AI（Artificial Intelligence，人工智能）是一门令人兴奋的科学，它旨在使计算机表现出智能行为，例如做一些人类所擅长的事情。 对于AI的理解，对于不具备理工科背景的文科生来说可能较困难，可将其当成一个黑箱，只需要知道它是某种能模仿人类思维、理解自然语言并输出自然语言的东西即可。其生态位是一种似人而非人的存在，技术再发展，这一生态位也不会改变。 从技术层面看，最初计算机由查尔斯·巴贝奇发明，用于按照明确的程序进行数字运算。现代计算机虽更先进，但仍遵循受控计算理念。若知道实现目标的每一步骤及顺序，就能编写程序让计算机做事。但有些任务，如根据照片判断人的年龄，无法明确编程，因为我们不清楚大脑完成此任务的具体步骤，这类任务正是AI所关注的。 在应用方面，GenAI（Generative AI，生成式AI）是基于深度学习技术，利用机器学习算法从已有数据中学习并生成新数据或内容的AI应用。它通过大规模数据集训练深度神经网络模型，学习规律和特征，实现对输入数据的分析、理解和生成，为游戏、娱乐和产品设计等提供解决方案，典型的GenAI包括ChatGPT、GPT4等。AIGC（AIGenerated Content）则指利用GenAI创建的内容，如图像、视频、音频、文本和三维模型，国内主要在相关法律法规框架下对其进行监管。

以下是本地部署 DeepSeek 的步骤： 1. 拥有扣子专业版账号：如果您还是普通账号，请自行升级或注册专业号后使用。开通成功后会呈现相应状态。 2. 开通 DeepSeek R1 大模型： 访问地址：https://console.volcengine.com/cozepro/overview?scenario=coze 打开火山方舟，找到开通管理，找到 DeepSeek R1 模型，点击开通服务。 添加在线推理模型，添加后在扣子开发平台才能使用。添加过程包括添加模型和完成接入。 3. 创建智能体：点击创建，先完成一个智能体的创建。 4. 创建工作流： 创建一个对话流，命名为 r1_with_net，注意是“创建对话流”。 开始节点，直接使用默认的。 大模型分析关键词设置：模型选择豆包通用模型lite，输入直接使用开始节点的 USER_INPUT 作为大模型的输入，系统提示词为“你是关键词提炼专家”，用户提示词为“根据用户输入`{{input}}`提炼出用户问题的关键词用于相关内容的搜索”。 bingWebSearch搜索：插件选择 BingWebSearch，参数使用上一个节点大模型分析输出的关键词作为 query 的参数，结果中 data 下的 webPages 是网页搜索结果，将在下一个节点使用。 大模型R1 参考搜索结果回答：这里需要在输入区域开启“对话历史”，模型选择韦恩 AI 专用 DeepSeek，输入包括搜索结果和选择开始节点的 USER_INPUT，开启对话历史，设置 10 轮，默认不开启对话历史，开启后默认是 3 轮，系统提示词不需要输入。 结束节点设置：输出变量选择大模型R1 参考搜索结果回答的输出，回答内容里直接输出:{{output}}。 5. 测试并发布工作流：输入您的测试问题，测试完成后，直接发布工作流。

以下是一些关于智能体提示词模板的相关信息： 相关网站： Majinai： 词图： Black Lily： Danbooru标签超市： 魔咒百科词典： AI词汇加速器： NovelAI魔导书： 鳖哲法典： Danbooru tag： AIBooru： 实际测试： 完成了对词模板生成效果的初步测试后，进一步评估利用生成的提示词模板。目标是检验模型对这些提示词的遵循程度以及生成输出结果的质量。 测试平台包括 GPT4o等。 经过测试，生成的提示词模板在 Claude 模型上展现出最佳输出效果，国内的豆包角色扮演模型表现也不错。 整个活儿： 设计了一套模拟江南皮革厂销售的拟人化提示词模板，并在国内的豆包角色扮演模型上使用，生成了吸引人的广告词。 将这样的提示词与语音技术结合应用于宣传，能创造出有趣有效的销售助手，吸引顾客注意。 写在最后： 感谢阅读文章，希望提供了有价值的见解和实用技巧。 按照惯例，拟人化提示词母体可通过关注微信领取。

