请教一个问题，用好了Prompt，是不是可以代替各类GPTs呢？

部署 GPTs 的 API 可以参考以下步骤： 1. 参考文章，了解之前的部署情况。 2. 登录地址，点击 Copy Link 进行复制 Actions API 链接。 3. 配置 GPTs Actions API： 打开 ChatGPT，点击创建 GPTs>Configure>Create new action。 输入来自 Gapier 的 Actions API 并点击 Import。 4. 授权： 在 Gapier 复制授权码。 在 Authentication 下选择配置图标，进入授权页面。 按照以下设置进行配置： Authentication Type：选择 API Key。 Auth Type：选择 Basic。 输入从网站上复制的授权码并点击 Save。 5. 引用 Action： 确定调用的 Action，并在 Prompt 中引用。 查看 Action 的方式分为两种： GPTs>Configure>Actions 页面。 网页查看，地址为。 另外一种引用的方式是：只要在 Instructions 中申明清楚需求，GPT 会自动选择合适的 API。 此外，还需注意以下几点： 1. 了解 OpenAPI 规范，通过 Schema 让 ChatGPT 懂这个 API。 2. 对于带参数的 Post 请求，需要创建规范文件、修改 GPTs 的 Action、调整 Prompt 等。 3. 注意如果不和说传入中文，它会给我们翻译了再传。

以下是关于 GPTs 设置的详细步骤： 1. 放入完整的 Schema，并点击 Format 进行验证，如果不报错并显示出 Available Action 的列表，则代表成功。 2. 进行授权，输入 ClientID YOUR_ACCESS_KEY，如 ClientID 123456，并点击 Save。 3. 点击对应 Action 的 Test 验证 Action 是否可以调用。如果遇到返回数据过多造成异常的情况，也代表成功，只需在提示词中限定接口返回的数量即可。 4. 为了 GPTs 后期发布和分享，需要配置 Privacy Policy，其位置一般在网站的底部或者菜单的底部。复制 Privacy Policy 网页地址，如 Privacy policy 地址为：https://unsplash.com/privacy 。 5. 完善 GPTs 的基本配置。 6. 提示词调用方面，根据图片中各个对应关系，执行的操作需要指定 action 的名称，需要显示的字段名称指定具体的位置，比如图片作者，则使用 user.name，这样更加精确，不容易出错。完整提示词如下。注意，如果遇到图片目前无法直接显示，可以使用下载链接的方式查看，如下为应对方案的提示词和效果。如果有更好的方案，欢迎提供。 实操配置 Gapier Actions API 的步骤如下： 1. 登录地址：，点击 Copy Link 进行复制 Actions API 链接。 2. 打开 ChatGPT，点击创建 GPTs>Configure>Create new action。了解平台上支持的功能，输入来自 Gapier 的 Actions API 并点击 Import，导入成功。 3. 在 Gapier 复制授权码用于授权。在 Authentication 下选择配置图标，进入授权页面。开始配置授权码： Authentication Type：选择 API Key Auth Type：选择 Basic 输入从网站上复制的授权码，并点击 Save。若需要分享给他人或者公开发布，需要配置隐私策略码，在网页上寻找并复制，回到 GPT 上进行配置。 4. 确定调用的 Action，并在 Prompt 中引用。查看 Action 的方式分为两种，方式一：GPTs>Configure>Actions 页面；方式二：网页查看，地址为。回到 GPT>Configure 页面，引用 Action，比如调用思维导图的 API，直接输入调用 GenerateMindMap API 即可。此外，另外一种引用的方式是：只要在 Instructions 中申明清楚需求，GPT 会自动选择合适的 API。保存后试用。 创建一个 Http 服务让 GPTs 调用的步骤如下： 1. 创建一个每次产生一个随机数的 Http 服务，体验地址如下：https://gptaction.iaiuse.com/api/random 。 2. 直接在 Instructions 里面写，让它去调用接口。窗口最下面有个 Actions，这里就可以设置它和外部系统的接口。 3. 打孔 Add actions 界面，录入相关代码在 Schema 里面。点击下面的 Test 按钮，就能看到 ChatGPT 如何和服务进行交互。第一次允许它会提示是否允许外部服务，点击右边的小三角可以看到对话框，最右边那个隐私政策就是前面设置的。针对每个 action 都可以设置独立的隐私政策。通过这样一个简单的示例，了解 GPTs 如何和外部的服务进行交互，扩展它的能力。

