AI Agent 是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。 AI Agent 包括以下几个概念： 1. Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 2. Router：可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 3. Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 总结下来需要三个 Agent： 1. Responser Agent：主 agent，用于回复用户（伪多模态）。 2. Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体）。 3. Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈。 这三个 Agent 每隔一段时间运行一次（默认 3 分钟），运行时会分析期间的历史对话，变更人物关系（亲密度，了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，有概率主动聊天（与亲密度正相关，跳过夜间时间）。 此外，AI Agent 也像是在 RAG 的基础上更进一步。RAG 是给大模型一个浏览器工具使用，而 Agent 给了大模型更多工具，比如长期记忆（给大模型一个数据库工具记录重要信息）、规划和行动（在大模型的 prompt 层做逻辑，将目标拆解并输出不同的固定格式 action 指令给工具）。 总的来说，AI Agent 代表了在流程中给大模型使用工具的能力，为大模型的应用提供了更广阔的空间。例如可以让大模型安排差旅，它会判断完成目标所需步骤，搜索近期差旅记录，在相关平台预订酒店和机票，最终完成任务。

作为一名程序员想要学习 AI ，可以参考以下步骤： 1. 掌握基础知识： 学习 Python 语言，包括属性和方法、继承和多态、异常处理、文件操作等方面。 了解 AI 背景知识，如基础理论（人工智能、机器学习、深度学习的定义及关系）、历史发展、数学基础（统计学基础、线性代数、概率论）。 熟悉算法和模型，如监督学习（线性回归、决策树、支持向量机等）、无监督学习（聚类、降维等）。 2. 了解基本概念： 阅读相关资料，熟悉 AI 的术语和基础概念，了解其主要分支及相互联系。 浏览入门文章，了解 AI 的历史、应用和发展趋势。 3. 开始学习之旅： 参考「」中的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）按照自己的节奏学习，并争取获得证书。 4. 深入特定模块： 根据自身兴趣选择 AI 领域的特定模块（如图像、音乐、视频等）深入学习。 5. 掌握提示词技巧： 提示词上手容易且实用，要熟练掌握。 6. 实践和尝试： 理论学习后通过实践巩固知识，尝试使用各种产品制作作品。 分享实践成果。 7. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式。 8. 持续学习和跟进： 关注 AI 领域的新闻、博客、论坛和社交媒体，了解最新发展。 加入 AI 相关社群和组织，参加研讨会、工作坊和会议，与他人交流。 学习 AI 是长期过程，需要耐心和持续努力，别怕犯错，每个挑战都是成长机会，逐渐建立自己的知识体系并取得成就。

以下是 AI 相关名词的关系和解释： 人工智能（Artificial Intelligence，简称 AI）是一种目标，让机器展现智慧。 生成式人工智能（Generative AI，简称 GenAI）是一种目标，让机器产生复杂有结构的内容。 机器学习是一种手段，让机器自动从资料中找到公式。 深度学习是一种更厉害的手段，类神经网络 非常大量参数的函数。 大语言模型（Large Language Models，简称 LLMs）是一类具有大量参数的“深度学习”模型。 ChatGPT 是一个应用实例，通过投喂大量资料预训练后，会通过聊天玩“文字接龙游戏”。它是美国 OpenAI 公司开发的一款基于大型语言模型（LLM）的对话机器人，能够根据用户的输入生成连贯且相关的文本回复。 AIGC（Artificial Intelligence Generated Content）是利用人工智能技术生成内容的新型生产方式，包括文本、图像、音频和视频等内容。ChatGPT 是 AIGC 技术的一个应用实例。 AGI 是通用人工智能（Artificial General Intelligence），能够像人类一样思考、学习和执行多种任务的人工智能系统。 NLP 是自然语言处理（Natural Language Processing），就是处理人类语言。 LLM 是大型语言模型，数据规模很大，需要大量资金投入。

