llama3的8B和70B版本本质上的区别在哪里

以下是为您提供的无代码部署本地大模型、智能体和知识库的详细安装步骤： 1. 硬件评估：您的笔记本电脑配置为 14 代 i7 CPU、32G 内存、1TB 硬盘、1 张 RTX4070 显卡，基本满足部署要求。但需要注意，运行内存最低 32GB，越高越好，最低配可能会经常爆显存。建议将软件和模型部署在 SSD（固态硬盘）上，以提高加载模型的速度。 2. 选择合适的部署工具：ComfyUI 是一个相对配置要求较低、系统资源占用少、出图速度快的工具。它最低可在小于 3G 的 GPU 上运行，甚至没有 GPU 光用 CPU 也可以，但速度极慢。SDXL 出来后提高了运行配置，最低需要 8GB 显存+32GB 运行内存，12GB 流畅运行，推荐 16GB 以上。 3. 安装准备：如果您的电脑能顺畅清晰地玩 3A 游戏，那么运行相关部署工具一般也没问题。 4. 预算和需求：根据您的需求和预算来选择合适的配置。例如，如果有做 AIGC 视频、建模渲染和炼丹（lora）的需求，可能需要更高的配置。 请注意，以上步骤仅为参考，实际部署过程可能会因具体情况而有所不同。

以下是关于 r11.5b、7b、32b、70b 区别的一些信息： 在模型规模方面，不同规模的模型具有不同的特点和应用场景。 从一些访谈和相关介绍来看： 小型模型（如 1.5b）在某些特定应用中可能已经足够好，并且成本相对较低，但在处理复杂任务和解锁新的有价值应用方面可能有限。 较大的模型（如 7b、70b）通常能够提供更强大的性能和能力，例如在提供良好的法律建议等任务中可能表现更出色。但大模型的成本也相对较高，并非所有应用都能证明其成本的合理性。 以 Qwen 2 为例，不同规模的模型具有不同的性能和处理能力： Qwen20.5B、Qwen21.5B 可处理 32k 上下文。 Qwen27B 可处理 128k 上下文。 像 baichuan7B 这样的 70 亿参数模型，在标准的中文和英文权威 benchmark 上均取得同尺寸最好的效果，支持中英双语，上下文窗口长度为 4096。 总之，不同规模的模型在性能、成本、适用场景等方面存在差异，需要根据具体需求来选择合适的模型。

以下是基于 qwen2.5 70B 大模型利用 20 万条政务相关数据构建政务服务大模型的大致流程： 1. 数据准备：对 20 万条政务相关数据进行清洗、预处理和标注，使其适合模型学习。 2. 模型选择与下载：选择 qwen2.5 70B 大模型，并按照相关说明进行下载。 3. 本地部署： 启动 OpenAI 兼容的 API 服务，根据硬件配置设置相关参数，如 tensorparallelsize（设置使用的 GPU 数量）、maxmodellen（定义最大输入序列长度）、maxnumbatchedtokens（设置 Chunked Prefill 的块大小）、maxnumseqs（限制并发处理的序列数量）。 遇到问题可参考相关内容。 4. 与模型交互：可以使用 Curl 或 Python 等方法与部署的模型进行交互，对于更高级的使用方式，可以探索如之类的框架。 5. 模型训练：模型训练是一个复杂且计算量极大的过程，需要大量的计算资源和时间。 需要注意的是，构建大模型是一个复杂的任务，需要具备一定的技术知识和经验。在实际操作中，可能会遇到各种问题，需要不断调试和优化。

对于 70 后学习 AI，以下是一些建议： 1. 明确学习目标：确定自己学习 AI 的具体方向和应用场景，例如是对 AI 绘画感兴趣，还是希望将 AI 应用于工作中的数据分析等。 2. 基础知识学习：可以通过在线课程、书籍等途径，学习数学（如线性代数、概率论）、编程（如 Python）等基础知识。 3. 选择适合的学习路径：可以参考成功的案例，如 AI 教父辛顿的经历。辛顿在多次尝试和坚持后，最终在神经网络领域取得成就。 4. 关注行业动态：了解 AI 在教育等领域的最新应用和发展趋势，例如未来教育中 AI 与人类教师的协作方式，以及个性化学习的普及。 5. 实践与应用：通过实际项目或案例进行练习，将理论知识应用到实际中。 需要注意的是，学习 AI 是一个长期的过程，需要保持耐心和坚持不懈的精神。

