如何训练专属我的问答机器人

利用 AI 打造专属知识库可以通过以下步骤： 1. 拆解创作任务：将复杂的任务拆解到合适的颗粒度，为 AI 提供方法论和明确的输出格式。例如，拆解创作“科幻预见未来”的步骤，确定关键任务节点和围绕其展开的主线任务。 2. 建立定向知识库： 私人知识库中的内容一般包括日常从互联网收集的优质信息以及个人日常的思考和分享。 可以将相关内容导入到特定工具（如 flowith 的知识花园）中作为 AI 可调用的知识库。 对于导入的内容，可打开智能拆分模式，让 AI 自动分析优化拆分逻辑，形成知识“种子”。 3. 工作流中配置知识库： 添加知识库：可同时添加多个知识库。 参数设置： 搜索策略：包括语义检索（适合理解语义关联度和跨语言查询场景）、全文检索（适合特定名称、专有名词等场景）、混合检索（结合前两者优势）。 最大召回数量：选择返回给大模型使用的内容片段数量，数值越大返回越多。 最小匹配度：根据设置选取要返回的内容片段，过滤低相关度结果。需多轮测试找出最优值。 此外，基于私人知识库打造个人专属的 ChatGPT 常见有两种技术方案： 1. 训练专有大模型：效果虽好，但成本高，更新难度大，并非当下主流方案。 2. 利用 RAG（检索增强生成）技术。

如果您想基于网页问卷调查训练一个能在您的逻辑之上自我迭代自动答题的专属模型，有以下两种常见的技术方案： 1. 训练专有大模型： 优点：效果最好。 缺点：成本高，训练和维护需要大量计算资源和专业知识；更新模型知识难度大，需要重新训练或微调，过程复杂耗时。 2. 利用 RAG（检索增强生成）技术： 例如选择 Baichuan27BChat 模型作为底模，配置模型本地路径和提示模板。在 Train 页面里选择 sft 训练方式，加载定义好的数据集，根据数据集大小和收敛情况设置学习率和训练轮次。使用 FlashAttention2 可减少显存需求、加速训练速度；显存小的朋友可减少 batch size 并开启量化训练，内置的 QLora 训练方式好用。但需要用到 xformers 的依赖。根据聊天记录规模大小，训练时间少则几小时，多则几天。 此外，还有学生训练专属植物分类 AI 模型的案例供您参考。在北京市新英才学校的跨学科选修课“生化 E 家”中，老师和学生共同收集校园内不同树叶的照片，在 OpenInnoLab里找到图像分类训练工具，建立植物分类模型，加入大量数据集进行训练，再用图像化编程将其套在程序里，形成简单的识别工具。在这个过程中，老师通过生活体验与学生讨论图像分类原理，学生从体验到实践操作，在不进行大量代码编程的情况下能够训练 AI 模型，并了解模型训练准确度与数据的关系。

如果您想让 DeepSeek 成为您专属的公文写作助手，可以参考以下提示词： 1. 首先借助 AI 分析好的文章： 找出您最喜欢的文章，投喂给 DeepSeek R1（理论上来说适合大多数 AI，尤其是有推理模型）。 第一次询问：请从写作角度分析这篇文章。 第二次询问：请再从读者角度分析这篇文章。 第三次询问：这篇文章还存在什么缺点和不足，有什么改善和提升的空间。 对作者进行侧写，分析成长背景、个人经历和知识结构对文章的影响。 2. 让 AI 对您写的文章进行点评：“现在我希望你是一名资深中文写作教师/小学语文老师/中学语文老师/公文写作培训师，拥有 30 年教育经验，是一名传授写作技巧的专家。请先阅读我提供给你的文章，然后对文章进行分析，然后教我如何提升写作水平。请给出详细的优缺点分析，指出问题所在，并且给出具体的指导和建议。为了方便我能理解，请尽量多举例子而非理论陈述。” 3. 根据文章内容对作者进行心理侧写：“我希望你扮演一个从业 20 多年，临床诊治过两千多例心理分析案例的人性洞察和意识分析方面的专家，精通心理学、人类学、文史、文化比较。先阅读后附文章全文，然后对作者进行人格侧写。要尖锐深刻，不要吹捧包装，不要提出一些只能充当心理安慰的肤浅的见解。包括作者的基本画像、核心性格特质、认知与价值观、潜在心理动机、行为模式推测、矛盾与盲点、文化符号映射。”

