搭建 AI 智能体的步骤和要点如下： 1. 创建智能体：输入人设等信息，并放上相关工作流。配置完成后可以进行测试，但千万不要直接发布。 工作流中如【所有视频片段拼接】节点使用的插件 api_token 填的是您的 token，其他人调用会消耗您的费用。您可以将 api_token 作为工作流最开始的输入，用户购买后输入 token 再发布。 2. 明确需求和 AI 能力： 在搭建智能体帮助提炼品牌卖点时，需要先明确 AI 的能力边界，例如 AI 对公司及所在市场不了解的部分，包括公司的主要产品、产品解决的用户需求、产品独特之处、获得的认可、核心渠道、核心购买人群、营销手段、期望在新渠道获得的结果等。 AI 真正的能力在于通过分析数据和信息进行逻辑推理、快速处理和分析数据并提取有价值的信息和模式、拥有大量训练数据并能输出更全面的相关信息、理解用户提供的内容并按正确结构梳理有效输出内容。因此，更适合将智能体作为引导型的灵感提问助手。 3. 学会搭建 AI 智能体： AI 智能体如同员工或智能助手，能根据设定的工作流自动调用不同 AI 工具完成全流程任务，无需人类时刻干预。 例如设计“写作助手”的 AI 智能体，输入文章主题、风格和要求，它能自动完成文章大纲处理、初稿撰写、修改润色和排版等工作，大大提高效率。

以下是一些画 ICON 的提示词相关内容： 视角：LowAngle（仰视） 介质：abstract expressionist art style（抽象表现主义艺术风格） 镜头：superresolution microscopy（超分辨率显微镜） 灯光：ambient lighting（环境照明） 颜色：white（白色的） 描述：classical realism（古典现实主义） 艺术家：抽象主义 1940 1950 电影：2001 A Space Odyssey（2001 太空漫游）、The Prestige（威望） 游戏：Age of Empires（帝国时代）、Gears of War（战争机器） 其他相关词汇：icon（图标）、decorative papercraft（装饰纸艺）、camouflage（伪装）、Gian Lorenzo Bernini（吉安·洛伦佐·贝尔尼尼）、Jurassic Park（侏罗纪公园）、Rust（锈）、lightpurple（浅紫色）、gradient color（渐变色）、torch light（手电筒灯） 此外，DALL·E 自动优化提示词中提到： 绘画：提及绘画种类、画布纹理和笔触形状/纹理（列表） 数字：注明使用的软件、阴影技术和多媒体方法（列表） 生成图像基于详细提示词使用 DALL E 3。 总是通过大胆和有趣的选择使每个提示元素生动起来。 始终遵循提示指南 建议四个全新的想法。 这些应该是简单的概念，不是完整的提示词。 尝试从给出的最后一个建议中获取灵感，而不是完整的提示词。 默认设置（除非另有指定/暗示）： 默认纵横比：使用正方形纵横比（1:1）。 默认风格：照片。包括相机设置、摄影类型和设备。 总是生成四张图像并建议四个新想法。 重要：避免违反服务条款的单词或概念。不侵犯任何人的版权；在提示词中不使用暗示性或明确的图像。不强调或暗示任何不符合 G 级的元素。

以下是关于在 Coze 上实现 NotebookLLM 的相关信息： LLM 作为知识问答工具有缺陷，如无法实时获取最新信息、存在“幻觉”问题、无法给出准确引用来源等。搜索引擎虽体验不够简便直接，但加上 LLM 可能带来更优信息检索体验。 在生成标题、导语、大纲时，因为涉及文本理解与创作，这是 LLM 节点的工作，需要对其进行配置。为减少 token 消耗和节省模型调度费用，在满足预期情况下，应尽量减少大模型处理环节。经过实测，豆包·function call 32k 模型能在一轮对话中稳定生成相关内容。每个大模型节点配置项丰富，入门用户主要关注一些方面，如在“标题、导语、大纲”节点中，希望 LLM 接收原文信息后一次性生成所需内容，还需视实际情况调大模型的最大回复长度，并设计填入用户提示词。

NotebookLM 是谷歌推出的一款工具，具有以下特点和用途： 有人称它为笔记工具、AI 学习工具或播客生成器。 只要上传文档、音频或网页链接（如 YouTube 等），就能生成专业的播客，其中主持人对话生动自然，包含各种人类语气和行为。 可以将公众号文章等内容变成双人对谈播客。 是 Google AI Lab 开发的笔记应用，基于 Gemini 1.5 Pro 的长文本理解和多模态能力。 用户可通过上传文件或链接快速生成笔记和音频内容，适合教育和研究等场景。 支持协作，适合整理公众号文章、编写书稿等多种用途。 体验地址：https://notebooklm.google/

以下是为您推荐的个人知识库软件： 1. Coze：如果您想使用专门搭建个人知识库的软件，可以参考文章，忽略本地部署大模型环节，直接看其中推荐的软件。但使用该软件可能需要对接一些额外的 API，建议先了解 RAG 的原理再使用。 2. AnythingLLM：包含所有 Open WebUI 的能力，并且额外支持选择文本嵌入模型和向量数据库。安装地址：https://useanything.com/download 。安装完成后，配置页面主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。在 AnythingLLM 中有 Workspace 的概念，可以创建自己独有的 Workspace 跟其他项目数据进行隔离，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 模式和 Query 模式），配置完成后即可进行对话测试。 此外，还有通过 GPT 打造个人知识库的方法，比如将文本转换成向量节省空间，拆分成小文本块并通过 embeddings API 转换成 embeddings 向量，在向量储存库中保存这些向量和文本块作为问答的知识库。当用户提问时，将问题转换成向量与库中向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API 。