PPO（Proximal Policy Optimization，近端策略优化）是 OpenAI 提出的一种强化学习优化方法。 在训练 ChatGPT 等模型时，得到 SFT 和 RM 模型后，将它们串联在一起，固定住 RM，利用 RM 的 loss 对 SFT 做梯度回传。PPO 阶段的完整 loss 包含以下几项： 1. 第一项是串联 $$\\pi_{\\phi}^\\text{RL}$$ 和 RM 做联合梯度回传。具体是从 $$\\pi_{\\phi}^\\text{RL}$$ 采样出 prompt 和 completion 样本对，让 RM 模型 $$r_\\theta$$ 做打分和给 loss，通过梯度回传优化 $$\\pi_{\\phi}^\\text{RL}$$ 的参数权重。 2. 第二项是希望新学的 $$\\pi_{\\phi}^\\text{RL}$$ 不要距离初始的 SFT 太远，用 KL 散度约束住两者的输出概率。因为 RM 网络跟 SFT 是绑定的，如果新学的 $$\\pi_{\\phi}^\\text{RL}$$ 输出分布距离 SFT 太远，RM 网络可能就不适用了。 3. 第三项是防止 $$\\pi_{\\phi}^\\text{RL}$$ 过拟合 RM 打分这个任务，添加训练 SFT 的 loss，即从 SFT 训练的数据里面采样包含 prompt 和 completion 的样本，无监督训练 $$\\pi_{\\phi}^\\text{RL}$$ 。 PPOptx 是上述三项系数都不为 0 的情况，而 PPO 是指第三项系数 $$\\gamma$$ 为 0，前两项系数不为 0 的情况。此外，RM 训练和 PPO 训练可以交替进行，即得到新的 $$\\pi_{\\phi}^{\\text{SFT}}$$ 模型后训练一个匹配的 SM 模型，然后固定 SM 模型按 $$\\text{objective}$$ 的损失函数继续训练 $$\\pi_{\\phi}^{\\text{SFT}}$$ 模型，如此交替。 在 GPT 的现状中，例如 ChatGPT 就是一个 RLHF 模型，人类在很多比较中更喜欢来自 RLHF 模型的 token（输出文字），但 RLHF 模型并非在所有情况下都比基础模型有改进，例如会损失一些熵，导致输出变化更小。

AI Infra 主要包括以下方面： 1. 入围的相关工具和服务： Langfuse：大模型应用的开源追踪和分析工具，提供开源可观测性和分析功能，包括在可视化界面中探索和调试复杂的日志和追踪，以及使用直观的仪表板改善成本、降低成本、减少延迟，提高响应质量。 Eden AI：将顶尖 AI API 融合为一，通过为每项 AI 任务选择正确的 AI API 来提高准确性和降低成本，通过集中管理使用限制和成本监测让用户更加放心，并不断探索市场上新兴的 AI 能力。 Langdock：在几分钟内创建、部署、测试和监控 ChatGPT 插件，将 API 连接到 Langdock，并将其作为插件部署到所有大模型应用中，然后使用内置的测试功能来确保一切按预期工作，并在插件扩展时进行监控。 LLM Spark：用于构建生产就绪大模型应用的开发平台。 2. 基础设施成本的演变：目前模型参数和 GPU 计算能力呈指数级增长，但这种趋势是否持续尚不清楚。 3. 基础设施的考虑因素： 外部与内部基础设施的选择：许多创业公司，尤其是应用公司，在成立初期无需建立自己的 AI 基础设施，可采用托管模型服务，如 OpenAI、Hugging Face（针对语言）和 Replicate（针对图像生成）等，这些服务定价基于消费量，通常比运行单独的基础设施更便宜。而一些训练新的基础模型或构建垂直集成 AI 应用程序的公司，则可能需要直接在 GPU 上运行自己的模型，管理基础设施可成为竞争优势的来源。

