AI合规审核，产品包装信息如何借助AI进行智能审核

要让企业微信接上 AI 并变成一个 AI 客服，可以参考以下内容： 1. 基于 COW 框架的 ChatBot 实现方案：这是一个基于大模型搭建的 Chat 机器人框架，可以将多模型塞进微信（包括企业微信）里。张梦飞同学写了更适合小白的使用教程，链接为： 。 可以实现打造属于自己的 ChatBot，包括文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等功能，以及常用开源插件的安装应用。 正式开始前需要知道：本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项：微信端因为是非常规使用，会有封号危险，不建议主力微信号接入；只探讨操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等；多模型选择，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等；多消息类型支持，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能；多部署方法，如本地运行、服务器运行、Docker 的方式。 2. DIN 配置：先配置 FastGpt、OneAPI，装上 AI 的大脑后，可体验知识库功能并与 AI 对话。新建应用，在知识库菜单新建知识库，上传文件或写入信息，最后将拥有知识库能力的 AI 助手接入微信。

围棋 AI 领域具有重要的研究价值和突破。在古老的围棋游戏中，AI 面临着巨大挑战，如搜索空间大、棋面评估难等。DeepMind 团队通过提出全新方法，利用价值网络评估棋面优劣，策略网络选择最佳落子，且两个网络以人类高手对弈和 AI 自我博弈数据为基础训练，达到蒙特卡洛树搜索水平，并将其与蒙特卡洛树搜索有机结合，取得了前所未有的突破。在复杂领域 AI 第一次战胜人类的神来之笔 37 步，也预示着在其他复杂领域 AI 与人类智能对比的进一步突破可能。此外，神经网络在处理未知规则方面具有优势，虽然传统方法在处理象棋问题上可行，但对于围棋则困难重重，而神经网络专门应对此类未知规则情况。关于这部分内容，推荐阅读《这就是 ChatGPT》一书，其作者备受推崇，美团技术学院院长刘江老师的导读序也有助于了解 AI 和大语言模型计算路线的发展。

以下 AI 工具可以实现提取多个指定网页的更新内容： 1. Coze：支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容，可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时，输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序，标注要采集的内容，内容上传成功率高。 2. AI Share Card：能够一键解析各类网页内容，生成推荐文案，把分享链接转换为精美的二维码分享卡。通过用户浏览器，以浏览器插件形式本地提取网页内容。

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

以下是在钉钉上学 AI 的相关内容： 从 AI 助教到智慧学伴的应用探索： 登录钉钉客户端，在右上角依次选择钉钉魔法棒、AI 助理、创建 AI 助理。进入创建 AI 助理页面后，填写 AI 助理信息，设置完成即可创建成功。 AI 领导力向阳乔木：未提及具体的在钉钉上学 AI 的操作方法。 基于 COW 框架的 ChatBot 实现步骤： 创建应用： 进入，登录后点击创建应用，填写应用相关信息。 点击添加应用能力，选择“机器人”能力并添加。 配置机器人信息后点击发布，发布后点击“点击调试”，会自动创建测试群聊，可在客户端查看。点击版本管理与发布，创建新版本发布。 项目配置： 点击凭证与基础信息，获取 Client ID 和 Client Secret 两个参数。 参考项目，将相关配置加入项目根目录的 config.json 文件，并设置 channel_type:"dingtalk"，注意运行前需安装依赖。 点击事件订阅，点击已完成接入，验证连接通道，会显示连接接入成功。 使用：与机器人私聊或将机器人拉入企业群中均可开启对话。

