DeepSeek 总是提示系统繁忙，目前本地部署并不适合普通用户。纳米 AI 搜索是较为稳定的第三方替代方案，其满血版推理能力接近官方但速度较慢，高速版速度快、体验流畅但推理能力稍弱。体验地址为： 如果您想进行本地部署，在 Linux 上部署相对简单，但需要有一张 4G 以上显存的 GPU 显卡。简单步骤如下： 1. 下载代码仓库。 2. 安装依赖（注意有两个依赖未放在 requirements.txt 里）。 3. 启动 webui 的 demo 程序，然后用浏览器登陆服务器的 ip:8080 就能试玩。这个 demo 本身提供了 3 个参数： server_name:服务器的 ip 地址，默认 0.0.0.0。 servic_port:即将开启的端口号。 local_path:模型存储的本地路径。 4. 第一次启动后生成语音时，需要看下控制台输出，它会下载一些模型文件，因此比较慢，而且可能因为网络的问题有各种失败。但是第一次加载成功了，后面就顺利了。 5. 基于这个基础已经可以开始拓展了，比如把它集成到 agent 的工具中去，比如结合 chatgpt 来做更拟人化的实时沟通。 6. webui 上可以设置的几个参数说明： text:指的是需要转换成语音的文字内容。 Refine text:选择是否自动对输入的文本进行优化处理。 Audio Seed:语音种子，这是一个数字参数，用于选择声音的类型，默认值为 2，是一个很知性的女孩子的声音。 Text Seed:文本种子，这是一个正整数参数，用于 refine 文本的停顿。实测文本的停顿设置会影响音色，音调。 额外提示词（可以写在 input Text 里）:用于添加笑声、停顿等效果。例如，可以设置为。

AI 是某种模仿人类思维，可以理解自然语言并输出自然语言的东西。它可以被当成一个黑箱，其生态位是一种似人而非人的存在。 从技术角度来看，GenAI 全称 Generative AI，即生成式 AI，是一种基于深度学习技术，利用机器学习算法从已有数据中学习并生成新的数据或内容的 AI 应用。AIGC 全称 AIGenerated Content，指利用 GenAI 创建的内容，如图像、视频、音频、文本和三维模型。 常见的相关名词解释如下： AGI：通用人工智能，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：自然语言处理，就是处理人类自然语言的相关技术。 LLM：大型语言模型，数据规模很大，需要大量资金投入。

数字人是运用数字技术创造出来的人，虽现阶段不能如科幻作品中的人型机器人般高度智能，但已在生活各类场景中常见，且随 AI 技术发展迎来应用爆发。目前业界尚无数字人的准确定义，一般可根据技术栈分为两类： 1. 真人驱动的数字人：重在通过动捕设备或视觉算法还原真人动作表情，主要用于影视行业及直播带货，表现质量与手动建模精细度及动捕设备精密程度直接相关，不过视觉算法进步使在无昂贵动捕设备时，通过摄像头捕捉人体骨骼和人脸关键点信息也能有不错效果。 2. 算法驱动的数字人。 制作数字人的工具主要有： 1. HeyGen：AI 驱动的平台，可创建逼真数字人脸和角色，使用深度学习算法生成高质量肖像和角色模型，适用于游戏、电影和虚拟现实等。 2. Synthesia：AI 视频制作平台，允许创建虚拟角色并进行语音和口型同步，支持多种语言，用于教育视频、营销内容和虚拟助手等场景。 3. DID：提供 AI 拟真人视频产品服务和开发，上传人像照片和输入内容，平台的 AI 语音机器人自动转换成语音并合成逼真说话视频。 更多数字人工具请访问网站查看：https://www.waytoagi.com/category/42 。使用这些工具时，请遵守相关使用条款和隐私政策，注意生成内容的版权和伦理责任。

