目前知识库中为您找到以下相关的 AI 课程信息： B 站 up 主的课程：每节 15 分钟，免费且内容好，涵盖 AI 艺术字等。 野菩萨的课程： 预习周课程：包括 AI 绘画电脑配置要求、高效 AIGC 创意者的数字人工具包、SD 插件安装方法、画静为动的 AIGC 视频制作讲解等。 基础操作课：涵盖 AI 绘画通识课、AI 摄影虚拟的真实、AI 电影 穿越的大门等内容。 核心范式课程：涉及词汇的纸牌屋、核心范式应用、控制随机性等方面。 SD WebUi 体系课程：包括 SD 基础部署、SD 文生图、图生图、局部重绘等。 ChatGPT 体系课程：有 ChatGPT 基础、核心 文风、格式、思维模型等内容。 ComfyUI 与 AI 动画课程：包含部署和基本概念、基础工作流搭建、动画工作流搭建等。 应对 SORA 的视听语言课程：涉及通识 欢迎参加电影的葬礼、影像赏析、基础戏剧影视文学等。 免费课程机会：参与 video battle，获胜者可获得课程，冠军奖励 4980 课程一份，亚军奖励 3980 课程一份，季军奖励 1980 课程一份，入围奖励 598 野神殿门票一张。 新手学习 AI 课程推荐： 建议阅读「」部分，熟悉 AI 的术语和基础概念。 在「」中，找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。 如果您对以上课程信息感兴趣，可以扫码添加菩萨老师助理，了解更多课程信息。

以下是搭建知识库的相关内容： 使用 Dify 构建知识库的步骤： 1. 准备数据：收集纳入知识库的文本数据，包括文档、表格等格式，进行清洗、分段等预处理以确保数据质量。 2. 创建数据集：在 Dify 中创建新数据集，上传准备好的文档，并编写良好的描述。 3. 配置索引方式：Dify 提供三种索引方式，根据实际需求选择，如追求更高准确度可选高质量模式。 4. 集成至应用：将数据集集成到 Dify 的对话型应用中，在应用设置中配置数据集使用方式。 5. 持续优化：收集用户反馈，对知识库内容和索引方式持续优化和迭代，定期更新增加新内容。 使用 Coze 智能体机器人搭建知识库的步骤： 1. 手动清洗数据：本次创建知识库使用手动清洗数据，提高数据准确性。 2. 在线知识库：点击创建知识库，创建画小二课程的 FAQ 知识库，飞书在线文档中每个问题和答案以分割，选择飞书文档、自定义，输入，可编辑修改和删除，添加 Bot 并在调试区测试效果。 3. 本地文档：注意拆分内容提高训练数据准确度，将海报内容训练到知识库，按章节进行人工标注和处理，选择创建知识库自定义清洗数据。 4. 发布应用：点击发布，确保在 Bot 商店中能搜到。 本地部署大模型以及搭建个人知识库中关于 RAG 的介绍： 利用大模型的能力搭建知识库是 RAG 技术的应用。在进行本地知识库搭建实操前，需先了解 RAG。RAG 是当需要依靠不包含在大模型训练集中的数据时，通过检索增强生成的技术。其应用可抽象为 5 个过程：文档加载、文本分割、存储（包括将文档块嵌入转换成向量形式并存储到向量数据库）、检索、输出（把问题及检索出的嵌入片提交给 LLM 生成更合理答案）。文本加载器是将用户提供的文本加载到内存中以便后续处理。

DeepSeek 被广泛使用，以下是一些具体的应用场景： 在硅谷，不少 AI 领域的重要人士对其称赞有加，如 OpenAI 联合创始人 Andrej Kaparthy 和 Scale.ai 的创始人 Alexandr Wang。 在中国，用户使用 DeepSeek 来做各种工作，例如： 脑爆活动方案（AJ 杭州）。 生成会议纪要方案（陈星北京）。 结合飞书批量处理客户评论（Lily 温州）。 分析总结复盘内容（兰州）。 生成专业专用软件详细使用过程。 写小说框架。 拓展市场的梳理角度和咨询梳理。 写论文。 写营销方案。 写小红书笔记。 写周报。 做设计头脑风暴。 写绘画提示词。 辅助做类似 MBTI 和盖洛普式的产品。 写代码、日常文档。 算命。 协助判断 OpenAI deep research 等。

