请列举可对接deepseek的本地部署的rag

以下是关于 DeepSeek 的官方教程相关信息： 火山方舟 DeepSeek 申请免费额度教程，包含多种 API 使用方式，如飞书多维表格调用、Coze 智能体调用、浏览器插件调用。可以使用邀请码 D3H5G9QA，通过邀请链接 https://www.volcengine.com/activity/deepseek?utm_term=202502dsinvite&ac=DSASUQY5&rc=D3H5G9QA 邀请可拿 3000 万 tokens，畅享 671B DeepSeek R1，活动截止至北京时间 20250218 23:59:59。同时，火山方舟大模型服务平台的模型服务计费文档有更新，DeepSeekR1、V3 模型分别提供了 50 万免费额度和 API 半价活动。 有关于一线教师的 AI 需求与高效工具推荐，如让模型创作诗歌、生成宣传标语、提示库（https://apidocs.deepseek.com/zhcn/promptlibrary）、代码解释、内容分类、角色扮演（自定义人设）、散文写作、文案大纲生成、模型提示词生成等。 2 月 14 日的社区动态中，有《突破 DeepSeek R1 能力天花板，火山引擎扣子+飞书一站式企业解决方案》《羊毛快薅|字节火山上线了 DeepSeek 系列模型并悄悄更改了模型服务价格...》等内容，还附上了飞书多维表格、Coze 的接入使用方法等。此外，还有关于 DeepSeek 关键 9 篇论文及创新点的讲解，以及 DeepSeek 官方发布的 R1 模型推荐设置。

以下是将模型的输出存入到多维表中的步骤： 1. 逐步搭建 AI 智能体： 搭建整理入库工作流。 设置大模型节点提取稍后读元数据，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000，以确保能完整解析长内容网页。 进行日期转时间戳，后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需要使用「日期转时间戳time_stamp_13」插件进行格式转化。 把稍后读元数据转换为飞书多维表格插件可用的格式，飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以必须将之前得到的元数据数组进行格式转换。 添加「飞书多维表格add_records」插件，只需要设置{{app_token}}与{{records}}参数，将元数据写入飞书表格。 2. 搭建 Coze 工作流： 打开 Coze 的主页，登录后，在【工作空间】创建一个智能体。 在编排页面，给智能体编辑好人设，可先写一个简单的，然后点右上角自动优化，系统会自动补全更精细的描述。点击工作流的+，创建一个工作流。 大模型节点把 input 给到 DeepSeek，让 DeepSeek 按照提前规定的输出框架生成对应文案。 生图节点将输出给到图像生成组件画图。 结束输出时，两个输出给到最终的 end 作为最终的输出。注意在编写系统提示词时，如果需要 input 可被 DeepSeek 调用，需要用{{input}}作为参数引入，不然大模型不知道自己需要生成和这个 input 相关的结果。编排完，点击【试运行】，调试至满意后点击发布。

以下是关于 DeepSeek 在不同方面应用的相关信息： 应用场景：包括脑爆活动方案、会议纪要、批量处理客户评论、分析总结复盘内容、生成专业软件使用过程、写小说框架、写论文、写文案、写小红书笔记、写周报、做设计头脑风暴、做网站、分析感情问题等。 优势与不足：在写文方面全面领先，但长文可能太发散、文风用力过猛导致审美疲劳，且模型多样性不够，相同 prompt 提问多次答案雷同。 应对策略：写理性文章时，可先与 DeepSeek 讨论思路，再用 Cloud 3.5 批量生成；用 O1 模型对创作的字数控制有一定效果，也可通过多轮对话让 AI 增删改查来调整字数。 创作相关：模仿特定小说家的文学方式创作小说，需在提示词中描述文风特征；邀请大家在腾讯频道发布用 AI 写的小说并鉴赏。 发展历程：DeepSeek 历时 647 天在大语言模型（LLM）领域取得突破，发布 13 篇论文。谷歌 CEO 坦言 Deep Seek 的突破标志着 AI 的全球化进程。