您好，出现“NVIDIA Graphics Device with CUDA capability sm_120 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_61 sm_70 sm_75 sm_80 sm_86 sm_90 compute_37.”这种情况，意味着您所使用的 NVIDIA 显卡的 CUDA 计算能力（sm_120）与当前安装的 PyTorch 版本不兼容。当前安装的 PyTorch 支持的 CUDA 计算能力为 sm_37 至 sm_90 以及 compute_37 。您可能需要重新安装与您显卡 CUDA 计算能力相匹配的 PyTorch 版本，或者升级您的显卡驱动程序来解决此兼容性问题。

要让 ComfyUI 使用您的 INTEL A770 显卡，以下是一些相关的步骤和信息供您参考： 首先，ComfyUI 本地安装的方法主要有以下几种： 1. 命令行安装： 如果您已经安装过 SD WebUI，可以跳到第二步。首先需要打开系统 Terminal，不同系统的 Terminal 可能有所不同。 Windows 用户：建议在有 NVIDIA 显卡的电脑上使用。需要下载 Miniconda3，输入相关命令进行安装，然后安装 pytorch 的 nightly 版本。 Mac 用户：安装需要根据电脑芯片不同输入不同代码。下载 Miniconda3 并输入相关命令进行安装，最后安装 pytorch。 2. 安装包安装：仅支持 Windows 系统且显卡必须是 Nivida。下载地址是，下载最新版本解压即可使用。 关于 ComfyUI 的硬件配置： ComfyUI 相比 WebUI 配置更低、系统资源占用更少、出图速度更快，最低可在小于 3G 的 GPU 上运行，甚至没有 GPU 光用 CPU 也可以运行，但速度极慢。SDXL 出来后提高了运行配置，最低需要 8GB 显存+32GB 运行内存，12GB 流畅运行，推荐 16GB 以上。运行内存最低 32GB，越高越好，最低配会经常爆显存。玩 SDwebui 和 ComfyUI 建议使用 6GB 以上的显存的 NVIDIA 显卡，内存在 16G 以上。硬盘会影响加载模型的速度，最好把软件和模型部署在 SSD 上。 需要注意的是，目前 ComfyUI 对于 INTEL A770 显卡的支持情况可能不太明确，您可能需要根据实际情况进行尝试和调整。

本地运行 Llama3 所需电脑配置的相关信息如下： 1. 安装 Docker Desktop： 点击/复制到浏览器下载：https://docs.docker.com/desktop/install/windowsinstall/ 。 下载后，双击下载项目，出现相关界面点击 ok 开始加载文件。注意下载相对较快，完成后不要点击“close and restart”，以免导致 llama3 下载中断。等待终端的模型下载完成后再点击重启。 重启后，点击“Accept”，选择第一个，点击“Finish”。 然后会提示注册账号，若打不开网页，可能需要科学上网。按照正常流程注册账号并登录 Docker 即可。 2. 下载 Llama3 模型： 打开终端。如果是 Windows 电脑，点击 win+R，输入 cmd 点击回车；如果是 Mac 电脑，按下 Command（⌘）+ Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。 复制相关命令行，粘贴进入并回车，会开始自动下载，文件下载较慢，可同时进行安装 Docker 的步骤。 3. 下载 Open WebUI： 回到桌面，再打开一个新的终端窗口。如果是 Windows 电脑，点击 win+R，输入 cmd 点击回车；如果是 Mac 电脑，按下 Command（⌘）+ Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。 将相关命令输入，等待下载。 点击或复制相关地址进入浏览器，进行注册登录。 登入后，点击顶部的 Model，选择“llama3:8b”。 需要注意的是，模型的回复速度取决于您电脑的配置。另外，您还可以参考开源项目 。同时，有教程提到可以通过购买算力解决本地电脑配置不够的问题，但需要充值 50 元。

