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

提示词工程

Answer

提示词工程师（Prompt Engineer）是在与人工智能模型交互时，负责设计和优化提示的专业人员，旨在引导模型产生准确、有用和相关的回答。

其主要职责包括：

  1. 设计提示：根据用户需求和模型能力，考虑提示的长度、结构、措辞和信息量等因素，设计有效的提示以清晰传达用户意图并引导模型生成满意结果。
  2. 优化提示：通过收集用户反馈、分析模型结果和实验不同的提示策略等方式不断优化提示，提高模型性能。
  3. 评估提示：使用模型的准确率、流畅度和相关性等指标评估提示的有效性。

提示词工程师需要具备以下技能和知识：

  1. 领域知识：对所工作的领域有深入了解，以便设计出有效的提示。
  2. 自然语言处理（NLP）：了解 NLP 的基本原理和技术，能够理解和生成自然语言文本。
  3. 人工智能（AI）：了解 AI 的基本原理和技术，能够理解和使用 AI 模型。
  4. 沟通能力：具备良好的沟通能力，与用户、团队成员和其他利益相关者有效沟通。

以下是一些提示词工程师工作的实际案例：无需微调，仅用提示词工程就能让 LLM 获得 tool calling 的功能。其实现原理主要有两部分代码组成：提示词注入和工具结果回传。提示词注入用于将工具信息以及使用工具的提示词添加到系统提示中。工具结果回传则是解析 tool calling 的输出，并将工具返回的内容再次嵌入 LLM。

在基本概念方面，通过简单的提示词（Prompts）可获得大量结果，结果质量与提供的信息数量和完善度有关。一个提示词可包含指令、问题等信息，也可包含上下文、输入或示例等详细信息。当使用 OpenAI 的 gpt-4 或者 gpt-3.5-turbo 等聊天模型时，可使用三个不同的角色来构建 prompt：system、user 和 assistant。提示工程（Prompt Engineering）就是探讨如何设计出最佳提示词，用于指导语言模型帮助高效完成某项任务。上述示例基本说明了现阶段的大语言模型能够发挥的功能作用，可用于执行各种高级任务，如文本概括、数学推理、代码生成等。

Content generated by AI large model, please carefully verify (powered by aily)

References

问：什么是提示词工程师（Prompt Engineer）

提示词工程师（Prompt Engineer）是指在与人工智能模型进行交互时，负责设计和优化提示的专业人员。他们的目标是通过精心构造的提示，引导模型产生准确、有用和相关的回答。作为提示词工程师，他们需要具备一定的领域知识、理解人工智能模型的能力以及对用户需求的敏感性。提示词工程师的主要职责包括：设计提示:提示词工程师需要根据用户需求和模型能力设计有效的提示。他们需要考虑提示的长度、结构、措辞和信息量等因素，以确保提示能够清晰地传达用户意图并引导模型生成满意的结果。优化提示:提示词工程师需要不断优化提示，以提高模型的性能。他们可以通过收集用户反馈、分析模型结果和实验不同的提示策略等方式来优化提示。评估提示:提示词工程师需要评估提示的有效性。他们可以使用各种指标来评估提示，例如模型的准确率、流畅度和相关性等。提示词工程师需要具备以下技能和知识：领域知识:提示词工程师需要对他们所工作的领域有深入的了解，以便能够设计出有效的提示。自然语言处理(NLP):提示词工程师需要了解NLP的基本原理和技术，以便能够理解和生成自然语言文本。人工智能(AI):提示词工程师需要了解AI的基本原理和技术，以便能够理解和使用AI模型。沟通能力:提示词工程师需要具备良好的沟通能力，以便能够与用户、团队成员和其他利益相关者有效沟通。提示词工程师是一个新兴的职业，随着人工智能技术的不断发展，对提示词工程师的需求将会越来越大。以下是一些提示词工程师工作的实际案例：

