comfyUi与webui的区别

以下是在本地安装 ComfyUI 的详细步骤： 安装方式有两种，分别是安装到本地和安装到云端。本部分主要介绍本地安装方法。 本地安装方法： 1. 命令行安装： 这是普适性最强的方法，安装后二次遇到问题的概率相对较低，但对于不熟悉命令行以及代码的用户来说，可能会有一定的门槛。 ComfyUI 的源码地址在：https://github.com/comfyanonymous/ComfyUI ，安装方法写在了 Readme 中。您也可以按照 Readme 文档进行操作。 如果会 Git 请在 Terminal 运行以下代码： 如果不会用 Git，推荐使用 Github 的客户端（https://desktop.github.com/）拉代码。 下载并安装好 Github Desktop 后，打开该应用。 然后打开 ComfyUI 的 Github 页面（https://github.com/comfyanonymous/ComfyUI），点击右上角的绿色按钮，并点击菜单里的「Open with GitHub Desktop」，此时浏览器会弹出是否要打开 GitHub Desktop，点击「是」。 GitHub Desktop 会让您选择一个保存位置，按需调整，然后点击确定。看到下方特定界面，意味着完成了代码同步。 2. 安装包安装： 这种方法安装比较简单，下载就能用。 ComfyUI 的官方安装包：目前仅支持 Windows 系统，且显卡必须是 Nivida。下载地址是：https://github.com/comfyanonymous/ComfyUI/releases ，只需下载最新的版本，解压就能使用。 安装完成后： 1. 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 2. 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 3. 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到您已经安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 希望以上内容对您有所帮助。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，您可以将其视为集成了 stable diffusion 功能的 substance designer。通过把 stable diffusion 的流程拆分成节点，实现了更精准的工作流定制和良好的可复现性。 其具有以下优势： 1. 对显存要求相对较低，启动速度快，出图速度快。 2. 具有更高的生成自由度。 3. 可以和 webui 共享环境和模型。 4. 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 但也存在一些劣势： 1. 操作门槛高，需要有清晰的逻辑。 2. 生态没有 webui 多（常用的都有），不过也有一些针对 Comfyui 开发的有趣插件。 ComfyUI 是一个开源的图形用户界面，用于生成 AI 图像，主要基于 Stable Diffusion 等扩散模型。其工作原理包括： 1. Pixel Space（像素空间）：图的左边表示输入图像的像素空间，在 ComfyUI 中，对应于可能通过“图像输入”模块或直接从文本提示生成的随机噪声图像。生成过程结束时，系统会将处理后的潜在表示转换回像素空间，生成最终的图像。 2. Latent Space（潜在空间）：ComfyUI 中的许多操作都在潜在空间中进行，如 KSampler 节点就是在这个空间中执行采样过程。图像被映射到潜在空间后，扩散过程在这个空间中进行。在 ComfyUI 中，您可以通过节点调整对潜在空间的操作，如噪声添加、去噪步数等。 3. 扩散过程（Diffusion Process）：噪声的生成和逐步还原。扩散过程表示的是从噪声生成图像的过程。在 ComfyUI 中，这通常通过调度器（Schedulers）控制，典型的调度器有 Normal、Karras 等，它们会根据不同的采样策略逐步将噪声还原为图像。您可以通过 ComfyUI 中的“采样器”节点选择不同的调度器，来控制如何在潜在空间中处理噪声，以及如何逐步去噪回归到最终图像。时间步数在生成图像时，扩散模型会进行多个去噪步。 您可以从 github 上下载作者部署好环境和依赖的整合包，按照官方文档安装即可：https://github.com/comfyanonymous/ComfyUI 。 此外，开源项目作者 ailm 在 ComfyUI 上搭建了一个可以接入飞书的 AI 女友麦洛薇（mylover），实现了稳定人设，无限上下文，永久记忆，无缝联动 SD 绘图等功能，适合完全没有代码基础的小伙伴们复现并且按自己的想法修改。