做 GPTs 的原因主要有以下几点： 1. 从社会层面看，虽然 AI 信息充斥，但大多数人对其了解有限，直接面对大模型时交流有限。而 Character.ai 因创造具体角色，数据居高不下，这表明需要明确的引导，而 GPTs 的创作者们可以做到这一点。 2. 对于平台来说，需要场景反哺产品，也需要先行者带动，形成双赢的共存生态。 3. 从从业者角度，如作者自身，虽有丰富经验，但在做 LLMs 应用时面临诸多问题，如找不到落脚点、技术与业务的断档等。懂技术的人不懂业务，熟悉业务的人对新技术没概念。 4. 从产品角度，普通用户的简单交流大模型难以明白其意图，而 GPTs 通过对话引导逐步获取用户信息，将生成高质量 Prompt 的过程拆解为以一轮对话为最小单元任务的重复，解决了用户说什么以及低门槛生成高质量 Prompt 的问题。

以下是为您整理的关于 GPTs 结构化提示词模板的相关内容： 简单的提示词模板：最终目标是把需求说清楚。例如，“Act like a ”。 GPTs 教程及案例拆解 开源：一些 GPTs 的 prompt 中，如超强 LOGO 生成器，其使用方法为设计一个 logo 生成工具，允许用户上传多张 logo 图片作为参考，通过提示询问用户是否使用这些图片来创建新的 logo 设计，可自定义提示词风格和设定图片参考权重，利用 GPT4 Vision 的识图能力生成新 logo 设计，若用户不满意则重新生成，创作完后提示用户是否满意，满意则提供转 LOGO 矢量图的链接。 GPTs 教程及案例拆解 精选：GPTs 项目包括 Reviewer2Pal，可帮用户将直白的英文论文回应转换为专业回复；方法论专家 Methodology Expert，辅助用户使用方法论解决相关问题；灵感专家 Brainstorming Expert，辅助用户进行灵感思考和提出发散性角度；自动结构化框架，由小七姐编写，欢迎关注其公众号“AI 中文百科”领取更多好玩的 GPT 工具。

以下是关于 GPTs 的使用技巧： 教育方面：一位历史老师用 GPT 给学生讲课，需注意模拟历史存在不准确之处，有时幻觉可能是特点而非缺陷。文末提供了可用于模拟不同历史设置的详细提示链接，也可用于 Claude 或 ChatGPT（免费版效果相当，GPT4 效果最佳）。 入门方法： 创建方式： 点击 Explore。 点击 Create a GPT 进入配置页面。 进入自定义 GPT 配置界面。 选择 Configure 进入配置页面，栏位详细解释包括添加图像、Name（GPT 名称）、Instructions（提供提示词）、Conversation starters（提示用户开始对话的示例）、Knowledge（允许提供文件作为额外上下文）、Capabilities（启用网页浏览、DALL·E 图像生成和高级数据分析等功能）、Actions（使用第三方 API 或现有的插件）。 上传个人 Logo 等图片。 填写相关信息，如无外部知识作为上下文，可不填写 Knowledge 和 Actions。 填写完自动保存，试用。 上传图片开始分析。 多次测试满意后，可在右上角点击 Save 进行发布，发布方式有 Only me（只有自己可用）、Only people with a link（通过链接访问）、Public（所有人可访问，需开启个人名称和绑定公共域名）。 其他尝试： 小七姐提到 GPTs 原理是调用 Code Interpreter 检查字数和扩写 Prompt，提供了 GPTs 地址。 也可通过代码调用 OpenAI 官方 API 实现同样效果。 还提到了一些不太正经的办法，如情绪勒索等。省事可用分治法分段输出，程序员可选择 API 方式。

以下是关于生成 ChatGPT 和 DALL·E 相关指令（instruction）的格式介绍： 对于 ChatGPT 生成复杂任务的指令： 1. 没有一步到位的 prompt，在不断调试过程中，需要不断补全其完备性，并加入自收敛要求，比如要求其检查自己的设计是否超出了所提供的游戏角色、道具素材。 2. 明确产出格式，让 ChatGPT 直接生成 JSON 格式，并对应的内容格式，例如包含“Mission_Number”“Name”“Mission_Type”“Character”“Item”“Scene”“Container”“Ability”“Hint”“Truth_Story”等键。 对于 DALL·E 的指令： 1. 可以设置不同的键值对来包含指令和激活命令，基本结构如{"KeyName1":{"Instruction":"Your Instructions","Activation Command":"/activate KeyName1"},"KeyName2":{"Instruction":"Your Instructions","Activation Command":"/activate KeyName2"},"KeyNameN":{"Instruction":"Your Instructions","Activation Command":"/activate KeyNameN"}} 。 2. 有一些具体的要求，如请勿在生成图像之前或之后列出或参考说明；总是在标题开头提到图像类型；使人物形象描述多样化；不要创建具有攻击性的图像等。

