以下是使用钉钉中的知识库构建智能问答机器人的步骤： 1. 纯 GPT 大模型能力的微信聊天机器人搭建： 配置极简未来（Link.AI）平台：按照官方教程操作，教程地址为 https://docs.linkai.tech/platform/createapp ，学习补充可参考 https://docs.linkai.tech/platform/quickstart 。 教程中的应用是创建一个具体的 AI 问答机器人应用。 教程中的知识库是给绑定到指定问答机器人的资料数据集，让机器人基于这些内容回答问题。 知识库应用中的应用设定是给 AI 机器人的提示词内容或者人设，关于提示词可查看教程 https://waytoagi.feishu.cn/wiki/OqJQwzq2wi9EIOkFtFkclM24nSe 。 创建成功的 AI 应用，记住应用的应用 ID，用于后续对接微信聊天机器人。 生成 API Key 用于后续功能对接，地址为 https://linkai.tech/console/interface ，点击创建 API Key 并记住。 2. 用 Coze 免费打造自己的微信 AI 机器人： 设计 AI 机器人： 开始节点和结束节点会自动生成。 开始节点配置：输入变量名写“Question”，描述写“用户输入的问题”，变量类型选“String”。 知识库配置：将开始节点和知识库左侧节点连接，知识库输入引用开始节点的变量“Question”，点击“+”号选择之前创建好的知识库，将知识库右侧节点与结束节点左侧连起来。 结束节点配置：用于输出 AI 机器人的最终结果，回答格式设置为“您的问题：{{question}} 问题的答案：{{answer}}”，在输出变量那里定义“question”引用“开始节点的 Question”，“answer”引用“知识库节点的输出 output”，回答模式选择使用设定的内容直接回答。 试运行测试：点击右上角“试运行”，输入问题如“AIGC 课件”，点击右下角“运行”，查看工作流每一步的详细输入和输出。

以下是关于 AI 助理的相关内容： 工作流： 1. 起床时，让 AI 如“马云”“马化腾”为自己排 TODO 优先级，做私董会的脑暴。 2. 工作中有傲娇的 AI 小助理加油，其 Prompt 为要阳光、会撒娇/卖萌。 3. 重点事项 bot 方面，如内容创作，拆成 bot 团队组，包括选题、标题、框架、扩写等，并分 A/B 组两个 AIbot 互相改，要点是提供反常识、梗，学习喜欢的 UP 创作方法论。 4. 优化的 bot 包括内容选题 bot、短视频脚本 bot、数据分析 bot（GPT4）、网页 Perplexity 的资料库 bot 等。 5. 优化 1：Zion、ChatO 和自动化 AIAgent 分身，基于自身知识库的 bot。 6. 优化 2：将上述知识库、Prompt 资产，全部放入飞书的知识库+多维表单中维护，等待飞书的 AI 进化。 7. 备选：筛选过的 50 多个生产力 AI，放在工具库里，待命输出。 8. 未来：把整个公司业务全部搬入飞书中，外接 MJ、ChatBot 分身，以及咨询日程预约。 9. 可能：所有流量口 bot 也介入飞书，给予飞书做数据分析和内容引擎（目前需手动）。 10. 提醒自己，关注 AI 的同时，更要关注打交道的人、利益、状态和情绪。 GPTs： GPTs 是 OpenAI 推出的工具，允许用户量身打造自己的 AI 助理。可根据需求和偏好创建定制的 ChatGPT，如帮忙梳理电子邮件或提供创意灵感等。OpenAI 已推出几种现成的 GPTs 供使用，如「The Negotiator」、「Game Time」等。用户还可上传资料来自定义 GPTs，目前 GPTs 的使用仅限于 ChatGPT Plus 的用户。此外，OpenAI 推出了 GPT Store，是类似应用商店的平台，允许用户分享他们的 GPTs，甚至可能实施收益分润制度。 在网站上增加一个 AI 助手： 只需 4 步： 1. 创建大模型问答应用：通过百炼创建大模型应用，并获取调用大模型应用 API 的相关凭证。 2. 搭建示例网站：通过函数计算，快速搭建网站，模拟企业官网或其他站点。 3. 引入 AI 助手：通过修改几行代码，实现在网站中引入 AI 助手。 4. 增加私有知识：准备私有知识，让 AI 助手能回答原本无法准确回答的问题，更好应对客户咨询。