Llama 3 是 Meta 发布的语言模型。以下是关于 Llama 3 的一些重要信息： 模型版本：包括 8B 和 70B 双模型。 数据集：比 Llama 2 的数据集大 7 倍以上。 性能特点：具有 128K token，更强的推理和编码能力，训练效率比 Llama 2 高 3 倍，已集成到 Meta AI。 能力表现：8B 的能力远超 Llama 2 70b。 模型架构：使用 128K 词库的标记化器，8B 和 70B 模型采用分组查询关注 以提升推理效率。 训练数据：超过 15T 词库的预训练，包含的代码数量是 Llama 2 的四倍，预训练数据集含 5%以上的非英语数据，覆盖 30 多种语言，并采用数据过滤管道。 使用方式：将支持 AWS、Databricks、Google Cloud 等平台，得到 AMD、AWS 等硬件平台支持，可在 Meta AI 官方助手上体验。 未来发展：未来几个月将推出新功能、更长上下文窗口、更多型号尺寸，性能将进一步提升，并将分享 Llama 3 研究论文。 此外，现在 llama370BInstruct 已经可以在刚刚推出的 Hugging Chat 上直接使用，网页为：https://huggingface.co/chat/ ，app 下载：https://apps.apple.com/us/app/huggingchat/id6476778843?l=zhHansCN 。还可以在 Amazon SageMaker 上部署 Llama 3 ，相关博客介绍了如何设置开发环境、硬件要求、部署步骤、运行推理并与模型聊天、进行基准测试以及清理等内容。目前 Llama 3 400B 还在训练中。

以下是一篇关于 Llama3 的文章： Llama3 正式发布，开源模型的质量又迎来再一次飞跃 数字生命卡兹克、赛博禅心、歸藏、AI 大模型在手等多家媒体都对 Llama3 进行了报道。他们认为，Llama3 的发布是开源模型质量的又一次飞跃。 在 Amazon SageMaker 上部署 Llama 3 要将 Llama 3 70B 部署到 Amazon SageMaker，我们需要创建一个 HuggingFaceModel 模型类，并定义我们的端点配置，包括 hf\_model\_id，instance\_type 等。我们将使用一个 p4d.24xlarge 实例类型，该类型具有 8 个 NVIDIA A100 GPU 和 320GB 的 GPU 内存。Llama 3 70B 指令是一个经过优化的对话 AI 模型，这使我们能够启用 TGI 的消息 API 与 llama 交互，使用常见的 OpenAI 格式 messages。 注意：Llama 3 是一个有门槛的模型，请在提交此表单前访问模型卡并接受许可条款和可接受的使用政策。

如何用 Llama3 微调？ 在这篇文章中，我们将学习如何使用 Llama3 进行微调。首先，我们需要了解微调的意义和概念。微调是指对已经训练好的模型进行修改，以使其更好地适用于特定的任务或数据集。在 Llama3 中，微调是通过修改模型的参数来实现的。 接下来，我们需要准备数据集。数据集是用来让模型重新学习的知识，我们可以使用各种类型的数据集，例如文本、图像、音频等。在本文中，我们将使用一个名为 huanhuan.json 的文本数据集。 然后，我们需要编写微调代码。微调代码是用来修改模型参数的代码，我们可以使用各种编程语言来实现，例如 Python、JavaScript 等。在本文中，我们将使用 Python 来实现微调代码。 接下来，我们需要执行微调代码。执行微调代码后，模型将开始学习数据集，并对模型的参数进行修改。在本文中，我们将使用一台服务器来执行微调代码。 最后，我们需要对微调后的模型进行测试。测试是用来验证微调结果的过程，我们可以使用各种测试方法来实现，例如准确率、召回率等。在本文中，我们将使用一个简单的测试方法来验证微调结果。 下面是一个简单的示例，展示了如何使用 Llama3 进行微调： ```python import torch from transformers import LlamaForCausalLM 加载模型 model = LlamaForCausalLM.from_pretrained 加载数据集 data = torch.load 微调模型 model.fit 测试模型 test_data = test_output = model.generate print ``` 在上面的示例中，我们首先加载了一个名为 LlamaForCausalLM 的模型，并从预训练模型中加载了一个名为 huanhuan.json 的数据集。然后，我们使用 model.fit 方法对微调后的模型进行测试，并输出测试结果。 请注意，这只是一个简单的示例，实际的微调过程可能会更加复杂。您可能需要根据您的具体需求和数据集来调整模型的参数和训练过程。

您可以在以下网站找到 Llama 3 模型的下载地址： 1. Llama 3 官网链接： 2. 模型下载链接： 3. Hugging Face 链接： 4. Replicate 链接： 5. GitHub 项目地址： 您可以通过这些链接找到 Llama 3 模型的下载地址并获取所需的文件。