使用 DeepSeek 写论文可以参考以下几点： 1. 给予 DeepSeek 更多自由发挥的空间，避免过度限制。 2. 注意旧模型在文学创作中可能存在的过度道德说教和正面描述趋势，导致结果生硬死板的问题。 3. 了解 DeepSeek 在文风、哲学思考和触动人情感方面的优秀表现，利用其文创能力为论文增添特色。 4. 参考提示词编写的方法，例如收集信息、重新定义问题等，以更有效地向 DeepSeek 传达需求。 5. 可以借鉴他人使用 DeepSeek 写论文的经验，如 Yvonne 的成功案例。 需要注意的是，虽然 DeepSeek 能提供帮助，但仍需您对生成的内容进行审核和修改，以确保论文的质量和准确性。

以下是关于 Deepseek V3 微调的相关信息： 云舒文章总结卡 2.0 提示词全面支持 Deepseek V3，效果媲美 Claude3.7。V3 需要为 0324 更新的版本，DS 官网及 API 已更新，如调用其它平台 API 需要查看 DS 版本号。提示词复制链接：。横版为 1080 x 800 卡片提示词，竖版为 750 x 不限高卡片提示词。 各平台均需下载 html 文件，打开后才能查看真实效果，平台自带预览因兼容性问题无法正常展示效果。Claude 使用平台包括 Claude3.7 官网、API、Cursor，使用时需要下载为 HTML 文件打开查看效果。Deepseek 使用平台包括 Deepseek 官网、API（V3 需要为 0324 更新的版本），Deepseek 需要复制代码到 html 文件里，然后保存进行查看。 关于智能纪要，会带着大家复现模型的蒸馏和微调，并讲解相关知识。用 Deepseek RE Zero 蒸馏出带思考的数据，基于 Deepseek V3 微调，进行冷启动，再做强化学习，还从非公布模型提取微调数据，加上人类偏好，最终形成 R1。Deepseek R1 反过来蒸馏数据微调 V3，形成互相帮助的局面。 北京时间 00:30 至 08:30 期间，DeepSeek API 价格大幅下调，DeepSeekV3 降至原价的 50%。

以下是关于 DeepSeek 的使用技巧： 1. 了解其特点与优势： 推理型大模型：核心是推理型，无需用户提供详细步骤指令，通过理解真实需求和场景提供答案。 更懂人话：能理解用户用“人话”表达的需求，无需特定提示词模板。 深度思考：回答问题时能深度思考，非简单罗列信息。 文风转换器：可模仿不同作家文风写作，适用于多种文体和场景。 2. 更多提示词技巧请查看 3. 在 AI 切磋大会第十期 2 月 23 日 deepseek 专场中，分享了以下使用方法技巧： 分享使用 DeepSeek 在工作生活上的案例。 分享 DeepSeek 输出“超预期结果”的惊艳场景。 分享别人使用的案例。 方法论碰撞，如使用 DeepSeek 的技巧、与其他工具的协同方案、模型微调/部署的技巧方法、获取流量/客户等。 在 Workshop 自由探讨环节，参与者可自由组队，确定围绕 DeepSeek 应用的项目方向，进行头脑风暴和制定落地方案，并提交项目初稿。推荐使用 DeepSeek + 飞书多维表格、DeepSeek + 扣子等工具。若讨论无方向，可设定标准问题引导；分组混乱，可预设热门主题让参与者自行加入。

RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来完成，如 Meta AI 引入的 RAG 方法。RAG 把信息检索组件和文本生成模型结合，可微调，内部知识修改高效，无需重新训练整个模型。它会接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，能适应事实变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识尤其是长尾知识、知识易过时且不好更新、输出难以解释和验证、易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有诸多优点，如数据库存储和更新稳定且无学习风险、数据更新敏捷且不影响原有知识、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本。 在 RAG 系统开发中存在 12 个主要难题，并已有相应的解决策略。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉等问题干扰的情况。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 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，包括 PDF 在内的非结构化数据、SQL 在内的结构化数据，以及 Python、Java 之类的代码等。 2. 文本分割：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储：涉及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。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。

