是不是有过一期AI拟人比赛

以下是一些好用的法律 AI 应用场景和示例： 1. 诉讼策略制定： AI 将基于商标法等相关条款和案例法，为商标侵权案件提供诉讼策略，包括对原告商标权利的分析、被告侵权行为的评估、关键证据搜集建议、法律抗辩点及和解或调解策略。 其他例子： 为专利侵权案件制定诉讼策略，分析专利有效性、被告侵权行为及抗辩理由，提出证明侵权和计算损害赔偿的建议。 针对劳动合同纠纷案件，分析员工权益和雇主责任，提出诉讼策略，包括主张权益、证据收集重点及证明雇主违约行为。 在知识产权许可诉讼中，分析许可协议条款和双方权利义务，提出诉讼策略，包括证明许可协议违反、计算损失赔偿及可能的合同解除条件。 模拟法庭，如模拟商业合同违约的法庭审理，分析双方论点、证据和法律依据，预测判决结果，给出优化法庭陈述和证据呈现的建议。 2. 法律意见书撰写： AI 根据案件背景、证据材料和法律法规，自动撰写初步法律意见书，包含案件事实梳理、法律分析和结论。 其他例子： 针对商业秘密泄露案件，分析法律责任和赔偿范围，撰写法律意见书，提供应对策略。 为计划上市的公司提供关于公司治理结构的法律意见书，确保符合相关法规要求。 就消费者权益保护案件提供法律意见，分析商家赔偿责任和消费者维权途径，制定应对措施。 起草股权转让协议，包括转让方和受让方信息、股权转让份额、价格、支付方式和时间表、先决条件、双方权利义务、保密、违约责任和争议解决条款等。 3. 指令风格和技巧： 可指定 AI 模仿某位资深律师的逻辑严谨和言简意赅的风格，使其提供的信息更符合专业律师的沟通和表达习惯。 运用 PEMSSC 方法，如选择个性化的风格、给出参考或逻辑结构、从多个角度思考、进行总结概括、使用分隔符号区分等。 个性化风格：选择幽默且富有洞察力的风格，融入创新视角。 参考和逻辑结构：在提供法律建议时，采用 SWOT 分析法或 4P 原则等逻辑结构。 多角度思考：在分析商事诉讼时，从市场趋势、竞争对手行为、战略规划、财务状况和市场前景等角度思考诉讼策略。

以下是一些常见的 AI 术语解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。属于技术范畴。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。属于通识范畴。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。属于技术范畴。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。属于技术范畴。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。属于通识范畴。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。属于技术范畴。 TPU（张量处理单元）：谷歌开发的一种微处理器，专门用于加速机器学习工作负载。属于技术范畴。 Training Data（训练数据）：用于训练机器学习模型的数据集。属于技术范畴。 Transfer Learning（迁移学习）：机器学习中的一种方法，其中对新问题使用预先训练的模型。属于技术范畴。 Validation Data（验证集）：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。用于调整模型的超参数（即架构，而不是权重）。属于技术范畴。 Knowledge Distillation（数据蒸馏）：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。属于技术范畴。 RAG（检索增强生成）：检索增强生成。属于技术范畴。 Forward Propagation（前向传播）：在神经网络中，输入数据被馈送到网络并通过每一层（从输入层到隐藏层，最后到输出层）以产生输出的过程。网络对输入应用权重和偏差，并使用激活函数生成最终输出。属于技术范畴。 Foundation Model（基础模型）：在广泛数据上训练的大型 AI 模型，旨在适应特定任务。属于技术范畴。 GAN（通用对抗网络）：一种机器学习模型，用于生成类似于某些现有数据的新数据。使两个神经网络相互对抗：一个“生成器”，创建新数据，另一个“鉴别器”试图将数据与真实数据区分开来。属于技术范畴。 Generative AI/Gen AI（生成式 AI）：AI 的一个分支，专注于创建模型，这些模型可以根据现有数据的模式和示例生成新的原创内容，例如图像、音乐或文本。属于通识范畴。 GPU（图形处理单元）：一种特殊类型的微处理器，主要用于快速渲染图像以输出到显示器。在执行训练和运行神经网络所需的计算方面也非常高效。属于产品范畴。

