Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

想建一个具身智能方面的知识库，有哪些建议

Answer

以下是关于建立具身智能知识库的一些建议：

  1. 数据清洗方面：
    • 可以尝试手动清洗数据以提高准确性。对于在线知识库，创建飞书在线文档，每个问题和答案以“###”分割，可进行编辑修改和删除，添加 Bot 后在调试区测试效果。
    • 对于本地文档，注意合理拆分内容，不能将大量数据一股脑全部放入训练，例如对于章节内容，先放入大章节名称，再按固定方式细化处理，然后选择创建知识库自定义清洗数据。
  2. 智能体的相关方面：
    • 注重智能体的交互能力，包括大模型本身的交互能力、多 Agent 的灵活性、workflow 的妙用以及上下文说明。
    • 考虑智能体的知识体量，利用豆包大模型本身的行业数据和语料库，创建结构化数据的知识库。
    • 关注智能体的记忆能力，如变量、数据库和信息记录。
  3. 具身智能的具体内容：
    • 了解具身智能本体的形态实现思路，如 Mobility 和 Manipulation 的实现方式。
    • 明确具身智能的定义，探讨其与大模型要解决问题的差异，以及“人形”的重要性。
    • 解决数据来源和构建大脑的问题，包括大模型和多模态的数据泛化、数据采集和量的问题，以及特定任务和场景的处理，还有结构化与非结构化场景的处理等。
    • 思考具身智能的落地场景和商业化方向，例如 ToB 或 ToC 的选择。
    • 考虑具身智能创业团队的背景组成，如工业机器人、自动驾驶、服务机器人等领域的经验。
Content generated by AI large model, please carefully verify (powered by aily)

References

【智能体】让Coze智能体机器人连上微信和微信群详细配置文档

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：[【智能体】用Coze在微信里搭建一个机器人，还能挖掘销售线索](https://a1i1hjmvcf0.feishu.cn/docx/JSdDd8ybLo7OHqxmePwcHlbLn3b?from=from_copylink),自动清洗数据会出现目前数据不准的情况，本节视频就尝试使用手动清洗数据，提高数据的准确性。[heading3]3.1在线知识库[content]点击创建知识库，创建一个画小二课程的FAQ知识库知识库的飞书在线文档，其中每个问题和答案以###分割，暂时不要问为什么。选择飞书文档选择自定义的自定义输入###然后他就将飞书的文档内容以###区分开来，这里可以点击编辑修改和删除。点击添加Bot添加好可以在调试区测试效果[heading3]3.2本地文档[content]本地word文件，这里要注意了~~~如何拆分内容，提高训练数据准确度，将海报的内容训练的知识库里面画小二这个课程80节课程，分为了11个章节，那训练数据能不能一股脑全部放进去训练呢。答案是~~不能滴~~~正确的方法，首先将11章的大的章节名称内容放进来，如下图所示。章节内详细内容格式如下如所示，如果你再分节的内容，依次类推细化下去。每个章节都按照这种固定的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，这里不再赘述。[heading3]3.3发布应用[content]点击发布确保在Bot商店中能够搜到，如图所示可以搜索到画小二智能小助手，这个很重要，没有通过发布的获取不到API的。

汽车栏目主持人（零壹老师）智能体经验分享

大模型本身的交互能力多Agent的灵活性workflow的妙用——“问”字诀，引导用户输入车辆信息，便于大模型理解和分析上下文说明[heading4]3.2智能体的知识体量[content]豆包大模型本身的行业数据和语料库知识库——结构化数据与非结构化数据创建知识库(结构化数据)[table_3.xlsx](https://bytedance.feishu.cn/space/api/box/stream/download/all/NCOXbqWvYosCEYxkMN6c4lqOnZf?allow_redirect=1)步骤一步骤二步骤三步骤四步骤五处理完成参赛用知识库：大模型RAG检索大模型的选择和参数设定新模型的调用方法https://console.volcengine.com/ark/region:ark+cn-beijing/model?projectName=undefined&vendor=Bytedance&view=LIST_VIEW[heading4]3.3智能体的记忆能力[content]变量数据库信息记录