RAG（检索增强生成）是一种有效的解决方案，下面为您详细讲解： RAG 工作流程： 1. 检索（Retrieval）：如同在图书馆中，系统会从知识库或文档集合中找出与用户问题相关的内容。 2. 增强（Augmented）：对检索到的信息进行筛选和优化，挑出最相关和有用的部分。 3. 生成（Generation）：将整合的信息生成自然流畅、易于理解的回答。 RAG 类似于一个超级智能的图书馆员，综合起来： 1. 检索：从庞大知识库中找到相关信息。 2. 增强：筛选优化确保找到最相关部分。 3. 生成：整合信息给出连贯回答。 RAG 的优势： 1. 成本效益：相比训练和维护大型专有模型，实现成本更低。 2. 灵活性：能利用多种数据源，包括结构化和非结构化数据，迅速适应不同领域和变化的数据。 3. 可扩展性：随时增加或更新知识库内容，无需重新训练模型。 RAG 与常规知识库的对比优势： 常规知识库可能存在知识更新不及时、数据来源单一等问题。而 RAG 能够从多种数据源获取信息，并且可以根据用户的实时需求进行检索和优化，生成更贴合需求的回答。 在 GraphRAG 的实现方面，目前提供的内容中未明确提及相关具体实现方式。 同时需要注意的是，RAG 也存在一些缺点，比如相比于专有模型的方案，回答准确性可能不够。

以下是搭建个人 rag 知识库并实现本地化部署，调用本地大模型分析知识库内容进行解答的详细步骤： 一、通过 Open WebUI 使用大模型 1. 访问相关网址，使用邮箱注册账号。 2. 登陆成功后，Open WebUI 一般有两种使用方式，包括聊天对话和 RAG 能力（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）。 3. 如果要求不高，此时已搭建本地大模型，并通过 Web UI 实现与大模型对话。ChatGPT 访问速度快且回答效果好的原因在于其服务器配置高、训练参数多、数据更优及训练算法更好。 二、本地知识库进阶 1. 若要更灵活掌控知识库，需使用额外软件 AnythingLLM，其包含 Open WebUI 的所有能力，并额外支持选择文本嵌入模型和向量数据库。 2. 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：选择大模型、选择文本嵌入模型、选择向量数据库。 3. 在 AnythingLLM 中有 Workspace 的概念，可创建独有 Workspace 与其他项目数据隔离。首先创建工作空间，然后上传文档并在工作空间中进行文本嵌入，选择对话模式（包括 Chat 模式和 Query 模式），最后进行测试对话。 三、RAG 是什么 利用大模型搭建知识库是 RAG 技术的应用。在进行本地知识库搭建实操前，需对 RAG 有大概了解。RAG 应用可抽象为 5 个过程： 1. 文档加载：从多种来源加载文档，LangChain 提供 100 多种不同的文档加载器，包括非结构化、结构化数据及代码等。 2. 文本分割：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或“文档片”。 3. 存储：涉及将切分好的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。 4. 检索：通过检索算法找到与输入问题相似的嵌入片。 5. 输出：把问题及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示生成更合理的答案。 文本加载器是将用户提供的文本加载到内存中，便于后续处理。

以下是为您推荐的学习 RAG（RetrievalAugmented Generation，检索增强生成）的资料： 1. 《RetrievalAugmented Generation for Large Language Models:A Survey》（https://arxiv.org/pdf/2312.10997.pdf），该资料对 RAG 进行了较为全面的介绍和分析。 2. 关于新知识的学习，您可以参考“胎教级教程：万字长文带你理解 RAG 全流程”。其中提到可以通过 Claude 帮助了解细节概念，然后再通过 Coze 搭建 Demo 来实践学习。还不知道 Coze 是什么的同学可以看公开分享： 。 3. 了解“RAG 是什么？”：RAG 是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型提供额外的、来自外部知识源的信息。通过检索模式为大语言模型的生成提供帮助，使生成的答案更符合要求。同时，还介绍了大模型存在的缺点以及 RAG 的优点，如数据库对数据存储和更新稳定、敏捷、可解释等。 希望这些资料对您学习 RAG 有所帮助。

