结合知识库的商业项目, 给我100个ai创业的落地方案

以下是关于雪梅 May 的 100 天 AI 学习笔记的相关内容： 作者介绍： 适合人群：适合纯 AI 小白，可参考日记了解学习路径。 学习模式：输入→模仿→自发创造。若对费曼学习法没自信，可尝试此模式。 学习内容：日记中的学习内容可能因 AI 节奏快而不适用，可去 waytoAGI 社区找感兴趣的最新内容。 学习时间：在半年多时间跨度中，有空时学习，并非每天依次进行。 学习状态：2024 年保持较好状态，不仅学 AI，还看了 33 本书。 费用情况：学习资源免费开源。 第九阶段：学以致用，开源分享 May 花时间复盘过去半年的学习日记，有很棒的发现。 学习路径：迈出第一步→大量学习输入→疯狂模仿→开始自己创造→学的越来越宽越来越杂→积累量变产生质变→开始分享。 特别是学习 coze 的路径：输入→模仿→自发创造，是真实实践得出的规律。 虽费曼学习法主张教会别人是最好学习方式，但开始时自学、输入为主。 现在有分享自信，写学习日记和感受已是分享，后续会有更多分享。 第十一阶段：寻找继续坚持下去的动力 从 24 年 5 月到 25 年 2 月，学完 100 天，仍未找到明确深耕方向。 学习中易遇瓶颈，需找正反馈，开源学习日记获加油是一种方式，还需更好的正反馈继续坚持。

以下是对您提供的三个部分的详细叙述： 一、陶力文律师：拘灵遣将|不会写 Prompt（提示词）的道士不是好律师——关于律师如何写好提示词用好 AI 这件事 在这部分内容中，重点强调了律师在运用 AI 时写好提示词的重要性以及相关的写作技巧和方法。 首先，结构化内容组织至关重要。通过使用编号、子标题和列表等方式，能够使文章的逻辑更加清晰，便于读者快速把握重点和理解内容。例如，在阐述具体的法律条款和案例分析时，可以将相关要点有条理地罗列出来，增强文章的可读性。 其次，规定概述内容解读结语的结构能够使文章围绕主题展开，有始有终。在开始时对相关规定进行简要概括，让读者对整体框架有初步了解；然后对具体内容进行深入解读，帮助读者理解规定的内涵和适用范围；最后以结语总结，强调重点或提出展望。 再者，案例和挑战的结合能够使文章更具说服力和实用性。通过引入实际案例，能够让抽象的法律规定和理论变得具体可感，读者可以更直观地理解其在实际操作中的应用。同时，分析潜在挑战并提供解决方案，能够帮助律师在面对复杂情况时做出更明智的决策。 此外，结合法规和实际操作也是必不可少的。法规为律师的工作提供了依据和准则，而实际操作案例则展示了法规在具体情境中的应用。通过两者的结合，能够为律师提供全面、准确的指导，使其在运用 AI 时更加得心应手。 最后，商业术语的使用能够体现文章的专业性和针对性。在餐饮行业相关的法律写作中，运用特定的商业术语，能够准确传达信息，避免歧义，使文章更符合行业特点和需求。 二、AI 梦：一丹一世界（下）2025 年 2 月 8 日副本 这部分内容主要围绕摄影构图和色彩在 AI 绘画中的应用展开。 在摄影构图方面，三角形构图法以其独特的稳定性能够让画面更加平衡美观。一张照片可以同时满足多种构图法，且构图并非一定要严谨，关键是要能够突出主体、叙事并留白，避免画面杂乱。同时，中国化美学构图具有极简且丰富、主次分明的特点，虽然欣赏门槛低，但掌握运用起来有一定难度。重复构图作为一种强大的视觉工具，能够增强信息的传递。 在色彩方面，色彩在 AI 绘画中具有重要地位，是拉开作品差距的关键因素。色彩部分涵盖了色彩心理学、色环、配色方案等内容。色彩心理学表明颜色能够影响人的情绪，在市场营销等多个领域都有着重要作用。例如，年度流行色会影响相关的营销活动。不同的颜色如红、黄、蓝等能够表现出多种不同甚至相反的情绪。 三、AI 梦：一丹一世界（下）2025 年 2 月 8 日副本 此部分主要涉及 AI 炼丹直播共学课的相关内容。 会议开场简单介绍了会议的背景和基本情况。 在直播共学课的介绍中，提到了课程由未推 AGI 麦乐园和摩哒社区共同举办，教授使用 Lora 或 AI 生图软件生图，并回顾了首节课内容及回放渠道。同时，讲解了 AI 梦一单一世界比赛的要求，包括使用特定平台和底模训练 Lora，提交六张以上含多样画面的作品等。 在作图创作思路方面，分为三步：第一步确定主题，可依据 Lora 风格或通过制造反差来确定方向；第二步确定主体，如人、动物、建筑等，并进行角色设定的联想；第三步增添叙事感，通过设置有反差、反逻辑的画面和多个元素，避免画面单调无趣。 在图片创作思路之后，还探讨了图片构成因素中的构图。