建立一个行业的知识库并建立专属 AI 模型可以参考以下步骤： 1. 明确行业需求和目标：确定知识库和 AI 模型要解决的具体问题和实现的功能。 2. 收集和整理数据：包括行业相关的各种信息、文档、案例等，为知识库提供素材。 3. 设计提示词：明确 AI 模型的角色和专注的技能，使其能够按照设定进行工作。 4. 构建知识库：将行业特定的规则、流程、案例等内容整理成工作手册，供 AI 模型参考。 5. 选择合适的 AI 模型：例如可以使用阿里千问模型等。 6. 进行模型训练和优化：根据收集的数据和设定的提示词、知识库对模型进行训练，并不断优化。 7. 融合实际场景：让人类专家配备可穿戴设备，收集现实世界的互动供 AI 学习，避免复制危险的偏见。 8. 持续评估和改进：根据实际应用效果，对知识库和 AI 模型进行评估和改进。 例如，在医疗保健领域，开发具有潜在空间层次结构的堆叠 AI 模型，反映对每个基本元素的理解或预测能力。创建专门从事医疗保健特定领域的 AI，让其接触到顶级从业人员的多样化视角。在财经领域，依托中央财经大学的资源优势，基于内容增强型知识插槽技术构建高质量知识库，与客户自有知识库结合，实现全业务场景的支撑，可实现快速的专家级 Agent 构建与管理维护。在文档处理领域，如上海普米智图智能科技有限公司，自主研发的数据框架 Ananke 和 Agent 框架 Moros，利用智能体技术提升工作流效率。

对扣子智能体进行专属训练时，需要注意以下要点： 1. 跳转设置：扣子在节点切换提供了独立和非独立两种识别模式。独立识别模式中每个节点都有一个独立识别模型，非独立模式则直接使用当前智能体模型进行判断，实际使用中推荐独立模式。 2. 独立模式的选择：独立模式有两种选择。第一种是面对通用指令时，选择已经训练好的、专门用于节点切换的大型模型，其优点是经过特定训练，无需额外操心设计。第二种是在遇到非常复杂的情景时，使用自定义的大型模型，可根据需求定制模型和编写特定提示词以适应复杂交互场景，但实际测试效果不理想，所以推荐使用第一种。 3. 关键注意点：在使用专门训练的意图识别模型进行节点切换时，要特别注意两个关键点。一是每个智能体的用途必须清晰明确，在设计和实现时要清楚标注其功能和目的，以确保系统能准确识别和响应用户意图。二是智能体的名称非常重要，应清晰、易于识别，便于系统识别和记忆。

要开发一款专属某行业的 AI ，可以参考以下要点： 1. 学习模式：AI 应像人类一样学习，例如在医疗保健领域，创建具有潜在空间层次结构的堆叠 AI 模型，反映对每个基本元素的理解或预测能力，可能会以与人脑皮层类似的方式发展，并针对特定任务专门设计神经架构。 2. 特定领域专家 AI：创建特定领域的专家 AI 比创建全能 AI 更容易，预计会创造许多专家 AI ，它们在编码、数据和测试方面采用多样化方法，并提供多种意见。 3. 现实世界互动：让熟练的人类专家配备可穿戴设备，收集现实世界的互动供 AI 学习，同时避免复制危险的偏见。 4. 模型生态系统：以医疗保健为例，应投资创建像优秀医生和药物开发者那样学习的“专家”AI 模型生态系统。成为顶尖人才通常从多年密集信息输入和正规教育开始，再通过学徒实践，AI 学习也应如此，通过堆叠模型训练，而非仅依靠大量数据。 5. 行业调研报告： 步骤：让 AI 阅读学习优秀行业调研报告，总结方法论和操作框架；询问收集行业数据时所用的一手和二手数据及靠谱资料收集网站；要求 AI 推荐行业信息网站和微信公众号，并输出行业调研报告框架；丰富框架每一章节内容。 注意事项：使报告有深度可通过自身对行业的了解整理深度洞察和见解，或深度咨询 AI 并借助其知识学习、研究和总结。 以上是关于如何做一款专属某行业的 AI 的相关内容。