以下是为您提供的讲解 AI 相关的基本概念、知识框架的文章： 1. 新手学习 AI 方面： 建议阅读「」部分，熟悉 AI 的术语和基础概念，了解人工智能的主要分支（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。 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。 您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程按照自己的节奏学习，并获得证书。 2. 书籍推荐方面： 《认知神经学科：关于心智的生物学》（作者:Michael S.Gazzaniga;Richard B.Lvry;George R.Mangun）：世界权威的认知神经科学教材，认知神经科学之父经典力作，系统了解认知神经科学的发展历史、细胞机制与认知、神经解剖与发展、研究方法、感觉知觉、物体识别、运动控制、学习与记忆、情绪、语言、大脑半球特异化、注意与意识、认知控制、社会认知和进化的观点等。 《神经科学原理》（作者：Eric R.Kandel;James H.Schwartz）：让您系统神经元的细胞和分子生物学、突触传递、认知的神经基础、感觉、运动、神经信息的加工、发育及行为的出现、语言、思想、感动与学习。 《神经生物学:从神经元到脑》（作者：John G.Nicholls 等著）：神经生物学领域内的一本世界级名著，涵盖了神经科学的方方面面，系统介绍了神经生物徐的基本概念、神经系统的功能及细胞和分子机制。 3. 相关文章方面： 《》：这是公众号琢磨事翻译的领英工程师的一篇文章，分享了在领英开发 AI 驱动产品的经验，重点探讨了生成式 AI 的相关内容。 《麻省理工科技评论》发布的《》：万字长文探讨了人工智能的定义和发展，详细阐述了人工智能的基本概念、技术背景及其在各个领域的应用，分析了当前的技术挑战和未来的发展方向，还讨论了人工智能对社会、经济和伦理的影响。

以下是帮助小白最快熟悉使用各种 AI 热门工具的方法： 1. 对于不太熟悉 AI 常见工具的，可以先阅读。 2. 了解 Coze 工具： 可以直接向 AI 询问相关问题。 Coze 上手极其简单，更新特别快，插件比较多。 能一键生成思维导图等，还能通过工作流实现多种功能，如靠谱搜索、搜索结果出图等。感受各种插件和工作流组合的效果，可参考。 3. 对于普通人直观初接触 AI，主要有两个方面： 最低成本能直接上手试的工具是什么，自己能否试试。 现在最普遍/最好的工具是什么、能达到什么效果。 为了更便捷展示 AI 能力，可选择聊天工具、绘画工具、视频工具、音乐工具展开说明。

以下是关于如何使用 ChatGPT 的相关内容： 对于产品经理： 1. 背景前提：若不是专业的 BI 工程师，对数据治理、SQL 优化思路等不太了解，可跟着 GPT 的提示及查询资料逐步进行。本次使用的是免费的 ChatGPT3.5 版本。 2. 完整使用过程： Step1：旧代码输入 首先将需要优化的旧代码输入到 ChatGPT 模型中，若直接粘贴 1900 行的旧代码会提示报错，可进行分次输入。分段输入后再联合，让 GPT 理解旧代码实现的效果以及熟悉查询表和字段，方便后续生成优化代码时可直接复制粘贴到数据库中运行。 Step2：需求及现状问题输入 在完成第一步的原 SQL 输入后，将真实的业务需求场景以及现在的问题输入给 GPT。这能帮助 GPT 更好地理解旧代码背后的真实业务需求，结合旧代码运行的问题，让 GPT 进一步给出针对性的优化建议，输出更符合需求的代码。此过程可能有好几轮的输入输出，需要不断强化 GPT 对真实需求的认知。 Step3：根据优化结果不断调试 在输入完旧代码、需求和问题之后，GPT 模型会给出新的代码。需要不断地根据 GPT 的结果进行调试和优化，直到生成满足需求的新代码。过程可能比较繁琐，包括查资料、报错、纠正 GPT、不断补充需求细节等，需要有一定的耐心。 对于英文学习： 推特博主的英语老师制作了一个 GPT 工作流，基于每个人的日常需求生成定制素材。具体使用方法： 1. 先把整段 prompt 喂给 ChatGPT（建议开一个新的对话专门用来学习英文）。 2. 然后 ChatGPT 会扮演你的美国好朋友，每当输入英文和中文表达，ChatGPT 都会返回更地道的表达，并且对其中的俚语部分加粗，更容易帮助学习和记忆。同时针对发送的话题，ChatGPT 会举一反三，结合欧美流行的内容给出更多例子，帮助更好理解和记忆。 3. 建议使用方式：开一个窗口，复制 prompt；手机端打开这条历史记录；点右上角的耳机图标，开始打电话；打电话又能练口语又能练听力；结束之后看回顾，可以帮助阅读。群友也写了一个类似的版本，并放在讯飞上做了尝试，效果不错。