飞书多维表格中使用 DeepSeek 有一定的 token 总量限制。DeepSeekR1、V3 模型分别提供了 50 万免费额度和 API 半价活动（算下来 5 元有 100 万）。即日起至北京时间 20250218 23:59:59，所有用户均可在方舟享受 DeepSeek 模型服务的价格优惠。 不同模型的 token 限制有所不同，例如 Claude2100 k 模型的上下文上限是 100k Tokens，即 100000 个 token；ChatGPT16 k 模型的上下文上限是 16k Tokens，即 16000 个 token；ChatGPT432 k 模型的上下文上限是 32k Tokens，即 32000 个 token。 Token 限制同时对一次性输入和一次对话的总体上下文长度生效，不是达到上限就停止对话，而是会遗忘最前面的对话。 如果想直观查看 GPT 如何切分 token，可以打开，在其中可以看到实时生成的 tokens 消耗和对应字符数量。需要注意的是，英文的 Token 占用相对于中文较少，这也是很多中文长 Prompt 会被建议翻译成英文设定然后要求中文输出的原因。

以下是关于 100 天学 AI 的相关内容： 作者介绍： 适合人群：适合纯 AI 小白，可参考此日记了解如何入手。 学习模式：输入→模仿→自发创造。若对费曼学习法没自信，可尝试此模式。 学习内容：日记中的学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区找感兴趣的最新内容。 学习时间：半年多时间跨度中有 100 天学习，并非依次每天进行，有空时学习。 学习状态：作者 2024 年学习状态好，不仅学 AI 还看了 33 本书。若觉得 100 天难做到，不必有压力，能学多少算多少。 费用情况：学习资源免费开源。 第九阶段：学以致用，开源分享 作者花时间复盘过去半年的学习日记，有很棒的发现。 学习路径：迈出第一步→大量的学习输入→疯狂的模仿→开始自己创造→学的越来越宽越来越杂→积累的量变产生质变→开始分享。 特别是学习 coze 的路径：输入→模仿→自发创造。 作者认为若能量更足、更有勇气，可更早输出倒逼输入，但不要为难自己，写学习日记和感受已是分享。 第十一阶段：寻找继续坚持下去的动力 作者从 24 年 5 月到 25 年 2 月学完 100 天，仍觉未找到明确深耕方向。 学习中易遇瓶颈，需找正反馈，开源学习日记获加油是一种方式，101 天后还需更好的正反馈方式。

以下是为您提供的一份结合当前 AI 技术应用的港口行业国有企业职工年度培训计划文案，希望对您有所帮助： 一、培训目标 提升管理人员、职能人员和技能操作序列职工在 AI 技术应用方面的知识和技能，增强企业整体竞争力。 二、培训对象 管理人员序列、职能人员序列、技能操作序列职工。 三、培训内容 1. 管理人员序列 AI 技术在企业管理中的应用趋势与案例分析。 基于 AI 的决策支持系统的使用与解读。 2. 职能人员序列 AI 办公软件的应用技巧，如自动化流程处理。 利用 AI 进行数据分析与报告生成。 3. 技能操作序列职工 港口智能化设备中 AI 技术的原理与操作维护。 基于 AI 的安全监控系统的操作与应急处理。 四、培训方式 1. 线上课程：利用网络平台提供相关课程，方便职工自主学习。 2. 线下讲座：邀请专家进行现场讲解和互动交流。 3. 实践操作：在实际工作场景中进行模拟训练和实际操作。 五、培训时间安排 1. 每月安排一次线上课程。 2. 每季度组织一次线下讲座。 3. 不定期进行实践操作培训，根据实际工作需求灵活安排。 六、培训效果评估 通过考试、实际操作考核、项目成果评估等方式，检验职工的学习成果，并将其与绩效考核挂钩，激励职工积极参与培训。