以下是关于学习 ComfyUI 的相关内容： 学习资料网站： ComfyUI 官方文档：提供使用手册和安装指南，适合初学者和有经验的用户，网站为 https://www.comfyuidoc.com/zh/ 。 优设网：有详细的入门教程，适合初学者，介绍了特点、安装方法及生成图像等内容，地址为 https://www.uisdc.com/comfyui3 。 知乎：有用户分享部署教程和使用说明，适合有一定基础并希望进一步了解的用户，地址为 https://zhuanlan.zhihu.com/p/662041596 。 Bilibili：有一系列涵盖从新手入门到精通各个阶段的视频教程，地址为 https://www.bilibili.com/video/BV14r4y1d7r8/ 。 飞书学习群的共学内容：包括王蓉的基础搭建和转绘、唯有葵花向日晴的基础教程、工作流开发和实际应用场景等众多成员分享的基础教程、工作流搭建思路、各版本模型使用的优缺点、报错解决方式、模型训练等方面的内容。 学习 ComfyUI 的原因： 更接近 SD 的底层工作原理。 实现自动化工作流，消灭重复性工作。 作为强大的可视化后端工具，可实现 SD 之外的功能，如调用 api 等。 可根据定制需求开发节点或模块。 例如，有人为解决工作室抠图素材需求，基于相关项目创建了工作流，不仅能用于绿幕素材抠图，还能自动生成定制需求的抠图素材。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

ComfyUI 与 SD 在功能上主要有以下区别： 1. 工作原理：ComfyUI 更接近 SD 的底层工作原理。 2. 自动化工作流：ComfyUI 具有更出色的自动化工作流，能够消灭重复性工作。 3. 后端工具：ComfyUI 作为强大的可视化后端工具，可实现 SD 之外的功能，如调用 API 等。 4. 定制开发：可根据定制需求开发节点或模块。 5. 应用场景：例如在抠图素材方面，ComfyUI 能根据需求自动生成定制的抠图素材。 6. 与其他软件的结合：如与 Blender 整合，从工作流程上天然适配。 7. 工作流搭建：ComfyUI 以连线方式搭建工作流，可通过改变节点实现不同功能，具有更高的自由和拓展性，能根据自身需求搭建和改造工作流。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI。它具有一些优势，如对显存要求相对较低、启动和出图速度快、生成自由度更高、可与 webui 共享环境和模型、能搭建自己的工作流程并导出分享、拖入生成的图片会还原工作流程且自动选择模型等；但也存在操作门槛高、生态不如 webui 丰富等劣势。 ComfyUI 可以应用于多种场景，包括但不限于解决日常工作中的大部分平面设计需求、生成各种类型的图像（如风景画、肖像画、概念艺术等）、用于电商、自媒体、副业等领域的图片生成和视频创作等。 如果您想在本地安装 ComfyUI，需要按照一定的命令行安装步骤进行操作，在完成安装后还需要下载关键的模型才能运行 Stable DIffusion 生图。 综上所述，ComfyUI 能够用于广告平面设计，但需要考虑其操作门槛较高的特点。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，具有以下特点和功能： 简介：可以将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优势： 对显存要求相对较低，启动和出图速度快。 具有更高的生成自由度。 可以和 webui 共享环境和模型。 可以搭建自己的工作流程，能导出流程并分享给别人，报错时能清晰发现错误所在步骤。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势： 操作门槛高，需要有清晰的逻辑。 生态没有 webui 多（但常用的都有），也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档安装即可：https://github.com/comfyanonymous/ComfyUI 。 应用场景： 建筑设计师兼职做 copy UI 生态建设。 作为强大的可视化后端工具，实现 SD 之外的功能，如调用 api 等。 工作室用于生成抠图素材，如绿幕素材的抠图，还能自动生成定制需求的抠图素材。 有人学习使用 ComfyUI 是因为它更接近 SD 的底层工作原理，能实现自动化工作流，消灭重复性工作，还可根据定制需求开发节点或模块。

ComfyUI 和 WebUI 的区别主要体现在以下几个方面： ComfyUI： 简介：是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优势： 对显存要求相对较低，启动速度快，出图速度快。 具有更高的生成自由度。 可以和 WebUI 共享环境和模型。 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势： 操作门槛高，需要有清晰的逻辑。 生态没有 WebUI 多（常用的都有），但也有一些针对 ComfyUI 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档安装即可：https://github.com/comfyanonymous/ComfyUI 插件推荐： 插件安装管理器：https://github.com/ltdrdata/ComfyUIManager SDXL 风格样式：https://github.com/twri/sdxl_prompt_styler ComfyUI 界面汉化：https://github.com/AIGODLIKE/AIGODLIKECOMFYUITRANSLATION 中文提示词输入：https://github.com/AlekPet/ComfyUI_Custom_Nodes_AlekPet 蟒蛇八卦工具箱：https://github.com/pythongosssss/ComfyUICustomScripts 提示词权重调节器：https://github.com/BlenderNeko/ComfyUI_AD WebUI： 采样器与调度器：在 ComfyUI 中，采样器与调度器分开，而在 WebUI 中的采样方法是把两者合并在一起。ComfyUI 通过采样器+调度器组合的方式与 WebUI 中的一致，一般选择 karras 调度器效果较好。 在插件安装方面，WebUI 有较好的用户界面，安装插件后可直观看到并使用；而 ComfyUI 安装插件后可能看不到，需通过节点连接才能感受到其功能。