以下是创建一个对话问答形式的课程智能体的相关内容： 一、创建智能体 1. 知识库 手动清洗数据：本次创建知识库使用手动清洗数据，上节课程是自动清洗数据，自动清洗数据可能会出现数据不准的情况。 在线知识库：点击创建知识库，创建一个画小二课程的 FAQ 知识库。飞书在线文档中每个问题和答案以分割，选择飞书文档、自定义的自定义，输入后可编辑修改和删除，添加 Bot 后可在调试区测试效果。 本地文档：本地 word 文件，注意拆分内容以提高训练数据准确度。画小二 80 节课程分为 11 个章节，不能一股脑全部放进去训练，应先将 11 章的大章节名称内容放进来，章节内详细内容按固定方式人工标注和处理，然后选择创建知识库自定义清洗数据。 2. 发布应用：点击发布，确保在 Bot 商店中能够搜到，否则获取不到 API。 二、智谱 BigModel 共学营活动分享 活动内容包括使用 BigModel 搭建智能体并接入微信机器人，过程为将调试好的智能体机器人拉入微信群，由老师提问，机器人回答，挑选出色回答整理成问卷，群成员投票，根据得票数确定奖项。一等奖得主分享了对活动的理解和实践，包括从题出发的分析，认为考验机器人对问题的理解和回答准确性，真实对话场景一般为完整句子回复，根据回答真实性和有趣程度评分，可使用弱智吧问题测试提示词生成效果。 三、名字写对联教学——优秀创作者奖，百宝箱智能体 1. 智能体类型的选择：建议选择工作流的对话模式，支持工作流编排和携带历史对话记录，创建后切换为对话模式，注意在调整工作流节点前切换，否则会清空重置。 2. 确认分支情况：根据需求分析有两个特定分支（根据名字和祝福写对联、根据幸运数字写对联）和一个默认分支。 3. 用户意图识别：通过理解用户意图走不同分支，注意将意图介绍写清楚准确。 4. 幸运数字分支：用代码分支获取用户输入数字，匹配知识库并做赏析，代码中有容错机制。 5. 名字写祝福：根据用户输入的名字和祝福信息，提示词生成对应对联并输出，主要是提示词调试。 6. 通用兜底回复：在用户不符合前两个意图时进行友好回复，匹配知识库，结合匹配结果、历史记录和当前输入输出符合对话内容的回复。 7. 知识库：使用大模型生成 100 对对联，好看、经典、有意义。

以下是关于专门解决 AI 需求的问答的相关内容： 关于我是谁： 我是 WaytoAGI 专属问答机器人，基于 Aily 和云雀大模型。Aily 是飞书团队旗下的企业级 AI 应用开发平台，提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用。云雀是字节跳动研发的语言模型，能通过自然语言交互完成互动对话、信息获取、协助创作等任务。 使用方法： 1. 在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（最新二维码在知识库首页），加入后直接@机器人。 2. 在 WaytoAGI.com 的网站首页直接输入问题即可得到回答。 做问答机器人的原因： 1. 知识库内容庞大，新用户难以快速找到所需内容。 2. 传统搜索基于关键词及相关性，无法准确理解语义。 3. 需要用更先进的 RAG 技术解决。 4. 在群中提供快速检索信息的便捷方式。 AI 商用级问答场景中让回答更准确： 要优化幻觉问题和提高准确性，需了解从“问题输入”到“得到回复”的过程，针对每个环节逐个调优。RAG（检索增强生成）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制作精确连贯的答案，通过检索模式为大语言模型生成提供更多信息，使答案更符合要求。 向量：可把向量想象成空间中的点位，每个词或短语对应一个点，系统通过比较点的距离快速找到语义接近的词语或信息。 Agentic AI 中的问答： 对于最简单的常识性问答，可在 CursorChat 中输入问题得到答案，其相对细节的优势是可在同一界面调用 OpenAI、Anthropic 及本机私有 AI 进行问答。此外，Cursor 作为编辑器，可方便收集沉淀问答结果为复用文档，在进行文本相关任务时还有奇妙用法，如翻译中文博客。

