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

langchain都包括什么

Answer

LangChain 是一个用于构建高级语言模型应用程序的框架，具有以下主要内容：

  1. 核心概念：包括组件和链，组件是模块化的构建块，链是组合在一起完成特定任务的一系列组件或其他链。
  2. 主要特点：
    • 模型抽象：提供对大型语言模型和聊天模型的抽象，便于开发人员选择合适模型并构建应用。
    • 提示模板和值：支持创建和管理提示模板。
    • 链：允许定义一系列处理步骤以完成复杂任务。
    • 代理：支持构建代理，使其能使用语言模型做决策并调用工具。
    • 支持多种用例，可与外部数据源交互并提供内存功能。
  3. 应用开发组件：
    • 数据加载器：从数据源加载数据并转换为文档对象。
    • 文本分割器：将文档对象分割成多个较小对象。
    • 文本嵌入器：将文本转换为嵌入，用于衡量文本相似度以实现检索。
    • 向量存储器：存储和查询嵌入，通常使用索引技术加速检索。
    • 检索器：根据文本查询返回相关文档对象。
    • 聊天模型：基于大模型生成输出消息。
  4. 构建 RAG 应用的一般流程：未具体提及。

以上内容由 AI 大模型生成，请仔细甄别。

Content generated by AI large model, please carefully verify (powered by aily)

References

问：LangChain 是什么？

LangChain是一个用于构建高级语言模型应用程序的框架，它旨在简化开发人员使用语言模型构建端到端应用程序的过程。LangChain提供了一系列工具、组件和接口，使得创建由大型语言模型（LLM）和聊天模型支持的应用程序变得更加容易。该框架的核心概念包括组件（Component）和链（Chain），其中组件是模块化的构建块，可以组合起来创建强大的应用程序，而链则是组合在一起以完成特定任务的一系列组件（或其他链）。LangChain的主要特点包括：模型抽象：LangChain提供了对大型语言模型（LLM）和聊天模型的抽象，允许开发人员为他们的用例选择合适的模型，并利用提供的组件来构建应用程序。提示模板和值：LangChain支持创建和管理提示模板，这些模板是用于引导语言模型生成特定输出的输入结构。链（Chains）：LangChain允许开发人员定义一系列的处理步骤，这些步骤可以按顺序执行以完成复杂的任务。代理（Agents）：LangChain支持构建代理，这些代理可以使用语言模型来做出决策，并根据用户的输入决定调用哪个工具。LangChain支持多种用例，如针对特定文档的问答、聊天机器人、代理等，并且可以与外部数据源交互以收集生成步骤的数据。此外，LangChain还提供了内存功能，帮助维护链或代理调用之间的状态。LangChain旨在为开发人员提供一个强大的工具集，以便他们能够构建适应性强、高效且能够处理复杂用例的高级语言模型应用程序。内容由AI大模型生成，请仔细甄别

开发：LangChain应用开发指南-大模型的知识外挂RAG

LangChain是一个专注于大模型应用开发的平台，它提供了一系列的组件和工具，帮助你轻松地构建RAG应用。LangChain提供了以下的组件来帮助你构建RAG应用：数据加载器（DocumentLoader）：数据加载器是一个对象，可以从一个数据源加载数据，并将其转换为文档（Document）对象。一个文档对象包含两个属性：page_content（str）和metadata（dict）。page_content是文档的文本内容，metadata是文档的元数据，例如标题、作者、日期等。文本分割器（DocumentSplitter）：文本分割器是一个对象，可以将一个文档对象分割成多个较小的文档对象。这样做的目的是为了方便后续的检索和生成，因为大模型的输入窗口是有限的，而且在较短的文本中更容易找到相关的信息。文本嵌入器（Embeddings）：文本嵌入器是一个对象，可以将文本转换为嵌入（Embedding），即一个高维的向量。文本嵌入可以用来衡量文本之间的相似度，从而实现检索的功能。向量存储器（VectorStore()）：向量存储器是一个对象，可以存储和查询嵌入。向量存储器通常使用一些索引技术，例如Faiss()或Annoy，来加速嵌入的检索。检索器（Retriever）：检索器是一个对象，可以根据一个文本查询返回相关的文档对象。检索器的一种常见实现是向量存储器检索器（VectorStoreRetriever），它使用向量存储器的相似度搜索功能来实现检索。聊天模型（ChatModel）：聊天模型是一个对象，可以根据一个输入序列生成一个输出消息。聊天模型通常基于大模型，例如GPT-3，来实现文本生成的功能。使用LangChain构建RAG应用的一般流程如下：

