模拟创作过程，生成令人惊叹的作品，为艺术家提供新工具和观众带来新体验。 打破局限：不再局限于传统手工绘画技巧，通过技术手段开拓新创作领域，为缺乏绘画技巧的人提供参与机会，使艺术更民主化和包容。

要做一个 AI 开源项目，以下是一些关键步骤和要点： 1. 明确项目目标和范围：确定您的 AI 开源项目要解决的具体问题和应用场景，以及项目的边界和功能。 2. 制定.cursorrules： 说明自己的身份和期望的技能：告诉 AI 您希望它具备的专业水准和技能。 明确项目任务：清晰地告知 AI 项目的具体目标和要求。 设定项目规则：包括代码规范、风格等，以保证代码的一致性和可维护性。 规划文件存放位置：便于代码的组织和查找。 指定使用的工具：如框架和库，确保项目的整洁和统一。 说明测试要求：让 AI 生成的代码具有可测试性，并主动编写测试用例。 提供参考资料：帮助 AI 基于最佳实践进行开发。 如有 UI 需求，明确相关要求。 3. 选择合适的技术和框架：例如 Fooocus 这样的图像生成开源项目，它内置多种风格，适合小白上手，且具有离线、开源、免费等特点，支持在多种操作系统上使用，并借鉴了稳定扩散和 Midjourney 的设计思想。 4. 考虑开源的角色和影响：从长远来看，开源模型的情况会变得复杂。对于具有高度能力的模型，如能够自主创办和建立大型科技公司或进行科学研究的模型，其是否开源会产生难以预测的后果。 总之，创建一个 AI 开源项目需要综合考虑多方面的因素，包括技术选型、规则制定、目标明确等，以确保项目的成功和可持续发展。

以下是一些支持生成汉字的 AI 生图网站： 1. ComfyUI Kwai Kolors 快手可图：支持中英文提示词工作流，有相关的下载安装设置教程，可生成汉字。您可以通过了解更多。 2. 豆包 App 支持文生图中文文字生成。

AI 是一门令人兴奋的科学，它是某种模仿人类思维，可以理解自然语言并输出自然语言的东西。对于没有理工科背景的人来说，可以把 AI 当成一个黑箱，其生态位是一种似人而非人的存在。 从技术角度看，最初计算机是按照明确的程序和算法进行运算。但对于像根据照片判断一个人的年龄这类任务，我们无法明确其具体步骤和解法，而这正是 AI 所感兴趣的。 如今的 AI（主要是生成式 AI 这类技术）可以接受和理解各种不同的输入和数据，并生成包括文字、声音、图像、视频、3D 模型等多种多样的内容。简单来说，可以把 AI 当人看。

产品经理在设计 AI 产品功能时，需要设计意图识别。以下是关于意图识别的相关内容： 意图识别的定义：当用户输入指令，这些指令通过感知模块传递到 Brain 模块，Brain 模块需要对这些指令做出反应。这个过程在本质上是一种分类任务，即识别并区分用户的具体意图。无论是在单一智能体架构还是复杂的多智能体系统中，意图识别都扮演着至关重要的角色。 意图识别的实现方式： 1. 通过准备特定于任务的数据集，然后利用这些数据对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。这个过程涉及到在预训练模型的基础上进一步训练，以调整模型参数，使其更适应特定的任务需求。 2. Prompttuning，这种方法不需要对模型的参数进行大规模调整。而是通过精心设计的提示词来引导模型，使其能够识别和响应用户的意图。这种方法的优势在于其灵活性和快速适应性，能够在不改变模型参数的情况下，迅速适应新的任务或领域。 这两种方法各有优缺点：微调能够提供更高的准确性，但需要较多的训练数据和计算资源；而提示词调优则在创造性和灵活性方面表现更为突出。 在使用大型模型进行意图识别时，需要注意一些潜在的问题： 1. 由于意图识别在智能系统中扮演着守门人的角色，如果其准确性不足，整个系统的后续环节，包括记忆、规划和反思等，都可能受到影响，无法正常发挥作用。 2. 在落地设计时，意图识别通常与特定的业务场景紧密相关，如果脱离了具体的业务需求，意图识别将失去其实际意义。因此，在设计意图识别系统时，必须将其与业务需求紧密结合，确保其能够准确地理解和响应用户的需求。如果意图识别脱离了业务背景，那么可能不如利用模型的泛化能力去执行更基本的意图识别任务。 以下是一个使用 prompt 来设计意图识别的例子：在上述使用提示词进行意图识别的例子中，提示词对用户的指令进行了分类，以识别不同的意图。然后，根据这些识别出的意图，系统执行相应的动作。最终，系统会输出一个 JSON 格式的结果，这通常包含了对用户指令的解析和响应。 在未来的 AI 学习产品中，除了拥有大模型之外，还需要拥有其他的基础设施，包括但不仅限于具备学习任务规划能力的小参数规模模型、意图识别模型、多模态交互模型、搜索引擎、既有的知识库等等。