以下是关于雪梅 May 的 AI 100 天学习笔记的相关内容： 作者介绍： 适合纯 AI 小白，可参考此日记，学习模式为输入→模仿→自发创造。 学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区找感兴趣的最新内容。 学习时间并非每天依次进行，有空就学，作者已进行到 90 天。 2024 年保持较好学习状态，不仅学 AI 还看了 33 本书。 学习资源免费开源。 第一阶段： DAY5 2024.5.26：开始使用 kimi，抱着每天问 100 个问题的心态调整思考模式，养成问 AI 问题的习惯，参考。 DAY6 2024.5.31：应朋友推荐学习吴恩达生成式人工智能课程，在 B 站搜索对应关键词有课程资源，学习笔记，抽空 3 天学完。 DAY7 2024.6.1：探索用 AI 解决真实问题，团队要写行业研究报告，尝试用 AI 帮忙。 2024 年 12 月 31 日历史更新（归档）： ，日记分三个阶段，学习路线图适合新人参考。 ，Yann LeCun 直指当前 AI 根本局限，阐述不同技术路径。 ，强调将 AI 视为方法，用哲学视角构建理解与方法论。

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。

AI 在设备风控场景的落地可以从以下几个方面考虑： 法律法规方面：《促进创新的人工智能监管方法》指出，AI 的发展带来了一系列新的安全风险，如对个人、组织和关键基础设施的风险。在设备风控中，需要关注法律框架是否能充分应对 AI 带来的风险，如数据隐私、公平性等问题。 趋势研究方面：在制造业中，AI Agent 可用于生产决策、设备维护、供应链协调等。例如，在工业设备监控与预防性维护中，Agent 能通过监测传感器数据识别异常模式，提前通知检修，减少停机损失和维修成本。在生产计划、供应链管理、质量控制、协作机器人、仓储物流、产品设计、建筑工程和能源管理等方面，AI Agent 也能发挥重要作用，实现生产的无人化、决策的数据化和响应的实时化。

以下是 4 月 11 日、4 月 9 日和 4 月 14 日的 AI 视频相关资讯汇总： 4 月 11 日： Pika 上线 Pika Twists 能力，可控制修改原视频中的任何角色或物体。 Higgsfield Mix 在图生视频中，结合多种镜头运动预设与视觉特效生成视频。 FantasyTalking 是阿里技术，可制作角色口型同步视频并具有逼真的面部和全身动作。 LAM 开源技术，实现从单张图片快速生成超逼真的 3D 头像，在任何设备上快速渲染实现实时互动聊天。 Krea 演示新工具 Krea Stage，通过图片生成可自由拼装 3D 场景，再实现风格化渲染。 Veo 2 现已通过 Gemini API 向开发者开放。 Freepik 发布视频编辑器。 Pusa 视频生成模型，无缝支持各种视频生成任务（文本/图像/视频到视频）。 4 月 9 日： ACTalker 是多模态驱动的人物说话视频生成。 Viggle 升级 Mic 2.0 能力。 TestTime Training在英伟达协助研究下，可生成完整的 1 分钟视频。 4 月 14 日： 字节发布一款经济高效的视频生成基础模型 Seaweed7B。 可灵的 AI 视频模型可灵 2.0 大师版及 AI 绘图模型可图 2.0 即将上线。