以下是一些常见的 AI 术语解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。属于技术范畴。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。属于通识范畴。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。属于技术范畴。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。属于技术范畴。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。属于通识范畴。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。属于技术范畴。 TPU（张量处理单元）：谷歌开发的一种微处理器，专门用于加速机器学习工作负载。属于技术范畴。 Training Data（训练数据）：用于训练机器学习模型的数据集。属于技术范畴。 Transfer Learning（迁移学习）：机器学习中的一种方法，其中对新问题使用预先训练的模型。属于技术范畴。 Validation Data（验证集）：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。用于调整模型的超参数（即架构，而不是权重）。属于技术范畴。 Knowledge Distillation（数据蒸馏）：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。属于技术范畴。 RAG（检索增强生成）：检索增强生成。属于技术范畴。 Forward Propagation（前向传播）：在神经网络中，输入数据被馈送到网络并通过每一层（从输入层到隐藏层，最后到输出层）以产生输出的过程。网络对输入应用权重和偏差，并使用激活函数生成最终输出。属于技术范畴。 Foundation Model（基础模型）：在广泛数据上训练的大型 AI 模型，旨在适应特定任务。属于技术范畴。 GAN（通用对抗网络）：一种机器学习模型，用于生成类似于某些现有数据的新数据。使两个神经网络相互对抗：一个“生成器”，创建新数据，另一个“鉴别器”试图将数据与真实数据区分开来。属于技术范畴。 Generative AI/Gen AI（生成式 AI）：AI 的一个分支，专注于创建模型，这些模型可以根据现有数据的模式和示例生成新的原创内容，例如图像、音乐或文本。属于通识范畴。 GPU（图形处理单元）：一种特殊类型的微处理器，主要用于快速渲染图像以输出到显示器。在执行训练和运行神经网络所需的计算方面也非常高效。属于产品范畴。

目前有以下几种 AI 可以审核文件： 1. AI Review：这是一项功能，可让您查看代码库中的最近更改以捕获任何潜在的错误。您可以单击各个审阅项以查看编辑器中的完整上下文，并与 AI 聊天以获取详细信息。为了让其对您有利，您可以为 AI 提供自定义说明以专注于特定方面，比如性能。目前有几个选项可供选择进行审核，如审查工作状态、审查与主分支的差异、审查上次提交。 2. 在专利审查方面： 专利检索与分类：AI 可以帮助进行高效的专利检索和分类，通过自然语言处理（NLP）和机器学习算法，自动识别和分类专利文献。示例平台如 Google Patents、IBM Watson for IP。 专利分析和评估：AI 可以分析专利文本，评估专利的新颖性和创造性，预测专利的授权可能性。示例平台如 TurboPatent、PatentBot。 自动化专利申请：AI 可以帮助自动生成专利申请文件，减少人工编写和审查时间。示例平台如 Specifio、PatentPal。 专利图像和图表分析：AI 可以分析专利申请中的图像和图表，帮助识别和分类技术内容。示例平台如 Aulive、AIpowered image recognition tools。 3. Midjourney：今天早上 3 小时前 MJ 将测试全新的“外部图像编辑器、图像重纹理化功”能以及下一代 AI 审核系统。图像编辑器允许您从计算机上传图像，然后扩展、裁剪、重绘、添加或修改场景中的元素，还推出了“图像重纹理化模式”。AI 审核系统将从整体上检查您的提示、图像、绘制蒙版以及生成的输出图像。但在第一个发布阶段，这些功能仅开放给已生成至少 10,000 张图像的用户（年度会员可用）以及过去 12 个月内一直是月度订阅用户的用户。

以下是关于如何使用 AI 审核文件格式以及如何利用 AI 写课题的相关信息： 如何使用 AI 审核文件格式： Midjourney 正在测试全新的“外部图像编辑器、图像重纹理化功能”以及下一代 AI 审核系统。 1. 图像编辑器：允许从计算机上传图像，然后扩展、裁剪、重绘、添加或修改场景中的元素。还推出了“图像重纹理化模式”，可通过文本提示和区域选择来控制所有图像编辑操作，且兼容多种功能。 2. AI 审核系统：这是一个更加智能、细致的 V2 审核系统，会从整体上检查提示、图像、绘制蒙版以及生成的输出图像。但仍处于早期测试阶段，MJ 正在尽力优化其遵循的规则。 3. 使用规则：由于这些功能很新，MJ 希望给社区和人工审核团队一个适应时间。在第一个发布阶段，这些功能开放给以下社区群体： 已生成至少 10,000 张图像的用户，年度会员可用。 过去 12 个月内一直是月度订阅用户的用户。 如何利用 AI 写课题： 1. 确定课题主题：明确研究兴趣和目标，选择有研究价值和创新性的主题。 2. 收集背景资料：使用学术搜索引擎和文献管理软件等 AI 工具搜集相关研究文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的大纲。 5. 撰写文献综述：借助 AI 工具确保内容准确完整。 6. 构建方法论：根据研究需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：利用 AI 写作工具撰写各部分，并检查语法和风格。 9. 生成参考文献：使用 AI 文献管理工具生成正确格式的参考文献。 10. 审阅和修改：用 AI 审阅工具检查逻辑性和一致性，根据反馈修改。 11. 提交前的检查：使用 AI 抄袭检测工具确保原创性，并做最后的格式调整。 需要注意的是，AI 工具只是辅助，不能完全替代研究者的专业判断和创造性思维，使用时应保持批判性思维，确保研究质量和学术诚信。