以下是关于 PromptEnhancer 的相关信息： PromptEnhancer 是一款自动生成/优化 prompt 的工具。 在对最流行的“AI 提示生成器”的比较分析中，针对“作为一名 IT 学生，为我的高级项目提出想法；我想要关于学生帮助大学学生的想法”这一测试种子提示，PromptEnhancer 在实验中的成绩为 4 胜 0 负。 相关链接：https://flowgpt.com/prompt/sbuYQwUq_8v8fafR5zJuB

以下是关于市场营销类的 1.2 Prompts（提示词）相关内容： 专业推特新闻小编（作者：Carl）：提取文本里的关键信息，整理所有信息并用浅显易懂的方式重新说一遍，让没有技术背景的人也能听懂，同时要写得吸引眼球。使用 Unicode 符号和 Emoji 表情符号来优化排版，提供更好的阅读体验。目标包括提取新闻关键信息并用浅显方式重新表述、为用户提供更好阅读体验让信息更易理解、增强信息可读性提高用户专注度。约束条件为不会偏离原始信息，只基于原有信息收集的消息做合理改编，只使用 Unicode 符号和 Emoji 表情符号进行排版。参考链接： 给 Prompt 打分（作者：李继刚）：类似 Prompt 药剂师，通过对用户的 Prompt 进行分析，给出评分和改进建议，帮助用户提升 Prompt 的效果。用户基于当下认知写完 Prompt，不知现在的写法有什么问题，需要帮忙分析。要提供准确的评分和改进建议，避免胡编乱造的信息。参考链接：

以下是对程序员在 AI 能力上不同维度的分析，包括 AI 框架和 AI Prompt 等方面： AI 框架： PromptPal：专为 AI 领域中的初创公司和个人开发者设计的提示管理工具，是一个集中化平台，便于在 AI 项目中管理提示，实现协作和工作流程优化。具有本地部署和云原生、简易设置、数据库支持、SDK 支持、提示跟踪与分析、协作工具等特点。开发指向： ChainForge：开源的可视化编程环境，专门用于测试大型语言模型（LLMs）的提示。允许用户进行快速而有效的提示想法测试和变化，具有多模型测试、响应质量比较、评估指标设置、多对话管理等特点。开发指向： AI Prompt： Promptknit：为 AI Prompts 测试提供服务的平台，可能提供工具和资源来帮助用户设计、测试和优化 AI 模型的提示。网站： 对于律师等法律人写好 Prompt 的建议： 明确 Prompt 是给人工智能（AI）系统提供的信息或问题，用来引导其产生特定回答或执行特定任务。 建议框架及格式：CRISPE 包括 Capacity and Role（能力与角色）、Insight（洞察）、Statement（陈述）、Personality（个性）、Experiment（举例）。例如，在处理合同纠纷案件时，为 AI 赋予角色和能力，提供背景信息和上下文，明确期望其完成的任务，设定回答风格等。