在 Trae 中安装 VS Code 插件可以通过以下方式： 1. 从 Trae 的插件市场安装： 在左侧导航栏中，点击插件市场图标，界面左侧显示插件市场面板。 搜索您想要的插件并在未安装列表中将其选中，界面上显示该插件的详情窗口，展示该插件的详细说明、变更日志等信息。 点击安装，Trae 开始安装该插件。安装完成后，该插件会出现在已安装列表中。 2. 从 VS Code 的插件市场安装： 前往。 搜索您想要的插件，例如：Pylance。 在搜索结果中，点击您所需的插件，您会前往该插件的详情页。 在详情页中，点击 Version History。 结合插件页的 URL 和 Version History 中的信息，提取出以下信息（以 Pylance 为例）： itemName：URL Query 中的 itemName 字段，如截图中的 mspython.vscodepylance，并将小数点（.）前后的内容分成以下两个字段： fieldA：mspython fieldB：vscodepylance version：如截图中的 2025.1.102 使用提取出来的 3 个字段的值替换下方 URL 中的同名字段。 在浏览器中输入修改后的 URL，然后按下回车键，浏览器开始下载该插件。 下载完成后，返回 Trae 并打开插件市场。 将下载的.vsix 文件拖拽至插件市场面板中，Trae 开始自动安装该插件。安装完成后，该插件会出现在已安装列表中。 此外，如果 VS Code 插件市场中某个版本的插件依赖了新版 VS Code 中的某些接口，则可能会导致该插件与 Trae 不兼容。您可以查看该插件的 Version History，然后下载该插件的历史版本。 管理插件还包括禁用插件和卸载插件： 1. 禁用插件： 在 Trae 中，打开插件市场。 在已安装列表中，找到需禁用的插件。 鼠标悬浮至列表中的插件，然后点击设置>禁用。或点击该插件以打开其详情窗口，然后点击禁用。 2. 卸载插件： 在 Trae 中，打开插件市场。 在已安装列表中，找到需卸载的插件。 鼠标悬浮至该插件，然后点击卸载。或点击该插件以打开其详情窗口，然后点击卸载。

以下是关于 AI 提示词的超详细内容： 在图像和视频生成阶段，分镜转图片和视频提示词大师的使用技巧包括：每次只处理 2 3 个分镜以确保提示词的精确性；对于关键场景，生成多个版本的提示词；根据不同工具的特点调整提示词的细节。图像生成工具方面，首选 LIBLIB 的 FLUX 模型，其次是谷歌的 ImageFX（网址：https://labs.google/fx/zh/tools/imagefx ，有网络门槛），还有即梦、可灵、Midjourmey（国内版“悠船”）。提示词辅助工具方面，通义万相的智能扩写只需输入简单的画面主题，点击“智能扩写”按钮就能自动生成包含场景描述、主体特征、构图和光线氛围等全方位的详细提示词；堆友的图推词功能可通过上传参考图片，自动分析并反推出详细的提示词。接入 Deepseek R1 的即梦，只需输入简单的主题或关键词，R1 就能写出 4 段不同风格且详细又丰富的提示词。 此外，还有一套万能文生图提示框架，您只需把脑子里能想到的、用来描述模糊想法的碎片词汇，随手替换到框架的最下方，然后发给任意一个 AI。但要注意，AI 生成的提示词水平与模型本身能力正相关，推理模型在揣摩人类意图上优于普通模型。 在写 AI 拟人化提示词时，要像写作文的 6 要素一样讲明白。描述越全面，生成的结果就越贴近想要的样子，但要注意避免啰里啰嗦导致 AI 理解出现偏差。您还可以把想要的直接塞给 LLM，让它进行补充。

在 Stable Diffusion 模型中，潜在空间（Latent Space）指的是图像的潜在分布，它包含了与图像相关的所有信息。 图像被映射到潜在空间后，扩散过程在这个空间中进行。ComfyUI 中的许多操作都在潜在空间中进行，如 KSampler 节点就是在这个空间中执行采样过程。在潜在空间中，通过节点调整对潜在空间的操作，如噪声添加、去噪步数等，这部分通常由潜在空间操作模块来实现。 在 Stable Diffusion 模型中，图像的潜在分布是通过一个编码器解码器结构来学习的。编码器将图像映射到潜在空间，而解码器则将潜在空间中的向量映射回图像空间。通过这种方式，模型可以学习到图像的潜在分布，从而实现图像生成、编辑和操作。 在采样过程中，Stable Diffusion 模型通过逐步降低噪声水平来生成图像。在这个过程中，模型根据当前的噪声水平预测图像的潜在分布，然后根据这个分布生成一个新的图像。这个过程重复进行，直到生成一个高质量的图像。 与之对应的是像素空间（Pixel Space），像素空间指的是图像中每个像素的原始颜色或强度值所组成的空间。图像可以看作是一个二维或三维的矩阵，其中每个元素代表一个像素。在像素空间中，图像的表示是密集的，且包含了大量的细节信息。