以下是关于 SAP 与 AI 的相关知识： NVIDIA 和 SAP 正在使用 NVIDIA NEMO 和 DGX Cloud 构建 SAP gem Copilots。SAP 支撑了全球 87%的全球商业，基本上世界都在 SAP 上运行。 目前提供的内容中关于 SAP 与 AI 的信息有限，您可以补充更多具体需求，以便为您提供更全面和准确的回答。

对于纯小白入行 AI 行业，可以参考以下几点： 1. 从 prompt 入手：在 AI 生成原理的基础上，写好 prompt 能提高问问题和解决问题的效率，可临时用 prompt 解决具体问题。 2. 参与小项目实践：像玩过图形化编程的人，可在 Claude 和他人帮助下，用 Unity 开发小游戏，如做一个 2D 平面上用方向键控制走动且碰到墙壁能停下的小人，通过小项目明白背后原理，再开发复杂项目。但过程中可能会遇到挫折，如问题描述不清导致错误指引、AI 给出的方案复杂或代码正确但其他配置错误等，所以最好有人类导师拆解任务、设计学习路径并随时提供帮助。 3. 学习路径： 初期懵懵懂懂，学会简单表达需求。 逐渐熟练掌握更具体的需求表述。 多尝试各种常规 AI 工具，选定持续发展的方向，如 AI Agent。 多参加相关比赛。 4. 学习心得： 不要怕问“笨”问题，但多直接问 AI。 解决小问题也是进步，不积跬步无以至千里。 多试多练，来社区共学，一群人走得更远。 融入生活和工作，学完就用，不要纯靠意志力。 5. 在工作中，可利用 AI 快速生成报告、整理数据、翻译文件、优化文案等。 您还可以参考社区小伙伴的 100 天 AI 之路，如《雪梅 May 的 AI 学习日记》挑战 100 天和 AI 做朋友：https://waytoagi.feishu.cn/wiki/IFRbwRSYKi085xkJwVmc6BCNngb?table=tblHgpm6a5ric3KB&view=vewxxF51yJ

对于纯小白来说，理解模型等相关概念是有一定挑战的，但通过以下内容可以逐步入门： Tusiart 相关概念： 1. 首页包含模型、帖子、排行榜，其中发布了各种模型和生成的图片。不同模型有 checkpoint 和 lora 两种标签，有的还有 XL 标签属于 SDXL 新模型。点击可查看模型详细信息，下方是返图区。 2. 基础模型（checkpoint）是生图必需的，任何生图操作都要先选定。它与 lora 不同，lora 是低阶自适应模型，类似小插件，可有可无，但对细节控制有价值，旁边的数值是其权重。 3. ControlNet 可控制图片中特定图像，如人物姿态、生成特定文字等，属于高阶技能。 4. VAE 是编码器，类似滤镜，调整生图饱和度，一般选择 840000 这个。 5. Prompt 提示词是想要 AI 生成的内容，负向提示词是想要 AI 避免产生的内容。 6. 图生图是上传图片后，sd 根据图片、模型及输入信息重绘，重绘幅度越大，输出图与输入图差别越大。 AI 技术原理相关概念： 1. 生成式 AI 生成的内容称为 AIGC。 2. 相关技术名词： AI 即人工智能。 机器学习是电脑找规律学习，包括监督学习（有标签的训练数据，学习输入和输出映射关系，包括分类和回归）、无监督学习（学习数据无标签，算法自主发现规律，如聚类）、强化学习（从反馈学习，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的方法，有神经网络和神经元，神经网络可用于多种学习。 生成式 AI 可生成文本、图片、音频、视频等。 LLM 是大语言模型，生成图像的扩散模型不是大语言模型，有的大语言模型如谷歌的 BERT 模型可用于语义理解。 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，它基于自注意力机制处理序列数据，比 RNN 更适合处理文本长距离依赖性。