以下是关于借助 AI 进行产品保证信息合规审核的一些建议： 1. 建立用户的举报和响应机制：在网站建立相关投诉举报机制，如设置侵权举报按钮，简化举报流程，并建立快速响应团队，负责评估收到的侵权举报，并在必要时采取法律行动。 2. 对用户进行潜在风险提示，明确用户责任与义务：在用户协议中详细列出禁止侵权行为的条款，并明确违反协议的法律后果。通过用户教育活动，如在线研讨会、指南和常见问题解答，提高用户对版权的认识。 3. 企业应当深入钻研相关法律法规，深化版权合规流程： 定期组织知识产权法律培训，确保团队成员对相关法律法规有深刻理解，涵盖适用于 AI 生成内容的版权法、AI 创新的专利申请策略，以及对国际知识产权法律差异的理解等内容。 建立专门的法律合规团队，其职责不仅是监控，还需主动解释新法律变动对公司运营的影响，包括对新立法进行影响分析、从法律角度对产品开发提供建议，以及制定内部政策以指导公司对法律更新的响应。 制定严格的数据来源审核流程，确保所有用于训练 AI 的数据均获得明确的版权授权。对于 AI 生成的内容，应实行版权审核机制，以确保这些内容要么是原创的，要么已经得到授权使用。 4. 建立企业内容过滤与监控系统：开发或采用先进的内容识别技术，如图像识别和文本匹配，自动识别并过滤潜在的侵权内容。同时，建立内容监控小组，负责人工审核由用户生成的内容，确保过滤系统的准确性。通过结合使用技术和人工审核，提高识别侵权内容的能力，保护企业和用户免受侵权风险。

字节在安全审核业务中可能运用到的大模型包括： 1. Claude2100k 模型，其上下文上限是 100k Tokens，即 100000 个 token。 2. ChatGPT16k 模型，其上下文上限是 16k Tokens，即 16000 个 token。 3. ChatGPT432k 模型，其上下文上限是 32k Tokens，即 32000 个 token。 大模型的相关知识： 1. 大模型中的数字化便于计算机处理，为让计算机理解 Token 之间的联系，需把 Token 表示成稠密矩阵向量，这个过程称为 embedding，常见算法有基于统计的 Word2Vec、GloVe，基于深度网络的 CNN、RNN/LSTM，基于神经网络的 BERT、Doc2Vec 等。 2. 以 Transform 为代表的大模型采用自注意力机制来学习不同 token 之间的依赖关系，生成高质量 embedding。大模型的“大”指用于表达 token 之间关系的参数多，例如 GPT3 拥有 1750 亿参数。 3. 大模型的架构包括 encoderonly（适用于自然语言理解任务，如分类和情感分析，代表模型是 BERT）、encoderdecoder（同时结合 Transformer 架构的 encoder 和 decoder 来理解和生成内容，代表是 google 的 T5）、decoderonly（更擅长自然语言生成任务，典型使用包括故事写作和博客生成，众多 AI 助手基本都来自此架构）。大模型的特点包括预训练数据非常大（往往来自互联网，包括论文、代码、公开网页等，一般用 TB 级数据进行预训练）、参数非常多（如 Open 在 2020 年发布的 GPT3 已达到 170B 的参数）。

