0AI实习经验，该如何破局进入AI相关行业。bg:小语种专业，有电商+互联网实习经历

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。

AI 产品经理应具备的技能和需要学习的工具包括： 1. 学历背景：本科及以上学历，计算机科学、人工智能、机器学习相关专业背景。 2. 工具熟悉：熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理，并具有实际应用经验；熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理；具有一定的编程基础，熟练使用 Python、Git 等工具。 3. 项目能力：负责制定和执行 AI 项目，如 Prompt 设计平台化方法和模板化方法；了解并熟悉 Prompt Engineering，包括常见的 Prompt 优化策略（例如 CoT、Fewshot 等）。 4. 思维能力：对数据驱动的决策有深入的理解，能够基于数据分析做出决策；具有创新思维，能够基于业务需求提出并实践 AI first 的解决方案；对 AI 技术与算法领域抱有强烈的好奇心，并能付诸实践；对 AIGC 领域有深入的理解与实际工作经验，保持对 AI 技术前沿的关注；具备一定的编程和算法研究能力，能应用新的 AI 技术和算法于对话模型生成。 计算机科学与技术专业的研究生如果想找 AI 产品经理的实习，可以从以下方面着手准备： 1. 了解行业需求：搜索了解目前 AI 产品经理岗位的招聘技能要求情况。 2. 学习相关知识：深入学习上述提到的技能和工具知识。 3. 积累项目经验：可以参与一些相关的实践项目，例如收集数据、训练模型、派送模型等。 4. 思考商业价值：思考可以自动化的任务、驱动商业价值的核心以及商业领域的主要痛点。 5. 准备项目时，要明确项目目标，制定合理的开发时间表，清晰所需时间和人员。同时，为项目提供验收标准，尽量以数据衡量。 以上内容仅供参考，不同公司和项目可能有不同的具体要求。

企业建立私有大模型进行 RAG 并实现企业知识文档、表格和 PDF 图纸向量化时，可参考以下工具和方法： 1. 本地部署资讯问答机器人： 导入依赖库，如 feedparse 用于解析 RSS 订阅源，ollama 用于在 Python 程序中跑大模型（使用前需确保 ollama 服务已开启并下载好模型）。 从订阅源获取内容，通过专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，最终合并成列表返回。 为文档内容生成向量，可使用文本向量模型 bgem3，从 hf 下载好模型后，假设放置在某个路径 /path/to/bgem3，通过函数利用 FAISS 创建高效的向量存储。 2. 开发：LangChain 应用开发指南 大模型的知识外挂 RAG 加载数据，根据数据源类型选择合适的数据加载器，如网页可使用 WebBaseLoader。 将文档对象分割成较小的对象，根据文本特点选择合适的文本分割器，如博客文章可用 RecursiveCharacterTextSplitter。 将文档对象转换为嵌入并存储到向量存储器中，根据嵌入质量和速度选择合适的文本嵌入器和向量存储器，如 OpenAI 的嵌入模型和 Chroma 的向量存储器。 创建检索器，使用向量存储器检索器，传递向量存储器对象和文本嵌入器对象作为参数创建检索器对象。 创建聊天模型，根据性能和成本选择合适的聊天模型，如 OpenAI 的 GPT3 模型。 以下是使用 LangChain 构建 RAG 应用的示例代码。

目前的知识库中没有关于使用哪个 AGI 生成高职院校学生寒假实习安全告知书更专业的相关内容。但一般来说，您可以尝试使用一些知名且成熟的自然语言处理模型，如 ChatGPT 等，不过在使用生成的内容时，仍需要您进行仔细的审核和修改，以确保其符合实际情况和相关法律法规的要求。

以下是关于如何学习提示词运用的建议： 1. 理解提示词的作用：提示词为模型提供上下文和指示，其质量直接影响模型输出质量。 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，在领域社区、Github 等资源中获取大量案例。 4. 实践、迭代、优化：多与语言模型互动，根据输出结果提高提示词质量，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 等，辅助构建和优化提示词。 6. 跟上前沿研究：提示工程是前沿研究领域，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。同时，在与大模型交互时，方法论不是关键，不断尝试和交互是最佳方法，无需严格遵循规则，未达成目的就锲而不舍地再尝试或更换模型。另外，用 Markdown 格式清晰表达问题有助于提高与模型交流的效率和精确性，其具有结构清晰、格式化强调、适用性广等优点。