Grok 3 已于今天向所有 Premium+ 订阅者推出（包括 IOS 和网页版），完整版在网页版，APP 上的 Grok 3 有一定削弱。（还有单独会员叫：SuperGrok）今天所有该类用户都能用上。Grok 3 语音模式在大约一周内推出，Grok 3 API 几周后推出，Grok 2 将在 Grok 3 正式可用后开源，xAI 计划也会开源 Grok 3 。

以下是一些常见的 AI 编程工具： 1. GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出，支持多种语言和 IDE，能为程序员快速提供代码建议，助其更高效、更少错误地编写代码。 2. 通义灵码：阿里巴巴团队推出，基于通义大模型，具备行级/函数级实时续写、自然语言生成代码、单元测试生成、代码注释生成、代码解释、研发智能问答、异常报错排查等能力。 3. CodeWhisperer：亚马逊 AWS 团队推出，由机器学习技术驱动，可为开发人员实时提供代码建议。 4. CodeGeeX：智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，能快速生成代码，提升开发效率。 5. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助 Sourcegraph 的强大代码语义索引和分析能力，了解开发者的整个代码库。 6. CodeFuse：蚂蚁集团支付宝团队为国内开发者提供智能研发服务的免费 AI 代码助手，基于蚂蚁集团自研的基础大模型进行微调。 7. Codeium：一个由 AI 驱动的编程助手工具，通过提供代码建议、重构提示和代码解释来帮助软件开发人员，提高编程效率和准确性。 更多辅助编程 AI 产品，还可以查看这里：https://www.waytoagi.com/category/65 。每个工具的功能和适用场景可能不同，您可以根据自身需求选择最适合的工具。 此外，关于 AI 辅助编程还有以下信息： 1. 简易需求无需软件开发，像翻译、数据提取等简单任务，通过 ChatGPT 或 Claude 等 AI 工具即可解决。AI 功能不断升级，支持上传图片、文档，执行代码，甚至生成视频或报表，大幅扩展应用场景。相关影响包括降低编程门槛，显著提升开发效率，变革软件工程领域。 2. 用好 AI 编程工具（如 Cursor）的关键技能包括准确描述需求、具备架构能力、专业编程能力以及调试能力。 希望这些信息对您有所帮助！

以下是不同方向的学习路径： LLM 开发学习路径： 1. 掌握深度学习和自然语言处理基础：包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理基础，如词向量、序列模型、注意力机制等。相关课程有吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理：包括 Transformer 模型架构及自注意力机制原理，BERT 的预训练和微调方法，掌握相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调：包括大规模文本语料预处理，LLM 预训练框架，如 PyTorch、TensorFlow 等，微调 LLM 模型进行特定任务迁移。相关资源有 HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署：包括模型压缩、蒸馏、并行等优化技术，模型评估和可解释性，模型服务化、在线推理、多语言支持等。相关资源有 ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习：结合行业场景，进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态：关注顶会最新论文、技术博客等资源。 AI 与宠物结合的学习路径： 1. 掌握基础的机器学习、计算机视觉、自然语言处理等 AI 技术。 2. 了解宠物行为学、宠物医疗等相关领域知识。 3. 关注业内先进的 AI+宠物应用案例，学习其技术实现。 4. 尝试开发简单的 AI 宠物应用原型，并不断迭代优化。 AI 技术研究方向学习路径： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 AI 应用方向学习路径： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。

对于中小企业而言，AI 转型的落地过程中存在以下风险和挑战： 风险： 1. 管理风险：使用 AI 工具评估和管理企业面临的各种风险时，可能存在对风险评估不准确、应对策略不恰当等问题，导致企业无法有效应对潜在挑战，造成不必要的损失。 2. 网络安全风险：引入 AI 驱动的网络安全解决方案时，若安全系统配置不当、软件和 AI 模型未及时更新、员工网络安全意识不足等，可能导致企业网络系统遭受网络威胁和攻击，造成数据泄露、业务中断等严重后果。 挑战： 1. 任务自动化挑战：在评估和识别日常重复性高的任务时，可能存在对任务分析不准确、目标设定不清晰的情况，影响后续自动化工具的引入和效果。同时，选择合适的自动化工具并进行有效配置和测试也具有一定难度。 2. 网络安全挑战：选择适合企业网络环境和安全需求的 AI 驱动的网络安全解决方案并非易事，需要充分了解各种方案的特点和适用性。此外，定期更新和维护安全系统、进行网络安全演练以及对员工进行培训等工作也需要投入大量的时间和精力。

以下是关于情绪分析的相关信息： 中文数据集： RenCECPs：由 Fuji Ren 提供，标注的博客语料库，在文档级、段落级和句子级标注了 emotion 和 sentiment，包含 1500 个博客、11000 段落和 35000 句子。 weibo_senti_100k：带情感标注的新浪微博，正负向评论约各 5 万条。 BDCI2018 汽车行业用户观点主题及情感识别：汽车论坛中对汽车的评论，标注了汽车的多个主题及情感标签，情感分为中立、正向、负向 3 类。 微调（Finetuning）案例研究：假设想要了解特定推文的正面或负面程度，对模型进行微调后，可通过在 logprobs=2 完成请求上设置来取回第一个完成令牌的对数概率，正类别的概率越高，相对情绪就越高。 品牌舆论传播相关的关键词库包含情感分析，涉及舆论传播、数据分析、主题、事件等 25 个关键词。