对于文科背景且是 AI 小白的您，以下是学习 AI 的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，您将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。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，以下是一些关于 AI 技术原理和框架的通俗易懂的内容： 1. 视频一主要回答了什么是 AI 大模型，原理是什么。 生成式 AI 生成的内容，叫做 AIGC。 相关技术名词： AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习。监督学习是有标签的训练数据，算法学习输入和输出之间的映射关系，包括分类和回归。无监督学习是学习的数据没有标签，算法自主发现规律，经典任务包括聚类。强化学习是从反馈里学习，最大化奖励或最小化损失，类似训小狗。 深度学习是一种参照人脑有神经网络和神经元的方法。神经网络可以用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型。对于生成式 AI，其中生成图像的扩散模型就不是大语言模型；对于大语言模型，生成只是其中一个处理任务，比如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。

以下为您推荐一款可用于生成教案的工具——COZE 应用： 1. 访问地址：https://www.coze.cn/s/iDsBwYLF/ 2. 首页说明：启动页面有相关说明。 3. 生成教案：进入设计教案页面，等待执行完成后即可看到教案，教案是以下三个功能的基础，所有功能都以教案为中心。 4. 趣味课堂：进入趣味课堂，可根据课文内容设计课堂问答卡和针对性的教学活动，采用寓教于乐的方式激发孩子学习兴趣，比如通过 5 个问题贯穿全文与故事主线，还有课堂互动游戏。 5. 课后作业：基于教学大纲和课本重点内容设计题目，包括生字词运用、阅读理解、写作。 6. 教案 PPT：PPT 内容基于前面生成的教学大纲，您需要手动进行少许内容修正。如果对大纲内容不满意，可以重新生成大纲和 PPT。首先复制大纲内容，打开 kimi，选择 PPT；然后复制教案，在对话框粘贴，KIMI 会帮您优化大纲。点击进去后，选择喜欢的模版生成。但友情提醒，下载需要充值。

以下是一些与 Dify 类似的知识库： 1. Notion：功能强大，支持多种格式和复杂的结构，适用于各种类型的知识管理。 2. Confluence：常用于团队协作和企业知识共享。 3. Evernote：方便记录和整理各种类型的信息。 至于哪个更适合商用，这取决于具体的需求和使用场景。如果对可视化的知识库管理工具、简单易用且能快速集成到应用中有较高需求，Dify 是不错的选择。Notion 则在灵活性和扩展性方面表现出色，适合对知识结构有复杂要求的商业场景。Confluence 更侧重于团队协作和企业级的知识共享。 使用 Dify 构建知识库的具体步骤如下： 1. 准备数据：收集需要纳入知识库的文本数据，包括文档、表格等格式。对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集：在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集。为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式：Dify 提供了三种索引方式供选择，包括高质量模式、经济模式和 Q&A 分段模式。根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用：将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化：收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。定期更新知识库，增加新的内容以保持知识库的时效性。 Dify 有两种使用方式： 1. 云服务版本。直接在官网 dify.ai 上注册账号使用。 2. 部署社区版。开源，可商用，但是不能作为多租户服务使用。对个人使用完全无限制。 部署前提条件：2 核 4G 云服务器一台（约 159 元）。

Dify 是一个开源的大模型应用开发平台： 构建知识库的具体步骤： 准备数据：收集文本数据，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。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档，并编写良好描述。 配置索引方式：提供三种索引方式（高质量模式、经济模式和 Q&A 分段模式），根据需求选择，如追求高准确度可选高质量模式。 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。 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。 平台特点： 结合后端即服务和 LLMOps 理念，提供直观界面快速构建和部署生产级别的生成式 AI 应用。 具备强大工作流构建工具，支持广泛模型集成，提供功能丰富的提示词 IDE 和全面的 RAG Pipeline 用于文档处理和检索。 允许用户定义 Agent 智能体，通过 LLMOps 功能对应用程序性能持续监控和优化。 提供云服务和本地部署选项，满足不同用户需求，开源特性确保对数据完全控制和快速产品迭代。 设计理念注重简单性、克制和快速迭代，为创业团队构建 MVP、企业集成 LLM 增强现有应用能力、技术爱好者探索 LLM 潜力等提供支持和工具。 Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般来说，个人研究推荐单独使用 Dify，企业级落地项目推荐多种框架结合，效果更好。

以下是关于雪梅 100 天学 AI 的相关内容： 作者介绍： 适合纯 AI 小白：若您还在观望 AI 不知如何入手，可参考此日记。日记已近 100 天，作者从一开始的到处看到走在学习 AI 的轨道上。 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不适用，因 AI 节奏快，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 AI，并非每天依次进行，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，能学多少算多少。 费用：学习资源免费开源。 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，101 天后还需更好的正反馈方式。 2024 年 12 月 31 日历史更新（归档） 雪梅 100 天学 AI 日记，分为三个阶段，适合新人参考借鉴。 Meta 首席 AI 科学家 LeCun 访谈，指出当前 AI 局限，阐述不同技术路径。 少卿的《AI 帮你赢》，强调将 AI 视为方法，提供实用应用框架。