以下是关于如何学习 Prompt 的详细指导： 一、准备工作 首先，您需要有一个大模型帐号，并熟悉与它们对话的方式。以下为您推荐一些可用的平台： 1. ChatGPT4（性能最强） 2. 国产平替： 二、学习资料 1. 必看 OpenAI 的官方文档： 同时，还有中文精度版的官方 Cookbook 可供参考： 三、网站资源 以下是一些精选的 Prompt 相关网站： |站点名|网站介绍|地址|附件| ||||| |Learning Prompt|授人以渔，非常详尽的 Prompt 学习资源，包括 ChatGPT 和 MidJourney||| |FlowGPT|国外做的最大的 prompt 站，内容超全面，更新快||| |ChatGPT Shortcut|ChatGPT 提示词网站，提供了非常多使用模板，简单修改即可指定输出||| |ClickPrompt|轻松查看、分享和一键运行模型，创建 Prompt 并与其他人分享||| |Prompt Extend|让 AI 帮你自动拓展 Prompt||| |PromptPerfect|帮你自动优化提示词，你可以看到优化前后的对比||| |PromptKnit|The best playground for prompt designers||| |PromptPort（支持中文）|AI Prompt 百科辞典，其中 prompts 是聚合了市场上大部分优质的 prompt 的词库，快速的寻找到用户需求 prompt||| |Prompt Engineering Guide|GitHub 上点赞量非常高的提示工程指南，基于对大语言模型的浓厚兴趣，编写了这份全新的提示工程指南，介绍了大语言模型相关的论文研究、学习指南、模型、讲座、参考资料、大语言模型能力以及与其他与提示工程相关的工具。||| 四、学习建议 1. 理解提示词的作用：提示词向模型提供了上下文和指示，其质量直接影响模型输出的质量。 2. 学习提示词的构建技巧： 明确任务目标，用简洁准确的语言描述。 给予足够的背景信息和示例，帮助模型理解语境。 使用清晰的指令，如“解释”、“总结”、“创作”等。 对特殊要求应给予明确指示，如输出格式、字数限制等。 3. 参考优秀案例：研究和学习已有的优秀提示词案例，可在领域社区、Github 等资源中查找。 4. 实践、迭代、优化：多与语言模型互动，根据输出提高提示词质量。尝试各种变体，比较分析输出差异，持续优化提示词构建。 5. 活用提示工程工具：如 Anthropic 的 Constitutional AI。 6. 跟上前沿研究：提示工程是当前前沿研究领域之一，持续关注最新研究成果和方法论。 精心设计的提示词能最大限度发挥语言模型的潜力，多实践、多学习、多总结，终可掌握窍门。请注意，以上内容由 AI 大模型生成，请仔细甄别。

提示工程（Prompt Engineering）是人工智能领域中，特别是在自然语言处理（NLP）和大型语言模型（LLMs）的上下文中一个相对较新的概念。 其关键点包括： 1. 精确性：通过精确的提示，提高 AI 模型输出的相关性和准确性。 2. 创造性：需要创造性地思考如何构建问题或请求，以激发 AI 模型的特定能力。 3. 迭代：通常需要多次尝试和调整提示，以获得最佳结果。 4. 上下文理解：提示需要包含足够的上下文信息，以便 AI 模型能够理解并执行所需的任务。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，它们是提示工程的一部分。提示词可以简单，也可以复杂。 提示工程与提示词的区别在于：提示词是实际输入到 AI 系统中的具体文本，用以引导模型的输出。提示工程则是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。 在实际应用中，提示工程的提示开发生命周期包括： 1. 开发测试用例：在定义任务和成功标准之后，创建一组多样化的测试用例，涵盖应用程序的预期用例，包括典型示例和边界情况，以确保提示具有鲁棒性。提前定义好的测试用例将使您能够客观地衡量提示与成功标准的表现。 2. 设计初步提示：制定一个初步的提示，概述任务定义、良好响应的特征，以及所需的上下文。理想情况下，添加一些规范输入和输出的示例供参考。这个初步提示将作为改进的起点。 3. 根据测试用例测试提示：使用初步提示将测试用例输入到模型中。仔细评估模型的响应与预期的输出和成功标准是否一致。使用一致的评分标准，无论是人工评估、与答案标准的比较，甚至是基于评分标准的模型判断。关键是要有一种系统性的评估性能的方式。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是关于写 Prompt 的技巧： 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：尽量用简单、清晰的语言，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 Prompt 中明确指出。 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：避免过多信息，防止 AI 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 Prompt 。 此外，编写 Prompt 还可注意以下几点： 尽可能多挖掘需求信息。 把需求信息变成清晰合理的 Prompt 。 不断尝试迭代，直至 Prompt 能解决问题。 在写 Prompt 时，利用 Fewshots 技巧也很实用，通过提供 1 3 个输入 输出示例，让 GPT 学到样本共性，提升输出结果质量。可在“如何写好 Prompt:结构化”的基础上，增加“Examples:”结构块，举 1 3 个示例。