以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。

以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。

构建知识库的方法主要有以下几种： 1. 使用 Flowith 构建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，为其起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 等待 Flowith 对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 2. 使用 Dify 构建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：根据需求选择高质量模式、经济模式或 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 3. 本地部署大模型并搭建个人知识库（涉及 RAG 技术）： 了解 RAG 技术：大模型训练数据有截止日期，RAG 可通过检索外部数据并在生成步骤中传递给 LLM 来解决依赖新数据的问题。 RAG 应用的 5 个过程： 文档加载：从多种来源加载文档，如 PDF、SQL 等。 文本分割：把文档切分为指定大小的块。 存储：包括将文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：将问题和检索出的嵌入片提交给 LLM 生成答案。 文本加载器：将用户提供的文本加载到内存中以便后续处理。

搭建知识库的方法如下： 使用 flowith 搭建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，给知识库起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 Flowith 会对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 使用 Dify 搭建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：提供三种索引方式，根据需求选择，如高质量模式、经济模式和 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 使用 Coze 智能体搭建： 手动清洗数据： 在线知识库：点击创建知识库，创建 FAQ 知识库，选择飞书文档，输入区分问题和答案，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理，然后创建自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能搜到。

以下是搭建自己知识库的方法： 1. 选择“Manage Your Knowledge Base”，进入知识库管理页面。 2. 在页面左上角点击加号，添加新的知识库，并为其起一个易于分辨的名字。 3. 点击添加文件，建议使用 Markdown 格式的文件。 4. 等待 Flowith 对文件进行抽取等处理。 5. 处理完毕后，可在知识库管理页面测试检索，输入关键词过滤相关内容。 此外，搭建本地知识库还需了解 RAG 技术： 1. RAG 是一种当需要依靠不包含在大模型训练集中的数据时所采用的主要方法，即先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 2. 一个 RAG 的应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 对于基于 GPT API 搭建定制化知识库，涉及给 GPT 输入定制化的知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。Embeddings 是一个浮点数字的向量，两个向量之间的距离衡量它们的关联性，小距离表示高关联度。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。文档上有创建 embeddings 的示例。

以下是为您提供的关于创建基于个人知识库的 chatbot 的建议： 1. 选择合适的平台和工具：例如可以考虑使用飞书智能伙伴创建平台（Aily）或扣子（https://www.coze.cn/home）等。 2. 数据分段储存：由于大模型的上下文长度有限制，需要将上传的资料根据特定符号或字符长度进行分段，如将 8000 字文档按每 800 字分成一个片段储存。 3. 增强检索：当用户输入问题，大模型会根据相似度检索出若干最相关的数据片段，再据此生成答案，这一技术称为 RAG（检索增强生成）。 4. 配置知识库： 在 Bot 内使用知识库： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项，如最大召回数量、最小匹配度、调用方式等。 在工作流内使用 Knowledge 节点： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在页面顶部进入工作流页面，并打开指定的工作流。 在左侧基础节点列表内，选择添加 Knowledge 节点。 5. 注意使用限制：单用户最多创建 1000 个知识库，文本类型知识库下最多支持添加 100 个文档，单用户每月最多新增 2GB 数据，累计上限是 10GB。 此外，知识库可以解决大模型幻觉、专业领域知识不足的问题，提升大模型回复的准确率。您可以将知识库直接与 Bot 进行关联用于响应用户回复，也可以在工作流中添加知识库节点，成为工作流中的一环。

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。

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。

企业落地 AI 可以参考以下内容： Anthropic 在 AI Engineer Summit 2025 上分享了相关最佳实践，并总结了常见错误。核心挑战包括如何入手、如何评估效果、技术选择困惑（如是否需要微调）。关键经验是评估先行，明确“智能度、成本、延迟”之间的平衡，避免过早微调，先进行基础优化。例如 Intercom 通过评估优化 AI Agent Fin，使其处理 86%的客服请求，其中 51%无需人工介入。相关链接： 影刀 RPA+AI Power 方面：大模型有输入和输出限制，AI Power 集成丰富组件及技能组件可拓展 AI 服务能力边界，打造 AI Agent，如搜索引擎组件可让 AI 接入互联网获取实时信息，RPA 组件可直接调用影刀 RPA 客户端应用实现自动化操作。其具有无缝多样的使用方式，如嵌入方式包括网页分享、对话助理、API 集成等。企业系统分散，AI Power 提供多种调用方式方便企业灵活选择接入方式。此外，影刀 AI Power 为企业提供教学培训、技术答疑、场景共创等贴身服务支持，帮助企业把 AI 落地。 此外，相关知识库还介绍了面向学习者、创作者和企业的不同服务： 面向学习者：社区提供清晰学习路径，学习者通过丰富课程、活动和竞赛提升自己，积累能力成为高素质 AI 人才。 面向创作者：创作者掌握 AI 技术利用社区资源创作，满足企业需求，为社区发展注入活力。 面向企业：链接 AI 产品和传统企业，通过与社区合作获得优质内容与服务，从学习者中获取潜在流量。社区合作实践为学习者和创作者提供应用场景和技术经验。