以下是一些利用 GPT4 写有水平实习契约的建议： 1. 先确定实习契约的大纲目录，可以参考老师提供的示例或相关模板，也可以用手机识别截图获取。 2. 明确整体的语言风格和特色，比如要求逻辑清晰、层层递进、条理分明。您可以把范文提供给类似 Claude 2 的工具，让其总结语言风格。 3. 详细描述实习契约的各项条款，包括实习的时间、地点、职责、报酬、保密条款等。 4. 注意语言表达的准确性和规范性，避免模糊不清或产生歧义的表述。 需要注意的是，GPT4 有时会产生语法无效或语义不正确的内容，您需要仔细检查和修改。

成为一名知识产权律师可以借助 AI 从以下几个方面入手： 1. 知识学习与案例研究：利用 AI 驱动的法律数据库和学习平台，深入了解知识产权领域的法律法规、典型案例和最新动态。 2. 法律文书撰写辅助：借助 AI 工具提高法律文书如起诉书、答辩状等的撰写效率和质量，确保语言准确、逻辑清晰。 3. 模拟案例分析：通过 AI 模拟各种知识产权相关的案例场景，进行分析和应对策略的制定，提升解决实际问题的能力。 4. 客户需求分析：利用 AI 对潜在客户的需求和问题进行分析，以便更好地提供针对性的法律服务。 5. 法律研究与创新：借助 AI 探索知识产权领域的前沿研究和创新趋势，为自己的业务发展提供新思路。 需要注意的是，AI 只是辅助工具，不能替代您自身的专业判断和实践经验。在使用 AI 工具时，要对其结果进行审慎评估和验证。

如果您想制作电商主图，可以考虑以下几种 AI 工具和方法： 1. Midjourney：通过输入相关关键词，如“Guerlain Perfume,plant flowers,top light.cean natural backaround with water,saturation color scheme.The productis bright,Motled shading,studo lighfing,contrast high precision,Fine gloss,Centered composition,Photography,HD4Krealism–q 2–v 5–s 750–ar 9:16”，生成图片后再进行后期修改调整和文字排版。 2. Stable Diffusion：对于运营网店的女装店主，可采用局部重绘的方法。先真人穿衣服拍照，获取真实质感的照片，选好真人照片风格的底模，如 majicmixRealistic_v7，再根据不同平台需求换头，如面向海外市场换白女头，然后在图生图下的局部重绘选项卡下涂抹自己替换的部分，并设置相关的 prompts 和 parameters，如“breathtaking cinematic photo,masterpiece,best quality,,blonde hair,silver necklace,carrying a white bag,standing,full body,detailed face,big eyes,detailed hands”。

大模型在电商领域的应用主要体现在以下方面： 1. 生成电商服饰数据：以大元模型广场为例，可让大模型按要求生成电商服饰数据（含尺码、价格、描述等信息，输出为 Excel 结构），用于辅助运营小二回复问题沉淀；当缺少真实数据或担心数据安全时，还可用示例数据跑测试及做非结构化清洗。 2. 个性化营销：在广告营销行业，大模型从初期的市场分析、中期的客户转化以及后期的客户复购均可参与，为消费者提供更个性化、智能化和互动性强的营销体验，而对于广告图案的生成完全可以通过 AI+设计相关的 SOP 来提高效率。 在医疗行业，大模型的应用主要涵盖三个方向：疾病的诊断与预测、药物研发以及个性化医疗。例如，麻省理工学院利用 AI 发现了新型广谱抗生素 Halicin，研究者通过训练集让 AI 学习分子特点，最终成功识别出符合要求的分子。目前很多医疗研究机构都进行医疗大模型的开发研究。 在图像生成领域，如 Midjourney 发布了模型个性化 Personalization 或'p'的早期测试版本。其工作原理是学习用户的喜好，以便更可能用用户的口味来填补空白。使用时只需在提示后输入p，或使用提示栏中的设置按钮为所有提示启用个性化功能，还可以使用s 100 控制个性化效果的强度。但个性化目前不是一个稳定的功能，会随着更多的成对排名而变化，并且可能会推出算法更新。

