AGI 即 artificial general intelligence，指的是通用人工智能。 它具有以下特点和表现： 能够做任何人类可以做的事。 是具有人类水平的智能和理解能力的 AI 系统，有能力完成任何人类可以完成的智力任务，适用于不同的领域，同时拥有某种形式的意识或自我意识。 OpenAI 提出 AGI 有五个发展等级，分别为： 聊天机器人：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。 推理者：具备人类推理水平，能够解决复杂问题，如 ChatGPT，能够根据上下文和文件提供详细分析和意见。 智能体：不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 创新者：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可以预测蛋白质结构，加速科学研究和新药发现。 组织：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。 目前 AGI 还没有取得巨大进展，仍处于研究和发展阶段。

RAG（检索增强生成）是由 Lewis 等人于 2020 年中期提出的一种大语言模型领域的范式。 大型语言模型如 GPT 系列虽在自然语言处理方面取得显著成功，但仍存在局限性，如处理特定领域或高度专业化查询时易产生错误信息或“幻觉”，尤其在查询超出训练数据或需要最新信息时。 RAG 将外部数据检索整合到生成过程中，包括初始的检索步骤，查询外部数据源获取相关信息后再回答问题或生成文本，这不仅为后续生成提供信息，还能确保回答基于检索证据，从而显著提高输出的准确性和相关性。其演进轨迹分为四个阶段。 在 2017 年创始阶段，重点是通过预训练模型吸收额外知识增强语言模型。 RAG 能解决大语言模型知识局限性、幻觉问题和数据安全性等问题，可让大模型从权威知识源检索组织相关信息，更好控制文本输出，且能与微调结合使用。但 RAG 不适合教模型理解广泛领域或学习新语言、格式或样式。 LangChain 是用于构建高级语言模型应用程序的框架，提供一系列工具和组件，RAG 作为技术可在 LangChain 框架内实施利用，两者关系包括：LangChain 提供实现 RAG 必需的工具和组件；允许通过模块化组件构建 RAG 应用；简化 RAG 应用开发过程；利用其实现 RAG 可提高性能；支持构建复杂的 RAG 应用。

以下是关于 RAG 高级优化的相关内容： RAG 是一种结合信息检索和文本生成能力的技术，由检索器和生成器两部分组成。在生成式 AI 的发展中，RAG 发挥着重要作用。 在模型开发方面，新兴的推理技术如连锁思考、树状思考和反射正在提高模型执行更复杂推理任务的能力，缩小客户期望与模型能力的差距。迁移学习技术如 RLHF 和微调变得更加可用，开发者可从 Hugging Face 下载开源模型并微调以实现优质性能。检索增强生成（RAG）引入关于业务或用户的上下文，减少幻觉并增加真实性和实用性，像 Pinecone 这样的公司的向量数据库成为 RAG 的基础设施支柱。新的开发者工具和应用框架为创建更先进的 AI 应用提供了帮助。 对于 RAG 的改进策略和方法，在检索有用信息方面，可通过优化索引来实现。比如按照子部分索引，将文本块再拆分为较小的文本进行多次索引，适用于有多个主题和冲突信息的复杂长文本；按照文本框可以回答的问题索引，让 LLM 生成假设性问题用于索引，适用于用户问题不明确的场景；按照文本块的摘要进行索引，适用于文本框中有多余或无关细节的情况。此外，在重排 rerank 方面，大部分场景下选择最相似的信息即可。 在商业化问答场景中，有时大模型的回答会不准确，如出现牛头不对马嘴、报价错误、胡编乱造等情况。优化 AI 更准确回答问题的过程称为 RAG，了解从“问题输入”到“得到回复”的过程，针对每个环节逐个调优，可达到最佳效果。

RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 大语言模型（LLM）需要 RAG 进行检索优化，原因在于 LLM 存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，对其接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在黑盒、不可控及受幻觉干扰等问题。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，无学习风险。 2. 数据库的数据更新敏捷，可解释且不影响原有知识。 3. 数据库内容明确、结构化，结合模型理解能力可降低大模型输出出错可能。 4. 知识库存储用户数据便于管控隐私，且可控、稳定、准确。 5. 数据库维护可降低大模型训练成本。 在商业化问答场景中，优化 AI 更准确回答问题的过程称为 RAG。RAG 由检索器和生成器组成，检索器从外部知识中找到相关信息，生成器利用这些信息生成精确连贯的答案，适合处理需要广泛知识的任务。 目前，业界针对 RAG 的优化主要围绕“问题输入”“检索相关信息”“生成回复”这三个环节开展，如通过 COT 等方式提升 LLM 对问题的理解程度，使用特定方式提升语义搜索准确率，选择和优化 embedding 算法保留原始数据信息。但即便每个环节优化到 90%，最终准确率也只有 72%。有一种不用向量也可以 RAG 的方法，基于结构化数据和 LLM 的交互，具有准确、高效、灵活、易扩展等优势。

DeepSeekV2 是由 60 位专家混合开发的开源模型。它具有 2360 亿参数，其中 21B 在生成过程中被激活。在 MTBench 上表现优异，中文能力强且性价比高。详细介绍可参考：https://xiaohu.ai/p/7468