字节在审核安全业务方面可以运用的 AI 包括： 1. OpenAI 的审核（Moderation）Endpoint：可用于检查内容是否符合使用策略，其模型分为 hate（表达、煽动或宣扬基于种族、性别等的仇恨内容）、hate/threatening（仇恨内容且包括对目标群体的暴力或严重伤害）、selfharm（宣扬、鼓励或描绘自残行为）、sexual（旨在引起性兴奋的内容）、sexual/minors（包含未满 18 周岁的个人的色情内容）、violence（宣扬或美化暴力或歌颂他人遭受苦难或羞辱的内容）、violence/graphic（以极端血腥细节描绘死亡、暴力或严重身体伤害的暴力内容）等类别。在监视 OpenAI API 的输入和输出时，可以免费使用审查终结点，但目前不支持监控第三方流量，且对非英语语言的支持有限。 2. 专利审查方面的 AI： 专利趋势分析和预测：AI 可以分析大量的专利数据，识别技术发展趋势和竞争情报，帮助企业和研究机构制定战略决策。示例平台如 Innography、PatSnap。 具体 AI 应用示例： Google Patents：使用 AI 技术进行专利文献的全文检索和分析，提高了专利检索的准确性和效率。 IBM Watson for IP：利用 NLP 和机器学习技术，自动化地进行专利检索、分类和分析，减少了人工工作量，提高了专利审查的效率和准确性。 其他应用： 专利检索与分类：通过自然语言处理（NLP）和机器学习算法，自动识别和分类专利文献。示例平台如 Google Patents、IBM Watson for IP。 专利分析和评估：分析专利文本，评估专利的新颖性和创造性，预测专利的授权可能性。示例平台如 TurboPatent、PatentBot。 自动化专利申请：帮助自动生成专利申请文件，减少人工编写和审查时间。示例平台如 Specifio、PatentPal。 专利图像和图表分析：分析专利申请中的图像和图表，帮助识别和分类技术内容。示例平台如 Aulive、AIpowered image recognition tools。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

智能体的内容审核主要包括以下几个方面： 1. 输入侧防御： 传统防御手段可用，结合大模型特性，进行意图识别、语义匹配、提示词与模型输入响应及语义结构分析，综合判断用户输入是否恶意。 2. 模型侧防御： 有模型训练能力和大模型厂商应增强安全性，从对抗训练到安全微调，到带安全任务的多任务学习，以及在整体对话中进行安全性上下文动态感知等，但要平衡安全性与模型性能。 开发者虽无法训练模型，但能在开发中带着安全意识优化应用和系统提示词，加入安全引导和禁止内容。 3. 输出侧防御： 传统防御和内容过滤手段均可使用，基于大模型特点，可进行提示词、私有数据泄露等检查，判断是否有事实性错误、脱离话题、乱码文本、不正确格式、错误代码等。 护栏项目可对输入、输出进行检测和防护，检测项可能较简单。 在「Agent 共学」之 coze 模板搭建大赛的评审规则中，分数构成包括智能体评分（70%）和说明文档评分（30%）。智能体评分维度包括规范性（20 分）、专业性（30 分）、技术性（30 分）、体验性（20 分）。说明文档评分维度包括作品创意（40 分）、实现原理与功能（40 分）、文档结构（20 分）。 Claude2 经过专门训练以保证无害性，是筛查涉及暴力、非法或色情活动消息的良好工具。可通过示例提示评估用户消息是否包含不适当内容，根据情况回复，Claude 的回答可传递给另一个提示说明后续操作。

个人微信接入 AI 存在一定风险和合规问题。微信端的这种接入属于非常规使用，可能会有封号危险，不建议使用主力微信号接入。 在操作过程中，需要注意以下几点： 1. 接入大模型 API 实现时需要单独付费。 2. 对大模型生成的内容要注意甄别，确保所有操作均符合相关法律法规的要求。 3. 禁止将此操作用于任何非法目的。 4. 处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 此外，关于将 AI 接入微信的实现步骤，可参考以下内容： 1. 注册 AI 模型： 进入智普 AI：https://open.bigmodel.cn/ 。 点击开始使用，注册登录。 按照要求进行认证，点击控制台，查看 API key，添加新的 API key 并复制保存。 2. 注册云服务器： 新用户点击去注册腾讯云： 。 微信扫码注册，首次注册选择第一个。 选择地域和镜像（宝塔 8.1.0），点击立即试用。 进入腾讯云服务台，登录（可微信扫码登录）。 复制 sudo/etc/init.d/bt default 并粘贴回车，保存输出内容。 返回服务器控制台，在防火墙菜单栏添加规则，手动输入相关内容并确定。