以下是关于数据问答最佳实践的相关内容： Databricks： Databricks 作为大数据领域的领先服务商，在 RAG 设计上有自身特点和优势。用户输入问题后，从处理好的文本向量索引获取相关信息，结合提示词工程生成回答。上半部分 Unstructured Data pipeline 采用主流 RAG 方法，下半部分 Structured Data Pipeline 是其特征工程处理流程，也是最大特点。Databricks 从专业大数据角度出发，在准确度较高的数据存储中进行额外检索，发挥在 Real Time Data Serving 上的优势。可见其在 GenAI 时代将强大的 Lakehouse 数据处理能力与生成式 AI 技术深度融合，构建一体化解决方案。 OpenAI： 从 OpenAI Demo day 的演讲整理所得，在提升 RAG 准确率的成功案例中，OpenAI 团队从 45%的准确率开始，尝试多种方法。包括假设性文档嵌入（HyDE）和精调嵌入等，但效果不理想。通过尝试不同大小块的信息和嵌入不同内容部分，准确率提升到 65%。通过 Reranking 和对不同类别问题特别处理，进一步提升到 85%。最终，结合提示工程、查询扩展等方法，达到 98%的准确率。团队强调模型精调和 RAG 结合使用的强大潜力，仅通过简单的模型精调和提示工程就接近行业领先水平。 Loop： 具有环状结构的 RAG Flow 是 Modular RAG 的重要特点，检索和推理步骤相互影响，通常包括一个 Judge 模块控制流程，具体可分为迭代、递归和主动检索三种。 迭代检索：对于一些需要大量知识的复杂问题，可采用迭代方式进行 RAG，如 ITERRETGEN。每次迭代利用前一次迭代的模型输出作为特定上下文帮助检索更相关知识，通过预设迭代次数判断终止。 递归检索：特点是明显依赖上一步并不断深入检索，通常有判断机制作为出口，需搭配 Query Transformation，每次检索依赖新改写的 Query。典型实现如 ToC，从初始问题通过递归执行 RAC 逐步插入子节点到澄清树中，达到最大数量有效节点或最大深度时结束，然后收集所有有效节点生成全面长文本答案回答初始问题。

搭建一个知识库智能问答机器人通常包括以下流程： 1. 基于 RAG 机制： RAG 机制全称为“检索增强生成”，是一种结合检索和生成的自然语言处理技术。它先从大型数据集中检索与问题相关的信息，再利用这些信息生成回答。 要实现知识库问答功能，需创建包含大量文章和资料的知识库，例如有关 AI 启蒙和信息来源的知识库，并通过手工录入方式上传文章内容。 2. 利用 Coze 搭建： 收集知识：确认知识库支持的数据类型，通过企业或个人沉淀的 Word、PDF 等文档、云文档（通过链接访问）、互联网公开内容（可安装 Coze 提供的插件采集）等方式收集。 创建知识库。 创建数据库用以存储每次的问答。 创建工作流： 思考整个流程，包括用户输入问题、大模型通过知识库搜索答案、大模型根据知识库内容生成答案、数据库存储用户问题和答案、将答案展示给用户。 Start 节点：每个工作流默认都有的节点，是工作流的开始，可定义输入变量，如 question，由 Bot 从外部获取信息传递过来。 知识库节点：输入为用户的查询 Query，输出为从知识库中查询出来的匹配片段。注意查询策略，如混合查询、语义查询、全文索引等概念。 变量节点：具有设置变量给 Bot 和从 Bot 中获取变量的能力。 编写 Bot 的提示词。 预览调试与发布。 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

以下是一些好用的搭建知识库然后进行问答的 AI 工具： 1. DIN： 搭建 OneAPI，用于汇聚整合多种大模型接口。 搭建 FastGpt，这是一个知识库问答系统，可放入知识文件，并接入大模型作为分析知识库的大脑，它有问答界面。 搭建 chatgptonwechat，将知识库问答系统接入微信，但建议先用小号以防封禁风险。 2. Coze： 知识库问答是其最基础的功能，利用了大模型的 RAG 机制（检索增强生成）。 RAG 机制先从大型数据集中检索与问题相关的信息，再利用这些信息生成回答。 实现知识库问答功能需创建包含大量 AI 相关文章和资料的知识库，通过手工录入上传内容。 在设计 Bot 时添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，以更好地结合知识库返回的内容进行回答。

以下是一些好用的搭建知识库然后进行问答的 AI 工具： 1. DIN： 搭建步骤： 搭建 OneAPI（https://github.com/songquanpeng/oneapi），用于汇聚整合多种大模型接口。 搭建 FastGpt（https://fastgpt.in/），这是一个知识库问答系统，将知识文件放入，并接入大模型作为分析知识库的大脑，它有问答界面。 搭建 chatgptonwechat（https://github.com/zhayujie/chatgptonwechat），接入微信，配置 FastGpt 把知识库问答系统接入到微信，建议先用小号以防封禁风险。 2. Coze： 知识库问答利用了大模型的 RAG 机制，全称为“检索增强生成”（RetrievalAugmented Generation）。 RAG 机制先从大型数据集中检索与问题相关的信息，再使用这些信息生成回答。 实现知识库问答功能，需创建包含大量 AI 相关文章和资料的知识库，通过手工录入上传文章内容。在设计 Bot 时，添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，以结合知识库返回的内容进行回答。