多模态大模型（MLLM）是一种在统一框架下，集成多种不同类型数据处理能力的深度学习模型，这些数据包括文本、图像、音频和视频等。通过整合多样化的数据，MLLM 能够更全面地理解和解释现实世界中的复杂信息，在面对复杂任务时表现出更高的准确性和鲁棒性。其架构通常包括一个编码器、一个连接器和一个 LLM，还可选择性地在 LLM 上附加一个生成器以生成除文本之外的更多模态。连接器大致可分为基于投影的、基于查询的和基于融合的三类。 Google 的人工智能多模态大模型叫 Gemini，是 Google DeepMind 团队开发的。Gemini 不仅支持文本、图片等提示，还支持视频、音频和代码提示，能够理解和处理几乎任何输入，结合不同类型的信息，并生成几乎任何输出，被称为 Google 迄今为止最强大、最全面的模型，从设计之初就支持多模态，能够处理语言、视觉、听觉等不同形式的数据。 学习多模态大模型很有必要，因为它可以从图像中提取文本，理解图像或视频中发生的事情，识别物体、场景甚至情绪。例如，有人想为猫买新衣服，可给模型提供猫的图片和文本提示，模型会给出适合猫的衣服建议；在学生解决物理问题的例子中，模型能根据包含问题和答案的图像以及文本提示，进行推理并判断答案是否正确。输入可以是文本、图像、音频的混合，顺序很重要。

WPS AI 可以辅助一些财务工作。生成式 AI 能够帮助金融服务团队改进内部流程，简化财务团队的日常工作。具体表现为： 1. 预测方面：帮助编写 Excel、SQL 和 BI 工具中的公式和查询，实现分析自动化，发现模式，从更广泛、更复杂的数据集中为预测建议输入，并建议如何适应模型以支持公司决策。 2. 报告方面：自动创建文本、图表、图形等内容，并根据不同示例调整报告，无需手动整合数据和分析到外部和内部报告中。 3. 会计和税务方面：综合、总结并就税法和潜在扣除项提出可能的答案。 4. 采购和应付账款方面：帮助自动生成和调整合同、采购订单和发票以及提醒。

目前主流的 AI 换装工具包括：InterAlia（https://interalia.vcflab.org/）。需要注意的是，虽然底层都是大模型，但 AI 工具各有侧重，不同公司也会进行各自的优化。关于每一种工具的详细入门、讲解和应用，WayToAIG 已经分好了类目。

以下是关于提示词写作的相关内容： 写提示词（prompt）是一个关键步骤，决定了 AI 模型如何理解并生成文本。以下是一些编写提示词的要点和方法： 1. 明确任务：清晰定义任务，如写故事时包含背景、角色和主要情节。 2. 提供上下文：若任务需特定背景知识，提供足够信息。 3. 使用清晰语言：简单、清晰描述，避免模糊或歧义词汇。 4. 给出具体要求：如有格式或风格要求，在提示词中明确指出。 5. 使用示例：如有特定期望结果，提供示例帮助模型理解需求。 6. 保持简洁：避免过多信息导致模型困惑。 7. 使用关键词和标签：有助于模型理解任务主题和类型。 8. 测试和调整：生成文本后检查结果，根据需要调整提示词。 对于特定的模型，如 PixelDance V1.4： 写好 prompt 对视频生成效果重要，用简洁准确自然语言描述想要的变化，避免描述静止部分。 上传高清高质量图片，特色包括多个连续动作、自由运镜控制、多镜头切换。生成不符合预期时，修改提示词，换成具象描述，删除不重要部分，重要内容前置。擅长提示词写作可关闭【提示词增强】，新手推荐打开。 在 SD 模型中： 根据想画内容写提示词，多个提示词用英文半角符号隔开。 概念性、大范围、风格化关键词写在前，叙述画面内容其次，最后是细节关键词。 每个词语在模型中的自带权重可能不同，特异性强、措辞具体的关键词效果更好。 可使用括号人工修改提示词权重。

以下为您介绍一些模拟面试的 AI 助手： 1. 沃顿商学院提供的模拟创建器：适用于 GPT4 和 Gemini Advanced。您可以将其设定为一位精通为学生设计角色扮演场景的 AI 主持人，帮助学生练习谈判、面试、演讲等技能。它会先自我介绍，然后提问了解学员背景和水平，提供不同场景选项，在模拟前描绘场景，模拟中代入学员对手，结束后给出反馈和改进建议。 2. 智联招聘的面试模拟功能：利用自然语言处理和机器学习技术，模拟面试官提问，为求职者提供面试练习和反馈。 此外，您还可以通过以下步骤在网站上增加一个 AI 助手： 1. 点击打开函数计算应用模板，选择直接部署、填写百炼应用 ID 以及 APIKEY，其他表单项保持默认，点击创建并部署默认环境，等待项目部署完成。 2. 应用部署完成后，在应用详情的环境信息中找到示例网站的访问域名，点击查看确认示例网站部署成功。 3. 在网站的 html 文件中插入几行代码：回到应用详情页，在环境详情的最底部找到函数资源，点击函数名称，进入函数详情页。在代码视图中找到 public/index.html 文件，取消相关代码注释，最后点击部署代码，等待部署完成。重新访问示例网站页面即可查看效果，网站右下角会出现 AI 助手图标，点击即可唤起。