对于编程纯小白，如果想使用 Cursor 之类的 AI 软件进行编程实现自己的想法，需要具备以下编程或计算机方面的基础知识： 1. 下载 Cursor：访问 https://www.cursor.com/ 进行下载。 2. 注册账号：可以使用自己的邮箱（如 google、github、163、qq 邮箱）直接登录，接受二维码登录。 3. 安装中文包插件。 4. 在设置中进行 Rule for AI 配置。 5. 清晰表达需求：例如做一个贪吃蛇游戏，在网页中玩。需要明确游戏的规则和逻辑，如游戏界面是在矩形网格上进行，玩家控制蛇的移动方向（上、下、左、右），游戏界面上会随机出现食物，蛇吃到食物身体增长，存在撞墙或撞自己的死亡条件，吃到食物可得分，游戏难度会递增，游戏结束时能看到得分等。 对于纯小白，如果需求远比 AI 直出的内容复杂，无法一次性直出，那就需要耐下性子，在 AI 的帮助下一步一步来，并在这个过程中学会一点点编程。

目前尚未有像 CherryStudio 这样专门用于生图的知名 Agent 。但在 AI 领域，不断有新的工具和技术出现，您可以持续关注相关的科技动态以获取最新信息。

以下是一些好用的 AI Agent 软件： 1. Coze：新一代一站式 AI Bot 开发平台，集成丰富插件工具，适用于构建各类问答 Bot，能拓展 Bot 能力边界。 2. Microsoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等场景，提供多种成熟模板，功能强大且开箱即用。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 此外，还有以下相关的新产品： 1. ThinkGPT by Jina AI：来自中国创业团队 Jina AI（作者来自德国），让 LLM 拥有更强的推理与执行能力，构建模块包括记忆、自我改进、压缩知识、推理与自然语言环境，实现的功能有用长期记忆和压缩知识解决有限上下文问题、通过更高阶的推理基元增强 LLM 的单次推理能力、为代码库增加智能决策能力。链接：https://github.com/jinaai/thinkgpt 2. Gradiotools：Hugging Face Spaces 上可以将成千上万个 Gradio 应用程序转换为工具的 Python 库，基于 LLM 的代理可利用这些工具完成任务，目前支持 LangChain 和 MiniChain 代理库，附带一组预先搭建的工具，如 StableDiffusionTool、ImageCaptionTool、ImageToMusicTool 等。

AI 智能体在多个领域有着广泛的应用和发展。 在品牌卖点提炼中，AI 智能体可以发挥作用。AI 在逻辑推理、数据分析、内容理解和输出方面有优势，但在应用前需明确其能力边界，例如它对公司的主要产品、产品解决的用户需求、产品独特之处、获得的认可、核心渠道、核心购买人群、营销手段、期望的新渠道结果等了解程度接近于 0。因此，更适合将其构建为引导型的助手，在寻找卖点过程中提供思考维度和灵感。 Menlo Ventures 认为生成式 AI 应用有搜索、合成和生成三个核心用例与强大的产品市场契合度，其中心是少样本推理能力。但生成式人工智能的潜力不止于此，领先的应用程序构建商正在建立解决方案处理大量人力工作流程。借助新型构建块，下一波智能体正在拓展 AI 能力边界，实现端到端流程自动化。未来的完全自主智能体可能拥有多构建块，而当前的 LLM 应用和智能体尚未达到此水平。例如流行的 RAG 架构不是智能体式的，而将 LLM 置于应用程序控制流中让其动态决定行动等时智能体才出现。Menlo 确定了决策智能体、轨道智能体和通用人工智能体三种智能体类型，并探讨了五种参考架构和每种类型的示例。