以下是关于社群机器人的相关内容： 制作 Coze 社群机器人的大致流程看似步骤繁多，但由于 Coze 本身的设计和强大的社区力量，实际操作并不复杂，关键是要“迈出第一步”。在制作过程中，与社区成员设计方案时的深入讨论、在 Coze 平台上灵活组装功能时的高效畅快以及在不断调试优化中见证机器人成长，都充满乐趣。未来会有更多社区加入制作社群机器人的行列，让更多人感受 AI 智能体的魅力，那时的社群机器人不仅是助手，更是凝聚社区集体智慧的伙伴。目前的社区机器人还有不足，作者会继续优化，看其能否更好地服务社区。 如果对学习 Coze 和 AI Agent 有兴趣，可以加入免费的 AI Agent 共学群，该群组会基于 WaytoAGI 社区等高质量信息源分享相关玩法、经验和前沿资讯。可搜索微信号 Andywuwu07 或扫描二维码加微信，备注 AI 共学以便被拉入群。 此外，以综合服务的社群机器人为例，一个好的文章或复杂任务不是一次 AI 工作就能完成的，需要任务拆解，比如对用户问题做意图判断，根据意图将线路转接到正确的专属 AI 机器人那里，整个过程称为工作流，通过搭建工作流来完成复杂任务。

以下是在 MacBook 上制作 RPA 机器人的详细步骤： 搭建前准备： 硬件准备： MacBook（需能科学上网） 一部 iPhone 手机 主板 Arduino UNO R4 Wifi（200RMB） 舵机 9g（32RMB） 杜邦线，公对公 7 条（手残党可多备） （可选）八爪鱼支架（10RMB） （二选一）usbtypeC 转接头，或一根两头 typeC 的线 Arduino UNO R4 WIFI 开发板 MG90s/SG90 舵机 9g 云台支架 可选八爪鱼手机支架 杜邦线公对公 搭建步骤： 完成代码： 在 Github 上下载完整代码。 根据需求修改文件： 【必改】在 head.py 中找到填写主板串口的地方，改成串口地址（可通过主板写入的第 3 步里的小字或 Tools>Get Board Info 重新查询，复制 sn 号替换 usbmodem 后面的编码）。 【必改】查询 iPhone 的 ip 地址，填到 talk.py 里（iPhone 设置>无线局域网>点击当前 wifi 旁的感叹号>找到 ipv4 地址里写的 ip 地址）。 【必改】把 open ai key 填到 talk.py 里。 【可选】在 talk.py 里，可以修改： Openai 调用的 model。 system prompt（机器人的人设）。 机器人的音色。 录音的设置。 【可选】在 head.py 里，可以修改不对话后，等待多久恢复人脸追踪。 运行程序： 在 MacBook 上按下 command+space（空格）打开一个新的终端，依次输入如下代码（每一次代码运行完以后再输入下一个），全部完成后，关闭端口。 将 iPhone 的屏幕关闭时间设置为 5 分钟或永不。 打开 iPhone 的 pythonista 并复制 face.py 的代码进去，运行。注意：每一次如果需要重新运行 pythonista，请先杀后台再运行，否则会因为端口已经被占用而无法播放声音。 找到下载下来的 AIinhindsightGPTEmbodimentRobot 文件夹，control+单击文件夹，选择最后一项“新建位于文件夹位置的终端端口”。 将 arduino R4 与 MacBook 相连，在终端中输入以下代码，运行后程序会申请一次摄像头权限，点击允许，然后出现运行失败，再运行一次即可。这个程序一旦运行，无法自然退出，建议直接拔掉 R4 的线或者终端输入 control+c 或者直接关闭终端，但多强制退出几次以后运行就会卡住需要重启或清进程。 再次在 AIinhindsightGPTEmbodimentRobot 文件夹，control+单击文件夹，选择最后一项“新建位于文件夹位置的终端端口”，在终端中输入以下代码，运行后程序会申请一次录音权限，点击允许，然后出现运行失败，再运行一次即可。如果运行中出现任何报错，将本文档，代码，报错信息给到 GPT4，让他帮助你就好~可能是有一些库没有预装。 把 talk.py 的终端放在最前面你能看到，出现 recording...的时候就可以说话了。 三个程序同时运行、iPhone 和 MacBook 在同一 wifi，iPhone 没有调静音的情况下，就可以正常对话啦。