以下是关于您遇到的“RuntimeError: Couldn't clone Stable Diffusion”错误的分析和解决建议： 这个错误通常表示在克隆 Stable Diffusion 时出现问题。可能的原因包括： 1. 库的某些文件或依赖项已更改或已移除，导致无法找到所需的提交。 2. Git 存储库的状态不正确。 3. 网络连接存在问题。 解决方法如下： 1. 尝试清除本地库并重新克隆 Stable Diffusion，然后再次运行代码。 2. 运行以下命令来检查网络连接：ping files.pythonhosted.org

以下是使用 WebUI 为图像添加噪音的详细步骤： 1. 首先，了解 Stable Diffusion 的加噪原理。从数据集中选择一张干净样本，然后用 random 函数生成 0 3 共 4 种强度的噪声，在每次迭代中随机选择一种强度的噪声添加到干净图片上，完成图片的加噪流程。 2. 在训练过程中，对干净样本进行加噪处理，采用多次逐步增加噪声的方式，直至干净样本转变成为纯噪声。 3. 加噪过程中，每次增加的噪声量级可以不同，假设存在 5 种噪声量级，每次都可以选取一种量级的噪声，以增加噪声的多样性。 4. 与图片生成图片的过程相比，在预处理阶段，先把噪声添加到隐空间特征中。通过设置去噪强度（Denoising strength）控制加入噪音的量。如果去噪强度为 0 ，则不添加噪音；如果为 1 ，则添加最大数量的噪声，使潜像成为一个完整的随机张量。若将去噪强度设置为 1 ，就完全相当于文本转图像，因为初始潜像完全是随机的噪声。

开发 Stable Diffusion 在线 Web UI 可以按照以下步骤进行： 1. 安装必要的软件环境： 安装 Git 用于克隆源代码。 安装 Python 3.10.6 版本，确保勾选“Add Python 3.10 to PATH”选项。 安装 Miniconda 或 Anaconda 创建 Python 虚拟环境。 2. 克隆 Stable Diffusion Web UI 源代码： 打开命令行工具，输入命令 git clone https://github.com/AUTOMATIC1111/stablediffusionwebui.git ，将源代码克隆到本地目录。 3. 运行安装脚本： 进入 stablediffusionwebui 目录，运行 webuiuser.bat 或 webui.sh 脚本，它会自动安装依赖项并配置环境。等待安装完成，命令行会显示 Web UI 的访问地址。 4. 访问 Web UI 界面： 复制命令行显示的本地 Web 地址，在浏览器中打开，即可进入 Stable Diffusion Web UI 的图形化界面。 5. 学习 Web UI 的基本操作： 了解 Web UI 的各种设置选项，如模型、采样器、采样步数等。尝试生成图像，观察不同参数对结果的影响。学习使用提示词（prompt）来控制生成效果。 6. 探索 Web UI 的扩展功能： 了解 Web UI 支持的各种插件和扩展，如 Lora、Hypernetwork 等。学习如何导入自定义模型、VAE、embedding 等文件。掌握图像管理、任务管理等技巧，提高工作效率。 在完成了依赖库和 repositories 插件的安装后，还需要进行以下配置： 将 Stable Diffusion 模型放到/stablediffusionwebui/models/Stablediffusion/路径下。然后到/stablediffusionwebui/路径下，运行 launch.py 即可。运行完成后，将命令行中出现的输入到本地网页中，即可打开 Stable Diffusion WebUI 可视化界面。进入界面后，在红色框中选择 SD 模型，在黄色框中输入 Prompt 和负向提示词，在绿色框中设置生成的图像分辨率（推荐设置成 768x768），然后点击 Generate 按钮进行 AI 绘画。生成的图像会展示在界面右下角，并保存到/stablediffusionwebui/outputs/txt2imgimages/路径下。 如果选用 Stable Diffusion 作为 AIGC 后台，需要注意： DallE 缺乏室内设计能力，MidJourney 出图效果好但无法基于现实环境重绘，Stable Diffusion 出图成功率较低，但可调用 controlnet 的 MLSD 插件捕捉现实环境线条特征做二次设计。安装 Stable Diffusion WEB UI 后，修改 webuiuser.bat 文件加上 listen 和 API 参数，让 Stable Diffusion 处于网络服务状态。代码如下： @echo off set PYTHON= set GIT= set VENV_DIR= set COMMANDLINE_ARGS=xformers nohalfvae listen api git pull call webui.bat 让 Stable Diffusion 具有 AI 室内设计能力的步骤： 1. 下载室内设计模型（checkpoint 类型），放到 stable diffusion 目录/models/stablediffusion 下面。 2. 安装 controlnet 插件，使用 MLSD 插件，实现空间学习。 通过 API 方式让前端连接到 Stable Diffusion 后台的具体代码在前端开发详细展开，API 参考文档可选读。