以下是一些做 PPT 的 AI 产品： Gamma：这是一个在线 PPT 制作网站，允许用户通过输入文本和想法提示快速生成幻灯片。它支持嵌入多媒体格式，如 GIF 和视频，以增强演示文稿的吸引力。网址：https://gamma.app/ 美图 AI PPT：由知名图像编辑软件“美图秀秀”的开发团队推出。允许用户通过输入简单的文本描述来生成专业的 PPT 设计，包含丰富的模板库和设计元素，用户可根据需求选择不同风格和主题的模板，适用于多种场合。网址：https://www.xdesign.com/ppt/ Mindshow：一款 AI 驱动的 PPT 辅助工具，提供一系列智能设计功能，如自动布局、图像选择和文本优化等，还可能包括互动元素和动画效果。网址：https://www.mindshow.fun/ 讯飞智文：由科大讯飞推出的 AI 辅助文档编辑工具，利用科大讯飞在语音识别和自然语言处理领域的技术优势，提供智能文本生成、语音输入、文档格式化等功能。网址：https://zhiwen.xfyun.cn/ 目前市面上大多数 AI 生成 PPT 按照以下思路完成设计和制作： 1. AI 生成 PPT 大纲 2. 手动优化大纲 3. 导入工具生成 PPT 4. 优化整体结构 推荐 2 篇市场分析的文章供参考： 《》 《》 歌者 PPT（gezhe.com）是一款永久免费的智能 PPT 生成工具。用户可以轻松将任何主题或资料转化为 PPT，并选择应用大量精美的模板。无论是商务演示、教育培训、学术报告还是专业领域，歌者 PPT 都能提供便捷的操作和智能化体验，让幻灯片制作变得更加轻松高效。

以下是一些可以自动生成专利申请文件的平台： 1. Specifio：利用 AI 技术自动生成专利申请文件，包括专利说明书和权利要求书，能提高专利申请的效率。 2. PatentPal：使用 AI 技术自动生成和编辑专利申请文件，可减少人工工作量。 在专利小助手中，还有以下插件可用于相关工作： 1. Kimi：可以用于自动生成专利申请文档的草稿、摘要或专利描述，提高文档撰写效率。 2. TreeMind 树图：可以用来创建专利结构的思维导图，帮助用户理解专利的组成部分和它们之间的关系。 3. ProcessOn 流程图：可以用于设计和展示专利申请和管理的详细流程，帮助用户理解每一步的操作和所需材料。 4. Word 文档：可以用来处理专利申请文件、专利描述、权利要求书等文档。 使用这些平台通常需要以下步骤： 1. 注册和登录：在对应的平台上注册账户并登录。 2. 上传专利文献：上传待审查的专利文献或输入检索关键词。 3. 选择分析功能：根据需要选择专利检索、分析、评估或生成功能。 4. 查看结果和报告：查看 AI 生成的检索结果、分析报告和评估结果。 5. 进一步处理：根据分析结果进行进一步的人工审查和处理，或者直接生成专利申请文件。

以下是关于通过 AI 快速生成专利的相关信息： 专利审查方面的 AI 使用步骤： 1. 注册和登录：在对应的平台上注册账户并登录。 2. 上传专利文献：上传待审查的专利文献或输入检索关键词。 3. 选择分析功能：根据需要选择专利检索、分析、评估或生成功能。 4. 查看结果和报告：查看 AI 生成的检索结果、分析报告和评估结果。 5. 进一步处理：根据分析结果进行进一步的人工审查和处理，或者直接生成专利申请文件。 自动化专利申请的示例平台： 1. Specifio：利用 AI 技术自动生成专利申请文件，包括专利说明书和权利要求书，提高专利申请的效率。 2. PatentPal：使用 AI 技术自动生成和编辑专利申请文件，减少人工工作量。 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。

