以下是关于文心一言的相关测评信息： 1. 小七姐的测评： 任务一：短提示。设置让模型生成能根据用户需求写出合适的 RPG 游戏策划（包括角色、剧情、玩法和场景等内容）的提示词。文心一言在输出结果上依然有自问自答的问题，得分 75。 任务二：少样本示例。同样是生成上述提示词，本轮用少样本提示框定了模型的输出内容，四个大模型的输出都有很大提升，文心一言得分 80。 2. 中文大模型基准测评 2023 年度报告： 简介：文心一言是百度全新一代知识增强大语言模型，于 2023 年 3 月 16 日正式发布，10 月 17 日发布 V4.0 版本，已有 7000 万用户。 模型特点：在计算、逻辑推理、生成与创作、传统安全这 4 大基础能力上排名国内第一。在代码、知识与百科、语言理解与抽取、工具使用能力上排名国内前三，各项能力表现均衡且水平较高，是国内有竞争力的大模型。 适合应用：能力栈广泛，可应用场景多。重点推荐在查询搜索知识应用、任务拆解规划 Agent、文案写作以及代码编写及纠错等方面的应用，在逻辑推理方面表现不俗，可关注在科学研究、教育、工业方面的落地能力。

对于小白快速系统学习 AI 应用，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，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，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 知识库中有很多实践后的作品、文章分享，欢迎实践后分享。 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，了解其工作原理和交互方式。 6. 开发实践： 从一个最基础的小任务开始，让 AI 先帮您按照 best practice 写一个 say hello 的示例程序，并解释每个文件的作用及程序运行的逻辑，学会必备的调试技能。 通过和 AI 的对话，逐步明确项目需求，梳理出产品需求文档。 接下来就是真正的实践，按照项目规划，学习一个 POC，将其应用到大项目中。当遇到错误时，复制错误信息、相关代码扔给 AI 让其找错误并修复，也可找文档或去 stackoverflow 上找答案，然后把这些信息提供给 AI 让其基于此修复。如有可能，找一个老师傅随时提供支援。

Coze 上的智能体发布到微信公众号后，支持语音聊天。 chatgptonwechat（简称 CoW）项目是基于大模型的智能对话机器人，支持微信公众号、企业微信应用、飞书、钉钉接入，可选择多种模型，能处理文本、语音和图片，通过插件访问操作系统和互联网等外部资源，支持基于自有知识库定制企业 AI 应用。 登录宝塔面板后，在宝塔面板当中可视化控制云服务器，部署 docker 容器，启动 CoW 项目与微信取得关联。具体操作包括点击“Docker”中的“编排模板”或“项目模板”中的“添加”按钮，复制编译好的内容，在“容器编排”中“添加容器编排”等步骤。成功将 Bot 接入微信中后，点击容器可以看到运行的服务，需要手动刷新查看相关日志。 需要注意的是，之前 Coze AI 平台不支持直接与个人微信和微信群进行功能对接，但国内版正式发布 API 接口功能后，直接对接个人微信甚至微信群已成为可能。

以下是关于人工智能相关岗位的一些信息： 在企业中建构人工智能方面，智能音箱的工作流程包括探测触发词或唤醒词、语音识别、意图识别、执行相关程序，但智能音箱面临着对每个用户需求单独编程导致公司需花费大量资金教育客户的困境。自动驾驶汽车方面，检测包括使用监督学习、多种传感器和技术，运动规划包括输出驾驶路径和速度。 人工智能团队的角色示例有：软件工程师，负责智能音箱中的软件编程工作，在团队中占比 50%以上；机器学习工程师，创建映射或算法，搜集和处理数据；机器学习研究员，负责开发前沿技术；应用机器学习科学家，解决面临的问题；数据科学家，检测和分析数据；数据工程师，整理数据；AI 产品经理，决定用 AI 做什么以及其可行性和价值。 在【已结束】AI 创客松中，参与同学的擅长领域和岗位包括：AI 2C 项目负责人、技术实践者、AI 算法开发、产品经理、程序员、产品体验设计师、咨询顾问/服务设计师等，他们在不同方向有着各自的优势和想法，如产品落地服务、多 Agent 处理任务流、宠物与 AI 结合、智能写作产品等。