以下是为您整合的相关内容： Transformer 模型和 BERT 模型： 模型训练与评估：定义模型后，传递训练数据集和验证数据集及训练时期数，训练完成后评估性能，如达到 85%准确率。 模型性能可视化：绘制准确性和随时间的损失图。 保存与加载模型：使用 model.save 方法导出并保存模型到本地路径，保存后可加载进行预测。 预测示例：对不同情感的评论句子进行预测。 部署模型到 Vertex AI：检查模型签名，上传本地保存的模型到 Google Cloud 存储桶，在 Vertex 上部署模型并获得在线预测。 提示工程： 策略：将复杂任务分解为更简单的子任务。 技巧：使用意图分类识别用户查询中最相关的指令。例如在故障排除场景中，根据客户查询分类提供具体指令，如检查路由器连接线、询问路由器型号、根据型号提供重启建议等。模型会在对话状态变化时输出特定字符串，使系统成为状态机，更好控制用户体验。 OpenAI 官方指南： 战术：将复杂任务拆分为更简单的子任务。 策略：使用意图分类来识别与用户查询最相关的指令。例如在故障排除场景中，基于客户查询分类向 GPT 模型提供具体指令。已指示模型在对话状态变化时输出特殊字符串，将系统变成状态机，通过跟踪状态等为用户体验设置护栏。

以下是关于 DeepSeek 热门智能体的相关信息： DeepSeek R1 大模型成为国民刚需，但官网卡顿且存在不能联网搜索等问题。有多种版本上线，本地部署版可作为替补但难长期使用。通过工作流+DeepSeek R1 大模型可实现联网版，具体步骤包括拥有扣子专业版账号、开通 DeepSeek R1 大模型、添加在线推理模型以及创建智能体。 关于 DeepSeek 小说家，其热度很高，微信指数达 10 亿多次。模型在文学创作上有出色表现，如文风出色、善用大词、发散能力强等，但也存在较难收敛和有时出现幻觉的问题。使用时需在控制和自由间平衡，给予更多自由发挥空间。旧模型在文学创作时有过度道德说教和正面描述趋势等弊端。DeepSeek 在 Benchmark 表现出色，文创能力顶尖。

要从 0 到 1 成为 AI 工程师，您可以参考以下步骤： 1. 基础学习： 掌握计算机科学的基本概念，通过 CS50 课程和专门的 Python 资源学习 Python 编程技巧。 2. 机器学习基础： 学习基础的机器学习方法，建立扎实基础并培养处理数据的直觉。 巩固数学基础，包括微积分、线性代数和概率论。若能学习数值计算和优化则更好。 3. 深度学习技术： 选择优秀的深度学习课程，如 Yann Le Cun 的纽约大学讲座、fast.ai 或 deeplearning.ai 的深度学习专精课程深入学习。 4. MLOps 技能： 从 fullstackdeeplearning 学习 MLOps 技能。如有需要，可先通过 fullstackopen 学习软件工程的基本知识，包括 web 开发、分布式系统、DevOps 和关系数据库。 5. 专业发展： 寻找感兴趣的领域，通过构建和完善作品集来发展专业技能。可以从 Hugginface 的课程开始，深入挖掘兴趣方向，完成有趣的项目和论文并展示在 GitHub 上。 此外，您还可以关注以下资源和活动： 1. Reddit 上的 Claude Sonnet 3.5 代码编写提示词模板 V2 版本，其有详细解释和引导式思维链，包含代码审查、规划、输出、安全审查 4 个步骤。 2. 参加第二期「AI 实训营」，如“大咖带你快速上手通义灵码 AI 程序员”的共学直播，通过零基础互动练习、GitHub 部署实战等方式学习。 3. 学习 Code AI 应用开发，以证件照应用为例，了解其背景、现状和学习创建应用的过程，包括操作界面、业务逻辑和用户界面等。