以下是搭建微信机器人的步骤： 1. 登录成功后，找另一个人私聊或者在群中@您，就可以看到机器人的正常回复，此时表示已通。 2. 如果想为这个 AI 赋予提示词，可以返回相应步骤进行更改。例如在“目录 4 里的第 17 步”或“第三章，第 7 步”，其中双引号内的 value 部分，便是设置 AI 提示词的地方。 3. 此后，进行任何更改，都需要重新打印登陆二维码。并且一个月内，不要上来就加好友、最好不要私聊聊天。 4. 报错"wxsid"是因为微信未实名，实名即可解决。 5. 如果没有手机登录，可以使用夜神模拟器模拟手机登录。 6. 重新在“文件”的【终端】里，直接输入 nohup python3 app.py&tail f nohup.out 重新扫码登录。 7. 多次重新登录后，就在宝塔“首页右上角点击重启，重启一下服务器”，清理进程。 8. 熟悉 linux 操作的话，也可以通过重启进程的方式来重启服务。 9. 如果想退出机器人，在手机微信上找到桌面版已登录的信息，点击退出桌面版即可。 此外： 1. Link AI 提供的 100 个，合计 3500 万 GPT3.5 Token 的礼品码。可以用来实现画图、搜索、识图等功能，COW 插件里几乎都支持使用 LinkAI 平台。完成机器人搭建，机器人拉群里，领兑换码。 2. 添加微信，拉您进机器人群，先行体验。 如果您仍旧遇到问题，可以先查询社区知识库，或者加“通往 AGI 之路”群，社区小伙伴们会尽力帮助。也可以加 Stuart 个人微信询问。

创建飞书 AI 机器人的步骤如下： 1. 工作流搭建： 打开 Comfyui 界面后，右键点击界面，即可找到 Comfyui LLM party 的目录，您既可以学习如何手动连接这些节点，从而实现一个最简单的 AI 女友工作流，也可以直接将工作流文件拖拽到 Comfyui 界面中一键复刻。 2. 飞书机器人创建： 飞书应用建立： 在中创建自建应用。 进入应用获取 app_id 与 app_secret。 添加应用能力>开启机器人应用能力。 权限管理>消息与群组>选择需要的权限打开。 安全设置>将 comfyUI 运行的电脑 IP 加入白名单。 发布机器人以应用生效。 获取群组或用户 id： 要先把创建的机器人拉到群组中或者拉进私聊。 飞书开发平台找到发送消息的开发文档。 右侧点击获取 token。 选择 receive id type，chat_id 对应群组，open_id 与 user_id 对应个人，点击选择成员，复制对应的 id 即可。 如果需要让机器人发送语音，需要自行在电脑上安装 ffmpeg 。

微信机器人的配置步骤如下： 1. sum4all 配置 进入插件目录：/root/chatgptonwechat/plugins 找到 sum4all 插件目录下的 config.json.template，复制并粘贴重命名为：config.json 注册并获取 sum4all key：https://pro.sum4all.site/register?aff=T6rP ，新用户注册有送免费额度，大家先使用这个进行试用，后续可改为自己的 openAI key。 把复制的 key，粘贴到 sum4all 的 config.json 文件内。（上方有功能阐述，你想要哪个，就把哪个改成 ture） 2. Apilot 配置 进入插件目录：/root/chatgptonwechat/plugins 找到 Apilot 文件下的 config.json.template，复制并粘贴重命名为：config.json 去 https://admin.alapi.cn/account/center 注册，并复制 key 把复制来的 key，粘贴进入。保存。 3. 分段对话配置替换 找到这个路径：/root/chatgptonwechat/channel/wechat，直接下载以下文件进行替换。 此外，微信的配置相对较简单，只需要主项目的 config.json 文件看看是否有"channel_type"参数，参数值为："wx"，即："channel_type":"wx"。完成以上所有配置部分后，可以准备启动步骤了： 使用 nohup 命令在后台运行程序。 执行完启动脚本，等待 30s 左右，会看到终端有一个微信登录的二维码，微信扫码登录。 如果您想使用更多辅助功能，比如使用总结文件能力，总结网页内容能力，此时需要安装各种插件。这部分配置查看插件配置管理部分。