搭建 Agent 的 Prompt 可以参考以下步骤： 1. 从基础案例入门 登录控制台：登录扣子控制台（coze.cn），使用手机号或抖音注册/登录。 在我的空间创建 Agent：在扣子主页左上角点击“创建 Bot”，选择空间名称为“个人空间”、Bot 名称为“第一个 Bot”，并点击“确认”完成配置。如需使用其他空间，请先创建后再选择；Bot 名称可以自定义。 编写 Prompt：填写 Prompt，即自己想要创建的 Bot 功能说明。第一次可以使用一个简短的词语作为 Prompt 提示词。 优化 Prompt：点击“优化”，使用来帮忙优化。 设置开场白。 其他环节。 发布到多平台&使用。 2. 进阶之路 三分钟捏 Bot： 三分钟内可以完成基础的创建步骤。 十五分钟做什么：查看下其他 Bot，获取灵感。 一小时做什么：找到和自己兴趣、工作方向等可以结合的 Bot，深入沟通。 一周做什么：了解基础组件，寻找不错的扣子，借鉴&复制，加入 Agent 共学小组，尝试在群里问第一个问题。 一个月做什么：合理安排时间，参与 WaytoAGI Agent 共学计划，自己创建 Agent，并分享自己捏 Bot 的经历和心得。 3. 在 WaytoAGI 有哪些支持：文档资源、交流群、活动。 4. 《执笔者》：基于多 Agent 模式的全能写手 多 agent 模式切换：在 bot 编排页面点选多 agent 模式，页面将会自动切换为多 agent 调式状态，相比单 agent，主要是多了中间一块的 agent 连接区。 添加合适节点：节点这里有两种方式可以选择，用已发布的 bot，或者创建一个新的 agent，大家按需选取。添加的 agent 直接连接在默认的总管 agent（“执笔者”）后面即可，无结束节点。 添加合适的 prompt：在多 agent 模式下，我们需要为每个 agent 填写合适的 prompt。外围的人设填写该 bot 的主要功能，内部的 bot 填写各个 bot/agent 的应用场景。 调试与美化：经过以上简单三步，一个多 agent 的 bot 就基本搭建完成，接下来就是漫长的调试过程，如果输出与自己设想有差异，可以不断调整外围和内部 bot 的提示词，提升命中率，优化交互。 5. 一个提示词，让 DeepSeek 的能力更上一层楼？——HiDeepSeek 效果对比：用 Coze 做了个小测试，大家可以对比看看。 如何使用： 搜索 www.deepseek.com，点击“开始对话”。 将装有提示词的代码发给 Deepseek。 认真阅读开场白之后，正式开始对话。 设计思路： 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 通过提示词文件，让 DeepSeek 实现：同时使用联网功能和深度思考功能。 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 用 XML 来进行更为规范的设定，而不是用 Lisp（对我来说有难度）和 Markdown（运行下来似乎不是很稳定）。 完整提示词：v 1.3 特别鸣谢：李继刚的【思考的七把武器】在前期为我提供了很多思考方向；Thinking Claude 是我现在最喜欢使用的 Claude 提示词，也是我设计 HiDeepSeek 的灵感来源；Claude 3.5 Sonnet 是最得力的助手。

多智能体（MultiAgent）是由多个自主、独立的智能体（Agent）组成的系统。在这个系统中，每个智能体都能够感知环境、进行决策并执行任务，同时它们之间可以进行信息共享、任务协调以及协同行动，以实现整体的目标。 随着大型语言模型（LLM）的出现，以 LLM 为核心构建的 Agent 系统近期受到广泛关注。Agent 系统旨在利用 LLM 的归纳推理能力，为不同的 Agent 分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。 目前，更常见的框架主要集中在单 Agent 场景下。单 Agent 的核心在于 LLM 与工具的协同配合。LLM 根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent 可能需要与用户进行多轮交互。 与此同时，越来越多的 Agent 框架开始关注多 Agent 场景。为了完成任务，多 Agent 会为不同的 Agent 指定不同的角色，并通过 Agent 之间的协作来完成复杂的任务。与单 Agent 相比，在任务完成过程中，与用户的交互可能会减少一些。 为构建一个多 Agent 框架，主要组成部分包括： 1. 环境（environment）：所有 Agent 应处于同一个环境中。环境中包含全局状态信息，Agent 与环境之间存在信息的交互与更新。 2. 阶段（stage）：为完成复杂任务，现有多 Agent 框架通常采用 SOP 思想，将复杂任务分解为多个子任务。 3. 控制器（controller）：控制器可以是 LLM，也可以是预先定义好的规则。它主要负责环境在不同 Agent 和阶段之间的切换。 4. 记忆：在单 Agent 中，记忆只包括用户、LLM 回应和工具调用结果等部分。而在多 Agent 框架中，由于 Agent 数量增多，导致消息数量增多。同时，每条消息可能需要记录发送方、接收方等字段。 多智能体的核心交互流程包括： 1. 控制器更新当前环境状态，选择下一时刻行动的 Agent。 2. Agent 与环境交互，更新自身的记忆信息。 3. Agent 调用 LLM，执行动作并获取输出消息。 4. 将输出消息更新到公共环境中。 参考资料： 1. 《》 2. 《》