以下是从 0 开始学习 AI 操作的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、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、当前应用和未来发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，如了解生成式 AI 等基础知识，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。 在知识库中有很多实践后的作品和文章分享，欢迎实践后进行分享。 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，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 此外，还可以通过以下方式学习： 学习创建 AI 应用，包括操作界面等流程，了解创建应用的方式，界面与智能体组件的关联，重点掌握桌面网页版用户界面布局及左侧组件类别，了解应用的前端后端知识。 学习前端、后端相关概念，前端是页面可见部分及产品设计，负责采集用户输入和展示输出；后端是服务和逻辑，接收处理用户输入并生成内容输出到前端。了解左侧组件，包括布局、展示、输入、AI 组件等，以及模板和结构的作用。 学习容器相关知识，点击容器可看到名字，操作数据会用到。容器名字对应属性和事件属性，属性包含位置、尺寸等。尺寸设百分比会受容器关系及默认值影响。创建容器时，布局时先创建覆盖页面的底层容器，设固定宽高、边界为 0，有布局文档和教程供参考。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是关于您所提出问题的回答： 目前的 AI 教育类产品和 AI 辅助学习类产品有： 语言学习方面：Speak、Quazel、Lingostar 等是由 AI 驱动的语言老师，能够实时交流并给予发音或措辞反馈；Grammarly 可进行英语写作和语法纠错。 数学学习方面：Photomath、Mathly 可指导学生解决数学问题；Khan Academy 有自适应学习系统。 综合学习方面：Duolingo 是自适应学习平台，能为用户提供个性化学习内容和练习。 AI 辅助学习的好用方法包括： 英语学习：利用智能辅助工具如 Grammarly 改进写作和语法；通过语音识别应用如 Call Annie 练习口语和纠正发音；使用自适应学习平台如 Duolingo 获得个性化学习计划；借助智能对话机器人如 ChatGPT 进行会话练习。 数学学习：运用自适应学习系统如 Khan Academy 获取精准推荐；使用智能题库和作业辅助工具如 Photomath 获得问题解答和解题步骤；借助虚拟教学助手如 Socratic 解答问题、观看教学视频和获得答疑服务；参与交互式学习平台如 Wolfram Alpha 进行数学建模和问题求解。

训练模型需要以下步骤： 1. 选择底模：选择 Baichuan27BChat 模型作为底模。 2. 配置模型：配置模型本地路径和提示模板。 3. 加载数据集：在 Train 页面里，选择 sft 训练方式，加载定义好的数据集 wechat 和 self\_cognition。 4. 设置学习率和训练轮次：根据自己的数据集大小和收敛情况来设置学习率和训练轮次。 5. 减少显存需求：使用 FlashAttention2 可以减少显存需求，加速训练速度；显存小的朋友可以减少 batch size 和开启量化训练。 6. 编译模型：一旦模型被编译，就可以开始训练它。 7. 训练模型：在本教程中，使用了一个单一的 GPU 来进行训练。每个 epoch 大约需要 15 至 20 分钟的时间。当然，你可以根据自己的需求进行更多的训练，这可能会得到更好的结果。

是的，Agent 相较于 Prompt 功能更灵活。Agent 可以调用外部工具，如编程、查询、绘图等，而 Prompt 只能生成文本。Agent 的技能调用能力依赖于其之上的插件，OpenAI 的“Function calling”机制是一个经典的实现方式。

以下是一些可以替代 MJ（Midjourney）和 Runway 的软件： Luma 发布的 DIT 视频生成模型 Dream Machine 图生视频表现惊艳，具有电影级效果。 出图工具方面，还有 SD（Stable Diffusion）和悠船。MJ 稳定性好、协作性强且有成熟经验参考，但并非所有人都拥有；SD 有独特能力但需本地部署且上手门槛高；悠船对中文支持好、交互友好简单易上手，但管控严格，有很多敏感词不能使用。 如果您想了解更多关于这些软件的详细信息或有其他特定需求，请进一步向我提问。

以下是一些国内可替代外网需要翻墙的 AI 产品： 1. Kimi 智能助手： 是 ChatGPT 的国产平替，实际上手体验好，适合新手入门学习和体验 AI。 不用科学上网、不用付费、支持实时联网。 是国内最早支持 20 万字无损上下文的 AI，对长文理解做得较好。 能一次搜索几十个数据来源，无广告，能定向指定搜索源（如小红书、学术搜索）。 PC 端： 移动端（Android/ios）： 2. 302.ai：如果不想折腾，尤其推荐国内用户使用。 3. XiaoHu.AI： 适合编程小白，对新手友好。 深度理解中国开发场景和技术生态。 完全免费，无需翻墙，流畅稳定。 具备完整 IDE 功能（代码编写、项目管理、插件管理、源代码管理等）。 网址：