RAGflow 能力拆解： 文档拆分方式： 通用模式：主要参考每个块的 token 数量，同时考虑语意完整性，切分段落点通常在句号或叹号等完整句子结束处。拆分结果和 langchain 的拆分大同小异。 Q&A 问答对：将左边内容加上“问题:”，右边内容加上“回答:”，数据清洗工作量大。 简历：解析容易失败，需要匹配关键词才能解析，建议官方给出简历模板。 手册：一整段文字提取，分割处在页面分页、段落分段处，块大小通常较大。 表格：拆分后每一行被当成一个块，第一行表头插入到每一块头部。对没有特殊字符的表格信息处理较好，对图片内的公式做了 OCR 检测。 数据清洗：RAGflow 提供分段后的数据处理，可自行添加、修改数据或添加标签。测试发现，RAGflow 召回会同时使用向量相似度和关键词相似度并加权得到混合相似度，关键词相似度不仅匹配文本段内容还匹配关键词标签内容，单个实体在关键词中出现即为 100%。但需注意，检索获得的内容块需同时包含“问题信息”和“答案信息”，大模型才能解答。此外，RAGflow 没提供对外接口，做聊天或其他应用时不方便。 大模型 RAG 问答行业最佳案例及微调、推理双阶段实现模式：基于模块化RAG 的相关工作，本文将从典型的 RAG Flow 模式、特定的 RAG 流实现以及最佳的行业案例三个方面深入探讨 RAG Flow 的设计思路，在典型的 RAG Flow 模式方面，将介绍 3 种微调阶段模式和 4 种推理阶段模式。

以下是 2025 年 3 月 1 日以来，国内外、闭源开源模型厂商的部分更新记录： 2025 年 3 月 20 日，OpenAI 推出了一套全新的音频模型，旨在通过 API 为开发者提供更智能、更可定制的语音代理支持，包括改进的语音转文本和文本转语音功能，为语音交互应用带来显著提升。 李开复公开表示 OpenAI 面临生存危机，商业模式不可持续。他强调中国的 DeepSeek 以极低成本提供接近的性能，开源模式将主导未来 AI 发展。他认为企业级 AI 应用将成为投资重点，资源限制反而促进了创新。李开复大胆预测，中国将出现三大 AI 玩家，竞争愈发激烈。 SuperCLUE 发布《中文大模型基准测评 2025 年 3 月报告》，指出 2022 2025 年经历多阶段发展，国内外模型差距缩小。测评显示 o3mini总分领先，国产模型表现亮眼，如 DeepSeekR1 等在部分能力上与国际领先模型相当，且小参数模型潜力大。性价比上，国产模型优势明显。DeepSeek 系列模型深度分析表明，其 R1 在多方面表现出色，蒸馏模型实用性高，不同第三方平台的联网搜索和稳定性有差异。 以上信息来源包括： 《》 《》 《》