以下是关于使用 AI 制作 PPT 的一些方法和工具： 1. 使用 Claude 和 Gamma.app 组合： Claude 可帮助快速寻找符合条件的论文、提取精炼论文中某部分信息，并找到适合的 PPT 制作工具及教会使用方法。 可向 Claude 提出如搜索权威期刊、特定论文等问题，并获取相关摘要、研究问题等内容用于制作 PPT。 2. WPS AI： 能快速生成 PPT，之后可对主题配色、字体等进行修改，还能添加动画。 3. 免费工具：讯飞智文（http://zhiwen.xfyun.cn） 4. 付费工具：百度文库 橙篇是百度文库于 2024 年 5 月 30 日发布的综合性 AI Native 产品，集多种功能于一身，能满足科研、学术等领域需求，可实现内容自动生成、格式自动调整等。 此外，通用 AI（通义、文心、智谱等）结合提示词也可辅助制作 PPT。AI 辅助 PPT 的原理是通过自动生成内容、根据反馈多次修改以及自定义格式模板来实现格式自动调整等功能，从而提高制作效率和质量。

以下是关于 DeepSeek 的落地案例： 1. 华尔街分析师认为 DeepSeek 以小成本实现媲美领先 AI 产品的性能，并在全球主要市场 App Store 登顶。高盛认为其或改变科技格局，降低 AI 行业的进入门槛。详情：https://www.xiaohu.ai/c/xiaohuai/deepseek 2. DeepSeek 在中文场景表现优秀，日常写作和表达习惯贴近人类，但专业论文总结略弱。数学能力不错，编程能力逊于 GPT。采用 GRPO 算法替代传统 PPO，提升语言评价灵活性与训练速度。更多信息：https://x.com/imxiaohu/status/1883843200756170873 ，GRPO 详情：https://www.xiaohu.ai/c/ai/grpodeepseekr18c6cff0cdeb84937a4197066af987e43 3. 举办了全国 23 城近 4000 人玩转 DeepSeek 的活动，如郑州场展示搭建的无敌工作流，深圳场分享 DeepSeek+出海的落地方案，北京场玩起 AR+机械汪，广州场探讨如何使用 DeepSeek 辅助速通吃“霸王餐”，福州场有最年轻的分享者展示玩转 DS 的示例。同时，活动展示了飞书多维表格和 DeepSeek 的结合的强大之处，且 DeepSeek R1 大模型全面融入飞书多维表格、飞书智能伙伴创建平台等多款产品。详情：https://waytoagi.feishu.cn/wiki/KRtwwVqKKiB7PKkgzu3chsX6nzF 4. 在芯片行业，如存储芯片负责人考虑与 DeepSeek 谈 HBM4 定制合作，台积电研发中心因对方技术调整产能，ASML 总部针对对方算法调整策略，中芯国际因 DeepSeek 证明的技术提高产线利用率并获得追加投资。

WaytoAGI 知识库具有以下应用场景： 1. 在飞书 5000 人大群中，内置了智能机器人“waytoAGI 知识库智能问答”，可根据文档及知识进行回答。使用时在飞书群里发起话题时即可，它能自动回答用户关于 AGI 知识库内的问题，对多文档进行总结、提炼；在内置的“waytoAGI”知识库中搜索特定信息和数据，快速返回相关内容；提供与用户查询相关的文档部分或引用，帮助用户获取更深入的理解；通过互动式的问答，帮助群成员学习和理解 AI 相关的复杂概念；分享有关 AGI 领域的最新研究成果、新闻和趋势；促进群内讨论，提问和回答，增强社区的互动性和参与度；提供访问和下载 AI 相关研究论文、书籍、课程和其他资源的链接；支持多语言问答，满足不同背景用户的需求。 2. WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，目前知识库的内容覆盖：AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，包含赛事和活动促进大家动手实践。 3. WaytoAGI 里有个离谱村，是由 WaytoAGI 孵化的千人共创项目，让大家学习和接触 AI 更容易，更感兴趣。参与者不分年龄层，一起脑洞和创意，都可以通过 AI 工具快速简单地创作出各种各样的作品。离谱村是一个没有被定义的地方，每个人心中都有自己想象中的离谱村，不仅代表着一个物理空间，更是灵魂的避风港，激励着每一个生命体发挥其无限的想象力，创造属于自己的独特生活方式。