质朴发言：大模型时代下的具身智能｜Z 沙龙第 5 期

[title]质朴发言：大模型时代下的具身智能｜Z沙龙第5期目录建议结合要点进行针对性阅读。?一、具身智能本体的形态会是怎样的？Mobility和Manipulation如何实现？1、具身智能的实现思路：2、具身智能相比于当前的LLM，是"下一代智能“3、关于如何用多模态模型实现具身智能，理想和现实的差距仍有待学术界弥合4、想要让机器人实现具身智能的目标，应该从三个方面训练机器人5、大模型的到来，为智能机器人的研究带来了实实在在的生产力爆发6、大模型动的机器人研究vs传统控制算法驱动的机器人研究7、对大模型驱动的机器人研究未来展望8、未来4大趋势二、如何定义具身智能？1、具身智能的具体定义是什么？大模型要解决的智能问题与具身智能要解决的核心问题的差异点是什么？2、“人形”对于具身智能重要吗？三、数据从何而来，如何构建具身智能的大脑？1、关于大模型和多模态的数据泛化2、数据采集和数据量问题3、如何解决特定任务/特定场景问题?4、结构化场景与非结构化场景5、目前的VLM还是缸中之脑?6、强化学习的优势及超级仿真器可能四、落地场景可以畅想，但哪种最先商业化？1、ToB or ToC?ToB公司能否无缝转向ToC?五、什么样背景组成的团队堪称具身智能创业的梦之队？工业机器人？自动驾驶？服务机器人？1、机器人创业观察2、硬件选代和软件迭代的区别3、成本和场景价值决定创业终局4、具身智能出海insights

Others are asking
具身智能是什么技术？用小学生能理解的话术回答
小朋友，具身智能呀，是人工智能里的一种很有趣的技术。 它说的是像机器人、虚拟代理这样的智能体，要通过和真实世界或者虚拟环境直接打交道来变得更聪明。 比如说，智能体要有能感觉周围环境的能力，能自己到处走，能拿东西、操作东西，还能学习新本领，适应新环境。 具身智能很在意智能体的“身体”，这个“身体”可以是机器人的样子，也可以是游戏里的虚拟角色。这些“身体”能帮智能体和环境互动，还会影响智能体学习。 像机器人可以通过它的手学会抓东西、摆弄东西，虚拟代理在游戏里能学会解决问题。 研究具身智能要用到好多知识，像机器人学、认知科学、神经科学还有计算机视觉。 在机器人领域，具身智能能让机器人更好地理解和适应我们人类的生活环境，跟我们交流更自然。在虚拟现实、增强现实和游戏里，也能让我们玩得更开心。 不过呢，具身智能还有一些难题要解决，比如怎么设计智能体的身体让它更聪明，怎么让它在复杂的环境里好好学习，还有怎么处理它和人类社会相关的一些问题。 简单说，具身智能就是给聪明的人工智能装上“身体”，让它能和周围环境更好地交流互动。
2025-04-05
具身智能最核心的技术热点是什么
具身智能最核心的技术热点包括以下方面： 1. 人机混合增强智能标准：规范多通道、多模式和多维度的交互途径、模式、方法和技术要求，如脑机接口、在线知识演化、动态自适应、动态识别、人机协同感知、人机协同决策与控制等。 2. 智能体标准：规范以通用大模型为核心的智能体实例及智能体基本功能、应用架构等技术要求，包括智能体强化学习、多任务分解、推理、提示词工程，智能体数据接口和参数范围，人机协作、智能体自主操作、多智能体分布式一致性等。 3. 群体智能标准：规范群体智能算法的控制、编队、感知、规划、决策、通信等技术要求和评测方法，包括自主控制、协同控制、任务规划、路径规划、协同决策、组网通信等。 4. 跨媒体智能标准：规范文本、图像、视频、音频等多模态数据处理基础、转换分析、融合应用等方面的技术要求，包括数据获取与处理、模态转换、模态对齐、融合与协同、应用扩展等。 5. 具身智能标准：规范多模态主动与交互、自主行为学习、仿真模拟、知识推理、具身导航、群体具身智能等。 具身智能需要具备感知、决策和执行三种核心能力。执行能力是技术难点，涉及硬件设计，具身智能体主要分为移动和操作两大能力。移动方面，各种类型机器人在不同地形下实现鲁棒的移动仍是前沿学术问题。操作方面，现阶段能落地的只有简单抓取，可泛化的通用执行能力是三大核心能力中最短的板。大语言模型（LLM）为具身智能热潮来临提供了机会，其强泛化能力和 zeroshot 能力使不再需要为每个任务手工调校机器人。
2025-03-12
具身智能
