以下是为您整理的一些 AI 项目相关信息： 1. AI 春晚：这是由 WaytoAGI 社区组织的一场由 AI 技术驱动的春节晚会，由 300 多位 AI 爱好者共同创作。在 20 多天里运用多种先进技术，作品时长约 150 分钟，涵盖多种节目类型。于 24 年大年初一直播，18 万人在线观看，后续视频播放量超 200 万，媒体曝光量超 500 万，多个节目登录央视网，孵化了数个优质项目与团队。您可以通过以下链接观看：完整版：https://www.bilibili.com/video/BV15v421k7PY/?spm_id_from=333.999.0.0 相关进度： 2. 2024 年盘点：融资过亿的美国 AI 初创公司： Liquid AI：完成 2.5 亿美元 A 轮融资，公司估值达 23.5 亿美元。由 AMD Ventures 领投，专注开发高效通用 AI 模型，计划用资金扩展计算基础设施和加速产品部署。 Tractian：完成 1.2 亿美元 C 轮融资，公司估值 7.2 亿美元。由 Sapphire Ventures 等机构参与，其解决方案帮助企业实现零停机时间和提高生产力，计划用资金加速制造业 AI 创新。 Tenstorrent：完成 6.93 亿美元 D 轮融资，公司估值 27 亿美元。由三星证券等领投，专注开发高性能 AI 处理器，计划用资金扩充工程团队和构建训练服务器。 xAI：完成第二轮巨额融资，筹集 60 亿美元，公司估值 500 亿美元。由红杉资本等机构参与。 3. AI 市集：包括 AI 调酒、AI 占卜、AI 绘画等。还有 AI 音乐节，由 AI 作词作曲做 MV；AI 即兴喜剧，由 AI 原创剧本。每个 AI 项目通过支付宝百宝箱搭建智能摊位，顾客可直接提问，机器人助手回答并生成文字或图片。如妙刷，可通过上传图片生成艺术作品和视频。杭州“AI 创作者基地”揭牌，将联合社区输出高质量 AI 技术支持。12 月的切磋大会在筹备中，未来会去更多城市和学校。

LMStudio 能否支持联网搜索和本地知识库 RAG 以及如何实现的问题如下： 实现本地知识库 RAG 需加载所需的库和模块，如用于解析 RSS 订阅源的 feedparse，用于在 Python 程序中跑大模型的 ollama（使用前需确保 ollama 服务已开启并下载好模型）。 从订阅源获取内容，通过特定函数从指定的 RSS 订阅 URL 提取内容，若需接收多个 URL 稍作改动即可。然后用专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，最终合并成列表返回用于后续处理或提取。 为文档内容生成向量，可使用文本向量模型 bgem3（从 hf 下载好模型假设放置在某个路径，通过函数利用 FAISS 创建高效的向量存储）。 实现 RAG 包括文档加载（从多种来源加载文档，LangChain 提供 100 多种文档加载器）、文本分割（把 Documents 切分为指定大小的块）、存储（将切分好的文档块嵌入转换成向量形式并存储到向量数据库）、检索（通过检索算法找到与输入问题相似的嵌入片）、Output（把问题及检索出的嵌入片提交给 LLM 生成答案）。 基于用户问题从向量数据库中检索相关段落，根据设定阈值过滤，让模型参考上下文信息回答，从而实现 RAG。 还可创建网页 UI 并进行评测，对于同样的问题和上下文，基于不同模型进行多次测试，其中 GPT4 表现最好，Mixtral 次之，Qwen7b 第三，Gemma 和 Mistral 表现一般。总结来说，本文展示了如何使用 Langchain 和 Ollama 技术栈在本地部署资讯问答机器人，结合 RSSHub 处理和提供资讯，上下文数据质量和大模型性能决定 RAG 系统性能上限，RAG 能提升答案质量和相关性，但不能完全消除大模型幻觉和信息滞后问题。