以下是一份针对您有代码基础和数学基础，以数据分析、计算机视觉和 AIGC 为主要方向的 AI 学习计划： 一、基础知识学习 1. 深入学习 AI 相关的基本概念，包括但不限于： AI（人工智能）：了解其定义、发展历程和应用领域。 机器学习：掌握监督学习、无监督学习和强化学习的原理和应用。 深度学习：理解神经网络和神经元的工作原理。 2. 学习相关数学知识，如线性代数、概率论、统计学等，为后续的学习打下坚实基础。 二、数据分析方向 1. 学习数据分析的基本流程和方法，包括数据收集、清洗、预处理和可视化。 2. 掌握常见的数据分析工具和库，如 Python 的 Pandas、NumPy、Matplotlib 等。 3. 学习数据挖掘和机器学习算法在数据分析中的应用，如分类、回归、聚类等。 三、计算机视觉方向 1. 学习计算机视觉的基本概念和原理，如图像处理、特征提取、目标检测等。 2. 掌握深度学习框架，如 TensorFlow、PyTorch 等，并学习使用它们进行计算机视觉任务的开发。 3. 实践常见的计算机视觉项目，如人脸识别、图像分类、目标跟踪等。 四、AIGC 方向 1. 了解 AIGC 的发展现状和应用场景。 2. 学习生成式模型，如生成对抗网络（GAN）、变分自编码器（VAE）等。 3. 实践 AIGC 相关的项目，如文本生成、图像生成等。 五、学习资源推荐 1. 在线课程：Coursera 上的《机器学习》《深度学习专项课程》等。 2. 书籍：《机器学习》（周志华）、《深度学习》（伊恩·古德费洛等）。 3. 开源项目：在 GitHub 上寻找相关的优秀开源项目进行学习和实践。 4. 视频资源： ：某知识 up 主老石谈芯专访安克创新 CEO 阳萌的视频，一共两期，内容硬核，值得观看。 六、实践与项目经验积累 积极参与实际项目，将所学知识应用到实际中，不断提升自己的能力。 请注意，学习是一个持续的过程，需要不断地实践和总结，祝您学习顺利！

以下是一些关于从何处开始学习 AI 绘画的建议： 对于软件的选择，Stable Diffusion 是一个常见的选项。在学习使用 Stable Diffusion 时，您需要了解以下内容： 大模型的原理：人们将成千上万的美术风格作品练成一个模型放在 AI 里，您要选对合适的大模型才能画出符合心意的作品。大模型可以在 C 站（https://civitai.com/）下载（需要科学上网），也可以在启动器界面直接下载（但无预览图）。下载的大模型放在根目录的【……\\models\\Stablediffusion】文件夹下。 VAE 的作用：它相当于给模型增加提高饱和度的滤镜和局部细节微调。有的大模型自带 VAE，若需单独下载，可放在根目录的【……\\models\\VAE】文件夹下。 此外，《AI 绘画助手》也是一个不错的学习资源，它能为不同阶段的学习者提供优质实用的指导。 同时，为您提供以下相关教程链接：

AI 作品能否商用取决于多种因素。 一些 AIGC 艺术家认为，好的 AIGC 作品应具备美感、创意和值得思考的故事内核。在商业应用方面，比如在广告行业等细分领域已经有一定的应用。 生成式 AI 在艺术创作领域，如 Midjourney 和 Stable Diffusion 等产品允许用户输入提示和风格，并接收独特的艺术作品。从消费者“仅为了娱乐”地创造内容，到创作者或个体创业者通过内容实现盈利都有可能性。 智谱 AI 的部分开源模型（如 ChatGLM 系列）在填写问卷进行登记后允许免费商业使用，但模型可能犯错，由于模型回答造成的后果，智谱 AI 不承担相应责任。

在全国首例 AI 生成图片著作权案例中： 法官承认依靠使用者的输出设计生成的图片属于美术作品，具有独创性和智力投入，受著作权保护，能鼓励创作，为艺术创作提供支持和新思路，节省创作成本。 根据相关法律规定，我国著作权作者仅限于自然人、法人或非法人组织，人工智能软件本身不能成为作者。 Stable Diffusion 模型根据文本指令生成图片，不是调用现成图片或排列组合预设要素，生成的图片取决于使用者输入的提示词，难以出现完全相同的两张输出图片，类似于画笔，图画构造取决于使用者设计。 人工智能不具备自由意志，使用者根据自己的审美个性，通过增删提示词、修改参数得出不同图片并选定，体现使用者的智力和独创思想，如同使用相机拍摄时的调节。 软件设计者对模型设计投入智力成果，但后续生成内容与设计者关系不大。图片由创作者根据个人意愿得出，应成为作者并享有著作权。 尽管 AI 是工具，法院强调著作权仍属于人类创作者，保护人类在知识产权领域的权益，鼓励利用 AI 技术创作艺术作品。 在未显示作者身份信息的情况下使用图片构成侵权。