具身智能是人工智能领域的一个子领域，以下是关于具身智能的详细介绍： 定义：强调智能体（如机器人、虚拟代理等）通过与物理世界或虚拟环境的直接交互来发展和展现智能。 核心：在于智能体的“身体”或“形态”，其可以是物理形态（如机器人的机械结构）或虚拟形态（如模拟环境中的虚拟角色）。这些身体不仅是互动手段，也影响智能体的学习和发展。 涉及学科：包括机器人学、认知科学、神经科学和计算机视觉等。 机器人学：关注设计能自主行动和适应环境的机器人。 认知科学和神经科学：探索大脑处理与身体相关信息的机制及应用于人造智能系统。 计算机视觉：致力于开发算法，使智能体能够理解和解释视觉信息，进行有效空间导航和物体识别。 应用： 机器人领域：在服务机器人、工业自动化和辅助技术等方面，使机器人更好地理解和适应人类生活环境，提供更自然有效的人机交互。 虚拟现实、增强现实和游戏设计等领域：创造更具沉浸感和交互性的体验。 特点： 三要素：“本体”（硬件载体）、“智能”（大模型、语音、图像、控制、导航等算法）、“环境”（本体所交互的物理世界），三者高度耦合是高级智能的基础。 四个模块：感知决策行动反馈，形成闭环。 面临挑战：如设计智能体身体以最大化智能表现、让智能体在复杂多变环境中有效学习、处理智能体与人类社会的伦理和安全问题等。 尽管具身智能在理论和技术上取得显著进展，但仍有诸多挑战待解决，未来研究将继续探索推动其发展和应用。
2025-03-12
具身智能
具身智能是人工智能领域的一个子领域，以下是关于具身智能的详细介绍： 定义：强调智能体（如机器人、虚拟代理等）通过与物理世界或虚拟环境的直接交互来发展和展现智能。 核心：在于智能体的“身体”或“形态”，其可以是物理形态（如机器人的机械结构）或虚拟形态（如模拟环境中的虚拟角色）。这些身体不仅是互动手段，也影响智能体的学习和发展。 涉及学科：包括机器人学、认知科学、神经科学和计算机视觉等。 机器人学：关注设计能自主行动和适应环境的机器人。 认知科学和神经科学：探索大脑处理与身体相关信息的机制及应用于人造智能系统。 计算机视觉：致力于开发使智能体能够理解和解释视觉信息，进行有效空间导航和物体识别的算法。 应用： 机器人领域：在服务机器人、工业自动化和辅助技术等方面，使机器人更好地理解和适应人类生活环境，提供更自然有效的人机交互。 虚拟现实、增强现实和游戏设计等领域：创造更具沉浸感和交互性的体验。 重要要素和模块： 三要素：“本体”（硬件载体）、“智能”（大模型、语音、图像、控制、导航等算法）、“环境”（本体所交互的物理世界），三者高度耦合是高级智能的基础。 四个模块：感知决策行动反馈，形成一个闭环。 尽管具身智能在理论和技术上取得显著进展，但仍面临诸多挑战，如智能体身体设计、复杂环境中的有效学习、与人类社会的伦理和安全问题等。未来研究将继续探索这些问题以推动其发展和应用。
2025-03-10
具身智能是什么？
具身智能是人工智能领域的一个子领域，指的是智能体（如机器人、虚拟代理等）通过与物理世界或虚拟环境的直接交互来发展和展现智能。 其核心在于智能体的“身体”或“形态”，这些身体可以是物理形态，如机器人的机械结构，也可以是虚拟形态，如在模拟环境中的虚拟角色。身体不仅为智能体提供了与环境互动的手段，也影响其学习和发展。 具身智能的研究涉及多个学科，包括机器人学、认知科学、神经科学和计算机视觉等。在机器人学中，关注如何设计能自主行动和适应环境的机器人；在认知科学和神经科学中，探索大脑处理与身体相关信息的机制及应用于人造智能系统；在计算机视觉中，致力于开发算法让智能体理解和解释视觉信息，进行有效空间导航和物体识别。 具身智能的应用广泛，在机器人领域，特别是服务机器人、工业自动化和辅助技术等方面，能让机器人更好地理解和适应人类生活环境，提供更自然有效的人机交互。在虚拟现实、增强现实和游戏设计等领域，能创造更具沉浸感和交互性的体验。 具身智能有三要素：本体（硬件载体）、智能（大模型、语音、图像、控制、导航等算法）、环境（本体所交互的物理世界），三者高度耦合是高级智能的基础。其行动分为“感知决策行动反馈”四个步骤，分别由四个模块完成并形成闭环。 尽管具身智能取得显著进展，但仍面临诸多挑战，如设计智能体身体以最大化智能表现、让智能体在复杂多变环境中有效学习、处理智能体与人类社会的伦理和安全问题等。
2025-03-10
具身智能软硬件解决方案。