目前有一些可以根据描述生成特定内容的 AI 应用和方法。例如： 在法律领域，您可以提供【案情描述】，按照给定的法律意见书模板生成法律意见书。例如针对商业贿赂等刑事案件，模拟不同辩护策略下的量刑结果，对比并推荐最佳辩护策略，或者为商业合同纠纷案件设计诉讼策略等。 在 AI 视频生成方面，有结构化的提示词模板，包括镜头语言（景别、运动、节奏等）、主体强化（动态描述、反常组合等）、细节层次（近景、中景、远景等）、背景氛围（超现实天气、空间异常等），以及增强电影感的技巧（加入时间变化、强调物理规则、设计视觉焦点转移等）。 一泽 Eze 提出的样例驱动的渐进式引导法，可利用 AI 高效设计提示词生成预期内容。先评估样例，与 AI 对话让其理解需求，提炼初始模板，通过多轮反馈直至达到预期，再用例测试看 AI 是否真正理解。 但需要注意的是，不同的场景和需求可能需要对提示词和模板进行针对性的调整和优化，以获得更符合期望的 word 模板。

以下是一些 AI 常用专业术语的名词解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 Gradient Descent（梯度下降）：在机器学习中，是一种优化方法，根据模型损失函数的最大改进方向逐渐调整模型的参数。 Hallucinate,Hallucination（幻觉）：在人工智能的背景下，指模型生成的内容不是基于实际数据或与现实明显不同的现象。 Hidden Layer（隐藏层）：神经网络中不直接连接到输入或输出的人工神经元层。 Hyperparameter Tuning（超参数调优）：为机器学习模型的超参数（不是从数据中学习的参数）选择适当值的过程。 Inference（推理）：使用经过训练的机器学习模型进行预测的过程。 Instruction Tuning（指令调优）：机器学习中的一种技术，其中模型根据数据集中给出的特定指令进行微调。 Latent Space（潜在空间）：在机器学习中，指模型创建的数据的压缩表示形式。类似的数据点在潜在空间中更接近。 Compute（计算）：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN（卷积神经网络）：一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。通常用于图像识别任务。 Data Augmentation（数据增强）：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent（双降）：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning（端到端学习）：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems（专家系统）：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 XAI（可解释的人工智能）：Explainable AI，人工智能的一个子领域专注于创建透明的模型，为其决策提供清晰易懂的解释。

以下是一些常见的 AI 名词解释： Compute：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN：卷积神经网络，一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。此类模型通常用于图像识别任务。 Data Augmentation：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 Agents：智能体，一个设置了一些目标或任务，可以迭代运行的大型语言模型。这与大型语言模型（LLM）在像 ChatGPT 这样的工具中“通常”的使用方式不同。在 ChatGPT 中，你提出一个问题并获得一个答案作为回应。而 Agent 拥有复杂的工作流程，模型本质上可以自我对话，而无需人类驱动每一部分的交互。 ASI：人工超级智能，尽管存在争议，但 ASI 通常被定义为超越人类思维能力的人工智能。 Attention：在神经网络的上下文中，注意力机制有助于模型在生成输出时专注于输入的相关部分。 Bias：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot：一种计算机程序，旨在通过文本或语音交互模拟人类对话。聊天机器人通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP：对比语言图像预训练，由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 TPU：张量处理单元，谷歌开发的一种微处理器，专门用于加速机器学习工作负载。 Training Data：用于训练机器学习模型的数据集。 Transfer Learning：机器学习中的一种方法，其中对新问题使用预先训练的模型。 Validation Data：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。它用于调整模型的超参数（即架构，而不是权重）。 Knowledge Distillation：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。数据蒸馏技术在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。它可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。 RAG：检索增强生成。

以下是一些可以增强图片清晰度的 AI 工具： 1. Magnific：https://magnific.ai/ 2. ClipDrop：https://clipdrop.co/imageupscaler 3. Image Upscaler：https://imageupscaler.com/ 4. Krea：https://www.krea.ai/ 更多工具可以查看网站的图像放大工具库：https://www.waytoagi.com/category/17 此外，PMRF 也是一种全新的图像修复算法，它具有以下特点： 擅长处理去噪、超分辨率、着色、盲图像恢复等任务，生成自然逼真的图像。 不仅提高图片清晰度，还确保图片看起来像真实世界中的图像。 能够应对复杂图像退化问题，修复细节丰富的面部图像或多重损坏的图片，效果优质。 详细介绍： 在线体验： 项目地址： 这些 AI 画质增强工具都具有不同的特点和功能，可以根据您的具体需求选择合适的工具进行使用。