根据现有资料，关于 2030 年国内 AI 发展可能替代打工人工作的数量，不同的研究和观点有所不同。 咨询公司麦肯锡发布最新预测：截止到 2030 年时，50%工作将被 AI 取代。吴恩达认为 2023 年 AI 将会替代 4 亿 8 亿工作岗位，同时 AI 会增加 5.55 8.90 亿新岗位。总体而言，越具体、重复性高的工作越容易被取代，而灵活、非常规、创造性的岗位更难被取代。 需要注意的是，对于 AI 对就业的影响，还需要综合更多因素进行辩证看待。

以下是关于能否有替代人工的 AI 的相关信息： 目前 AI 仍处于“任务渗透”阶段，而非“职业颠覆”。AI 最常用于编程（37%）和写作（10%），对体力劳动和专业职业影响较小。中等收入、高学历职业 AI 采用率最高，低收入和极高收入较低。AI 增强人类工作比例（57%）大于完全自动化（43%），短期内 AI 主要是辅助工具，而非取代人工。未来可能从“人机共创”模式向“任务外包”模式演进。 Inflection AI 的联合创始人 Mustafa Suleyman 提出了现代版的图灵测试，要求 AI 具备采取行动和取得成就的能力，以及对世界产生有意义的影响，如仅用十万美元投资，在几个月内通过零售网络平台赚取一百万美元，这需要 AI 完成一系列复杂任务，包括制定策略、撰写文案、研究设计产品、与制造商和物流合作、谈判合同、创立及管理市场营销活动等，同时面临分层规划和可靠记忆等技术挑战。 3 月 4 日的 AI 资讯中，在多个领域有新进展，如在 3D 方面，Meshcapade 可从视频/图像中捕捉面部表情并具有逼真的 3D 发丝，InsTaG 能通过几秒钟视频学习快速形成逼真的 3D 说话头像效果，还有新型 3D 场景记忆框架 3DMem；在 AI 绘图方面，智谱开源了可在图像中生成中文字符的 AI 绘图 CogView4，海螺推出了 Image01 多功能文本转图像模型；在 AI 视频方面，Runway 内测能力可根据参考图像进行 Video to Video 视频风格化，Vidu 的 API 开放平台全面开放；在 AI 模型方面，Google Colab 推出 Data Science Agent，微软为医疗行业提供首个统一语音 AI 助手 Dragon Copilot，Opera 宣布推出网页浏览器的 AI 代理。

以下是关于代替客服的相关内容： 目前已成熟的方式是采用 RAG+知识问答+语音条，主要场景是替代掉传统客服或者对内做培训的知识库。可以开发点击鼠标等动作的 RPA，搭配 RAG 的系统，方便现场 demo 演示。 实现难点包括 GPT4 等很多测试并不具备 planning 的能力，只能 plan 模型学过的知识库里的东西。面对更深层次的用户需求，需要一个产品经理将问题一层层拆开，未来很长时间是人与 GPT 同时存在的状态。 AIGC 在客户关系管理（CRM）领域有着广阔的应用前景，在客户服务方面，基于 AIGC 的对话模型，可以开发智能客服系统，通过自然语言交互的方式解答客户的咨询、投诉等，缓解人工客服的压力。 对于中小企业，利用人工智能（AI）技术，尤其是 AI 聊天机器人来自动化处理客户服务中的常见咨询，不仅可以提升客户服务的效率和质量，还可以减轻人工客服人员的工作负担。具体做法包括部署 AI 聊天机器人处理常见的客户咨询，根据企业需求和预算选择合适的解决方案并定制回答库，将其集成到多种客户服务渠道；通过机器人提供 24/7 客户支持，提升响应速度和服务质量，定期监控其性能并根据反馈优化，随着 AI 技术发展定期更新算法和知识库。

AI 目前不能完全代替人工数控编程。虽然 AI 编程技术在不断发展，辅助编程效率也有所提高，但在复杂和商业化的应用中仍存在困难。 初级程序员可能会受到一定冲击，但中高级岗位仍有需求。软件开发需要人工主导复杂流程，AI 更像是“助手”而非“接管者”。代码编写只是开发中的一环，程序员的工作还包括需求评估沟通、架构设计、调试部署等多个模块。而且，大语言模型面对复杂项目可能面临改好一个 bug，产生一个新 bug 的情况。 例如，Cursor 是一款不错的编程工具，集代码编写、报错调试、运行于一体，能让小白无压力入门代码，但它比较适合简单、原型类的项目，在复杂和商业化应用时会面临挑战。 总之，在目前，AI 不能完全替代人工数控编程，未来可能会是一种人工和智能混合的工作模式。