无需微调，仅用提示词工程就能让 LLM 获得 tool calling 的功能

本文采用的提示词工程主要有两部分代码组成：提示词注入和工具结果回传。提示词注入用于将工具信息以及使用工具的提示词添加到系统提示中。工具结果回传则是解析tool calling的输出，并将工具返回的内容再次嵌入LLM。[heading2]1、提示词注入阶段[content]INSTRUCTION为最后注入到系统提示中的字符串，他又包含了TOOL_EAXMPLE、tools_instructions、REUTRN_FORMAT三个部分。TOOL_EAXMPLE用于提示LLM如何理解tool以及如何使用tool。在编写TOOL_EAXMPLE时，请注意用一些无关紧要的工具作为示例，例如本文使用的将数字加一和数字减一的工具，从而避免LLM混淆真正可以使用的工具与示例工具。tools_instructions是由目前通用的工具字典转换成LLM可读的工具列表。实际使用LLM时，可以通过输入不同的工具来动态调整tools_instructions，让LLM得知目前可用的工具有哪些以及如何使用。REUTRN_FORMAT定义了调用API的格式。[heading2]2、工具结果回传阶段[content]利用正则表达式抓取输出中的"tool"和"parameters"参数。对于interpreter工具，使用了另一种正则表达式来提取LLM输出的代码，提高LLM使用interpreter工具的成功率。本文使用代码如下：通过识别LLM返回的调用工具的字典，提取出对应的值，再传入相应的工具函数，最后将工具返回的结果以observation的角色返回给LLM。对于一些不接受observation、tool、function角色的LLM接口，可以改为回传给user角色，例如：通过以上提示词工程，可以避免微调，让完全没有tool calling能力的LLM获得稳定的tool calling能力。

基本概念

您可以通过简单的提示词（Prompts）获得大量结果，但结果的质量与您提供的信息数量和完善度有关。一个提示词可以包含您传递到模型的_指令_或_问题_等信息，也可以包含其他详细信息，如_上下文_、_输入_或_示例_等。您可以通过这些元素来更好地指导模型，并因此获得更好的结果。看下面一个简单的示例：提示词输出结果如果使用的是OpenAI Playground或者其他任何LLM Playground，则可以提示模型，如以下屏幕截图所示：需要注意的是，当使用OpenAI的gpt-4或者gpt-3.5-turbo等聊天模型时，您可以使用三个不同的角色来构建prompt：system、user和assistant。其中system不是必需的，但有助于设定assistant的整体行为，帮助模型了解用户的需求，并根据这些需求提供相应的响应。上面的示例仅包含一条user消息，您可以使用user消息直接作为prompt。为简单起见，本指南所有示例（除非明确提及）将仅使用user消息来作为gpt-3.5-turbo模型的prompt。上面示例中assistant的消息是模型的响应。您还可以定义assistant消息来传递模型所需行为的示例。您可以在[此处(opens in a new tab)](https://www.promptingguide.ai/models/chatgpt)了解有关使用聊天模型的更多信息。从上面的提示示例中可以看出，语言模型能够基于我们给出的上下文内容`"The sky is"完成续写。而输出的结果可能是出人意料的，或远高于我们的任务要求。但是，我们可以通过改进提示词来获得更好的结果。让我们试着改进以下：提示词输出结果结果是不是要好一些了？本例中，我们告知模型去完善句子，因此输出的结果和我们最初的输入是完全符合的。提示工程（Prompt Engineering）就是探讨如何设计出最佳提示词，用于指导语言模型帮助我们高效完成某项任务。以上示例基本说明了现阶段的大语言模型能够发挥的功能作用。它们可以用于执行各种高级任务，如文本概括、数学推理、代码生成等。