WebUI 可以使用 FLUX 模型。以下是相关的下载和使用信息： ae.safetensors 和 flux1dev.safetensors 下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 flux 相关模型（体积较大）的夸克网盘链接：https://pan.quark.cn/s/b5e01255608b 。 flux 相关模型（体积较大）的百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 。 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。 下载 dev 的工作流： 或者官方原版的图片链接 https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，打开 ComfyUI，把工作流或图片拖拽到 ComfyUI 里。 郑敏轩的 Flux 的 controlnet 系列中 TheMisto.ai 的 MistoLine 版： 注意：该 ControlNet 与 Flux1.dev 的 fp16/fp8 以及使用 Flux1.dev 量化的其他模型兼容。 需要节点（可以 git clone 方式下载或通过以下网盘）： 夸克网盘：链接：https://pan.quark.cn/s/ad43dd5152a6 。 百度网盘：链接：https://pan.baidu.com/s/1NcOdG4AV68xTup8FvphsYA?pwd=lpvc 提取码：lpvc 。 模型： 夸克网盘：链接：https://pan.quark.cn/s/5551e813db21 。 百度网盘：链接：https://pan.baidu.com/s/1Ntf4MbTCGJ5TYDv6mgvqNQ?pwd=zhfq 提取码：zhfq 。 处理：将模型放到 ComfyUI\\models\\TheMisto_model 文件夹中。 导入官方工作流 。所需要的两个模型：

WebUI 可以使用 FLUX 模型。以下是相关的下载和使用信息： ae.safetensors 和 flux1dev.safetensors 的下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 夸克网盘链接：https://pan.quark.cn/s/b5e01255608b 百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。 dev 的工作流： 官方原版的图片链接：https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，打开 ComfyUI ，把工作流或图片拖拽到 ComfyUI 里。 郑敏轩的 Flux 的 controlnet 系列： TheMisto.ai 的 MistoLine 版，该 ControlNet 与 Flux1.dev 的 fp16/fp8 以及使用 Flux1.dev 量化的其他模型兼容。 节点： 可以 git clone 方式下载或通过压缩包。 夸克网盘：链接：https://pan.quark.cn/s/ad43dd5152a6 百度网盘：链接：https://pan.baidu.com/s/1NcOdG4AV68xTup8FvphsYA?pwd=lpvc 提取码：lpvc 模型： 夸克网盘：链接：https://pan.quark.cn/s/5551e813db21 百度网盘：链接：https://pan.baidu.com/s/1Ntf4MbTCGJ5TYDv6mgvqNQ?pwd=zhfq 提取码：zhfq 处理：将模型放到 ComfyUI\\models\\TheMisto_model 文件夹中。 导入官方工作流： ，所需要的两个模型。

在 AI 任务中，常见的衡量指标包括准确率和召回率。准确率（Accuracy）衡量的是模型预测正确的比例。而召回率主要用于信息检索等任务，衡量的是模型能够正确检索出相关内容的比例。 在摘要任务中，一般用 ROUGE 指标，其中 ROUGE2 是把两个 sequence 按 2gram 的方式做切分做频次统计，然后计算 pred 和 gt 之间的召回率。 对于不同的 AI 任务，还有其他多种指标，如在 NLP 中： 信息检索任务常用 NDCG@K 指标，核心衡量最相关文档是否排序足够靠前。 文本生成任务可用 BitsperByte 指标。 针对二分类任务，一般用 ECE 指标（Expected Calibration Error）来度量模型输出概率 p 时，最终正确率真的为 p 的一致性。 此外，还有一些其他方面的评估指标，如不确定性（Calibration and Uncertainty）、鲁棒性（Robustness，包括 invariance 和 equivariance）、公平性（Fairness）、偏见程度（Bias and stereotypes）、有毒性（Toxicity）等。 传统的 RAG 解决方案在检索效率和准确性上存在问题，Anthropic 通过“上下文嵌入”解决了部分问题，但 RAG 的评估仍待解决，研究人员正在探索新的方法，如 Ragnarök。 在提示词设计方面，Claude 官方手册提出“链式提示”的方法理念，将复杂任务拆解为多个步骤，具有准确率高、清晰性好、可追溯性强等好处。ChatGPT 官方手册也有类似理念，同时还有相关论文如在 ICLR 2023 上发表的提出 LeasttoMost Prompting 提示词策略的论文，在文本理解和生成场景中表现优秀。