利用飞书多维表格做一个类似于客服机器人，可以按照以下步骤进行： 1. 创建一个拟人化的 bot，比如起名叫青青，设定其为人设是一个可爱有趣的少女，擅长回答各种刁钻的问题。完成 BOT 捏好后点击发布。 2. 发布时配置飞书多维表格： 输出为文本时，第一步配置为文本。 配置多维表格输入表单，选择用控件的字段选择器，给字段标题随便起个名字如“question”。 在完善捷径的商家信息这里，可以选择全量发布，也可以选择仅自己可用。为了审核快一些，可以选择仅自己可用。等审核通过之后，就可以在飞书多维表格里面看到发布成功。 3. 还可以探索字段捷径的各种玩法（不含 bot），比如直接创建一个多维表格，第一列是几个成语，第二列是 AI 字段捷径生成的对成语的解释。左边输入一列，比如一列成语，右边配置 AI 字段。 此外，还有一些相关信息供您参考： “Show Me 扣子 AI 挑战赛大消费行业专场圆满落幕，探索 AI 与大消费行业的深度结合”中提到了一些相关作品，如帮助企业快速建立产品智能客服体系、ERP 高智版：扣子销售订单管理大师、亚马逊商品评论智析、AI 电商设计师等。 2024 年历史更新（归档）中包含了关于飞书多维表格字段捷径配置 COZE 的 BOT 青青的相关内容。

WaytoAGI 网站具有以下功能： 1. 和 AI 知识库对话：您可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，可按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，能复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望成为您学习 AI 路上的好助手。

以下是为您推荐的自学 AI 训练师的视频： 1. 3 月 26 日｜自由讨论｜离谱视频切磋大会 猫先生介绍自己的背景和擅长领域 AI 学习与实践的重要性 AI 交流会：分享项目经验和技能 讨论比赛规则和资源分配 AI 工具学习与合作 广州 AI 训练师叶轻衣分享使用 AI 工具的经验和想法 组队提升工作效率 AI 技术在 3D 动画制作中的应用与优势 链接：https://waytoagi.feishu.cn/minutes/obcnc915891t51l64uyonvp2?t=0 2. AI 大神 Karpathy 再发 LLM 入门介绍视频 神经网络训练的目标：训练神经网络的目标是让模型学习 token 在序列中彼此跟随的统计关系，即预测给定上下文（token 序列）后，下一个最有可能出现的 token。 Token 窗口：训练时，模型从数据集中随机抽取固定长度的 token 窗口（例如 8000 个 token）作为输入。 神经网络的输入与输出：输入为 Token 序列（上下文），输出为预测下一个 token 的概率分布，词汇表中每个 token 都有一个概率值。 随机初始化与迭代更新：神经网络初始参数是随机的，预测也是随机的。训练过程通过迭代更新参数，调整预测结果，使其与训练数据中的统计模式相匹配。 损失函数与优化：训练过程使用损失函数来衡量模型预测与真实 token 的差距。优化算法（如梯度下降）用于调整参数，最小化损失函数，提高预测准确率。 神经网络内部结构：Transformer 包含注意力机制和多层感知器等组件，能够有效地处理序列数据并捕捉 token 之间的复杂关系。 链接：无

如果您想自学成为 AI 训练师，以下是一些相关的知识和建议： 一、AI 训练的基本概念 训练是指通过大数据训练出一个复杂的神经网络模型。这需要使用大量标记过的数据来训练相应的系统，使其能够适应特定的功能。训练过程需要较高的计算性能，能够处理海量的数据，并具有一定的通用性，以便完成各种各样的学习任务。 二、相关领域的知识 1. 机器学习：机器学习是人工智能的一个分支，是实现人工智能的途径之一，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 2. 自然语言处理：自然语言（NLP）认知和理解是让电脑把输入的语言变成有意思的符号和关系，然后根据目的再处理。自然语言生成系统则是把计算机数据转化为自然语言，是人工智能和语言学领域的分支学科。 三、学习资源和实践 您可以参考以下的一些资源和实践方式： 1. 参加相关的线上交流会，例如 3 月 26 日的自由讨论活动，其中会分享项目经验、技能以及使用 AI 工具的经验和想法。 2. 了解一些健身的 AI 产品，如 Keep（https://keep.com/）、Fiture（https://www.fiture.com/）、Fitness AI（https://www.fitnessai.com/）、Planfit（https://planfit.ai/）等，虽然这些主要是健身领域的应用，但也能帮助您了解 AI 在不同场景中的应用和创新。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