AI aPaaS 是指像字节 Coze 这样的工具，本质上是“AIfirst aPaaS”。 “aPaaS”意味着 Bot Builder 这类工具与以往的 aPaaS 相同，实现一个应用所需的不同类型代码，如数据、状态、API 调用、逻辑（工作流、事件系统等）、UI 等，通过不同的可视化工具来实现，像数据库建模、服务插件、节点图工具、拖拽式 UI 搭建工具等。生成的并非新应用的完整代码，而是“配置”，所有创建的“应用”都是 aPaaS 本体这个单一应用读取不同配置的运行结果。Bot Builder 只是针对其中部分类型更换了不同的可视化工具，比如针对“数据”类型用 RAG 工具，对“状态”类型用 Token 缓存等工具、对“工作流逻辑”用 Agent 搭建工具，对“UI”用提示词和卡片配置工具。得到的“应用”一部分作为“配置”存储和运行在 Bot Builder 平台自身，一部分作为“配置”存储和运行在各种 Chatbot 平台（比如 ChatGPT）。 “AIfirst”指的是它们不仅在开发应用时使用 AI 辅助或依赖 AI，开发出来的也是 AI 应用（目前主要形态是各平台上的 chatbot）。应用的开发阶段有大模型加持（比如用自然语言描述任务），应用的运行阶段也有大模型支撑（大模型扮演两个角色，最平庸的角色是用大模型的 prompt 调用取代手工编写的代码，更重要的角色是借助大模型做到手工代码做不到的事情）。 像这样的 AI 应用开发平台存在一些问题：aPaaS 这种单一应用的模式，跟内容平台（比如微信公众号、Medium、头条抖音，很多内容平台同样有“开发”需求，比如文章的 HTML 排版和 widget 组合配置，视频中的 AR 效果）、乃至元宇宙平台（比如 Roblox、堡垒之夜、Decentraland、VRChat、元梦之星，这些平台中用户创建的每个 3D 世界，都是应用，传统上都需要专门开发）非常一致或者说一脉相承。缺点是不生成完整、专业的应用代码，跟专业应用开发（包括开发方式、最佳实践、技术生态、抽象积累）割裂，自成体系，重新发明一切，无法灵活深度的混搭和优化。优点是天然趋向把同一个应用在开发阶段的形态和运行阶段的形态统一，类似本帖引用中 Ego 的说法“a game engine that is also a game”，应用自身就是应用开发工具、就是编辑器，开发应用的同时就是在使用应用，开发游戏的时候就是在玩游戏。但 aPaaS 们（含 Bot Builder）显然还远远没实现这种优点，仍然有使用门槛，使用 Bot Builder 过程中的复杂性也远高于使用 Bot。Bot Builder 们只做到“AIfirst”，并没做到“AInative”。引用中的 Ego 是一个“AInative App Builder”的例子，定位是“AInative simulation/game engine and platform”。

LangChain 是一个用于构建高级语言模型应用程序的框架，旨在简化开发人员使用语言模型构建端到端应用程序的过程。 它提供了一系列工具、组件和接口，使得创建由大型语言模型（LLM）和聊天模型支持的应用程序变得更加容易。其核心概念包括组件和链，组件是模块化的构建块，可组合创建强大应用，链则是组合的一系列组件（或其他链）以完成特定任务。 主要特点有： 1. 模型抽象：提供对大型语言模型和聊天模型的抽象，便于开发人员选择合适模型并利用组件构建应用。 2. 提示模板和值：支持创建和管理提示模板。 3. 链：允许开发人员定义一系列处理步骤以完成复杂任务。 4. 代理：支持构建代理，能使用语言模型做决策并调用工具。 LangChain 支持多种用例，如针对特定文档的问答、聊天机器人、代理等，可与外部数据源交互收集数据，还提供内存功能维护状态。它为开发人员提供强大工具集，以构建适应性强、高效且能处理复杂用例的高级语言模型应用程序。 此外，LangChain 是一个为简化大模型应用开发而设计的开源框架，通过提供模块化工具和库，允许开发者轻松集成和操作多种大模型。它设计注重简化开发流程，支持广泛模型，具备良好可扩展性，有活跃贡献者和持续更新，提供全面文档和示例代码，考虑应用安全性和用户数据隐私保护，是多语言支持的灵活框架，适用于各种规模项目和不同背景开发者。LangChain 官方手册：https://python.langchain.com/docs/get_started/introduction/

训练智能体并导入特定数据的方法如下： 1. 手动清洗数据创建在线知识库： 点击创建知识库，创建一个如画小二课程的 FAQ 知识库。 选择飞书文档，选择自定义的自定义，输入“”。 飞书的文档内容会以“”区分开来，可点击编辑修改和删除。 点击添加 Bot，添加好后可在调试区测试效果。 2. 处理本地文档： 对于本地 word 文件，注意不能将大量数据一股脑全部放进去训练。 正确的方法是先将大的章节名称内容放进来，章节内详细内容按固定方式进行人工标注和处理。 然后选择创建知识库自定义清洗数据。 3. 发布应用： 点击发布，确保在 Bot 商店中能够搜到。 此外，具身智能体的训练还涉及以下方面： 大脑智能算法是感知/分析层的核心，通过视觉语言理解模型感知环境、接收理解任务并进行规划决策，最终输出具体任务指令。 小脑运动控制算法是动作层的核心，将动作视为类似语言的一种模态，理解交互物品及机器本体的姿态和运动状态，并将语义理解转化为动作。 整机硬件方案基于下游场景需求设计，具身智能厂商有从软件到硬件全流程自主控制的需求。 实现人工智能让计算机表现得像人类一样，有自上而下和自下而上两种可能的方法： 自上而下的方法模拟人类通过推理来解决问题的方式，包括对人类知识的提炼并用计算机可读的形式表示，开发在计算机内部模拟推理的方法。 自下而上的方法模拟人脑的结构，由大量称为神经元的简单单元组成，每个神经元的行为取决于输入数据的加权平均值，可通过提供训练数据来训练神经元网络。 还有一些其他可能实现智能的方法，如新兴的依靠协同的多智能体系统，基于大量简单智能系统的相互作用产生复杂智能行为；进化方法或遗传算法，是一种基于进化原理的优化过程。