炼丹是指在 Lora 模型训练中的一系列过程，主要包括以下步骤： 1. 训练过程：每训练 50 步，右下角会生成一张图查看效果，训练完毕后会有一个 loss 值，数值在 0.07 0.09 之间为最优。 2. 模型查看：训练完成后点击模型文件夹查看炼丹成果，可修改丹的后缀名。 3. 跑图测试：炼丹完成后需放入 SD 中进行跑图测试。 4. 打标：选择基础大模型，如“麦橘写实”，填写 lora 名字，将照片导入丹炉，选择分辨率，可勾选“脸部加强训练”并点击“预处理”，手动裁剪，为脸部和整体文件夹中的照片打好 tag 标签，注意描述的详细程度会影响人物 lora 的泛化性。 5. 参数调整：大部分参数固定，主要参数按人物参数配置，后期根据生成结果调整。 6. 炼丹：如 18 张脸部图片、20 张整体图片，各训练 50 步，循环训练 10 次，并行步数为 1 。 7. 测试：将丹放入 SD 的 lora 文件夹，启动 SD 后在 lora 选项卡中刷新查看，通过 XYZ 脚本测试不同 lora 在不同权重下的效果，用肉眼对比寻找最像的，再更换提示词查看效果。

在 Flux 炼丹中，炼丹物品的打标步骤如下： 1. 选择一个基础大模型，如“麦橘写实”，并填写一个 lora 的名字。 2. 将照片导入到丹炉，选择适合的分辨率，可勾选“脸部加强训练”，然后点击“预处理”。手动裁剪照片，预处理后会出现脸部和整体的文件夹，且每张照片会自动打好 tag 标签。 3. 可以给整体添加统一的标签，也可单独给每一张修改标签。标签的作用是帮助 AI 理解图片内容，若想让某些特征成为人物的固定效果，则不填写相关关键词。打标过程需仔细检查每张图片，打标的好坏会影响人物 lora 的泛化性，若想让人物有更多变化，应尽量描述详细。 在打标过程中还需注意以下几点： 1. 注册为开发者，按照流程填写信息，获取 AppID 和密钥，并填入相关位置，开启双语 TAG，检查每幅图的 tag，删除不正确的，新增需要的。 2. 打标要用自然语言，语句精简，选好触发词和打标模型，推荐短标并检查。

要形成自己的智能体，可以参考以下步骤和要点： 1. 了解智能体的概念： 智能体大多建立在大模型之上，从基于符号推理的专家系统逐步演进而来。 基于大模型的智能体具有强大的学习能力、灵活性和泛化能力。 2. 认识智能体的特点和优势： 能够解决大模型存在的胡编乱造、时效性和个性化需求等问题。 包含知识库、工作流，可调用外部工具，结合大模型的自然语言理解能力完成复杂工作。 3. 动手实践： 基于公开的大模型应用产品（如 Chat GLM、Chat GPT、Kimi 等）尝试开发。 例如使用字节的扣子平台，通过以下 3 步创建： 起一个智能体的名称。 写一段智能体的简单介绍。 使用 AI 创建一个头像。 具体操作如： 点击“浏览 GPTs”按钮。 点击“Create”按钮创建自己的智能体。 使用自然语言对话或手工设置进行具体设置。 开始调试智能体并发布。 4. 不断优化和调整： 根据结果反馈不断调整自己的智能体。 定期审视工作流程，看哪个部分可以更多地用上 AI。 在形成自己的智能体过程中，要保持不断学习和进步的心态，不要害怕犯错，通过实践更好地理解智能体的潜力，并挖掘其在各种应用场景中的可能性。

以下是关于学习 AI 绘画的一些指导： 首先，了解 Stable Diffusion 的工作原理。这就好比学习画画，比如学梵高的风格，要先看他的画并临摹。对于 AI 绘画来说，成千上万的美术风格作品被练成一个模型放在 AI 里，比如 Stable Diffusion 的大模型——Checkpoint，您可以在 C 站（https://civitai.com/，需科学上网）下载不同风格的大模型，如真实系、二次元、游戏 CG 风等。选对合适的大模型是画出符合心意作品的关键。 其次，要学会与 AI 对话，提示词（Prompt）非常重要。提示不是自然语言的简单应用，而是一种特殊的语言应用，它是实现人机交互的形式之一。 另外，还可以参考他人的学习经历，比如二师兄在 2024 年的学习过程。他从二月开始接触 AI 绘画，三月啃完 SD 的教程并开始炼丹，四月尝试 AI 变现途径，五月在没有硬件支持的情况下加入 Prompt battle 社群学习 Midjourney。 总之，学习 AI 绘画需要了解原理、选对模型、掌握提示词技巧，并不断实践和探索。