具身智能的软硬件解决方案包括以下方面： 算法层： 技术层级： 任务层级：可细分为任务级、技能级、动作级、基元级、伺服级，通常关注前四个级别。 解决方案层级：通常可拆分为大脑+小脑两个层级。大脑负责人机交互与规划决策，小脑负责运动控制及将语义信息理解转化为动作。 大脑侧：负责人机交互，能通过视觉在语义层面理解场景、任务等并进行决策。大模型的发展对大脑有促进作用，大脑的长期发展高度依赖多模态大模型。如 2024 年 3 月，有鹿机器人发布了基于 LPLM10B 的软硬件结合产品 Master 2000。 整机硬件方案：基于下游场景需求设计运动、感知、计算和通信硬件方案。具身智能厂商倾向于软硬件全流程自主控制，自己制作机体，原因包括机体和数据模式未统一，训练数据与机体构造紧密联系，以及考虑二级供应商是否成熟和整机利润。部分强大厂商如 Tesla 具备制作更底层电机、传感器的能力，软硬件一体化制造能带来更高利润。 智能类型：包括认知智能和物理智能。认知智能涉及思考、规划和决策能力，完全由大脑驱动；物理智能指机器人的感知和与环境的运动互动能力，感知环节由大脑侧算法实现，行动环节由小脑侧算法和硬件配合完成。 发展趋势： 人形化：外形向人类细部特征靠拢，功能具备真实人类运动、灵活和环境判断能力。 成本下降显著：核心零部件成本降低，人形机器人成本及售价呈下降趋势。 构成元素：包括大脑（意图理解、环境感知、规划决策）、小脑（运动控制、语义信息理解转化为动作）、整机硬件方案。
2025-03-07
我想建立一个知识库，自动生成解决方案
以下是关于建立知识库并自动生成解决方案的相关信息： smartBot 的应用场景： 1. 辅助使用者对某个行业/领域/问题进行深度解读和分析，并建立系统性的认知过程。 2. 根据预设流程，自动化形成对某个专业方向/领域/行业的系统化知识图谱。 基于知识图谱的问答系统： 1. 结合知识图谱中的丰富信息，能够提供精确且富有洞察力的答案，无论问题是关于具体事实还是复杂关系。 2. 以 Bilibili 知识区为核心，将分散的知识点整合成语义网络，涵盖广泛主题领域，揭示不同概念间潜在关系。 3. 对 Bilibili 知识区重点视频字幕进行数据清洗和分词处理，确保数据准确性和一致性。 4. 利用 NLP 技术解析和优化用户查询，自动补充或纠正模糊查询词，提高查询准确性和覆盖面。 5. 采用先进深度学习技术，对用户查询进行深入语义理解和上下文分析，提供更精准搜索结果。 知识库构建与业务完整性： 1. 从文档切片、向量化到数据入库，构建完整的知识库。 2. 结合检索模块和生成模块，提供从检索到生成的完整解决方案。 用 Coze 免费打造微信 AI 机器人的步骤： 1. 设计方面：确定功能范围。 2. 搭建步骤： 开始节点和结束节点由 coze 自动生成。 开始节点配置：输入变量名写“Question”，描述写“用户输入的问题”，变量类型选“String”。 知识库配置：将开始节点和知识库左侧节点连接，引用开始节点的变量“Question”，添加创建好的知识库，并将知识库右侧节点与结束节点左侧连接。 结束节点配置：用于输出 AI 机器人的最终结果，回答格式设置为“您的问题：{{question}} 问题的答案：{{answer}}”，定义“question”引用“开始节点的 Question”，“answer”引用“知识库节点的输出 output”，选择使用设定内容直接回答。 试运行测试：点击右上角“试运行”，输入问题后点击“运行”，查看工作流每一步的详细输入和输出。
2025-03-16
我想建立一个知识库，有什么工具可以使用吗
以下是一些可用于建立知识库的工具及相关步骤： 使用 Dify 构建知识库的步骤： 1. 准备数据：收集需要纳入知识库的文本数据，包括文档、表格等格式。对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集：在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集。为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式：Dify 提供了三种索引方式供选择，包括高质量模式、经济模式和 Q&A 分段模式。根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用：将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化：收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。定期更新知识库，增加新的内容以保持知识库的时效性。 使用扣子创建并上传文本内容到知识库的方式： 1. 在线数据： 自动采集方式：适用于内容量大，需要批量快速导入的场景。 在文本格式页签下，选择在线数据，然后单击下一步。 单击自动采集。 单击新增 URL。在弹出的页面完成以下操作： 输入要上传的网站地址。 