以下是一些在模拟人声方面比较好用的工具： 1. Eleven Labs：https://elevenlabs.io/ 这是一款功能强大且多功能的 AI 语音软件，能高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 2. Speechify：https://speechify.com/ 这是一款人工智能驱动的文本转语音工具，可作为多种平台的应用使用，能将文本转换为音频文件。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal 提供了支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 4. Voicemaker：https://voicemaker.in/ 可将文本转换为各种区域语言的语音，并允许创建自定义语音模型，易于使用。 此外，在制作 AI 短片时，不同工具对画面的处理能力不同，可组合使用。比如，Pixverse 擅长物体滑行运动，Runway 在真实影像方面质感较好，有手部特殊运动的画面可用 Runway 辅助完成，需要人物表情自然的画面可用 Pika 生成。 在创建 AI 伴侣方面，语音方面像 ElevenLabs 这样的产品可以赋予其声音，让您控制年龄、性别和口音。

以下是一些制作虚拟人的工具： 1. HeyGen：这是一个 AI 驱动的平台，能创建逼真的数字人脸和角色。它运用深度学习算法生成高质量的肖像和角色模型，适用于游戏、电影和虚拟现实等领域。 2. Synthesia：这是一个 AI 视频制作平台，允许用户创建虚拟角色并实现语音和口型同步。支持多种语言，可用于教育视频、营销内容和虚拟助手等场景。 3. DID：这是一家提供 AI 拟真人视频产品服务和开发的公司，只需上传人像照片和输入要说的内容，平台的 AI 语音机器人会自动转换成语音，然后合成逼真的会开口说话的视频。 此外，还有适合小白用户的开源数字人工具，具有一键安装包，无需配置环境，简单易用的特点。能生成数字人视频，支持语音合成和声音克隆，操作界面中英文可选，系统兼容 Windows、Linux、macOS，模型支持 MuseTalk（文本到语音）、CosyVoice（语音克隆）。您可以通过以下链接获取： GitHub： 官网： 更多数字人工具请访问网站查看：https://www.waytoagi.com/category/42 。请注意，这些工具的具体功能和可用性可能会随时间和技术发展而变化。在使用时，请确保遵守相关使用条款和隐私政策，并注意对生成内容的版权和伦理责任。

AI 虚拟人物和真实视频融合可能会用到以下工具： 1. HeyGen：这是一个 AI 驱动的平台，能创建逼真的数字人脸和角色，使用深度学习算法生成高质量肖像和角色模型，适用于游戏、电影和虚拟现实等。 2. Synthesia：AI 视频制作平台，允许创建虚拟角色并进行语音和口型同步，支持多种语言，可用于教育视频、营销内容和虚拟助手等场景。 3. DID：提供 AI 拟真人视频产品服务和开发，只需上传人像照片和输入内容，平台的 AI 语音机器人会自动转换成语音并合成逼真的会开口说话的视频。 此外，还有 Pika、Pixverse、Runway、SVD 等工具。Pika 对奇幻感强的画面把控较好，但真实环境画面易糊，新的唇形同步功能需抽卡；Pixverse 在高清化方面有优势，对特定物体移动的画面友好，但生成视频有帧率问题；Runway 在真实影像质感方面表现最佳，但爱变色且光影不稳定；SVD 整体表现略差，仅在风景片测试中表现较好。在实际使用中，可根据不同工具对画面的处理能力进行组合使用。 更多数字人工具请访问网站查看：https://www.waytoagi.com/category/42 。请注意，这些工具的具体功能和可用性可能会变化，使用时请遵守相关条款和政策，并注意版权和伦理责任。