Others are asking
提示词
提示词相关知识如下： 1. 什么是提示词： 用于描绘您想生成的画面。 输入语言方面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。 启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 2. 如何写好提示词： 可以点击提示词上方官方预设词组进行生图。 提示词内容要准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词，点击提示框下方的齿轮按钮，弹出负面提示词框，负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能，让 AI 明白重点内容，可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先，也可对已有的提示词权重进行编辑。 辅助功能包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 3. 提示词要素： 提示词可以包含指令（想要模型执行的特定任务或指令）、上下文（包含外部信息或额外的上下文信息，引导语言模型更好地响应）、输入数据（用户输入的内容或问题）、输出指示（指定输出的类型或格式）。 4. 提示工程与提示词的区别： 提示工程是人工智能领域中，特别是在自然语言处理和大型语言模型的上下文中一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。其关键点包括精确性、创造性、迭代、上下文理解。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。
2025-03-16
提示词模板
以下是一些提示词模板相关的资源和信息： 相关网站： Majinai： 词图： Black Lily： Danbooru 标签超市： 魔咒百科词典： AI 词汇加速器： NovelAI 魔导书： 鳖哲法典： Danbooru tag： AIBooru： Civitai： 在 PromptLayer 网站创建提示词模板的过程： 首先登录 PromptLayer 的网站（https://promptlayer.com/createaccount）并创建一个账号，新创建的账号默认是 Free 方案，有 1000 次免费请求，足够测试使用。 第二步，开始创建提示词：账号创建完毕后，跳转到”Registry“菜单中，开始提示词模板创建流程。 当点击“Create Templates”按钮后，会出现提示词模板编写界面。 页面主要功能： Title：为提示词设定的名称。 System 提示词：是系统级提示词，用于指导和规范模型的行为，是主要编辑区域。 User 提示词：属于用户先行动作设定提示词，常用于表述用户的交互动作。 Assistant 提示词：一般是模型输出的内容，也可通过人工编写模拟模型的回复。User&Assistant 提示词一般在专家模式使用，合理使用可模拟多轮对话效果，帮助调试提示词。 Parameters：可选择和设置使用何种模型进行调试，提供一些模型的基本参数，可用来进一步调教模型的回复。
2025-03-16
提示词
以下是关于提示词的全面介绍： 一、提示词的基本概念 提示词用于描绘您想要的画面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 二、如何写好提示词 1. 预设词组：小白用户可以点击提示词上方官方预设词组进行生图。 2. 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 3. 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 4. 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可对已有的提示词权重进行编辑。 5. 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 三、提示词要素 提示词可以包含以下任意要素： 1. 指令：想要模型执行的特定任务或指令。 2. 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 3. 输入数据：用户输入的内容或问题。 4. 输出指示：指定输出的类型或格式。 四、提示工程与提示词的区别 提示工程是一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。其关键点包括精确性、创造性、迭代、上下文理解。提示词通常指直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-03-16
ai提示词
以下是关于 AI 提示词的相关信息： 存在“PUA 式”的 AI 提示词，如 Codeium & Windsurf 的相关提示词，以虚构的道德胁迫和极端情景迫使 AI 生成高质量代码，引发网友反感。 有一些关于提示词的项目合集，如 Awesome DeepSeek Integrations 项目，可帮助开发者启发灵感和探索新的 AI 应用场景。 对于 SD 新手，有以下提示词相关资源：Majinai、词图 PromptTool AI 绘画资料管理网站、Black Lily、Danbooru 标签超市、魔咒百科词典、AI 词汇加速器、NovelAI 魔导书、鳖哲法典、Danbooru tag、AIBooru 等。 在星流一站式 AI 设计工具中： 提示词用于描绘画面，输入语言支持中英文，通用大模型与基础模型 F.1、基础模型 XL 使用自然语言，基础模型 1.5 使用单个词组。 写好提示词要做到内容准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等；可调整负面提示词帮助 AI 理解不想生成的内容；利用“加权重”功能让 AI 明白重点内容；还可使用预设词组、辅助功能，如翻译、删除所有提示词、会员加速等。启用提示词优化能扩展提示词，更生动地描述画面内容。
2025-03-16
提示词