选择是否需要定期同步网站内容，如果需要选择内容同步周期。 单击确认。 当上传完成后单击下一步。系统会自动根据网站的内容进行内容分片。 手动采集：适用于需要精准采集网页上指定内容的场景 安装扩展程序，详情请参考。 在文本格式页签下，选择在线数据，然后单击下一步。 点击手动采集，然后在弹出的页面点击权限授予完成授权。 在弹出的页面输入要采集内容的网址，然后单击确认。 在弹出的页面上，点击页面下方文本标注按钮，开始标注要提取的内容，然后单击文本框上方的文本或链接按钮。 单击查看数据查看已采集的内容，确认无误后再点击完成并采集。 使用 Coze 智能体创建知识库： 1. 手动清洗数据： 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。知识库的飞书在线文档，其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，然后可编辑修改和删除。点击添加 Bot，添加好可以在调试区测试效果。 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。将海报的内容训练的知识库里面。画小二这个课程 80 节课程，分为了 11 个章节，不能一股脑全部放进去训练。正确的方法是首先将 11 章的大的章节名称内容放进来，章节内详细内容依次类推细化下去。每个章节都按照这种固定的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。 2. 发布应用：点击发布，确保在 Bot 商店中能够搜到。
2025-01-13
想建立个人知识库使用什么AI工具更好一些
以下是为您推荐的用于建立个人知识库的 AI 工具： 1. AnythingLLM：包含所有 Open WebUI 的能力，额外支持选择文本嵌入模型、选择向量数据库。安装地址：https://useanything.com/download 。安装完成后需进行配置，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。在使用时，可创建独有的 Workspace 与其他项目数据隔离，包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式会综合训练数据和上传文档给出答案，Query 模式仅依靠文档数据给出答案），配置完成后即可进行对话测试。 2. LlamaIndex：是更高一层 LangChain 的抽象，简化了 LangChain 对文本分割、查询的接口，提供了更丰富的 Data Connector。只针对 GPT Model 做 Index，参考 https://gptindex.readthedocs.io/en/latest/ 。 3. ExoBrain 的集成软件 Maimo.ai：作为外脑的主要记忆空间，能捕获多种数字内容并随时随地访问，可挂接和导入外部记忆，能快速理解捕获内容、灵活创作笔记、生成创作建议，可与外脑知识库对话并自动做外部检索完善答案。今年十一月将开放第一个体验版，关注获取最新信息。
2024-12-24
我想建立 ai 客服帮我解决一些专业化的客服问题
以下是关于建立 AI 客服的相关信息： 传统智能客服企业在 LLM 时代面临困境，如明星智能客服企业欠薪、部分企业解散团队或转向出海客服方向。这既有必然性也有偶然性，与智能客服行业的属性有关。 从产品角度看，智能客服分为智能部分和客服部分。智能部分基于 NLP 技术进行基于业务逻辑的 AI 对话管理，客服部分包括传统客服坐席、内部数据查询台等。 企业对客服效果非常看重，而做好客服服务需要企业产品的详细数据与用户数据，但智能客服企业在赋能时难以获取关键信息，很多采取本地部署，费力且难有积累。 您可以通过以下方式建立 AI 客服： 参考“DIN：全程白嫖拥有一个 AI 大模型的微信助手”，一个能解答任何问题的 AI 机器人，可接入微信或群聊，为用户提供自动答疑服务，还能投喂特定知识，成为客服、专业老师或知识备忘录，无需技术知识，小白也能轻松搭建，全程只需复制粘贴，可自定义知识库，满足不同需求，支持多场景应用，如客服、教育、个人知识管理等。 了解“零基础模板化搭建 AI 微信聊天机器人”，微信有多种功能，如个人微信/微信群、微信公众号、微信服务号、微信客服等，Coze AI 平台支持与微信公众号、服务号、客服的对接，最近 Coze 的国内版正式发布 API 接口功能，可对接个人微信甚至微信群。相关部署方法对国外版或国内版 Coze 均适用，但对接国外版需服务支持黑魔法。