开发：LangChain应用开发指南-大模型的知识外挂RAG

LangChain是一个专注于大模型应用开发的平台，它提供了一系列的组件和工具，帮助你轻松地构建RAG应用。LangChain提供了以下的组件来帮助你构建RAG应用：数据加载器（DocumentLoader）：数据加载器是一个对象，可以从一个数据源加载数据，并将其转换为文档（Document）对象。一个文档对象包含两个属性：page_content（str）和metadata（dict）。page_content是文档的文本内容，metadata是文档的元数据，例如标题、作者、日期等。文本分割器（DocumentSplitter）：文本分割器是一个对象，可以将一个文档对象分割成多个较小的文档对象。这样做的目的是为了方便后续的检索和生成，因为大模型的输入窗口是有限的，而且在较短的文本中更容易找到相关的信息。文本嵌入器（Embeddings）：文本嵌入器是一个对象，可以将文本转换为嵌入（Embedding），即一个高维的向量。文本嵌入可以用来衡量文本之间的相似度，从而实现检索的功能。向量存储器（VectorStore）：向量存储器是一个对象，可以存储和查询嵌入。向量存储器通常使用一些索引技术，例如Faiss或Annoy，来加速嵌入的检索。检索器（Retriever）：检索器是一个对象，可以根据一个文本查询返回相关的文档对象。检索器的一种常见实现是向量存储器检索器（VectorStoreRetriever），它使用向量存储器的相似度搜索功能来实现检索。聊天模型（ChatModel）：聊天模型是一个对象，可以根据一个输入序列生成一个输出消息。聊天模型通常基于大模型，例如GPT-3，来实现文本生成的功能。使用LangChain构建RAG应用的一般流程如下：