很抱歉，您提供的内容中没有关于家庭用私人部署 deepseek 电脑配置的相关信息。如果您需要配置一台价格在 5 万以下、能流畅运行的家庭用电脑，以下是一些建议： CPU：可以选择英特尔酷睿 i9 或 AMD 锐龙 9 系列的高端处理器。 显卡：选择 NVIDIA GeForce RTX 40 系列的高端显卡，如 RTX 4080 或 RTX 4070Ti。 内存：32GB 或 64GB 的 DDR5 内存。 存储：1TB 或 2TB 的 NVMe SSD 作为系统盘，再加上大容量的机械硬盘用于数据存储。 主板：选择与所选 CPU 兼容的高端主板，以确保稳定性和扩展性。 关于模型版本，Midjourney 的 V5 模型是较新且先进的版本，具有更广泛的风格范围、更高的图像质量、更详细的图像等优点。您可以通过添加“v 5”参数或使用“/settings”命令并选择 MJ Version 5 来使用该模型。

以下是为您推荐的家庭用私人部署 deepseek 电脑配置，价格在 5 万以下，能够较流畅运行： CPU：Intel Core i913900K 或 AMD Ryzen 9 7950X 显卡：NVIDIA GeForce RTX 4080 或 RTX 4070Ti 内存：32GB 或 64GB DDR5 高频内存 硬盘：1TB NVMe M.2 固态硬盘 + 4TB 机械硬盘 主板：支持所选 CPU 的高端主板，如 Z790 或 X670 系列 电源：850W 及以上的高品质电源 关于模型版本，Midjourney 最新的模型是 V5 版本，于 2023 年 3 月 15 日发布。使用此模型，您可以在提示词末尾添加 v 5 参数，或使用 /settings 命令并选择 MJ Version 5。该模型具有很高的连贯性，擅长解释自然语言提示，分辨率更高，并支持如 tile 重复图案等高级功能。它在风格范围、图像质量、细节表现、对提示的响应以及图像提示性能等方面都有显著改进。

|模型名称|版本|发布时间|发布公司|模型参数|性能特点|适合应用| |||||||| |Baichuan213BChat|Baichuan2192K|10月31日|百川智能|未提及|在逻辑推理、知识百科、生成与创作、上下文对话等基础能力上排名200亿参数量级国内模型第一，在计算和代码能力上有一定优化空间|场景相对广泛且可以私有化部署，重点推荐在小说/广告/公文写作等内容创作场景、智能客服/语音助手以及任务拆解规划等场景，可部署在教育、医疗、金融等垂直行业中应用，同时可部署在低算力终端处理基础智能任务| |文心一言|V4.0|10月17日|百度|未提及|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绝大部分能力有很高的水平|能力栈较为广泛，可应用的场景较多，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，由于在逻辑推理方面的不俗表现，可以重点关注在科学研究、教育、工业方面的落地能力| |通义千问 2.0|2.0|10月31日|阿里云|千亿级参数|未提及|未提及|