以下是不同的 embedding 模型： 1. 词嵌入： Word2Vec：包括 CBOW（Continuous BagofWords）和 SkipGram 模型，由 Google 提出，用于学习单词之间的语义关系。 GloVe（Global Vectors for Word Representation）：由斯坦福大学开发，旨在结合全局统计信息和局部上下文窗口的优势来生成单词嵌入。 FastText：由 Facebook AI 团队推出，不仅考虑单个单词，还考虑内部字符 ngram，对于罕见词汇有更好的表现。 ELMo（Embeddings from Language Models）：利用双向 LSTM 对整个句子进行建模，产生上下文敏感的单词嵌入。 2. 情景化的词嵌入： BERT（Bidirectional Encoder Representations from Transformers）：由 Google 推出，利用 Transformer 架构的预训练模型，能够根据上下文提供动态的单词嵌入。 GPT（Generative Pretraining Transformer）及其后续版本 GPT2/3/4：由 OpenAI 开发，也是基于 Transformer 的自回归模型，同样能产出上下文相关的嵌入。 XLNet、RoBERTa 等都是 BERT 之后改进或扩展的预训练模型。 3. 句子和文档嵌入： Doc2Vec：扩展了 Word2Vec，能够为整个文档生成统一的向量表示。 Average Word Embeddings：将一段文本中所有单词的嵌入取平均作为整体的文本表示。 Transformers Sentence Embeddings：如 BERT 的标记对应的向量，或者专门针对句子级别的模型如 SentenceBERT。 4. 实体/概念嵌入： Knowledge Graph Embeddings：如 TransE、DistMult、ComplEx 等，用于将知识图谱中的实体和关系嵌入到低维向量空间中。 5. 其他类型： 图像 Embeddings：使用卷积神经网络（CNN）进行图像特征提取，得到的特征向量即为图像嵌入。 音频 Embeddings：在语音识别和声纹识别中，将声音信号转化为有意义的向量表示。 用户/物品 Embeddings：在推荐系统中，将用户行为或物品属性映射到低维空间以进行协同过滤或基于内容的推荐。 图 Embeddings：是用于学习图结构的表示学习方法，将图中的节点和边映射到低维向量空间中。通过学习图嵌入，可以将复杂的图结构转化为向量表示，以捕捉节点之间的结构和关联关系。这些方法可以通过 DeepWalk、Node2Vec、GraphSAGE 等算法来实现。图嵌入在图分析、社交网络分析、推荐系统等领域中广泛应用，用于发现社区结构、节点相似性、信息传播等图属性。 此外，以 OpenAI 为例，第一代嵌入模型（不推荐）包括： 所有第一代模型（以001 结尾的模型）都使用 GPT3 分词器，最大输入为 2046 个分词。 第一代嵌入由五个不同的模型系列生成，这些模型系列针对三个不同的任务进行了调整：文本搜索、文本相似性和代码搜索。 相似性嵌入：textsimilaritybabbage001、textsimilaritycurie001、textsimilaritydavinci001。 文本搜索嵌入：textsearchadaquery001、textsearchbabbagedoc001、textsearchbabbagequery001、textsearchcuriedoc001、textsearchcuriequery001、textsearchdavincidoc001、textsearchdavinciquery001。 代码搜索嵌入：codesearchadatext001、codesearchbabbagecode001、codesearchbabbagetext001。 对于001 文本嵌入（不是002，也不是代码嵌入），建议将输入中的换行符替换为单个空格，因为当存在换行符时可能会有更糟糕的结果。

以下是制作小游戏并上架到抖音和微信可能需要用到的 AI 和软件： AI 方面：可以利用 AI 描述需求生成游戏代码，例如向云雀 3.5 等模型描述需求来辅助生成代码。还可以让 AI 处理图片、绘制角色形象等。 软件工具： 图像托管网站：用于上传游戏中的图片，选择无需登录、兼容性强的网站。 代码解释网站：有专门解释代码改游戏 bug 的网站，部分有免费额度。 GitHub：用于游戏发布，需要注册账号，设置游戏名，选择公共或锁定，上传文件等。 Zion：支持小程序、Web、AI 行为流全栈搭建，APP 端全栈搭建 2025 上线。 Coze：可作为后端服务。 微信开发者工具：用于微信小程序的开发。