Others are asking
知识库中的LangChain和LangGraph的内容有哪些 ？
以下是关于 LangChain 和 LangGraph 的相关内容： LangChain： LangChain 是一个由 Harrison Chase 开发的开源 Python 库，旨在支持使用大型语言模型（LLM）和外部资源（如数据源或语言处理系统）开发应用程序。 它提供了标准的接口，与其他工具集成，并为常见应用程序提供端到端链。 设计主张集中在模块化组件上，这些组件提供用于使用 LLM 的行为抽象，并为每个抽象提供实现的集合，从而允许开发人员构造新链或实现现成的链。 LangChain 和 RAG 的关系： LangChain 是一个用于构建高级语言模型应用程序的框架，提供了实现 RAG 所必需的工具和组件。 RAG 即检索增强生成，是一种结合了检索（检索外部知识库中相关信息）和生成（利用 LLM 生成文本）的技术。 LangChain 作为框架，与 RAG 的关系包括：是框架与技术的关系，允许通过模块化组件构建 RAG 应用程序，简化开发过程，提高性能，支持构建复杂的 RAG 应用。 关于大模型 RAG 应用中的 LangChain： 有从产品视角出发的分享，包括项目背景、初步体验和评测结果等。 预计会分成 3 篇分享，分别是 LangChain 框架初体验、调优思路分享、如何测评。
2025-04-12
langchain到底是什么。如何理解。
LangChain 是一个用于构建高级语言模型应用程序的框架，旨在简化开发人员使用语言模型构建端到端应用程序的过程。 它具有以下特点和优势： 1. 提供了一系列工具、组件和接口，使利用大型语言模型（LLM）和聊天模型创建应用程序更便捷。 2. 核心概念包括组件和链，组件是模块化构建块，可组合创建强大应用，链是一系列组件或其他链的组合，用于完成特定任务。 3. 具有模型抽象功能，能为用例选择合适模型，并利用组件构建应用。 4. 支持创建和管理提示模板，引导语言模型生成特定输出。 5. 允许开发人员定义处理步骤链，完成复杂任务。 6. 支持构建代理，能使用语言模型做决策并调用工具。 7. 支持多种用例，如针对特定文档的问答、聊天机器人、代理等，可与外部数据源交互收集数据，并提供内存功能维护状态。 LangChain 还是一个为简化大模型应用开发而设计的开源框架，通过提供模块化的工具和库，允许开发者轻松集成和操作多种大模型，将更多精力投入到创造应用的核心价值上。其设计注重简化开发流程，支持广泛的模型，具备良好的可扩展性，以适应业务需求变化。作为得到社区广泛支持的开源项目，拥有活跃的贡献者和持续更新，提供全面的文档和示例代码帮助新用户快速掌握，同时充分考虑了应用的安全性和用户数据的隐私保护，是多语言支持的灵活框架，适用于各种规模的项目和不同背景的开发者。 LangChain 官方手册：https://python.langchain.com/docs/get_started/introduction/
2025-03-21
什么是langchain
LangChain 是一个用于构建高级语言模型应用程序的框架，旨在简化开发人员使用语言模型构建端到端应用程序的过程。 它具有以下特点和优势： 1. 提供一系列工具、组件和接口，使创建由大型语言模型（LLM）和聊天模型支持的应用程序更易实现。 2. 核心概念包括组件和链，组件是模块化的构建块，链是组合在一起完成特定任务的一系列组件（或其他链）。 3. 具有模型抽象功能，提供对大型语言模型和聊天模型的抽象，便于开发人员选择合适模型并利用组件构建应用。 4. 支持创建和管理提示模板，引导语言模型生成特定输出。 5. 允许开发人员定义一系列处理步骤，按顺序执行完成复杂任务。 6. 支持构建代理，能使用语言模型做决策并根据用户输入调用工具。 7. 支持多种用例，如针对特定文档的问答、聊天机器人、代理等，可与外部数据源交互收集数据，还提供内存功能维护状态。 LangChain 是一个为简化大模型应用开发而设计的开源框架，通过提供模块化的工具和库，允许开发者轻松集成和操作多种大模型，将更多精力投入到创造应用的核心价值上。其设计注重简化开发流程，支持广泛的模型，具备良好的可扩展性，适应不断变化的业务需求。作为得到社区广泛支持的开源项目，拥有活跃的贡献者和持续更新，提供全面的文档和示例代码帮助新用户快速掌握，在设计时充分考虑应用的安全性和用户数据的隐私保护，是多语言支持的灵活框架，适用于各种规模的项目和不同背景的开发者。 LangChain 官方手册：https://python.langchain.com/docs/get_started/introduction/