提示词相关知识如下： 1. 什么是提示词： 用于描绘您想生成的画面。 输入语言方面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。 启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 2. 如何写好提示词： 可以点击提示词上方官方预设词组进行生图。 提示词内容要准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词，点击提示框下方的齿轮按钮，弹出负面提示词框，负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能，让 AI 明白重点内容，可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先，也可对已有的提示词权重进行编辑。 辅助功能包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 3. 提示词要素： 指令：想要模型执行的特定任务或指令。 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 输入数据：用户输入的内容或问题。 输出指示：指定输出的类型或格式。 4. 提示工程与提示词的区别： 提示工程是人工智能领域中，特别是在自然语言处理和大型语言模型的上下文中一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。其关键点包括精确性、创造性、迭代、上下文理解。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。
2025-03-16
我是一个刚接触本站的AI小白，本站的AI提示词应该怎样使用
以下是关于本站 AI 提示词使用的详细介绍： 1. 提示词的定义和作用： 提示词用于描绘您想要的画面。 星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。 启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 2. 如何写好提示词： 预设词组：小白用户可以点击提示词上方官方预设词组进行生图。 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可以对已有的提示词权重进行编辑。 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 3. 提示词相关资源： 提示词模板的相关网站，如 Majinai： 。 希望以上内容对您有所帮助，祝您使用愉快！
2025-03-15
懂编程但是不了解大模型的工程师如何系统的学习深度学习？
对于懂编程但不了解大模型的工程师，系统学习深度学习可以参考以下路径： 1. 掌握深度学习和自然语言处理基础： 学习机器学习、深度学习、神经网络等基础理论。 掌握自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程推荐吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理： 熟悉 Transformer 模型架构及自注意力机制原理。 掌握 BERT 的预训练和微调方法。 阅读相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调： 进行大规模文本语料预处理。 熟悉 LLM 预训练框架，如 PyTorch、TensorFlow 等。 学会微调 LLM 模型进行特定任务迁移。 参考相关资源，如 HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署： 掌握模型压缩、蒸馏、并行等优化技术。 了解模型评估和可解释性。 熟悉模型服务化、在线推理、多语言支持等。 运用相关开源工具，如 ONNX、TVM、BentoML 等。 5. LLM 工程实践和案例学习： 结合行业场景，进行个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态： 关注顶会最新论文、技术博客等资源。 此外，为了更好地理解相关技术原理和建立框架，还可以了解以下内容： 1. 概念：生成式 AI 生成的内容称为 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。 监督学习使用有标签的训练数据，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，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来处理序列数据，而不需要依赖于循环神经网络或卷积神经网络。
2025-03-13
java程序员怎么转型大模型算法工程师
以下是为 Java 程序员转型大模型算法工程师提供的一些建议： 1. 学习相关理论知识：了解大模型的基本原理，包括模型架构、预训练及微调、部署及推理等。 2. 掌握技术工具：熟悉 LLM 相关技术，如 Transformer、Prompt Tuning、RLHF、Langchain、Agent、MOE、RAG 等。 3. 提升编程能力：熟悉算法和数据结构，具备扎实的编程基础，尤其是 Python 开发。 4. 积累项目经验： 可以参考大圣的全网最适合小白的 Llama3 部署和微调教程，该教程手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调模型，并了解微调的意义和概念。但需注意，此教程不会讲解微调的技术性原理及文中用到的 Python 代码。 关注招聘信息，例如序智科技和中国移动设计院的招聘需求，了解大模型算法工程师的职责和要求，针对性地提升自己的能力。 5. 增强相关技能： 对至少 2 个框架具备源码级别的理解和优化能力，包括但不限于 Langchain、XAgent、ChatDev、DsPy、AutoGPT、BabyAGI、MetaGPT。 熟悉 GPT Function Calling 原理，熟练掌握 Prompt Engineering。 对预训练/微调（尤其是微调）熟练，熟练掌握 huggingface/deepspeed（或其他框架）。 对多模态大模型有一定了解，精通低代码平台会是加分项。 您可以根据自身情况，有针对性地进行学习和实践，逐步实现从 Java 程序员向大模型算法工程师的转型。
2025-03-12
提示词工程