程序员在使用 AI 时，可能会涉及以下一些 AI 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，帮助提高编写代码的效率。 2. 通义灵码：阿里巴巴团队推出，基于通义大模型，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码注释生成等多种能力。 3. CodeWhisperer：亚马逊 AWS 团队推出的由机器学习技术驱动的代码生成器，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，可快速生成代码。 5. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助强大的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的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。 此外，还有一些其他相关的 AI 工具，如： 1. ChatAll：可以同时与多个 AI 机器人实时聊天的开源工具，支持多种主流 AI 聊天机器人。 2. AIProductsAllInOne：整理了一些 ChatGPT 以及 AI 相关的生产力工具。 3. Shell GPT：在命令行中集成了 ChatGPT，帮助快速编写 shell 命令、代码片段等。 4. 飞书 GPT：集成了飞书、GPT3.5、Dall·E、Whisper 等 API，支持多种功能。 5. ChatPDF：提取 PDF 文件内容并交给 ChatGPT 分析，实现一对一对话交流。 6. GitHub Copilot X：基于 AI 驱动的跨时代代码编辑器，带来全新编程体验。 在 PPT 制作方面，有以下 AI 工具： 1. MindShow 2. 爱设计 3. 闪击 4. Process ON 5. WPS AI 每个工具都有其特色和适用场景，程序员可以根据自己的需求选择最适合的工具。

开发角色在使用 AI 时可能涉及以下工具： 1. 个性（LLM 的文本）：一些开源模型如 Vicuna 和 Pygmalion 经过微调，可在特定个性到无审查的角色扮演等场景中表现出色。 2. 记忆（向量存储）：像 Pinecone 这样的向量存储系统，用于存储长期记忆、背景故事等独特信息。 3. 语音（语音合成）：ElevenLabs 产品可赋予声音，并控制年龄、性别和口音。 4. 外表（SD 模型作图）：LoRAs 可精细控制图像风格、细节和设置。 5. 动画（视频动画）：DID 和 HeyGen 等工具能使图像“说话”。 6. 平台：多数开发者在 GCP 和 AWS 上部署运行，Steamship 等解决方案也受关注。 7. UI 层：SillyTavern、Agnaistic 和 KoboldAI 等是受欢迎的前端界面选择。 在游戏开发方面： 1. Unity 提供了新 Copliot 工具，可通过与 Muse Chat 聊天快速启动创建游戏项目，协助编码，创建 3D 材质、动画等内容。 2. Unity Sentis 工具允许在 Unity 运行时为游戏或应用程序嵌入 AI 模型，增强玩法和功能，是跨平台解决方案。

以下是 CRM 可能涉及的 AI 工具分类列举： 销售相关工具： Salesforce 爱因斯坦：通过分析数据集识别潜在客户，生成潜在客户评分，具有自动化功能。 Clari：从事智能收入运营，能统一数据并创建准确的收入预测。 Hightime：销售团队的 AI 助手，处理重复性任务和耗时研究。 AIGC 在 CRM 中的应用： 个性化营销内容创作：根据客户数据生成个性化营销文案和视觉内容。 客户服务对话系统：开发智能客服系统，通过自然语言交互解答咨询和投诉。 产品推荐引擎：生成产品描述和展示内容，结合推荐算法推荐产品。 CRM 数据分析报告生成：自动生成数据分析报告，包括多种形式。 智能翻译和本地化：提供多语种翻译及本地化服务。 虚拟数字人和营销视频内容生成：快速生成相关形象和视频内容。 客户反馈分析：高效分析客户反馈信息。 产品经理相关 AI 工具： 用户研究、反馈分析：Kraftful（kraftful.com） 脑图：Whimsical（whimsical.com/aimindmaps）、Xmind（https://xmind.ai） 画原型：Uizard（uizard.io/autodesigner/） 项目管理：Taskade（taskade.com） 写邮件：Hypertype（hypertype.co） 会议信息：AskFred（fireflies.ai/apps） 团队知识库：Sense（senseapp.ai） 需求文档：WriteMyPRD（writemyprd.com） 敏捷开发助理：Standuply（standuply.com） 数据决策：Ellie AI（ellie.ai） 企业自动化：Moveworks（moveworks.com）