2025-03-11
如何通过langchain实现上传 一个客户需求文档，生成一个产品规格书doc格式的文档
要通过 LangChain 实现上传客户需求文档并生成产品规格书（doc 格式），可以按照以下步骤进行： 1. 上传文档：用户可以上传包含知识的文档，支持 txt、pdf、docx 等格式，LangChain ChatChat 会将文档转换为 Markdown 格式。 2. 文本切割：为便于分析和处理，将长文本切割为小块（chunk）。 3. 文本向量化：将切割的 chunk 通过 embedding 技术，转换为算法可以处理的向量，存入向量数据库。 4. 问句向量化：用户提问后，同样将用户的问句向量化。 5. 语义检索匹配：将用户的问句与向量数据库中的 chunk 匹配，匹配出与问句向量最相似的 top k 个。 6. 提交 prompt 至 LLM：将匹配出的文本和问句，一起添加到配置好的 prompt 模板中，提交给 LLM。 7. 生成回答：LLM 生成回答，返回给用户。
2025-02-27
LangChain
LangChain 是一个用于构建高级语言模型应用程序的框架，具有以下特点和功能： 旨在简化开发人员使用语言模型构建端到端应用程序的过程，提供了一系列工具、组件和接口，使创建由大型语言模型（LLM）和聊天模型支持的应用程序更易实现。 核心概念包括组件和链，组件是模块化的构建块，链是组合在一起完成特定任务的一系列组件（或其他链）。 具有模型抽象、提示模板和值、链、代理等功能。 支持多种用例，如针对特定文档的问答、聊天机器人、代理等，且可与外部数据源交互并提供内存功能。 LangChain 与 RAG（检索增强生成）的关系： 框架与技术：LangChain 作为框架，提供实现 RAG 必需的工具和组件，RAG 技术可在其框架内实施利用。 模块化实现：允许开发者通过模块化组件构建 RAG 应用程序。 简化开发：通过提供现成的链和提示模板简化 RAG 应用开发过程。 提高性能：利用 LangChain 实现 RAG 可创建更高效、准确的应用程序，尤其在需大量外部信息辅助决策的场景。 应用构建：通过丰富的 API 和组件库支持构建复杂的 RAG 应用，如智能问答系统、内容推荐引擎等。 在开发 LangChain 应用时，构建 RAG 应用的相关组件包括数据加载器、文本分割器、文本嵌入器、向量存储器、检索器、聊天模型等，一般流程如下：（具体流程未给出，如有需要请补充提问）
2025-02-24
详细介绍下langchain
LangChain 是一个用于构建高级语言模型应用程序的框架，旨在简化开发人员使用语言模型构建端到端应用程序的过程。 它具有以下特点和优势： 1. 提供一系列工具、组件和接口，使基于大型语言模型（LLM）和聊天模型创建应用程序更轻松。 2. 核心概念包括组件和链，组件是模块化构建块，可组合创建强大应用，链是一系列组件或其他链的组合，用于完成特定任务。 3. 具有模型抽象功能，提供对大型语言模型和聊天模型的抽象，便于开发人员选择合适模型并利用组件构建应用。 4. 支持创建和管理提示模板，引导语言模型生成特定输出。 5. 允许开发人员定义处理步骤链，按顺序执行完成复杂任务。 6. 支持构建代理，能使用语言模型做决策并根据用户输入调用工具。 7. 支持多种用例，如特定文档问答、聊天机器人、代理等，可与外部数据源交互收集数据，还提供内存功能维护状态。 LangChain 是一个开源框架，为简化大模型应用开发而设计。它通过提供模块化的工具和库，允许开发者轻松集成和操作多种大模型，将更多精力投入到创造应用的核心价值上。其设计注重简化开发流程，支持广泛的模型，具备良好的可扩展性以适应业务需求变化。作为社区广泛支持的开源项目，拥有活跃的贡献者和持续更新，提供全面的文档和示例代码帮助新用户快速掌握。同时，在设计时充分考虑应用的安全性和用户数据的隐私保护，是多语言支持的灵活框架，适用于各种规模的项目和不同背景的开发者。 LangChain 官方手册：https://python.langchain.com/docs/get_started/introduction/