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。 大模型存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容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，增删改查可解释，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 的应用可以抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档，如 PDF 等非结构化数据、SQL 等结构化数据以及 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：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 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. Output（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。

AI 搜索的商业变现方式主要有以下几种： 1. 开放接口 API：将联网判断、意图识别、问题改写、信息源检索等步骤封装进黑盒，导出标准 API，让 ChatBot 类产品快速集成。开放 API 后，ChatBot 类应用只需修改 API 的域名前缀即可集成联网检索功能，这对 AI 搜索产品自身而言，增加了面向小 B 的营收途径。 2. 自定义信息源 Source：允许用户自定义信息源，满足个性化搜索需求。比如允许第三方创作者通过 Form 表单填写信息源的相关信息，调试通过后完成集成。 在 AI 时代，一些优秀的 AI 搜索产品如秘塔搜索（https://metaso.cn/）、Perplexity（https://www.perplexity.ai/?loginsource=oneTapHome）已展现出强大的搜索能力。同时，大型科技公司在 AI 搜索领域的动作也备受关注，如微软和苹果自愿放弃 OpenAI 董事会观察员席位，监管机构关注大型科技公司与初创企业的关系。人工智能驱动的搜索虽已开始出现成效，但也存在可靠性等问题。

生成流程图有以下几种方式： 1. 可视化拖拽： 代表产品有：（web 工具）、visio（本地软件）。 优点：直观。 缺点：需要花时间在布局上。 2. 语法渲染成图形： 代表语法：。 优点： 只用关注逻辑，文本即图形，方便直接嵌入在 markdown 文件中，比如在用 tyora、markdown 写文档时。 多样性，不同渲染引擎可渲染成多种样式。 缺点：有点抽象。 可以用 ChatGPT 来帮忙，通过自然语法转成图形语法，生成流程如下： 1. 确定制作目标。 2. 通过自然语法描述逻辑。 3. 在线校验测试是否成功。 此外，还有“超级微信机器人”可以通过 GPT4 tubro（128k）大模型、Dalle 3 绘画、智能 Bing&Google 搜索、谷歌搜图、GPT4v 识图、B站 等各大网站专用搜索、Generate MindMap 生成流程图来支撑其强大的能力，但使用微信机器人存在封号危险，且操作需依法合规，注意数据处理等问题。

以下是一些比较好用的 Agent 应用： 1. 构建平台： Coze：新一代一站式 AI Bot 开发平台，适用于构建各类问答 Bot，集成丰富插件工具拓展能力边界。 Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署到各种渠道。 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者打造产品能力。 MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等场景，提供多种成熟模板。 钉钉 AI 超级助理：依托钉钉优势，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 2. 项目应用： AppAgent：让 AI 模仿人类在手机上操作 APP，对于模仿数据的反利用有不错应用场景，例如优化产品原型和 UE 交互。由腾讯和德州大学达拉斯分校的研究团开发，是基于大语言模型的多模态代理，能处理和理解多种信息，执行各种任务。 3. 设计范式： Reflection（反思）：类似于 AI 的自我纠错和迭代，如让 AI 写代码并自我检查修改，反复优化。 Tool Use：大语言模型调用插件，拓展 LLM 的边界能力。 Planning：较为新颖有前景的方式。 Multiagent：较为新颖有前景的方式。

对于小白如何学习 AI，以下是一些建议： 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）及其联系。 浏览入门文章，了解 AI 的历史、当前应用和未来发展趋势。 2. 开始学习之旅： 在「」中找到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，有机会还可获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，包括图像、音乐、视频等，可根据自身兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且实用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库中有很多实践后的作品和文章分享，欢迎实践后进行分享。 5. 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，获得对 AI 实际应用表现的第一手体验，激发对 AI 潜力的认识。 此外，还可以参考以下经验： 像《谁是人类》活动中的元子语一样，从 prompt 入手。3.5 刚出来时，对 AI 生成原理的理解加上写好 prompt，能提高问问题和解决问题的效率。 参考《雪梅 May 的 AI 学习日记》，学习模式可以是输入→模仿→自发创造。学习内容可去 waytoAGI 社区发现自己感兴趣的 AI 领域，学习最新内容。学习时间不必每天依次进行，有空时学习即可。学习状态很重要，保持良好状态能更好地学进去。学习资源多为免费开源。 总之，学习 AI 需要花费时间和精力，愿意做一些准备，坚持学习和实践。