以下是一些开源或免费的 AI 模型管理平台及相关模型： 1. 智谱·AI： Chat 模型： ChatGLM6Bint4：ChatGLM6B 的 Int4 版本，最低只需 6GB 显存即可部署，最低只需 7GB 显存即可启动微调（、魔搭社区、始智社区、启智社区获取。 ChatGLM6Bint8：ChatGLM6B 的 Int8 版本，上下文 token 数为 2K。可在、魔搭社区、始智社区、启智社区获取。 AgentLM7B：提出了一种 AgentTuning 的方法，开源了包含 1866 个高质量交互、6 个多样化的真实场景任务的 Agent 数据集 AgentInstruct，基于上述方法和数据集，利用 Llama2 微调而成，上下文 token 数为 4K。代码链接为。 AgentLM13B：上下文 token 数为 4K，模型权重下载链接为。 AgentLM70B：上下文 token 数为 8K，模型权重下载链接为。 下载模型：智谱 AI 提供的所有开源模型均可以在以下平台进行下载：。 2. 通义千问： 本地部署 Qwen2.51M 模型：使用以下命令启动服务，根据硬件配置进行设置。参数说明： tensorparallelsize：设置为使用的 GPU 数量。7B 模型最多支持 4 个 GPU，14B 模型最多支持 8 个 GPU。 maxmodellen：定义最大输入序列长度。如果遇到内存不足问题，请减少此值。 maxnumbatchedtokens：设置 Chunked Prefill 的块大小。较小的值可以减少激活内存使用，但可能会减慢推理速度。推荐值为 131072，以获得最佳性能。 maxnumseqs：限制并发处理的序列数量。如果遇到问题，请参考相关内容。 与模型交互：可以使用以下方法与部署的模型进行交互：选项 1.使用 Curl；选项 2.使用 Python。对于更高级的使用方式，可以探索如之类的框架。QwenAgent 使模型能够读取 PDF 文件或获得更多功能。

以下是一些可以根据文本自动生成思维导图的软件： 1. GPTs 结合 Gapier 这个提供免费 Action 的第三方平台，可以利用 Actions 调取其提供的 API 直接获取内容对应的思维导图。 2. GitMind：免费的跨平台 AI 思维导图软件，支持多种模式，可通过 AI 自动生成思维导图。 3. ProcessOn：国内思维导图+AIGC 的工具，能利用 AI 生成思维导图。 4. AmyMind：轻量级在线 AI 思维导图工具，无需注册登录，支持自动生成节点。 5. Xmind Copilot：Xmind 推出的基于 GPT 的 AI 思维导图助手，可一键拓展思路，生成文章大纲。 6. TreeMind：“AI 人工智能”思维导图工具，输入需求即可由 AI 自动完成思维导图生成。 7. EdrawMind：提供一系列 AI 工具，包括 AI 驱动的头脑风暴功能，帮助提升生产力。 此外，以下是一些可以绘制逻辑视图、功能视图、部署视图的工具： 1. Lucidchart：流行的在线绘图工具，支持多种视图创建，用户可通过拖放界面轻松创建架构图。 2. Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能。 3. ArchiMate：开源建模语言，与 Archi 工具配合使用，支持逻辑视图创建。 4. Enterprise Architect：强大的建模、设计和生成代码工具，支持多种视图创建。 5. Microsoft Visio：广泛使用的图表和矢量图形应用程序，提供丰富模板。 6. draw.io（现称 diagrams.net）：免费在线图表软件，支持多种类型图表创建。 7. PlantUML：文本到 UML 转换工具，通过编写描述性文本自动生成相关视图。 8. Gliffy：基于云的绘图工具，提供创建多种架构图的功能。 9. Archi：免费开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图创建。 10. Rational Rose：IBM 的 UML 工具，支持创建多种视图。 需要注意的是，部分内容由 AI 大模型生成，请仔细甄别。