AI 在电商领域有以下多方面的帮助： 1. 产品推荐：通过分析客户数据，为每个客户推荐他们可能感兴趣的产品。 2. 搜索和个性化：改善搜索结果，为客户提供个性化的购物体验。 3. 动态定价：根据市场需求动态调整产品价格。 4. 聊天机器人：提供服务，回答客户问题并解决他们的问题。 5. 生成产品照片：像这样的工具帮助品牌创建引人注目的产品照片，提升产品对在线购物者的吸引力。 6. 创作营销内容：可以编写经过 SEO 优化的产品描述。 7. 商品展示图制作：可以借助 Stable Diffusion 等 AI 作图工具，通过局部重绘等方法美化商品展示图，比如真人穿衣服拍照后进行处理和替换等操作。

以下是为您制定的学习 SD AI 绘图的详细计划及相关学习资源： 学习计划： 1. 首先，深入学习 Stable Diffusion 的核心基础原理，包括模型工作流程、核心基础原理、训练全过程以及其他主流生成式模型介绍。 2. 接着，掌握 Stable Diffusion 的核心网络结构，如 SD 模型整体架构、VAE 模型、UNet 模型、CLIP Text Encoder 模型等。 3. 学习从 0 到 1 搭建使用 Stable Diffusion 模型进行 AI 绘画的不同方式，如使用 ComfyUI、SD.Next、Stable Diffusion WebUI、diffusers 搭建推理流程，并查看生成示例。 4. 了解 Stable Diffusion 的经典应用场景，如文本生成图像、图片生成图片、图像 inpainting、使用 controlnet 辅助生成图片、超分辨率重建等。 5. 最后，尝试从 0 到 1 上手使用 Stable Diffusion 训练自己的 AI 绘画模型，包括配置训练环境与训练文件，以及基于 Stable Diffusion 训练 LoRA 模型。 学习资源： 1. 教程：深入浅出完整解析 Stable Diffusion（SD）核心基础知识 知乎。 目录涵盖了 Stable Diffusion 系列的各个方面，包括核心基础知识、网络结构解析、搭建推理流程、应用场景和模型训练等。 2. SD 模型权重百度云网盘： 关注 Rocky 的公众号 WeThinkIn，后台回复：SD 模型，即可获得资源链接，包含多种模型权重。 3. SD 保姆级训练资源百度云网盘： 关注 Rocky 的公众号 WeThinkIn，后台回复：SDTrain，即可获得资源链接，包含数据处理、模型微调训练以及基于 SD 的 LoRA 模型训练代码全套资源。 4. Stable Diffusion 中 VAE，UNet 和 CLIP 三大模型的可视化网络结构图下载： 关注 Rocky 的公众号 WeThinkIn，后台回复：SD 网络结构，即可获得网络结构图资源链接。

以下是关于如何用 AI 做电商的一些方法和应用场景： 在商品展示方面，可以利用 AI 绘画工具如 Stable Diffusion 来制作商品展示图。对于女装商品，可先让真人穿衣服拍照，获取真实质感的照片。选好真人照片风格的底模，如 majicmixRealistic_v7，并根据不同平台需求进行换头操作，如面向海外市场换白女头。在图生图下的局部重绘选项卡下涂抹需要替换的部分，并设置合适的 prompts 和 parameters。 在电商运营中，AI 有多种应用场景： 1. 产品推荐：通过分析客户数据，为每个客户推荐可能感兴趣的产品。 2. 搜索和个性化：改善搜索结果，提供个性化的购物体验。 3. 动态定价：根据市场需求动态调整产品价格。 4. 聊天机器人：提供服务，回答客户问题并解决问题。 此外，还可以利用 AI 数字人带货本地生活电商： 1. 用 ChatGPT 生成短视频选题文案，明确身份、描述需求和回答要求。 2. 用 ChatGPT 生产短视频文案，结合需求与框架。 3. 生成虚拟数字人短视频：打开相关网站，输入内容，选择头像、国家和声音，等待生成后结合产品讲解并发布进行视频带货。