智能体（Agent）在人工智能和计算机科学领域是一个非常重要的概念，指的是一种能够感知环境并采取行动以实现特定目标的实体，可以是软件程序，也可以是硬件设备。 智能体可以根据其复杂性和功能分为以下几种类型： 1. 简单反应型智能体（Reactive Agents）：根据当前的感知输入直接采取行动，不维护内部状态，也不考虑历史信息。例如温控器，它根据温度传感器的输入直接打开或关闭加热器。 2. 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入进行建模，能够推理未来的状态变化，并根据推理结果采取行动。比如自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。 3. 目标导向型智能体（Goalbased Agents）：除了感知和行动外，还具有明确的目标，能够根据目标评估不同的行动方案，并选择最优的行动。例如机器人导航系统，它有明确的目的地，并计划路线以避免障碍。 4. 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣，权衡利弊。比如金融交易智能体，根据不同市场条件选择最优的交易策略。 5. 学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。例如强化学习智能体，通过与环境互动不断学习最优策略。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并辅以几个关键组成部分： 1. 规划：包括子目标和分解，将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务；反思和完善，Agents 可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。 2. 记忆：短期记忆，所有的上下文学习都是利用模型的短期记忆来学习；长期记忆，这为 Agents 提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。 3. 工具使用：Agents 学习调用外部 API 来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。 随着 LLM 在几个关键能力上的成熟——理解复杂输入、进行推理和规划、可靠使用工具以及从错误中恢复，智能体开始在生产环境中涌现。智能体通过与人类用户的命令或交互式对话开始工作。一旦任务明确，智能体就会独立进行规划和操作，必要时会向人类寻求更多信息或判断。在执行过程中，智能体需要在每个步骤从环境中获取“基准事实”（如工具调用结果或代码执行情况）以评估其进展。智能体可以在检查点或遇到障碍时暂停等待人类反馈。任务通常在完成时终止，但也常常包含停止条件（如最大迭代次数）以保持控制。 智能体适用于难以或无法预测所需步骤数量的开放性问题，且无法硬编码固定路径的场景。LLM 可能需要运行多个回合，您必须对其决策能力有一定信任。智能体的自主性使其非常适合在可信环境中扩展任务，但智能体的自主性也意味着更高的成本和潜在的错误累积。我们建议在沙盒环境中进行广泛测试，并设置适当的防护措施。 以下是一些实用案例： 1. 用于解决 SWEbench 任务的编码智能体，根据任务描述对多个文件进行编辑：https://www.anthropic.com/research/swebenchsonnet 2. 我们的“计算机使用”参考实现，让 Claude 使用计算机完成任务：https://github.com/anthropics/anthropicquickstarts/tree/main/computerusedemo