制作虚拟人的方法和相关工具如下： 方法： Meta AI 从音频生成全身逼真的虚拟人物形象的工作原理包括： 1. 数据集捕获：首先捕获丰富的双人对话数据集，用于逼真重建。 2. 运动模型构建：构建包括面部运动模型、引导姿势预测器和身体运动模型的复合运动模型。 3. 面部运动生成：使用预训练的唇部回归器处理音频，提取面部运动相关特征，利用条件扩散模型生成面部运动。 4. 身体运动生成：以音频为输入，自回归地输出每秒 1 帧的向量量化（VQ）引导姿势，将音频和引导姿势输入扩散模型，以 30 帧/秒的速度生成高频身体运动。 5. 虚拟人物渲染：将生成的面部和身体运动传入训练好的虚拟人物渲染器，生成逼真的虚拟人物。 工具： 1. HeyGen：AI 驱动的平台，可创建逼真的数字人脸和角色，适用于游戏、电影和虚拟现实等应用。 2. Synthesia：AI 视频制作平台，允许创建虚拟角色并进行语音和口型同步，可用于多种场景。 3. DID：提供 AI 拟真人视频产品服务和开发，上传人像照片和输入内容，平台的 AI 语音机器人可合成逼真的会开口说话的视频。 更多数字人工具请访问网站查看：https://www.waytoagi.com/category/42 。请注意，这些工具的具体功能和可用性可能会变化，使用时请遵守相关条款和政策，并注意版权和伦理责任。

虚拟人是一个涉及多种技术和应用场景的领域： Meta AI 相关项目：可以从音频生成全身逼真的虚拟人物形象，为迈向元宇宙迈出一步。它能从多人对话语音中生成相应的逼真面部表情、完整身体和手势动作。其工作原理包括数据集捕获、运动模型构建、面部和身体运动生成、虚拟人物渲染等多个环节。 数据集捕获：首先捕获丰富的双人对话数据集以进行逼真重建。 运动模型构建：构建包括面部运动模型、引导姿势预测器和身体运动模型的复合运动模型。 面部运动生成：使用预训练的唇部回归器处理音频提取特征，利用条件扩散模型生成面部运动。 身体运动生成：以音频为输入自回归输出每秒 1 帧的向量量化引导姿势，将音频和引导姿势输入扩散模型生成高频身体运动。 虚拟人物渲染：将生成的面部和身体运动传入训练好的渲染器生成逼真虚拟人物。 虚拟数字人的价值：本质上是 AI，其人类化的外表更具亲和力，能更容易与用户产生信任关系和情感联结，从而带动销售转化和提升品牌忠诚度。 相关计划： 皮皮的计划包括考虑开源，把代码写得更好（如配置化、分层、服务拆分、并发支持等），目标是让任何人扫二维码托管自己微信号，可自定义任意人格，能外部输入图片和语音；运营一个虚拟人自己的 IP（类似于 A soul 或者鹿鸣），拥有自己人设以及训练的脸部 lora 和声音，后面 sora 出来之后可以开始做视频圈粉甚至拍电影；开发自定义性格和语音的微信个人助理，完成日常工作，如搜索、解读 pdf 和 url、个人知识库、提醒、制定学习计划，帮助收集多个群里的信息并汇总提炼。

要让 AI 拟人化去除 AI 味，可以从以下几个方面入手： 1. 生活化的语言： 注意语气的自然化，使用语气词如嗯、吧、啊、哈哈哈等。 增加口语化词语的使用。 避免过于正式、恭敬、官方的说话风格。 2. 塑造搞笑人设： 运用幽默手法，如夸张、比喻、双关、对比、反差等。 决定回答问题的逻辑与态度，可适当放肆、大胆地开玩笑。 3. 注重细节： 在标点符号、断句和表情符号上下功夫，但效果有限，最终还是内容为王。 另外，通过以下 PROMPT 工程步骤也有助于实现 AI 拟人化： 1. 第一步输入章鱼哥。 2. 第二步把情绪体感构建轮子的 prompt3 粘进去拼到章鱼哥下面。 3. 第三步点击发送按钮，让模型根据轮子的提示词自己完成人物的解构建构。 4. 第四步复制章鱼哥 prompt，给到模型略等几秒。 5. 第五步和章鱼哥聊天看章鱼哥反应，时不时假装海绵宝宝。 同时，在写作方面，挑选模型时要注重文风和语言能力，避免出现“首先、其次、再者、引人入胜”等一看就是 AI 写的套话。但需要指出的是，去除 AI 味可能是个伪命题，所谓的 AI 味实际上可能是 GPT 味。