2025-02-14
公共议题:AI如何助力HR业务? 研讨目标： 深入理解:深入探讨 AI在人力资源管理领域的应用、薪酬管理、员工关系、公司文化、包括人才获取与配置、学习与发展、组织与人才培、HR共享与HRIS等各模块的可应用场景 机会识别与场景落地:基于组织现状，识别出业务价值高、可落地的 A 应用场景; 研讨成果(输出物)： 请输出10个业务价值高、具备可行性的AI应用场景介绍，并说明what(场景是什么)、why(为什么值得做)、How(如何落地);
以下是为您生成的 10 个业务价值高、具备可行性的 AI 应用场景介绍： 1. 人才招聘与筛选 What：利用 AI 技术对求职者的简历进行自动筛选和分析，评估其与岗位的匹配度。 Why：节省 HR 大量的时间和精力，提高招聘效率和准确性。 How：通过自然语言处理和机器学习算法，训练模型识别关键信息和技能。 2. 员工培训与发展 What：根据员工的技能水平和职业发展目标，定制个性化的培训计划。 Why：提升员工的能力和绩效，增强员工对企业的忠诚度。 How：利用大数据分析员工的工作表现和学习需求，推荐相关课程和学习资源。 3. 薪酬福利管理 What：运用 AI 预测市场薪酬趋势，为企业制定合理的薪酬策略。 Why：保持企业薪酬的竞争力，吸引和留住优秀人才。 How：收集和分析行业薪酬数据，结合企业的财务状况和战略目标进行优化。 4. 员工绩效评估 What：借助 AI 实时监测员工的工作表现，提供客观的绩效评估。 Why：减少人为偏差，确保评估的公正性和准确性。 How：利用工作流程数据和行为分析模型进行评估。 5. 员工关系管理 What：通过 AI 分析员工的情绪和满意度，及时发现问题并解决。 Why：营造良好的工作氛围，提高员工的工作积极性和创造力。 How：使用情感分析技术处理员工的反馈和交流信息。 6. 组织架构优化 What：利用 AI 分析企业的业务流程和人员配置，提供组织架构调整建议。 Why：提高企业的运营效率和灵活性，适应市场变化。 How：基于数据分析和模拟优化算法进行评估和推荐。 7. 人力资源规划 What：根据企业的战略目标和业务发展预测人力资源需求。 Why：提前做好人才储备和招聘计划，保障企业的正常运营。 How：运用数据分析和预测模型进行规划。 8. 企业文化传播 What：使用 AI 生成个性化的企业文化宣传内容，提高传播效果。 Why：增强员工对企业文化的认同感和归属感。 How：利用自然语言生成技术和个性化推荐算法。 9. 智能客服 What：在 HR 服务中引入 AI 客服，解答员工常见问题。 Why：快速响应员工需求，提高服务质量。 How：训练智能客服模型，涵盖常见的 HR 问题和解决方案。 10. 人才库管理 What：利用 AI 对人才库进行分类和更新，提高人才库的利用效率。 Why：方便快速找到合适的人才，降低招聘成本。 How：运用数据挖掘和分类算法进行管理。
2025-04-14
公共议题:AI如何助力HR业务? 研讨目标： 深入理解:深入探讨 AI在人力资源管理领域的应用、薪酬管理、员工关系、公司文化、包括人才获取与配置、学习与发展、组织与人才培、HR共享与HRIS等各模块的可应用场景 机会识别与场景落地:基于组织现状，识别出业务价值高、可落地的 A 应用场景; 研讨成果(输出物)： 请输出3-5个业务价值高、具备可行性的AI应用场景介绍，并说明what(场景是什么)、why(为什么值得做)、How(如何落地);
以下是为您提供的 3 个业务价值高、具备可行性的 AI 应用场景介绍： 场景一：AI 在企业招聘中的应用 What：利用 AI 技术进行简历筛选、人才匹配和面试评估。 Why：能够快速处理大量简历，提高招聘效率和准确性，节省人力和时间成本，同时更精准地找到符合岗位需求的人才。 How：通过引入相关的 AI 招聘软件，与企业现有的招聘系统集成，对简历进行关键词提取和分析，利用机器学习算法进行人才匹配，并通过视频面试中的语音和表情分析辅助评估候选人。 场景二：AI 助力个性化人力资源管理 What：根据员工的个人特点和工作表现，提供个性化的培训计划、职业发展建议和绩效评估。 Why：能够充分发挥员工的潜力，提高员工满意度和忠诚度，促进企业的长期发展。 How：收集员工的工作数据、学习记录和绩效表现等信息，运用 AI 算法进行分析和预测，为员工制定专属的发展方案，并通过移动应用或内部系统向员工推送相关建议和培训课程。 场景三：AI 打造无人值守的 HR 平台 What：实现 HR 业务的自动化处理，如员工请假审批、薪酬计算和福利发放等。 Why：减少人工操作的错误和繁琐流程，提高 HR 工作的效率和准确性，使 HR 人员能够专注于更有价值的战略工作。 How：整合企业内部的各种 HR 系统和数据，利用 RPA 和 AI 技术实现流程的自动化，同时建立监控和预警机制，确保平台的稳定运行。