您学习 ComfyUI 和 Flux 一段时间后准备学习 Python 开发 ComfyUI 节点并对接模型，这个方向是可行的。以下是一些相关的知识和要点供您参考： 工作流方面： 工作流节点可直接拖动单个节点到任意位置，也可按住 Control 键并用鼠标左键滑框选中多个节点，再按 Shift 键一起拖动。 选中节点后右键新建组，可修改组名、颜色等，组被覆盖时可直接拖动组。 选中节点后右键选择对齐方式，如顶部对齐、左边对齐等。 第三方节点的安装方式包括在 customer NODE manager 中安装、在 GitHub 上复制链接安装、通过终端输入指令安装、在秋叶启动器的版本管理中安装。 可通过 group by Parser 节点控制组，也可通过按住节点按 control b 跳过或按 control m 终止执行。 模型方面： 噪声强度由种子调节，种子固定噪声分布方式，噪声与 CLIP 无关，增大噪声设置值会增强模型对图片重绘的程度。 模型版本的提示词差异：1.5 以 tag 为主，XL 论文称以自然语言为主，但实际使用中因模型微调情况可能仍需用 tag。 Flux 模型有时生成黑图，可能有修复方案，需自行查询。图像生成结果为空，可能是 VAE 编码器与大模型未连接，调整连接后问题解决。 安装方面： 自动打标 joy_caption 副本的节点安装地址为 D:\\ComfyUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes。 安装步骤包括：（Comfyui evn python.exe）python m pip install rrequirements.txt 或点击 install_req.bat，注意 transformers 版本不能太低。 下载模型或者运行 ComfyUI 自动下载模型到合适文件夹，如从 https://huggingface.co/unsloth/MetaLlama3.18Bbnb4bit 下载并放到 Models/LLM/MetaLlama3.18Bbnb4bit 文件夹内。 新版的 PuLID 解决了模型污染的问题，使用新版的节点需要禁用或者删除之前的 PuLID 节点，不然可能会有冲突问题。模型放在 ComfyUI\\models\\pulid 文件夹里面，注意用新版的。 如果使用 PuLID，还需要安装 EVA CLIP 等模型。

目前没有关于如何编写对接金蝶云之家 OA 并实现识别上传发票是否重复提交的具体内容。但一般来说，要实现这样的插件，您可能需要以下步骤： 1. 了解金蝶云之家 OA 的接口和数据格式规范，以便能够与之进行有效的交互。 2. 建立发票数据的存储和管理机制，用于保存已上传的发票信息。 3. 设计发票识别的算法和逻辑，能够提取发票的关键特征，如发票号码、日期、金额等。 4. 对比新上传发票的特征与已存储发票的特征，判断是否存在重复。 这是一个较为复杂的开发任务，可能需要涉及到软件开发、数据库管理、算法设计等多方面的知识和技术。

微信已接入 DeepSeek。微信“搜一搜”正在灰度测试接入 DeepSeekR1 模型，部分用户可在对话框顶部搜索“AI 搜索”进入体验。若未显示入口，则表示测试暂未覆盖，可等待后续开放。相关链接： 此外，这两天微信和百度相继宣布接入 DeepSeek，微信推出 AI 搜索功能，提供“快速回答”和“深度思考”选项，用户可获取高质量答案并一键分享。