2024-10-03
我想建个AI诗画长廊，请给建议
2024-08-08
coze搭建智能体，用上传的文件和知识库的文件做对比，分析差异点。
以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。
2025-04-18
coze搭建知识库和上传文件做对比分析
以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。
2025-04-18
知识库怎么构建
构建知识库的方法主要有以下几种： 1. 使用 Flowith 构建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，为其起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 等待 Flowith 对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 2. 使用 Dify 构建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：根据需求选择高质量模式、经济模式或 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 3. 本地部署大模型并搭建个人知识库（涉及 RAG 技术）： 了解 RAG 技术：大模型训练数据有截止日期，RAG 可通过检索外部数据并在生成步骤中传递给 LLM 来解决依赖新数据的问题。 RAG 应用的 5 个过程： 文档加载：从多种来源加载文档，如 PDF、SQL 等。 文本分割：把文档切分为指定大小的块。 存储：包括将文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：将问题和检索出的嵌入片提交给 LLM 生成答案。 文本加载器：将用户提供的文本加载到内存中以便后续处理。
2025-04-15
如何搭建知识库
搭建知识库的方法如下： 使用 flowith 搭建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，给知识库起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 Flowith 会对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 使用 Dify 搭建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：提供三种索引方式，根据需求选择，如高质量模式、经济模式和 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 使用 Coze 智能体搭建： 手动清洗数据： 在线知识库：点击创建知识库，创建 FAQ 知识库，选择飞书文档，输入区分问题和答案，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理，然后创建自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能搜到。
2025-04-14
如何搭建自己的知识库
以下是搭建自己知识库的方法： 1. 选择“Manage Your Knowledge Base”，进入知识库管理页面。 2. 在页面左上角点击加号，添加新的知识库，并为其起一个易于分辨的名字。 3. 点击添加文件，建议使用 Markdown 格式的文件。 4. 等待 Flowith 对文件进行抽取等处理。 5. 处理完毕后，可在知识库管理页面测试检索，输入关键词过滤相关内容。 此外，搭建本地知识库还需了解 RAG 技术： 1. RAG 是一种当需要依靠不包含在大模型训练集中的数据时所采用的主要方法，即先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 2. 一个 RAG 的应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 对于基于 GPT API 搭建定制化知识库，涉及给 GPT 输入定制化的知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。Embeddings 是一个浮点数字的向量，两个向量之间的距离衡量它们的关联性，小距离表示高关联度。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。文档上有创建 embeddings 的示例。