嵌入（Embeddings）是一种在深度学习和自然语言处理（NLP）中常用的特征工程方法，用于将高维度的数据（如单词、短语、句子等）转换为低维度的向量。 其主要用途包括： 1. 搜索：结果按与查询字符串的相关性排序。 2. 聚类：文本字符串按相似性分组。 3. 推荐：推荐具有相关文本字符串的项目。 4. 异常检测：识别出相关性很小的异常值。 5. 多样性测量：分析相似性分布。 6. 分类：文本字符串按其最相似的标签分类。 嵌入通常是浮点数的向量（列表），两个向量之间的距离衡量它们的相关性，小距离表示高相关性，大距离表示低相关性。 要获得嵌入，可将文本字符串连同选择的嵌入模型 ID（例如，textembeddingada002）一起发送到嵌入 API 端点，响应将包含一个嵌入，可提取、保存和使用。在中可查看更多 Python 代码示例。 词嵌入是一种将单个单词转换为单词数字表示（即向量化）的技术。当每个单词被映射到一个向量时，这个向量会以一种类似于神经网络的方式被学习，试图捕捉该单词与整个文本相关的各种特征，如语义关系、定义、上下文等。这些数字化表示可用于确定单词之间的相似性或不相似性，也是机器学习各个方面不可或缺的输入。但简单的嵌入（如对文本数据进行 onehot 编码）存在多种限制。 以下是两个例子帮助更好地理解 Embedding： 1. 电影推荐系统：每个用户和电影都可被视为独特分类标签，直接处理困难，可使用 Embedding 为用户和电影创建低维度向量，捕捉兴趣和特性，通过比较预测评分。 2. 文本分类：如垃圾邮件检测器，可使用词嵌入将单词转换为向量，相似单词有相似向量，基于向量预测邮件是否为垃圾邮件。

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，是因为大模型存在一些缺点，如： 1. 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. 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. 输出难以解释和验证，存在内容黑盒、不可控及受幻觉干扰等问题。 4. 容易泄露隐私训练数据。 5. 规模大，训练和运行成本高。 而 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. 便于管控用户隐私数据，且可控、稳定、准确。 5. 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。 2. 文本分割：把文档切分为指定大小的块。 3. 存储：包括将切分好的文档块进行嵌入转换成向量的形式，以及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生成更合理的答案。

以下是关于 NSA 的相关信息： DeepSeek 最新论文提出了“Native Sparse Attention”（NSA），这是一种高效的超长上下文方案，兼顾训练和推理阶段，能显著提升模型性能。NSA 通过压缩、选择和滑动窗口三种机制，提升计算效率，前向传播速度提高 9 倍，解码速度提升 11.6 倍。其核心在于聚焦重要信息，优化注意力机制，训练出更聪明的模型，甚至在推理任务中表现优异。 DeepSeek 发布了一种名为 NSA（Native Sparse Attention）的创新注意力机制，旨在解决大语言模型处理长文本时的计算效率问题。这一机制通过动态层次化的稀疏策略，在 64k 长度序列上将正向传播加速 9 倍，反向传播加速 6 倍。NSA 不仅显著降低了计算成本，还保持了模型在基准测试、长上下文任务和指令推理方面的卓越性能。 《梁文锋携 deepseek 研究团队丢出重磅研究论文成果.pdf》介绍了一种新颖的方法——原生稀疏注意力（NSA），旨在提高长上下文建模的效率，尤其是在语言模型中。NSA 能够结合算法进展与硬件对齐优化，从而实现训练和推理过程中高效的计算，特别是在处理长序列时。作者提出了一种动态层次稀疏策略，结合了粗粒度的令牌压缩和细粒度的令牌选择，确保了全局上下文感知和局部精度的同时保留。

阿里通义智文的网址是：tongyi.aliyun.com ，讯飞智文的网址是：zhiwen.xfyun.cn