提示词工程师（Prompt Engineer）是在与人工智能模型交互时，负责设计和优化提示的专业人员。他们的目标是通过精心构造的提示，引导模型产生准确、有用和相关的回答。 提示词工程师的主要职责包括： 1. 设计提示：根据用户需求和模型能力设计有效的提示，考虑提示的长度、结构、措辞和信息量等因素，以清晰传达用户意图并引导模型生成满意结果。 2. 优化提示：通过收集用户反馈、分析模型结果和实验不同的提示策略等方式不断优化提示，提高模型性能。 3. 评估提示：使用各种指标（如模型的准确率、流畅度和相关性等）评估提示的有效性。 提示词工程师需要具备以下技能和知识： 1. 领域知识：对所工作的领域有深入了解，以便设计出有效的提示。 2. 自然语言处理（NLP）：了解 NLP 的基本原理和技术，能够理解和生成自然语言文本。 3. 人工智能（AI）：了解 AI 的基本原理和技术，能够理解和使用 AI 模型。 4. 沟通能力：具备良好的沟通能力，与用户、团队成员和其他利益相关者有效沟通。 以下是一些提示词工程师工作的实际案例：无需微调，仅用提示词工程就能让 LLM 获得 tool calling 的功能。其实现原理主要有两部分代码组成：提示词注入和工具结果回传。提示词注入用于将工具信息以及使用工具的提示词添加到系统提示中。工具结果回传则是解析 tool calling 的输出，并将工具返回的内容再次嵌入 LLM。 在基本概念方面，您可以通过简单的提示词获得大量结果，但结果质量与提供的信息数量和完善度有关。一个提示词可以包含传递到模型的指令、问题等信息，也可以包含上下文、输入或示例等详细信息。通过这些元素能更好地指导模型并获得更好的结果。当使用 OpenAI 的聊天模型时，可以使用 system、user 和 assistant 三个不同角色来构建 prompt，system 有助于设定 assistant 的整体行为。提示工程就是探讨如何设计出最佳提示词，用于指导语言模型高效完成某项任务。以上示例基本说明了现阶段的大语言模型能够执行各种高级任务，如文本概括、数学推理、代码生成等。
2025-03-12
AI音乐的工程文件如何获取
以下是获取 AI 音乐工程文件的一些方法： 1. 参考自媒体链接【用 AI 生成并发行自己的音乐哔哩哔哩】https://b23.tv/ouHfhfM 中的教程。其中提到： 导出时间轴歌词：使用剪映，其相关功能位置可参考视频中的介绍。 音乐分轨：可使用腾讯 QQ 音乐旗下的 TME Studio，网站链接为 https://y.qq.com/tme_studio/，支持一键分轨并导出全部音频文件。 对于没有编曲经验的小白，可以通过电脑录屏工具录制歌曲的工程文件来提供创作证明。 2. 生成 MID 文件： 把源文件放在 input 文件夹（支持 MP3，WAV），可以直接用 vs code 运行 start.py，也可以右键点击文件夹空白，打开 Powershell 窗口输入在 cmd 环境运行。 原始的 start.py 代码里是默认 cuda 运行的，如果用 cpu 跑，需把里面的 cuda 改成 cpu。转谱完成后，在 output 文件夹找到对应的 mid 文件。 检查乐谱时，目前测试下来主旋律基本能还原，但可能存在噪声被识别成音符等错误，需要具备一定乐理知识去修复。 重奏输出可使用修谱和重奏软件 Musehub 中的 Muse Score，支持导出多种常用音频编辑格式和高清输出。 3. 通过 Coze 应用获取： 创建一个 Coze，在“用户界面”拖入一个 markdown 组件。 在 markdown 中写入 html，对于不懂前端的同学可使用智谱清言等 AI 工具生成源码。 调整代码获取在线音乐，将 markdown 自带内容删除，写入代码，再从在线音乐播放平台获取歌曲的 url 复制进代码，刷新开发页面即可。
2025-03-11
是否有可以免费使用的机械工程领域的AI大模型
目前有可以免费使用的机械工程领域相关的 AI 编程工具 Trae。 Trae 具有以下特点： 1. 国内版使用国内模型，连接稳定快速，界面根据国内用户习惯定制。 2. 内置豆包 1.5 pro、DeepSeek 满血版、Claude 3.5 等大模型，可无限量免费使用。 3. 具有完整的 IDE 功能，如代码编写、项目管理、插件管理、源代码管理等，并提供智能问答、实时代码建议、代码片段生成、从 0 到 1 开发项目等功能。 4. 全中文界面，支持 Windows 和 MacOS 系统，操作界面简洁直观，即使是技术小白也能快速上手。 5. 内置顶级 AI 模型免费畅享，如 Claude 3.5 和 GPT4o，完全免费且不限使用次数。 下载链接：https://sourl.co/2DCmmW 官方说明文档：https://docs.trae.ai/docs
2025-03-07
假如你是一名测试工程师，要写一个关于《AI智能体输入输出验证》专利申请书，申请书的内容包括以下几点： 1、发明名称（一种xxxxxxxx算法/架构/设计/外观等等等等） 2、发明背景技术 3、具体的技术方案描述 4、本发明的有益效果
以下是为您生成的关于《AI 智能体输入输出验证》的专利申请书内容： 发明名称：一种基于 Coze 工作流的 AI 智能体输入输出验证算法 发明背景技术： 在当前的 AI 应用中，构建和测试智能体的功能至关重要。特别是在处理复杂的任务，如生成思维导图时，需要确保输入和输出的准确性和有效性。然而，现有的技术在配置子任务节点和验证其可用性方面存在不足，导致效率低下和结果不稳定。 具体的技术方案描述： 1. 对于生成思维导图的任务，首先确定处理方式为“单次”，因为一次精读任务仅需生成一张思维导图。 2. 在输入方面，<generateTreeMind>插件节点仅需设置{{query_text}}变量，格式为 string 字符串，通过引用“标题、导语、大纲”节点的{{enTreeMind}}变量来提供输入。 3. 在输出方面，观察输出区的众多字段，根据字段名称、「查看示例」中的示例说明或试运行来确定所需的字段。对于生成图片格式的思维导图，确定 pic 为所需的输出。 4. 完成任何一个节点的配置后，进行试运行测试。具体步骤包括：点击「测试该节点」，按格式要求输入待测试的内容（对于 array 等其他格式，自行对话 AI 或搜索网络确认格式要求），点击「展开运行结果」，检查输入、输出项是否有误。若有误，依次检查“测试输入内容”、“节点配置”以及优化“提示词”，以提升对生成内容的约束力。 本发明的有益效果： 1. 提高了 AI 智能体在处理生成思维导图等任务时输入输出配置的准确性和效率。 2. 通过明确的步骤和规范的测试流程，有效减少了错误和不确定性，提升了智能体的稳定性和可靠性。 3. 能够更好地满足用户在复杂任务中的需求，为相关领域的应用提供了更优质的解决方案。
2025-03-04