2025-04-14
我想做一个，基于我个人知识库的chatbot，以供我随时搜索和提问，且优先搜索知识库内的内容而非联网搜索，你有什么建议吗？
以下是为您提供的关于创建基于个人知识库的 chatbot 的建议： 1. 选择合适的平台和工具：例如可以考虑使用飞书智能伙伴创建平台（Aily）或扣子（https://www.coze.cn/home）等。 2. 数据分段储存：由于大模型的上下文长度有限制，需要将上传的资料根据特定符号或字符长度进行分段，如将 8000 字文档按每 800 字分成一个片段储存。 3. 增强检索：当用户输入问题，大模型会根据相似度检索出若干最相关的数据片段，再据此生成答案，这一技术称为 RAG（检索增强生成）。 4. 配置知识库： 在 Bot 内使用知识库： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项，如最大召回数量、最小匹配度、调用方式等。 在工作流内使用 Knowledge 节点： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在页面顶部进入工作流页面，并打开指定的工作流。 在左侧基础节点列表内，选择添加 Knowledge 节点。 5. 注意使用限制：单用户最多创建 1000 个知识库，文本类型知识库下最多支持添加 100 个文档，单用户每月最多新增 2GB 数据，累计上限是 10GB。 此外，知识库可以解决大模型幻觉、专业领域知识不足的问题，提升大模型回复的准确率。您可以将知识库直接与 Bot 进行关联用于响应用户回复，也可以在工作流中添加知识库节点，成为工作流中的一环。
2025-04-14
想要做一节讲如何用智能体做企业数字化转型的课程，如何设计
以下是关于如何设计用智能体做企业数字化转型课程的建议： 一、参考案例 1. 李国宝的相关经验 具有丰富的从业经验，包括通信工程、数据通信网络培训、创业、网络安全解决方案及培训、AI 课程开发与培训等。 开发过面向不同群体的 AI 课程，如《数字化转型实践》面向传统企业数字化、AI 赋能转型。 2. 90 分钟从 0 开始打造你的第一个 Coze 应用课程 从零开始教学做应用界面，先基础教学，再涉及特定应用。 介绍当前承接业务，包括辅导、培训、定制及企业 AI 落地等。 挖掘用户对 AI 应用的功能需求，如对交互界面的需求。 二、课程设计要点 1. 对于企业管理者 AI 辅助决策：在小规模决策中使用 AI 分析工具，以其分析结果作为决策参考。 员工培训计划：制定 AI 工具使用的培训计划，帮助团队成员了解日常工作中如何有效利用 AI。 流程优化：识别公司中可能受益于 AI 自动化的重复性任务，从小流程开始测试 AI 解决方案的效果。 AI 伦理和政策：制定公司的 AI 使用政策，确保 AI 应用符合伦理标准和法律要求。 2. 对于教育工作者 AI 辅助教案设计：尝试使用 AI 帮助设计课程大纲或生成教学材料 ideas，为课程带来新视角。 个性化学习路径：探索使用 AI 分析学生学习数据，为不同学生制定个性化学习计划。 创新教学方法：考虑将 AI 工具整合到课堂活动中，如使用 AI 生成的案例研究或模拟场景。 AI 素养教育：开发简单的课程模块，教导学生了解 AI 基础知识、应用领域及其对社会的影响。 三、注意事项 无论面向哪个群体，都应记住：与 AI 协作是一个学习过程。从小处着手，保持好奇心和开放态度，会发现 AI 不仅能提高工作效率，还能激发创造力，开拓新的可能性。最重要的是，始终保持批判性思维，将 AI 视为强大的工具，而不是完全依赖的解决方案。
2025-04-18
你是福州市政府工作人员，中国移动拟邀请福州市委书记参加中国移动人工智能生态大会并致辞，该大会是第八届数字峰会的组成部分，需要撰写市委书记的致辞稿，需要中国移动准备哪些素材，请告诉我提示词
以下是为您整理的相关内容： 《促进创新的人工智能监管方法》：包含了关于通用人工智能价值链、相关案例研究以及对人工智能监管框架的探讨等内容。 陶力文律师关于律师写好提示词用好 AI 的方法：包括初始化的欢迎语、遵循的规则、获取案例洞察报告和目标群体、输出纲要和写作方案、根据用户反馈调整等流程。 开幕式主持稿：涉及基地代表发言的时间、主题、物料配合和人员配合等信息。 但这些素材似乎与为中国移动准备市委书记致辞稿所需的素材关联不大。一般来说，为撰写市委书记在中国移动人工智能生态大会上的致辞稿，中国移动可能需要准备以下素材： 1. 本次大会的详细介绍，包括主题、目标、议程安排等。 2. 中国移动在人工智能领域的发展成果、战略规划和未来愿景。 3. 中国移动人工智能生态的构建情况，如合作伙伴、合作项目等。 4. 本次大会在第八届数字峰会中的地位和作用。 5. 相关行业的人工智能发展现状和趋势。 6. 福州市在人工智能领域的发展情况和与中国移动合作的展望。