创建一个专业可靠的智能体可以参考以下方法： 1. 遵循来自 Anthropic 的建议： 这些构建模块并非强制性规范，开发者可根据不同用例调整和组合常见模式。 衡量性能并迭代实现，只有在能明确改善成果时才考虑增加复杂性。 遵循三个核心原则：保持智能体设计的简单性；通过明确展示智能体的规划步骤确保透明度；通过全面的工具文档和测试精心设计智能体计算机接口（ACI）。 框架可帮助快速入门，转向生产环境时可减少抽象层并用基本组件构建。 2. 按照 Yeadon 提供的步骤： 进入 coze 官网（www.coze.cn）注册并登录。 点击页面左上角的⊕，通过【标准创建】填入 bot 的基本信息。 了解 Bot 开发调试界面，包括人设与回复逻辑（左侧区域）、功能模块（中间区域）、交互优化（底部区域）、预览与调试（右侧区域）等。 功能模块包括插件、工作流、图像流、触发器、知识库管理、记忆系统等。 3. 了解智能体的概念定义： 智能体简单理解就是 AI 机器人小助手，类似移动互联网中的 APP 应用。 有面向 C 端和 B 端的不同案例。 智能体开发平台众多，如字节的扣子、腾讯的元器等。

以下是 AI 的一些最新发展成果： 医疗领域： ChatGPT 和 Google Bard 等技术极大加速了医疗健康生物制药的研究，AI 在抗癌、抗衰老、早期疾病防治等方面发挥着重要作用。 AI 提前三年诊断胰腺癌。 两名高中生与医疗技术公司合作，发现了与胶质母细胞瘤相关的新靶基因。 AI 帮助抗衰老，筛查出高效的药物候选物。 使用 AI 寻找阿尔兹海默症的治疗方法。 AI 帮助早期诊断帕金森。 应用形态重构： AI Agent 取得突破，为机器人获得自主行动能力指明新方向。 AI 编程工具的进展预示着人机协作模式的变革。 2024 年关键进展时间线： 2 月，OpenAI 发布视频生成模型 Sora，开创 AI 视频生成新纪元。 3 月，Suno 发布 V3 版本，AI 音乐生成进入生产力可用状态。 4 月，Meta 发布高性能开源大模型 Llama3，降低了 AI 技术的准入门槛。 5 月，GPT4 发布，RayBan 与 Meta 合作的智能眼镜销量突破百万，字节上线即梦 AI。 6 月，快手发布可灵。 9 月，OpenAI 发布 o1 预览版。 10 月，Rosetta 和 AlphaFold 算法的研发者因在蛋白质结构设计和预测中的突破性贡献获得诺贝尔化学奖，约翰·霍普菲尔德和杰弗里·辛顿因人工神经网络和深度学习的开创性贡献获诺贝尔物理学奖，Anthropic 大模型 Claude 3.5 Sonnet 获得“computer use”功能。 12 月，OpenAI 发布 o3 系列模型。 基础通识课： 讨论了 AI 模型的基础、最新进展，包括视频生成模型、相关论文，以及 AI 在诺奖和蛋白质研究领域的应用等。 回顾了人工智能的发展历程，从图灵测试到如今大模型和多模态模型百花齐放。 指出大模型由数据、算法、算力构成，算法有技术架构的迭代，数据质量对生成理想的大模型至关重要。 针对弱智 8 的问题对大模型进行测试，开展让大模型回复问题并找出真人回复的活动，且国内大模型的回答能力有很大改进。 早期大语言模型回复缺乏情感，如今有所改进，后续将体验几个大模型的回复场景。

使用 AI 赚钱的方式有多种，但并非一定能保证成功，取决于多种因素。 一方面，学会 AI 技术有可能在相关高薪岗位上找到工作，如数据科学家、机器学习工程师等，从而获得不错的收入。AI 技术在金融、医疗、制造业等众多行业都有应用，掌握相关技能可增加就业机会和职业发展可能性。 另一方面，通过利用生成式 AI 进行内容创作来实现盈利也是一种途径。例如，生成式 AI 可用于艺术创作，从肖像画到各种媒介的内容创作，服务于消费者娱乐或创作者、个体创业者的盈利需求。 然而，要成功利用 AI 赚钱并非易事。大型语言模型主要基于语言理解和生成，并非专门用于数学计算，在处理数学问题时可能出错。而且，是否能赚钱还取决于个人的学习能力、实际应用能力、对市场和商业的理解等。仅仅学会基础知识可能不足以在竞争激烈的市场中脱颖而出，需要持续学习和实践。 同时，从目前的情况来看，虽然 GPTs 或 GLMs 等的出现引发了关于赚钱的讨论，但大多数人可能难以借此直接实现盈利。