如果您想要入行 AI 产品经理但感到焦虑，以下是一些建议： 1. 合理规划时间：在本职工作之余，制定一个合理的学习计划，将学习 AI 产品经理所需的知识和技能分解为小目标，逐步实现。 2. 明确学习重点：根据行业需求，例如参考 AI 提示词工程师的岗位技能要求，包括本科及以上学历，计算机科学、人工智能、机器学习相关专业背景；熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理，并具有实际应用经验；熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理；负责制定和执行 AI 项目，如 Prompt 设计平台化方法和模板化方法；了解并熟悉 Prompt Engineering，包括常见的 Prompt 优化策略（例如 CoT、Fewshot 等）；对数据驱动的决策有深入的理解，能够基于数据分析做出决策；具有创新思维，能够基于业务需求提出并实践 AI first 的解决方案；对 AIGC 领域有深入的理解与实际工作经验，保持对 AI 技术前沿的关注；具备一定的编程和算法研究能力，能应用新的 AI 技术和算法于对话模型生成；具有一定的编程基础，熟练使用 Python、Git 等工具。明确自己需要重点学习和提升的方面。 3. 掌握算法知识：理解产品核心技术，了解基本的机器学习算法原理，有助于更好地理解 AI 产品的核心技术，从而做出更合理的产品决策；掌握一定的算法知识，可以帮助与开发团队进行更有效的沟通，减少信息不对称带来的误解；在产品规划阶段，能够评估某些功能的技术可行性；了解算法前沿可以帮助更好地把握产品的未来发展方向；了解算法可以帮助发现产品的独特优势，提出创新的产品特性，从而提升产品的竞争力；掌握相关知识可以提升数据分析能力。 4. 借鉴他人经验：可以参考身边 AI 产品经理的工作内容和经验，例如从 01 打造产品、完成 LLM 评测体系的搭建等。 5. 调整心态：认识到学习和成长需要时间，不要过分焦虑，保持积极的心态，逐步积累和进步。

以下是对于您在一个月内快速入行 AI 的建议： 首先，要明白对于超出自己理解范围的事情，最简单有效的方法就是亲自尝试。学习新事物，百闻不如一练。AI 是未来必然的发展方向，其科普还有很长的路要走，但尽可能简单地试用它，是让普通人在这场 AI 浪潮中受益的最佳方式。 对于普通人来说，对 AI 最好的直观初接触主要有两个方面： 1. 思考最低成本能直接上手试的工具是什么，自己能否亲自尝试。 2. 了解现在最普遍或最好的工具是什么，以及它们能达到的效果。 虽然底层都是大模型，但 AI 工具各有侧重，不同公司也会进行各自的优化。关于每一种工具的详细入门、讲解和应用，WayToAIG 已经分好了类目。为了更便捷地展示 AI 的能力，让普通人能更直观地马上上手，您可以重点关注以下几种工具： 1. 聊天工具 2. 绘画工具 3. 视频工具 4. 音乐工具 如果您想要跟他人交流、一起在 AI 路上探寻，可以戳这里：

对于 AI 小白入行 AI，您可以参考以下步骤： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您可以找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，您还可以参考《雪梅 May 的 AI 学习日记》： 1. 学习模式：输入→模仿→自发创造。 2. 第一阶段：迈出第一步，看书听课进社区。例如： DAY5 2024.5.26：使用 kimi，参考，抱着每天向 kimi 问 100 个问题的心态，调整思考模式，养成有问题问 AI 的习惯。 DAY6 2024.5.31：应朋友强烈推荐，插队先看吴恩达的课程，在 B 站搜索对应关键词，有很多课程资源，如吴恩达《面向所有人的生成式 AI 入门课程 Generative AI for Everyone》，抽空陆续 3 天学完。 DAY7 2024.6.1：探索用 AI 解决一个真实问题，例如团队要写一份行业研究报告，试试看 AI 怎样能帮到自己。 需要注意的是，学习资源可能会更新变化，您可以去 waytoAGI 社区发现自己感兴趣的 AI 领域，学习最新的内容。本日记中学习资源的内容都是免费开源的。

以下是为您提供的新手入行 AI 的学习建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您可以找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，为了帮助您更好地理解技术原理与建立框架，以下是一些通俗易懂的内容： 1. 概念：生成式 AI 生成的内容，叫做 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。 监督学习是基于有标签的训练数据，算法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，经典任务包括聚类。 强化学习从反馈里学习，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（因有很多层所以叫深度），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，比如谷歌的 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》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。

对于 AI 小白入行，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 6. 入行敲门砖： 一个点子。 一张图。 7. 岗位技能学习： 对于“AI 提示词工程师”岗位，如果是零基础小白，可在网上找基础课程学习。 推荐看科普类教程，阅读 OpenAI 的文档，理解每个参数的作用和设计原理。 推荐一些练手的 Prompt 工具和相关教程文档。