2025-04-14
随着 ChatGPT、Deepseek 等 AI 技术的爆发式发展，人工智能正在加速渗透各行业应用场景，包括茶饮行业。请你对 AI 技术在茶饮行业的影响进行研究分析，并提出 AI 技术可以在连锁奶茶店如何应用的设想。
以下是关于 AI 技术在茶饮行业的影响分析及在连锁奶茶店应用的设想： 影响分析： 1. 提升运营效率：通过自动化流程和智能预测，优化库存管理、员工排班等环节。 2. 改善客户体验：利用智能客服快速响应顾客咨询，提供个性化推荐。 3. 精准营销：基于大数据分析顾客偏好，制定更有针对性的营销策略。 应用设想： 1. 智能点单系统：根据顾客的历史订单和偏好，为其推荐饮品和搭配。 2. 库存管理优化：借助 AI 预测销售趋势，精准控制原材料库存。 3. 员工培训辅助：利用虚拟培训工具，提升员工的服务技能和产品知识。 4. 营销决策支持：通过数据分析，确定最佳的促销活动和推广渠道。 目前的知识库中，相关的具体研究报告主要有： 1. 浙江大学：《DeepSeek 技术溯源及前沿探索朱强》（2025/03/19），介绍了语言模型从基于统计的 Ngram 到 Transformer 的技术演化，以及大模型的发展，如 GPT 系列。 2. 浙江大学：《DeepSeek：回望 AI 三大主义与加强通识教育报告》（2025/03/05），围绕人工智能展开，介绍其发展历程、三大主义、技术进展、应用成果以及教育举措。 3. 清华大学：《气象人工智能技术与应用报告》（2024/12/25），围绕气象人工智能展开，介绍了其发展和应用情况。 如需下载这些研究报告，可。
2025-04-09
我是一名AI古诗词视频创作者，我想教大家如果用AI软件将古诗词的内容用视频形式表现出来，请帮我写一个教学文档，要求内容丰富，从简单到复杂，从入门到深层思考和学习，包括提示词怎么写，提示词模板，提示词举例等
以下是一份关于如何用 AI 软件将古诗词内容以视频形式表现出来的教学文档： 一、简单入门 如果是简单的图，找原图直接写提示词即可。 二、复杂图片处理 1. 图片分模块 对于复杂部分的图，把长图分多个模块。例如，将一张图分成 4 个模块。 2. 抠出背景图 智能抠图。用工具把要动的内容去除掉，用 AI 生成图片部分。如果有水印，可以把图片向下拓展一部分，然后截掉。 3. 绿幕处理前景图 将要拿来动起来的部分抠出，放在绿幕背景里或者画的背景颜色，导出图片。 4. 前景图动态生成视频 用 AI 视频生成工具写入提示词让图片动起来。有很多工具可供选择，如即梦、海螺、混元等。不停尝试抽卡即可。 5. 生成视频去掉背景 用剪映把抽卡合格的视频放在去掉内容的背景图片上，视频的背景用色度抠图调整去掉。多个视频放在背景图片，一起动即可。 三、提示词相关 1. 文案生成 工具：DeepSeek 操作：打开 DeepSeek 网站（https://chat.deepseek.com/ ），输入提示词。例如：“让 XX 用现代口语化的表达、生气骂人的口吻吐槽 XXXX（例如：吐槽现代人），XXX 目的（例如：推广 XXX 吸引游客来旅游），输出 3 条 60 字左右的毒舌文案，每条里面都要有‘回答我！Look in my eyes！Tell me！why？baby！why？’”可以根据自己的内容自行调整文案和字数要求。点击生成，等待 DeepSeek 输出 3 条文案。从中挑选最满意的一条（或多条）保存备用。 2. 准备人物形象图 工具：即梦 AI 操作：打开即梦 AI 网站（https://jimeng.jianying.com/aitool/image/generate ），输入提示词，即梦已经接入了 DeepSeek，可以直接用它来生成绘图提示词。调整生成参数（如风格、细节等），点击生成。预览生成的人物图，不满意可调整提示词重新生成，直到满意为止。下载最终的人物形象图。 