以下是学习和北邦一样的图片生成动画视频的方法： 1. 使用 Runway： 进入 Runway 官网首页，点击“start with image”。 直接将图片拖进来。 动画幅度尽量用 3，5 有时候会乱跑。 啥都不用改，直接点击生成即可。 注意：不需要等进度条转完，可以直接继续往里放图片，可以同步执行。 直接点删除，然后重新上传下面的图即可（最多可以放几个可自行测试）。 重复步骤即可生成所有视频。 （Runway 是收费的，也可以找免费的，或在闲鱼、淘宝买号。） 2. 使用即梦：上传图片至视频生成模块，提示词简单描绘画面中的动态内容即可生成时长为 3 秒钟的画面，运镜类型可根据剧本中的镜头描绘设置，主要设置以随机运镜为主，生成速度根据视频节奏选择，比如选择慢速。 3. ComfyUI AniamteDiff： 了解 IPAdapter、Animatediff、controlNet 的用法和这三个之间通过蒙蔽遮罩灵活搭配生成视频的方法。 模型加载用到两个 lora，一个是 Animatediff v3_sd15_mm 运动模型需要的 v3_sd15_adapter，lora 的强度在合理范围内越高，画面越稳定；另一个 more_details 这个 lora 是给画面添加更多细节。 上传 4 张图片，并且使用 image batch 复制图像来制作批次，这是为了在使用 IPAdapter 时候，每一帧都可以参考上传的图片，让风格迁移更像。 上传的蒙版视频是为了在帧与帧之间做遮罩过渡，添加一个动态的效果。 用 IPAdapter 来做图像的风格迁移，对应四张图片。使用遮罩来控制每张图片显示的帧数，从第 0 帧开始计算，一张图片 16 帧，加上中间过渡的 8 帧。需要显示的帧设置为 1，隐藏的为 0，以此类推。这样就把 4 张图片融合成了一个 96 帧的序列，并且使用遮罩控制每一帧显示出来的画面。

DeepSeek 的 V3 版本在以下云计算厂商中的使用情况如下： 腾讯云（调用 API）：API 调用 DeepSeek 系列模型限时免费，包括 DeepSeekV3。即日至北京时间 2025 年 2 月 25 日 23:59:59，所有腾讯云用户均可享受 DeepSeekV3 模型限时免费服务，单账号限制接口并发上限为 5。在此之后，模型价格将恢复至原价。 京东云：未提及 DeepSeekV3 版本的相关配置和使用情况。 Gitee AI：未提及 DeepSeekV3 版本的相关配置和使用情况。 需要注意的是，不同云计算厂商的配置和价格可能会有所变化，建议您在实际使用时进一步了解和确认。

以下是关于 PC 端 DeepSeek 下载的信息： 有两篇相关论文可供下载，在 PC 端，鼠标移到文章上面会出现下载链接，手机端操作类似。 此外，还提到了一些关于 DeepSeek 的技巧分享，如万能提示词的使用，以及官网搜索不能用时可使用火山的满血版，在视频的最后 10 分钟左右有手把手教程。

在 AI 绘画中，模型具有以下含义和特点： 1. 大模型如同主菜或主食，是生成图片的基础框架，决定了图片的基本风格和内容。 2. 小模型（Lora）如同佐料或调料包，能够帮助快速实现特定风格或角色的绘制，比如改变人物形象、画风，添加模型中原本没有的元素，如绘制特定的国内节日元素。 3. 模型的选择与搭配很重要，大模型和 Lora 要基于同一个基础模型才能搭配使用，以生成各种风格的图片。 4. 常用的模型网站有：。 5. 下载模型后需要将之放置在指定的目录下，不同类型的模型放置位置不同。例如，大模型（Ckpt）放入 models\\Stablediffusion；VAE 模型放置在 models\\Stablediffusion 或 models\\VAE 目录，然后在 webui 的设置栏目选择；Lora/LoHA/LoCon 模型放入 extensions\\sdwebuiadditionalnetworks\\models\\lora，也可以在 models/Lora 目录；Embedding 模型放入 embeddings 目录。模型的类型可以通过检测。

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，第一行的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、修改数据或为数据加标签。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%。需要在检索获得的内容块中同时包含“问题信息”和“答案信息”，大模型才能解答。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 自定义 RAG Flow： 原创刘焕勇老刘说 NLP 于 2024 年 1 月 29 日 18:31 发表于北京。在上一篇文章中介绍了模块化RAG 的相关工作，重点论述了每个模块中的构成细节。本文将从三个方面深入探讨 RAG Flow 的设计思路，分别是典型的 RAG Flow 模式、特定的 RAG 流实现以及最佳的行业案例。在典型的 RAG Flow 模式方面，将介绍 3 种微调阶段模式和 4 种推理阶段模式供大家参考思考。