以下是几种利用 AI 提升 PDF 文件文案扒取工作效率的方法： 1. DeepL（网站）：访问，点击页面「翻译文件」按钮，上传 PDF、Word 或 PowerPoint 文件即可。 2. 沉浸式翻译（浏览器插件）：在安装插件后，点击插件底部「更多」按钮，选择「制作双语 BPUB 电子书」、「翻译本地 PDF 文件」、「翻译 THML/TXT 文件」、「翻译本地字幕文件」。 3. Calibre（电子书管理应用）：在下载并安装 calibre，并安装翻译插件「Ebook Translator」。 4. 谷歌翻译（网页）：使用工具把 PDF 转成 Word，再在点击谷歌翻译「Document」按钮，上传 Word 文档。 5. 百度翻译（网页）：在点击导航栏「文件翻译」，上传 PDF、Word、Excel、PPT、TXT 等格式的文件，支持选择领域和导出格式（不过进阶功能基本都需要付费了）。 6. 彩云小译（App）：下载后点击「文档翻译」，可以直接导入 PDF、DOC、DOCX、PPT、PPTX、TXT、epub、srt 等格式的文档并开始翻译（不过有免费次数限制且进阶功能需要付费）。 7. 微信读书（App）：下载 App 后将 PDF 文档添加到书架，打开并点击页面上方「切换成电子书」，轻触屏幕唤出翻译按钮。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

Few shot 和 One shot 等概念的相关研究在自然语言处理领域有较多的文献提及。 Zero Shot Prompting（零样本提示）：是一种让模型在没有额外训练数据的情况下对之前未见过的数据进行预测的技术。传统机器学习通常需大量标记训练数据来准确预测，而在提示工程中，零样本学习可用于生成自然语言文本，无需显式编程或预定义模板，创造更多样化和动态的文本生成模型，使机器能在训练中没见过某些对象时仍能识别和分类。 One Shot Prompting（一样本提示）：通过有限的输入数据（如单个示例或模板）来生成自然语言文本，可与对话管理和上下文建模等自然语言处理技术结合，创造更复杂、有效的文本生成系统。在提示工程中，只需提供有限输入数据，如单个示例或模板，有助于从大型语言模型中创建可预测的输出。 Few Shot Prompting（少样本提示）：将少量示例（通常为两到五个）提供给模型，以便快速适应新对象的例子。在提示工程中，少样本学习可用于创建自然语言文本，只需提供有限的输入数据，能创造更灵活和适应性强的文本生成模型。 零样本、一样本和少样本提示的区别在于：零样本提示是模型在没有额外训练的情况下进行预测；一样本提示需要提供一个示例或模板；而少样本提示则需要提供更少的数据，通常是两到五个示例。 这些提示工程技术能提供更灵活和可控的方式从自然语言生成模型中输出文本，充分利用模型强大能力，创造更准确、多样和吸引人的输出，满足应用程序需求。

以下是关于 RAG 的相关论文内容： 《大模型 RAG 问答行业最佳案例及微调、推理双阶段实现模式：基于模块化RAG 自定义 RAG Flow》：介绍了从 RAG Flow 的角度的几个行业最佳的 RAG 实践，如 OpenAI 团队在提升 RAG 准确率方面的尝试，包括多种方法的试验，最终通过提示工程、查询扩展等方法达到了 98%的准确率，并强调了模型精调和 RAG 结合使用的潜力。 《开发：产品视角的大模型 RAG 应用》：对 RAG 的技术原理、历史发展、应用方法、应用场景和未来的发展方向进行了完整解读，文本内容源自论文《RetrievalAugmented Generation for Large Language Models:A Survey》。 《RAG 系统开发中的 12 大痛点及解决方案》：受到 Barnett 等人论文《工程化检索增强生成系统时的七大挑战》的启发，探讨了论文中的七个挑战及开发 RAG 系统时遇到的五个常见难题，并深入讨论了这些难题的解决策略。

以下是一些关于生成简历的信息： 有许多 AI 工具可以帮助您编写简历，例如： Kickresume 的 AI 简历写作器：使用 OpenAI 的 GPT4 语言模型自动生成简历，能为简历摘要、工作经验和教育等专业部分编写内容，并保持一致语调。 Rezi：受到超过 200 万用户信任的领先 AI 简历构建平台，使用先进的 AI 技术自动化创建可雇佣简历的每个方面，包括写作、编辑、格式化和优化。 Huntr 的 AI 简历构建器：提供免费的简历模板，以及 AI 生成的总结/技能/成就生成器和 AI 驱动的简历工作匹配。 更多 AI 简历产品，还可以查看这里：https://www.waytoagi.com/category/79 。您可以根据自己的需要选择最适合的工具。 GitHubDaily 开源项目列表中的相关项目： ：功能强大的开源简历生成器，拥有简洁美观的 UI 设计，并支持导入与解析 PDF 简历文件，实时更新简历数据。 智慧招聘中的相关功能： 基于岗位职责、候选人要求等信息，自动生成专业化的岗位描述（JD）。 生成高吸引力的招聘宣传内容，包括公司介绍、岗位亮点、职业发展机会等，并为不同招聘渠道优化语言风格与排版。 通过文档解析服务以及 GLM4 对候选人简历内容进行智能解析，将候选人的相关信息转化为结构化数据。 使用 GLM4 分析企业提供的岗位描述，将其解析为结构化的数据形式，并进行智能人岗匹配。 与候选人进行深入交流，核实其简历中的信息，了解其职业发展意向等，并从对话内容中提取关键信息实体。 动态生成专业问题与情境测试，结合语音、表情和语言分析评估候选人表现，并生成综合评分和能力评估报告。 根据面试过程中的对话记录，GLM4 自动生成面试总结报告，包含候选人适配度、能力评估和发展潜力等，为 HR 提供面试决策支持。