工作流和智能体的区别主要体现在以下几个方面： 定义： 工作流是通过预定义代码路径来编排 LLM 和工具的系统。 智能体则是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 功能： 智能体是一个自动化的“助手”，用来执行特定任务，擅长做一些具体的、重复性的任务，比如客服聊天、推荐商品、处理订单等，但只能按照预先设定的规则和任务来做事，如果遇到超出范围的情况，就不知道怎么办了。 工作流是一系列任务的流程，决定了每个步骤应该做什么，可以处理一个完整的过程，比如从客户下单、付款到发货和售后服务，涵盖了所有步骤和环节，更灵活，能够适应变化，可以调整步骤和规则来应对不同的情况，不需要一开始就固定下来。 范围： 智能体是特定任务的“助手”，用于局部执行任务。 工作流是一个“计划”或“路线图”，指导整个任务的流程。简单说，工作流是全局的，智能体是局部的。 在业务中，通常需要的是工作流而非单个智能体，因为整个业务流程设计至关重要。例如，在烹饪中，关键不在于使用多贵的锅，而是按步骤完成每道工序。因此，工作流才是解决问题的关键，它帮助优化思路、提升效率。设计好工作流才能大幅提升整体业务效率。

在 AI 领域中，Token 和 Word 有以下区别： 定义和范围：Token 通常是大语言模型处理文本数据时的一个单元，在不同语境下，可能代表一个字、一个词、一个句子、标点、词根、前缀等，更加灵活。而 Word 一般指能够表达一定意义的独立单位，如单词。 语言处理：在英文中，一个 Word 通常是一个词或标点符号。在一些汉语处理系统中，一个 Word 可能是一个字或一个词。而 Token 在不同的语言模型和处理系统中，对应的范围和形式有所不同。 作用和意义：Token 不仅是文本数据的单位，还可能携带丰富的语义、句法等信息，在模型中有着对应的向量表示。Word 主要用于传达相对明确和完整的意义。 计算和收费：大模型的收费计算方法以及对输入输出长度的限制，通常是以 Token 为单位计量的。 例如，在处理“ I’m happy ”这句话时，“I”、“’m”、“happy”可能被视为 Token，而“I’m happy”整体可看作一个 Word 。

AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署 Copilot 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，支持开发者根据需求打造产品能力。 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，适用于多种场景，提供多种成熟模板。 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方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。

人工智能搜索与百度搜索存在以下区别： 1. 底层技术：人工智能搜索的底层技术常包括“RAG”，即“检索增强生成”，包括检索、增强和生成三个步骤。而百度搜索的技术构成相对复杂，不断融合新的技术和功能。 2. 发展路径：在中国市场，相较欧美，百度作为搜索巨头已将文心一言大模型融入搜索，提供对话式回答和创作功能。同时，市场上还涌现出如秘塔 AI 搜索等创新型产品，主打“无广告，直接答案”，提供结构化结果和引用来源等特色功能。 3. 产品更新与竞争态势：Google 仍在战斗前线密集释放技能，与其他公司竞争激烈。而百度在新模型发布方面相对较少。此外，Google 推出新功能曾引发大量用户不满，而百度的相关新功能在页面布局和使用体验上更靠近某些特定产品，并聚合了多种创作能力和智能体快捷调用窗口。百度文库也上线了“AI 全网搜”功能，打通了特定工作流，产品功能较为完整，但受限于模型能力，生成内容尚有提升空间。

用 AI 建立知识库和直接使用 AI 主要有以下区别： 直接使用 AI 时，AI 生成的内容可能较为笼统模糊，就像遇到只会说“很急，今天就要”却不提供具体指导的领导。若想让 AI 成为得力助手，需对复杂任务进行拆解，提供方法论和定义输出格式。 建立知识库就如同为 AI 准备了“教科书”。知识库灵活，但偶尔会出现查不到内容而“猜题”的情况。例如，将《梦想与颠覆》卡牌等相关内容导入作为 AI 可调用的知识库，后续在创作中激活知识库，AI 会根据场景自动匹配库内素材，使输出更具针对性。 相比之下，微调类似于让 AI“自己真的学会了整本书”，答题更快更准，但训练成本高。微调适合高精度、长期任务，而知识库更适合临时查找、快速问答。