很抱歉，飞书知识库中没有与您关于通过 AI 做好企业内部门店招牌门头智能巡检思路的直接相关内容。但一般来说，您可以考虑以下思路： 1. 数据采集：使用图像采集设备获取门店招牌门头的图像数据。 2. 图像识别技术：运用 AI 的图像识别能力，对采集到的图像进行分析，识别 Logo、颜色、尺寸等元素。 3. 建立标准模型：根据公司设计的标准，建立合规性的模型，以便与采集到的图像进行对比。 4. 智能判断：通过算法判断门头的各项元素是否符合标准，包括 Logo 是否与标准一致，颜色搭配、尺寸是否在规定范围内，以及是否存在褪色等问题。 5. 生成报告和提醒：根据判断结果生成详细的报告，并及时提醒相关人员进行整改。

以下是关于合规性审查的相关内容： 套壳产品的合规管理策略： 1. 深入了解相关法律法规：企业应熟悉涉及知识产权、消费者权益保护、产品安全、市场监管等方面的法律法规，确保产品设计、生产、销售和营销活动符合这些法律法规。 2. 尊重知识产权：对于采用或参考他人作品的产品，确保已获得必要的许可和授权，避免侵犯版权、商标权、专利权等。 3. 进行产品合规性审查：在产品开发阶段，进行合规性审查，确保产品设计、材料和功能符合所有适用的行业标准和法规。 4. 建立风险管理机制：制定风险评估和管理流程，定期评估产品的合规性风险，并制定相应的风险缓解措施。 5. 加强质量控制：确保产品经过严格的质量控制流程，符合消费者安全和产品质量的标准。 6. 透明和诚实的营销：在产品推广和营销中，确保所有声明都是准确、透明和不具误导性的。 7. 建立监督和审计流程：定期对产品和业务流程进行内部审计，以确保持续的合规性。 8. 员工培训和意识提升：对员工进行合规和道德培训，确保他们理解公司政策和相关法律法规，以及他们在维护合规性方面的责任。 9. 建立应急响应计划：制定应对潜在合规问题和危机情况的应急计划，包括迅速反应机制、责任分配、沟通策略等。 10. 与法律顾问合作：在关键的产品开发和市场推广阶段，与法律专家合作，以确保所有操作符合法律要求。 AI 陪伴产品的合规措施： 为了确保 AI 陪伴产品的合规性，制造商和开发者需要采取一系列措施。这包括遵循数据保护法规，设计安全的软硬件，确保儿童用户的隐私和安全，提供产品的透明度和可解释性，避免偏见和歧视，确保用户充分理解他们的权利和义务，考虑产品对用户心理健康和社会行为的影响，定期对产品进行监测和更新，进行合规性审核和认证，以及提供用户教育和支持服务。 金融服务业中生成式 AI 对合规性的作用： 1. 高效筛查：生成式 AI 模型可以迅速将任何个体在不同系统中的关键信息汇总并呈现给合规官员，使合规官员能更快地得出交易是否存在问题的答案。 2. 更准确地预测洗钱者：根据过去 10 年的可疑活动报告（SARs）进行训练的模型，无需明确告诉模型洗钱者是什么，AI 可以用来检测报告中的新模式，并创建其自己对洗钱者构成的定义。 3. 更快的文档分析：合规部门负责确保公司的内部政策和程序得到遵守，并且遵循监管要求。生成式 AI 可以分析大量的文档，如合同、报告和电子邮件，并标记需要进一步调查的潜在问题或关注区域。 4. 培训和教育：生成式 AI 可以用于开发培训材料，并模拟真实世界的场景，以教育合规官员关于最佳实践以及如何识别潜在风险和不合规行为。 5. 新进入者可以使用来自数十个机构的公开可用合规数据进行自我启动，并使搜索和综合变得更快、更便捷。较大的公司从多年收集的数据中受益，但他们需要设计适当的隐私功能。合规长期以来一直被视为一个由过时技术支持的不断增长的成本中心。生成式 AI 将改变这一点。 总之，套壳产品虽可能带来短期经济效益，但长期潜在风险不容忽视，企业应采取全面合规管理策略。AI 陪伴产品在带来便利的同时也带来挑战，制造商和开发者须承担社会责任确保合规性和安全性。金融服务业中生成式 AI 能改善合规性，但也需注意隐私功能设计等问题。