很抱歉，目前没有关于实体门店做短视频如何向 Deep Seek 提问的模板。但您可以从以下几个方面来构思您的问题： 1. 描述实体门店的特点和目标受众，例如门店的类型、位置、主要经营产品或服务，以及希望通过短视频吸引的客户群体特征。 2. 说明您对短视频的预期效果，比如是增加品牌知名度、促进销售还是提升客户参与度。 3. 提及您现有的资源和限制，比如预算、拍摄设备、人员技能等。 4. 阐述您对短视频内容和风格的初步想法，例如是搞笑、感人、实用教程还是其他类型。 5. 询问关于短视频的传播渠道和推广策略的建议。 希望以上思路能对您有所帮助。

写好提示词（prompt）需要注意以下几点： 1. 明确任务：清晰地定义任务，比如写故事时包含故事背景、角色和主要情节。 2. 提供上下文：若任务需要特定背景知识，要提供足够信息，如写历史事件报告时提供基本信息。 3. 使用清晰语言：尽量用简单、清晰的语言描述任务，避免模糊或歧义词汇。 4. 给出具体要求：如有特定格式或风格要求，在提示词中明确指出，如文章需遵循特定格式或引用特定文献。 5. 使用示例：如有特定期望结果，提供示例帮助 AI 模型理解需求。 6. 保持简洁：提示词简洁明了，过多信息可能导致 AI 模型困惑，生成不准确结果。 7. 使用关键词和标签：有助于 AI 模型理解任务主题和类型。 8. 测试和调整：生成文本后仔细检查结果，根据需要调整提示词，可能需要多次迭代达到满意结果。 在星流一站式 AI 设计工具中： 1. 输入语言方面，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。 2. 写好提示词的方法包括： 预设词组：小白用户可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，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，负面提示词可帮助 AI 理解不想生成的内容，如不好的质量、低像素、模糊、水印。 利用“加权重”功能：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，还可对已有提示词权重进行编辑。 辅助功能：有翻译功能可一键将提示词翻译成英文，还有删除所有提示词和会员加速等功能。 此外，宝玉日报提到提示词应清晰明确，避免模糊不清的指令，因为 AI 无法理解用户的背景和想法，不会读心术。工作或恋爱中常见的误区同样适用于 AI 交互，要提供足够的背景信息和清楚的需求描述，以确保模型给出准确结果。

Coze 集成了新闻搜索插件，其中的头条新闻插件能够持续更新，让您了解最新的头条新闻和新闻文章。所以在 Coze 中使用搜索插件是可以搜索到最新新闻的。Coze 还提供了多样化的插件库，涵盖了从基础的文本处理到高级的机器学习功能，以及众多符合平民生活化的插件，如天气预报、出行必备、生活便利等方面的插件。

目前对于哪一个 AI 生成的图片更具有还原性，难以简单地给出一个确定的答案。 从相关资料来看，不同的 AI 出图工具具有各自的特点和优势。例如，MJ 稳定性最好，协作性最强，有很多成熟的经验可供参考，但不是所有人都能拥有此工具；SD 有一些其他产品无法替代的能力，如艺术字、线稿控制能力、可以训练自己的各种 lora 等，但需要本地部署，上手门槛更高；悠船对中文的支持最好，Prompt 可以用中文直出，交互友好、简单、易上手，但管控严格，很多敏感词不能使用。 在实际应用中，保持名胜古迹的原貌可能会遇到困难，比如用悠船出图时法华塔变得面目全非，最后用 SD 的线稿控制才将塔的样式大体保留下来。此外，在处理一些历史相关的内容时，绕过敏感词也是一个难点，需要绞尽脑汁地想办法，比如用替代词或其他方式。 同时，从艺术和语言学的角度来看，AI 艺术的发展仍在探索中，对于其本体形态和未来的发展方向还有待进一步研究和实践。