Manus 是一款由中国团队研发的全球首款通用型 AI 代理工具，于 2025 年 3 月 5 日正式发布。 其特点和技术架构包括： 1. 区别于传统聊天机器人，具备自主规划、执行复杂任务并直接交付完整成果的能力，被称为“首个真干活的 AI”。 2. 技术架构主要基于多智能体（Multiple Agent）架构，运行在独立的虚拟机中。通过规划、执行和验证三个子模块的分工协作，实现对复杂任务的高效处理。 3. 核心功能由多个独立模型共同完成，分别专注于不同的任务或领域，如自然语言处理、数据分析、推理等。 4. 技术架构还包括以下关键组件： 虚拟机：运行在云端虚拟机中，用户可随时查看任务进度，适合处理耗时任务。 计算资源：利用计算资源生成算法，用于筛选简历等具体任务。 生成物：能够生成各种类型的输出，如文本、表格、报告等。 内置多个 agents：通过内置多个智能体，实现任务的分解和协同工作。 5. 采用“少结构，多智能体”的设计哲学，强调在数据质量高、模型强大、架构灵活的情况下，自然涌现 AI 的能力。 在实际应用中： 1. 当前的 Manus 相当于 AI 操纵着一个没有图形界面的 Linux 虚拟机和浏览器，能感知电脑环境，执行各类操作，如运行各种 linux 下的指令、库、程序（cd、ls 指令、python 等），访问各种网页、获取一些 API 接口的数据，但无法运行图形程序。 2. 访问网页时，阻挠人类使用的各种要素会对其产生干扰。为方便用户通过键鼠介入，Manus 提供了用户可视的命令行视窗、浏览器、vscode 两种选项，方便查看运行指令、接管网页和修改文件。 此外，Manus 一经预览发布便引爆 AI 圈，邀请码被炒至数千美元，Discord 社区人数破 13 万。但也有实测指出其存在多次崩溃、速度慢、上下文能力差等问题，且部分演示视频功能被证实为误导。专家认为其热度更多来自饥饿营销，技术实力尚未达到“自主研发”的高度。

DeepSeek R1 与 ChatGPT 有本质上的不同。DeepSeek R1 与 OpenAI 现在最先进的模型 o1、o3 同属于基于强化学习 RL 的推理（Reasoning）模型，在回答用户问题前会先进行“自问自答”式的推理思考，以提升最终回答的质量，这种“自问自答”是模拟人类的深度思考。 而多数其他 AI 模型还在接受“填鸭式教育”时，DeepSeek R1 已率先进入“自学成才”的新阶段。 此外，DeepSeek R1 具备强大、便宜、开源、免费、联网和本土等六大优势，全面超过现有 AI 大模型。它在美国 App Store 夺冠，超越 OpenAI 的 ChatGPT，成为开源 AI 领域的领军者。其 R1 模型以仅 27 分之一的成本实现卓越表现，创新的 R1 Zero 模型显示出模型思考能力的自我涌现，或将引领 AGI 的新方向。

大语言模型幻觉的本质主要包括以下方面： 1. 大语言模型的底层原理是基于数学概率的文字预测，类似于文字接龙，这导致其存在幻觉问题，会在没有答案的情况下提供虚假信息，提供过时或通用的信息，从可信度低非权威来源的资料中提供结果等。 2. 样本存在错误，即如果大语言模型学习的“教材”中有错误，那么它也容易给出错误的回答。 3. 大语言模型技术的本质导致其输出结果具有不可预测性，且静态的训练数据导致其掌握的知识存在截止日期，无法即时掌握最新信息。 4. 大语言模型通过训练数据猜测下一个输出结果，可能因错误数据导致给出错误答案，优质数据集对其很重要。

提示词（Prompt）本质上是给大语言模型的输入文本，用于指定模型应执行的任务和生成的输出，发挥“提示”模型的作用。设计高质量的提示词需依据目标任务和模型能力精心设计，良好的提示词能让模型正确理解人类需求并给出符合预期的结果。 从思维方式角度看，提示词本质上是逻辑思维和表达能力，只不过交互对象从人变成了大语言模型。最终面对的问题主要有三类：一是知识储备不足，包括大模型特性的知识和世界知识；二是业务 know how 不扎实，能干活但抽象不出方法论；三是语言逻辑有缺陷，即脑子里知道但表述不清。

射频识别（RFID）技术是一种物品标识和自动识别的无线通信技术，无需与被识别物品直接接触。RFID 系统由电子标签和读卡器组成。 其基本原理是：读卡器发射特定频率的无线电波，当电子标签进入有效工作区域时，产生感应电流，从而获得能量被激活，并向读卡器发送自身编码等信息，读卡器接收并解码后，将信息传送给后台系统进行处理。 常见应用包括：乘坐火车时的身份证检票，物流领域的货物追踪管理，图书馆的图书借还管理，超市的商品结算等。 在利用射频识别技术开展实践时，能够了解物与物之间近距离通信的过程。例如在物流中，货物上的电子标签与读卡器之间通过无线电波进行信息交互，实现对货物的实时监控和管理。 RFID 系统的工作流程大致为：读卡器发射无线电波，激活电子标签，电子标签向读卡器发送信息，读卡器接收并解码信息后传送给后台系统。