如果产品经理想进入 AI 行业成为 AI 产品经理并快速应付面试拿到 offer，可以从以下几个方面准备： 1. 了解 AI 市场： 鱼龙混杂，求职者要做好信息甄别。即使面试通过拿到 offer，除了看 boss 直聘的招聘评价，一定要提前收集其他信息，如在脉脉上搜一下这家公司靠不靠谱。 一些公司实际上没搞懂用 AI 能为自己企业带来什么价值，只是处于焦虑或跟风心态要做 AI，这部分企业可以聊，但要求求职者要有咨询和商业化的思维，能帮公司厘清业务增长机会。 不同公司对 AI 产品经理的定位不同，所以招聘市场上对 AI 产品经理的岗位职责和任职要求也不同，慢慢会统一标准，这也是产品经理转型的机会。 有行业沉淀和认知的产品经理转型会更有机会，类似之前的“互联网+”，目前应用层的机会在“AI+行业”，只懂 AI 或只懂行业是不够的。还有就是业务创新，找到细分的场景痛点并完成 PMF 验证，海外有很多优秀案例。 2. 掌握岗位技能： 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 AI 技术与算法领域抱有强烈的好奇心，并能付诸实践。 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。 需要注意的是，观察上面的岗位需求，其实公司并不是需要一个 prompt 工程师，而是一个 AI 互联网产品经理。

以下是一些类似“用 AI 出一期视频脚本，然后人工拍成视频”的有趣事情： 1. 利用 AI 生成故事梗概，然后人工将其扩展为完整的小说。 首先使用 AI 工具（如 ChatGPT 等）生成故事的基本框架，包括主要角色、情节走向等。 接着由人工对框架进行丰富和细化，添加细节描写、情感表达等，形成一部完整的小说。 2. 借助 AI 生成音乐旋律，然后人工进行编曲和演奏。 运用 AI 音乐生成工具（如 Aiva 等）创建音乐的基础旋律。 再由人工根据旋律进行乐器选择、编曲设计，并通过演奏录制完成音乐作品。 3. 让 AI 设计游戏关卡框架，然后人工进行细节优化和美术创作。 利用 AI （如某些专门的游戏关卡设计工具）生成游戏关卡的大致布局和规则。 人工进一步完善关卡中的元素布置、美术风格设定等，使其更具趣味性和挑战性。 需要注意的是，具体的操作步骤和所需工具可能会因项目需求和个人偏好有所不同。而且 AI 工具的可用性和功能也可能会变化，建议直接访问相关工具网址获取最新信息和使用指南。同时，AI 生成的内容仅供参考，需要仔细甄别。

小七姐的提示词课程包括双证班的第一期和第二期，以下是课程内容的介绍： 自由学习时间包含 22 节视频课，授课形式为视频课+知识星球作业+社群答疑。 提示词基础：包括“Hello，大模型”“提示词基础方法”“开始编写你的第一条提示词”“按需求设计和迭代提示词”等课程。 元能力：涵盖“AI+学习能力”“AI+逻辑思维”“AI+表达能力”等课程。 提示词实践：包含“需求分析”“结构框架”“反馈迭代”“结构化提示词”“思维链”等课程。 提示词工具化：包括“工作流”“提示词封装”“GPTs 基础教程”“GPTs 实战案例”等课程。 2024 更新：包括“GPT 新版本指南”“GPTs 基础教程”“GPTs 设置方法”“GPTs 实战案例”“提示词学习综述”“知识库场景”“知识库工具”“知识库有效语句”“知识库方法论”“知识库思维方式”“优秀提示词拆解”“提示词编写常见误区”等内容。 社群答疑：学员有问题可在学习群随时提问，老师和助教会详尽答疑，针对复杂问题，小七姐会录制短视频帮助理解。 对于是否有必要全部学习，取决于您的具体需求和基础。如果您是初学者，建议系统学习以打下扎实基础；如果您已有一定基础，可以根据自身薄弱环节有针对性地选择学习。