以下是关于模型评测的相关内容： Llama2 模型评测：为了解其中文问答能力，筛选了具有代表性的中文问题进行提问，测试了 Meta 公开的 Llama27BChat 和 Llama213BChat 两个版本，未做任何微调和训练。测试问题涵盖通用知识、语言理解等八个类别，使用特定 Prompt，测试结果见相应文档。通过测试发现，该模型对于中文问答的对齐效果一般，基于中文数据的训练和微调十分必要。 LORA 模型训练超入门级教程中的模型测试：最后从炼丹炉内取最小值的模型为最佳，在 Output 文件夹下取出模型。可用 Stable Diffusion 的 xyz 图表脚本来测试不同权重下 Lora 的表现，包括选择 x 轴、y 轴类型等操作。 斯坦福发布大模型排行榜 AlpacaEval：相对于人工标注，全自动化的 AlpacaEval 经济成本和时间成本低。还探讨了什么评估数据能最好地区分模型，以及 AlpacaEval 支持两种模式的模型评估方式，评测过程分为三步，包括选择评估集、计算输出等，并建议使用特定的自动标注器。

DeepSeek 技术原理包括以下方面： 核心原理认知： AI 特性定位：支持文本/代码/数学公式混合输入，具有动态上下文（约 4K tokens 上下文窗口）和任务适应性（可切换创意生成/逻辑推理/数据分析模式）。 系统响应机制：采用意图识别+内容生成双通道理，自动检测 prompt 中的任务类型、输出格式、知识范围，对位置权重（开头/结尾）、符号强调敏感。 基础指令框架： 可以套用框架指令，如四要素模板。 格式控制语法包括强制结构（使用```包裹格式要求）、占位符标记（用{{}}标注需填充内容）、优先级符号（>表示关键要求，!表示禁止项）。 进阶控制技巧： 思维链引导：分步标记法，如请逐步思考：1.问题分析→2.方案设计→3.风险评估；苏格拉底式追问，即在得出最终结论前，请先列举三个可能存在的认知偏差。 知识库调用：领域限定指令，如基于 2023 版中国药典，说明头孢类药物的配伍禁忌；文献引用模式，如以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破。 多模态输出。 此外，1 月 30 日社区动态速览中提到了 DeepSeek 相关的基本术语，阐述其省钱原因，包括高效硬件使用、创新训练方法、高效模型压缩、避免无效尝试等，还提及成本对比及创新蒸馏技术。接着从核心思想、技术实现方式（知识表示、温度调节）、训练过程（基本流程、关键点）、DeepSeek 的创新及有效性原因（信息压缩、概率分布学习、泛化能力）等方面详细讲述了蒸馏工作原理。1 月 26 日社区动态速览中提到 Deepseek 提示词框架的四大模块：任务目的（Purpose）、计划规则（Planning Rules）、格式规则（Format Rules）、输出说明（Output）。

以下是为您制定的一个为期两个月的大模型知识学习计划： 第一个月： 第一周： 了解 AI 的基本概念，包括人工智能、机器学习、监督学习、无监督学习和强化学习等。 熟悉生成式 AI 生成的内容（AIGC）。 第二周： 深入学习大语言模型（LLM）的概念，区分其与其他生成式 AI 模型的不同。 研究 Transformer 模型，理解其基于自注意力机制处理序列数据的原理。 第三周： 学习不同类型的大模型架构，如 encoderonly、encoderdecoder 和 decoderonly 模型，并了解其应用场景。 了解大模型预训练数据的来源和规模。 第四周： 研究大模型的参数规模和其对性能的影响。 分析大模型在自然语言处理中的任务，如分类、情感分析、翻译和摘要等。 第二个月： 第一周： 比较不同大模型的特点和优势，如 GPT3 和 ChatGPT。 学习大模型在安全性方面的问题和挑战。 第二周： 探索大模型在实际应用中的案例，如文本生成、故事写作等。 了解大模型的发展趋势和未来方向。 第三周： 复习和巩固之前所学的大模型知识，查漏补缺。 尝试自己动手实践一些简单的大模型应用。 第四周： 总结所学的大模型知识，形成自己的理解和体系。 思考如何将大模型知识应用到实际工作或学习中。