2025-04-18
AI Agents（智能体）
AI 智能体（Agents）是人工智能领域中一个重要的概念： 1. 从 AGI 的发展等级来看，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。 2. 作为大模型的主要发展方向之一，智能体中间的“智能体”其实就是大模型（LLM）。通过为 LLM 增加工具、记忆、行动、规划这四个能力来实现。目前行业里主要用到的是 langchain 框架，它把 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。 3. 从智能体的起源探究来看，心灵社会理论认为智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，每个层次由多个 Agent 负责，每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务。同时存在专家 Agent、管理 Agent、学习 Agent 等不同类型的 Agent 及其相应功能。从达特茅斯会议开始讨论人工智能，到马文·明斯基引入“Agent”概念，“AI”和“Agent”就彻底聚齐，往后被称之为 AI Agent。
2025-04-15
人工智能软件现在有哪些
以下是一些常见的人工智能软件： 1. 在自然语言处理和神经科学应用方面，大型语言模型取得了进展，拥有更先进的工具用于解码大脑状态和分析复杂脑部活动。 2. 在艺术创作领域，有涉及知识产权保护的相关软件，如软件工程师在设计时应确保生成内容合法合规、注重用户知识产权保护等。创作者使用此类软件时，应了解自身权利并做好保护。 3. 在线 TTS 工具方面，如 Eleven Labs（https://elevenlabs.io/）、Speechify（https://speechify.com/）、Azure AI Speech Studio（https://speech.microsoft.com/portal）、Voicemaker（https://voicemaker.in/）等。这些工具可将文本转换为语音，具有不同的特点和适用场景。但请注意，相关内容由 AI 大模型生成，请仔细甄别。
2025-04-15
什么是通用人工智能
通用人工智能（AGI）是指具有人类水平的智能和理解能力的 AI 系统。它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。 目前 AGI 还只是一个理论概念，没有任何 AI 系统能达到这种通用智能水平。 OpenAI 在其内部会议上分享了 AGI 的五个发展等级： 1. 聊天机器人（Chatbots）：具备基本对话能力的 AI，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。 2. 推理者（Reasoners）：具备人类推理水平的 AI，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。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务的 AI。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。 4. 创新者（Innovators）：能够协助人类完成新发明的 AI，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。 5. 组织（Organizations）：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。 常见名词解释： AGI：通用人工智能（Artificial General Intelligence）能够像人类一样思考、学习和执行多种任务的人工智能系统。 NLP：自然语言处理（Natural Language Processing），就是说人话。 LLM：大型语言模型（Large Language Model），数据规模很大，没钱搞不出来，大烧钱模型。
2025-04-15