四、其他注意事项 1. 指定视觉细节 包括颜色、照明、相机角度和风格等任何视觉元素的描述。提供的细节越多，输出就越接近您的愿景。 2. 提及所需长度和格式 如果您对特定的长度（以秒或分钟为单位）或格式（宽高比、分辨率）有想法，请提及。这对于 AI 生成符合您要求的内容至关重要。 3. 概述音频偏好 如果您的视频需要特定的音频元素，如背景音乐、旁白或音效，请详细描述。指定您是希望 AI 生成这些元素还是您自己提供。 4. 考虑道德和版权准则 确保您的提示符合道德标准和版权法。避免请求侵犯版权或涉及没有适当背景的敏感主题的内容。 请根据您的具体需求和所使用的视频 AI 工具的能力调整模板和示例。记住，输出的质量在很大程度上取决于您通过提示传达愿景的效果。
2025-04-08
我是一名0基础的AI使用者，如果我需要熟练的搭建自己coze来完成一些业务工作，我的学习路径是什么样的？可以为我推荐一个学习计划，包括学习的资料获取途径和资料推荐吗？
以下是为您推荐的从 0 基础学习搭建自己的 Coze 来完成业务工作的学习路径和学习计划： 学习路径： 1. 了解 Coze AI 应用的背景和现状，包括其发展历程、适用场景和当前的局限性。 2. 熟悉创建 AI 应用的操作界面，包括学习业务逻辑和用户界面的搭建。 3. 掌握前端和后端的基础知识，了解其在 Coze 应用中的作用。 4. 学习容器的操作和页面布局技巧。 学习计划： 1. 资料获取途径：可以通过飞书知识库获取相关学习资料。 2. 资料推荐： “90 分钟从 0 开始打造你的第一个 Coze 应用:证件照 2025 年 1 月 18 日副本”，其中包含智能纪要和智能章节，详细介绍了 Coze 应用的创建过程、界面讲解、前端与后端基础及界面组件布局、容器操作与页面布局等内容。 （筹划中）「Agent 共学」之“两天学会用 AI 建站”，其中的共学日程表可能会提供相关的学习安排和指导。 在学习过程中，建议您重点熟悉桌面网页版的用户界面，按照资料中的步骤逐步实践，遇到问题及时查阅资料或寻求帮助。祝您学习顺利！
2025-03-31
生成设计图：包括图书馆静音舱+小组讨论舱 :用隔音板材划分独立空间，舱体外壳由学生绘制抽象艺术图案。 可变形桌椅 :定制模块化桌椅，支持拼合为“创作大桌”或独立卡座，适配小组作业与个人学习。 艺术疗愈角 :设置减压涂鸦墙、小型绿植温室，配备舒缓音乐耳机。
以下是为您提供的关于生成您所需设计图的相关信息： 星流一站式 AI 设计工具具有入门模式和高级模式。 入门模式： 可以使用图像控制功能精准控制生成图像的内容和风格，如空间关系、线稿、人物长相、姿势等。 只能使用以下四种参考功能： 全部图片参考功能，包括原图、景深、线稿轮廓、姿势、Lineart 线稿、Scribble 线稿、光影、Segmant 构图分割等。 原图、SoftEdge 线稿、配色参考、配色打乱、法线贴图、MLSD 线稿等。 高级模式： 点击生成器下方的切换按钮进行切换。 与入门模式相比增加了高级模式框架。 基础模型方面，允许使用更多的微调大模型，如基础模型 F.1、基础模型 XL、基础模型 1.5。 图片参考方面，允许使用更多的图像控制功能，在星流基础大模型下，增加了 tile 分块与 softedge 线稿。 高清分辨率修复：利用算法对初步生成的图像进行简单的图生图高清放大（目前仅支持基础模型 xl 和 1.5 模型）。 放大算法会影响图像放大后的图像质量，建议默认即可。 重绘幅度与初步生成的图像的相似度有关。 其他参数默认即可，参数方面允许调整更多的高级参数。 采样器方面，采样方法决定了模型在生成图像过程中的出图质量，有些采样器在细节处理上表现更佳比如 DPM++2M，而有些则在生成速度上更快，比如 Euler。 采样步数一般来说，步数越多，模型对图像的生成和优化越充分，但同时也会增加生成时间。 随机种子是文生图的随机数种子，通过设置相同的随机数种子，可以确保在相同的参数配置下生成相同的图像。 CFG Scale 控制生成图像与提示词一致性的重要参数。 具有脸部/手部修复功能，利用算法对人像的脸部或者手部进行修复。 此外，学生使用项目化的方式分析现状，做问卷调查，数据分析，在 ChatGPT 的帮助下设计出优化过的设计图，然后使用 3D 的空间设计软件设计出来 3D 的设计图。比如有孩子为优化老师家访路线提出做一个软件产品的案例。
2025-03-23