以下是关于智能合规性分析的相关内容： 在金融服务业中，生成式 AI 能带来更好的合规性，具体表现为： 1. 高效筛查：迅速汇总个体在不同系统中的关键信息，让合规官员更快得出交易是否存在问题的答案。 2. 更准确地预测洗钱者：根据过去 10 年的可疑活动报告训练模型，创建对洗钱者构成的定义。 3. 更快的文档分析：分析大量文档，标记潜在问题或关注区域。 4. 培训和教育：开发培训材料，模拟真实场景，教育合规官员。 欧洲议会和欧盟理事会规定了人工智能的统一规则，包括成员国的市场监督管理机关和委员会应能提议联合行动，促进合规、查明不合规情况等。对于建立在通用人工智能模型基础上的人工智能系统，明确了国家和联盟一级的责任和权限。 未来，拥抱生成式 AI 的合规部门有望阻止每年在全球范围内非法洗钱的巨额资金。如今，合规软件主要基于“硬编码”规则，存在诸多问题，生成式 AI 可能带来改变。

以下是为您提供的本地化大模型及搭建合规法律知识库的方法： 一、通过 Open WebUI 使用大模型 1. 首先访问相关网址。打开页面时需使用邮箱注册账号。 2. 登陆成功后，若您使用过类似 ChatGPT 的大模型对话网站，对该页面不会陌生。 3. Open WebUI 一般有两种使用方式： 聊天对话。 RAG 能力，即让模型根据文档内容回答问题，这是构建知识库的基础之一。 4. 如果要求不高，此时已搭建本地大模型，并通过 Web UI 实现对话功能。 5. ChatGPT 访问速度快且回答效果好的原因： 速度快是因为 GPT 大模型部署的服务器配置高。 效果好是因为 GPT 大模型的训练参数多、数据更优及训练算法更好。 二、您的硬件达标了么 运行大模型需要很高的机器配置，个人玩家大多负担不起。以下是不同类型大模型的配置要求： 1. 生成文字大模型： 最低配置：8G RAM + 4G VRAM 建议配置：16G RAM + 8G VRAM 理想配置：32G RAM + 24G VRAM（如果要跑 GPT3.5 差不多性能的大模型） 2. 生成图片大模型（比如跑 SD）： 最低配置：16G RAM + 4G VRAM 建议配置：32G RAM + 12G VRAM 3. 生成音频大模型： 最低配置：8G VRAM 建议配置：24G VRAM 最低配置运行非常慢，不建议使用。但这不妨碍我们亲自实操一遍，以加深对大模型构建知识库底层原理的了解。若想要更顺滑的体验知识库，可以参考文章： 三、本地知识库进阶 若要更灵活掌控知识库，需额外软件 AnythingLLM。它包含 Open WebUI 的所有能力，并额外支持以下能力： 1. 选择文本嵌入模型。 2. 选择向量数据库。 AnythingLLM 安装和配置 安装地址：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步： 1. 第一步：选择大模型。 2. 第二步：选择文本嵌入模型。 3. 第三步：选择向量数据库。 构建本地知识库 AnythingLLM 中有 Workspace 的概念，可创建独有的 Workspace 与其他项目数据隔离。具体步骤： 1. 首先创建一个工作空间。 2. 上传文档并在工作空间中进行文本嵌入。 3. 选择对话模式。AnythingLLM 提供两种对话模式： Chat 模式：大模型会根据自己的训练数据和上传的文档数据综合给出答案。 Query 模式：大模型仅依靠文档中的数据给出答案。 4. 测试对话。完成上述配置后，即可与大模型进行对话。 四、写在最后 “看十遍不如实操一遍，实操十遍不如分享一遍”。若您对 AI Agent 技术感兴趣，可以联系我或者加我的免费知识星球（备注 AGI 知识库）。