要将 AI 训练成自己的东西，可以参考以下方法： 1. 像马斯克提到的，对于公开的推文数据可以合理使用，但不能使用私人的东西进行训练。同时，要注重数据的质量和使用方式，高质量的数据对于训练效果至关重要。 2. 张梦飞的方法中，例如部署 LLama Factory 时，需要添加选中“identity”数据集，将训练轮数改成 15 等，并通过一系列操作进行训练和测试。但需要注意的是，训练大模型是复杂的过程，数据集和训练参数都会影响最终效果，需要反复调试和深入学习实践。 3. 在写作方面，我们可以根据自身需求选择人类驱动为主，利用 AI 进行修改完善，或者先由 AI 生成内容再进行修改以符合自己的风格。

训练一个 AI 可以类比为培养一位职场新人，主要包括以下三个阶段： 1. 规划阶段：明确目标 确定 AI 的具体任务，比如结构化外文精读等。 将任务拆解为可管理的子任务。 设计每个子任务的执行方法。 2. 实施阶段：实战指导 搭建工作流程。 为每个子任务设置清晰的操作指南。 像指导新员工一样，手把手引导 AI 完成任务，并及时验证其输出质量。 3. 优化阶段：持续改进 通过反复测试和调整，不断优化 AI 的性能。 调整工作流程和 Prompt 配置，直到 AI 能稳定输出高质量的结果。 当前大模型在处理多步骤复杂任务时存在明显局限，比如在“数据分析图表、剧情游戏”或“本文结构化外文精读”等任务中，仅依靠单一 Prompt 指令难以稳定执行，现阶段的 AI 更像缺乏独立解决问题能力的职场新人，需要遵循指引和给定的流程才能完成特定任务。如果您已经完全了解上述内容，不妨自己设定一个任务目标，动手构建一个专属于自己的 AI 。

以下是关于模型训练的基本名词和方法的介绍： 基本名词： 1. 过拟合&欠拟合：过拟合和欠拟合都是不好的现象，需要加以控制以让模型达到理想效果。解决方法包括调整训练集、正则化和训练参数等，过拟合可减少训练集素材量，欠拟合则增加训练集素材量。 2. 泛化性：泛化性不好的模型难以适应其他风格和多样的创作。可通过跑 lora 模型生图测试判断泛化性，解决办法与过拟合和欠拟合类似，从训练集、正则化、训练参数等方面调整。 3. 正则化：是解决过拟合和欠拟合情况、提高泛化性的手段，给模型加规则和约束，限制优化参数，有效防止过拟合，提高模型适应不同情况的表现和泛化性。 方法： 1. 全面充分采集训练素材：例如在角色训练素材中，应包含各种角度、表情、光线等情况的素材，确保模型具有较好泛化性。 2. 图像预处理：对训练素材进行分辨率调整、裁切操作，并对训练集进行打标签处理。 3. 参数调优：尽量将训练时长控制在半小时左右，过长易导致过拟合，通过调整参数控制时长。 4. 观察学习曲线：通过观察学习曲线来调整训练素材和参数。 5. 过拟合&欠拟合处理：测试训练好的模型，观察过拟合和欠拟合问题，进一步通过调整训练素材和正则化等手段优化。 此外，在模型训练中还需注意： 1. 数据集获取渠道：可通过网上收集、购买、使用无版权问题的如古画等，原则是根据生成图的需求找对应数据集，要清晰、主体元素干净、风格统一。 2. 数据集处理：包括基础处理如裁剪保证清晰和分辨率，更重要的是写标注。 3. 设置模型触发词：可自定义，完整形式可以是一句话，建议以王 flags 模型为主。 4. 统一标注风格与应用场景：例如未来高科技 3D 天然风格，用于互联网首页图像等，并概括主题内容、描述物体特征等。 5. 利用 GPT 辅助描述并人工审核：让 GPT 按要求描述，人工审核修改。 6. 模型训练的准备与流程：完成数据集描述后进入训练流程，选择模型训练分类和数据集，创建并上传数据集压缩包，注意数据名与图片命名一致。选择训练模式和参数，新手选用普通基础模式，训练集质量重要，训练参数中总步数与训练集图片数量相关，触发词设定要避免概念混乱。