以下是关于 AI 在 BizDevOps 中的场景落地及应用的相关内容： AI 在 DevOps 中的应用： AI 可以承担指定计划、拆分任务和调用工具的角色，但目前无法完全评定任务结果的正确性和质量。 现阶段更适合让 AI 辅助完成部分任务，如画原型图、设计表结构、写自动化测试代码等，但需要人类验证后才能进行下一步操作。 完全依赖 AI 可能带来风险，如生产环境出错或被黑客恶意利用漏洞。 AI 的记忆能力： ChatGPT 支持记忆功能，可通过摘要保存对话内容以延续角色和对话风格，但新开会话可能在高推理任务中效果更好。 建议将角色设定和部分对话作为样例（fewshot）放入提示词中，以优化生成质量。 学习 GPT 的妙招： 结合视频教程、文字转录和基础资料，通过 ChatGPT 讲解学习内容。 角色反转，自己当老师，ChatGPT 当学生，通过提问互动和查漏补缺能有效提升学习效果。 AI 对软件工程的影响： 涵盖自动代码生成、智能调试、AI 驱动的 DevOps 和敏捷开发优化。 自动代码生成工具（如 GitHub Copilot）提高编程效率，AI 也助力智能测试与运维。 DevOps 迎来 AI 驱动的 CI/CD 和 AIOps，提升部署自动化和智能监控能力。 AI 让敏捷开发更加高效，通过自动化需求分析、测试优化和团队协作增强生产力。 其他相关动态： OpenAI CEO 宣布开发 AI 设备，目标颠覆智能手机。 OpenAI 推出全新 Deep Research，让 ChatGPT 成为研究助理。

以下是关于 ChatGPT 落地方案的相关内容： 产品经理如何用 ChatGPT： 背景前提：非专业 BI 工程师，依靠 GPT 提示和查询资料解决不擅长领域问题及学习成长。使用免费的 ChatGPT3.5 版本，因充值问题未解决，且账号登录出现问题无法截图还原完整对话过程。 使用过程： 先整理与 GPT 交互的基本思路及步骤，包括旧代码输入、需求及现状问题输入、调试优化、结果输出验证。 旧代码输入时，1900 行代码直接粘贴报错，采取分次输入再联合的方式，让 GPT 理解旧代码实现效果及熟悉查询表和字段，方便后续生成优化代码直接在数据库运行。原 SQL 主要逻辑是统计近 30 天内每天的业务数据日报，按天和地区分组汇总，需查询多张表几百万条数据。GPT 理解基本正确，并主动提出优化建议。 LLM 落地思考： 对大模型的任务理解、编程能力、输出遵循有较高要求，需要 LLM 前处理与后处理工程兜底，因企业流程自动化出错影响面广。该方向能帮助企业完成数字化转型并升级至业务自动化，多为定制化服务，业务爆发期可能在几年后经济回暖时，目前需求方可能优先是国企与金融等数字化成熟且有国家 AI+任务驱动的地方。 采用 RAG 方案进行知识应用的工程框架，包括 AI 搜索、智能客服、流水线问题定位等场景，通过给予大模型已有行业知识解决问题，但前处理过程对方案效果影响较大。 ToC 业务方面，当前爆款产品如 ChatGPT、Midjourney 等，暂未出现像微信这样的大杀器 C 端产品，未来 C 端产品形态难以确定。