企业微信客服号能对接 Dify 知识库实现智能客服功能。以下是相关步骤： 1. 在 Dify 平台创建基础编排聊天助手应用，获取 API 密钥和 API 服务器地址。 2. 下载 Dify on WeChat 项目并安装依赖。 3. 在项目根目录创建 config.json 文件，填写 API 密钥和服务器地址。 4. 把基础编排聊天助手接入微信，可选择源码部署或 Docker 部署，进行快速启动测试，扫码登录并对话测试。 5. 把工作流编排聊天助手接入微信，创建知识库，导入知识库文件，创建工作流编排聊天助手应用，设置知识检索节点和 LLM 节点，发布更新并访问 API。 6. 把 Agent 应用接入微信，创建 Agent 应用，设置对话模型和添加工具，生成 API 密钥，填写配置文件，启动程序并进行测试。 更多内容请访问原文：https://docs.dify.ai/v/zhhans/learnmore/usecases/difyonwechat 另外，通过云服务器、Dify、智能微秘书免费搭建微信机器人的部署 Dify 步骤如下： https://docs.dify.ai/v/zhhans/gettingstarted/installselfhosted/dockercompose ，这些命令在宝塔面板的终端安装。 零成本、零代码搭建一个智能微信客服的步骤如下： 1. 访问微信客服 https://kf.weixin.qq.com/，点击开通。 2. 勾选同意，点击下一步。 3. 按步骤填写，勾选同意，注册企业微信。 4. 点击配置>到微信客服的企业信息，复制企业 ID>到 coze 页面进行粘贴填写企业 ID，并点击下一步。 5. 到微信客服的开发配置，找到到回调配置，复制 Token、EncodingAESKey（如果还是空的，点击“随机获取”即可），到 coze 页面进行粘贴，点击下一步。 6. 到微信客服的开发配置，配置回调地址 URL、复制 Secret 到 coze 的页面粘贴。 7. 到微信客服的客服账号，创建一个客服账号，复制客服账号名称，到 coze 的页面粘贴，点击保存。 第一次设置回调地址时，注意目前需要企业认证，才可以进行接入微信客服。如果企业没有进行认证，则会在配置回调 URL 时报错：回调域名校验失败。另外，之前未进行企业认证就发布过微信客服的不受影响。第一次设置成功后，后面再修改是特定页面。保存后，在 coze 发布页面的发布平台的微信客服这里，显示“已配置”，剩下的就是勾选，点击发布。

对于您的工作情况，以下是一些建议来帮助您学习和运用 AI 工具以提高工作效率和质量： 首先，您可以考虑使用自动化表格处理工具。这类工具能够根据您设定的规则和模板，自动填写和整理表格中的数据，减少手动输入的时间和错误。 其次，利用智能客服系统来处理一部分常见的咨询和问题。您可以将常见问题和回答录入系统，让其自动回复一些简单和重复的咨询，从而节省您接电话的时间。 另外，使用智能办公助手来协助您管理和安排工作任务。它可以根据您的工作优先级和时间安排，提醒您各项任务的截止日期和重要程度。 在学习这些 AI 工具时，您可以先从简单易用的工具入手，通过在线教程、操作手册和视频教程来熟悉其功能和操作方法。同时，多与同事交流和分享使用经验，共同探索如何更好地将 AI 工具应用到工作中。 希望以上建议对您有所帮助。

在 AI 赋能传统应用，后端开发对接 AI 时，功能和流程设计上需要注意以下要点： 1. 讨论需求：明确项目目标和用户需求，确保团队对产品方向有一致的理解。 2. 确定关键功能：根据需求确定产品最核心的功能，确保能实现最基本的用户价值。 3. AI 生成产品草图：利用 AI 快速生成界面草图，帮助团队更好地理解产品的外观和交互。 4. 列出功能列表：明确产品所需的功能模块，并逐一列出。 5. 选择一个功能：每次专注完成一个功能，确保质量与效率。 6. 向 AI 描述功能：详细描述功能需求，AI 会根据描述生成代码。 7. AI 编写代码：AI 根据需求编写代码，减少开发者的重复性劳动。 8. 测试代码：测试生成的代码，确保正常运行。 9. 向 AI 提出问题：若功能不正常，将问题反馈给 AI 进行调整。 10. 功能完成：功能通过测试后标记为完成。 11. 还有功能吗：若还有未完成的功能，继续开发下一个功能。 12. 发布初始版本：所有核心功能完成后发布初始版本，以获取用户体验反馈。