以下是关于在电商中使用 AI 结合拍摄的产品图片生成推广图片和视频的方法： 虚拟数字人结合产品做视频： 1. 添加产品/介绍背景：如果有自己的视频/图片素材可以使用，没有的话可以根据搜索添加。 2. 扣像结合背景：在剪映中把数字人扣下来，导入视频，点击画面选择抠像，点击智能抠像，调整到合适的大小和位置。 3. 添加字幕和音乐：智能识别字幕，可搜索添加音乐或手动添加自己喜欢的音乐。 使用数字人无需真人模特： 只需上传产品图片，数字人即可手持产品进行口播展示。支持语音和口型同步，动作、姿势定制，提供 1000 多种国家数字人模特，覆盖全球 28 种语言，能快速生成产品宣传视频，省去拍摄烦恼。在线体验： 。 此外，使用 AI 来完成阿里巴巴营销技巧和产品页面优化，可以采取以下步骤： 1. 市场分析：利用 AI 分析工具研究市场趋势、消费者行为和竞争对手情况，快速识别关键信息。 2. 关键词优化：AI 分析和推荐高流量、高转化的关键词，优化产品标题和描述。 3. 产品页面设计：AI 设计工具根据市场趋势和用户偏好生成吸引人的页面布局。 4. 内容生成：AI 文案工具撰写有说服力的产品描述和营销文案。 5. 图像识别和优化：AI 图像识别技术选择或生成高质量产品图片。 6. 价格策略：AI 分析不同价格点对销量的影响，制定有竞争力的价格策略。 7. 客户反馈分析：AI 分析客户评价和反馈，优化产品和服务。 8. 个性化推荐：AI 根据用户购买历史和偏好提供个性化产品推荐。 9. 聊天机器人：AI 驱动的聊天机器人提供 24/7 客户服务。 10. 营销活动分析：AI 分析不同营销活动效果，了解哪些活动更吸引顾客并产生销售。 11. 库存管理：AI 预测需求，优化库存管理。 12. 支付和交易优化：AI 分析不同支付方式对交易成功率的影响，优化支付流程。 13. 社交媒体营销：AI 帮助在社交媒体上找到目标客户群体，精准营销提高品牌知名度。 14. 直播和视频营销：AI 分析观众行为，优化直播和视频内容，提高观众参与度和转化率。

BGE（BAAI 通用嵌入）是由北京人工智能研究院开发的模型，代表了一些可用的最强大的开源嵌入模型。它擅长捕获跨多种语言和领域的语义关系。 在 Rankify 中，BGE 集成具有以下特点： 支持多种 BGE 模型大小。 具备跨语言检索能力。 为生产环境优化了推理。 在人岗匹配的相似性计算中，如邬嘉文的 AI 求职助手中，使用了 BGEM3 模型，通过 Python 代码实现，具体步骤包括读取相关文件、使用模型计算相似性，并将信息汇总保存。代码如下： ``` import pandas as pd from FlagEmbedding import BGEM3FlagModel 1. 读取 cv.txt 文件 with openas file: cv_content=file.read 2. 读取 JobDetails2.xlsx 文件所有字段 job_details=pd.read_excel 3. 使用 BGEM3 模型计算相似性 model=BGEM3FlagModel cv_embedding=model.encode 计算 cv 与每个 job_description 的相似性 similarities= for job_description in job_details: job_embedding=model.encode similarity=cv_embedding@job_embedding.T similarities.append 4. 将所有信息汇总保存为 123.xlsx job_details=similarities job_details.to_excel ```

layer_xl_bg2ble.safetensors、layer_xl_transparent_conv.safetensors、vae_transparent_encoder.safetensors 这类文件可能是大模型的一部分，也可能是 Lora 模型。 在 AI 模型中： 基础模型（英文名 Checkpoint）是生图必需的，任何生图操作必须要选定一个基础模型才能开始。 Lora 是低阶自适应模型，可以理解为基础模型的小插件，生图时可有可无，但在控制面部、材质、物品等细节方面有明显价值。 同时，VAE 是个编码器，功能类似于滤镜，可调整生图的饱和度。