物流方面的知识用哪方面的AI好？

以下 AI 工具可以实现提取多个指定网页的更新内容： 1. Coze：支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容，可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时，输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序，标注要采集的内容，内容上传成功率高。 2. AI Share Card：能够一键解析各类网页内容，生成推荐文案，把分享链接转换为精美的二维码分享卡。通过用户浏览器，以浏览器插件形式本地提取网页内容。

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

AI 在设备风控场景的落地可以从以下几个方面考虑： 法律法规方面：《促进创新的人工智能监管方法》指出，AI 的发展带来了一系列新的安全风险，如对个人、组织和关键基础设施的风险。在设备风控中，需要关注法律框架是否能充分应对 AI 带来的风险，如数据隐私、公平性等问题。 趋势研究方面：在制造业中，AI Agent 可用于生产决策、设备维护、供应链协调等。例如，在工业设备监控与预防性维护中，Agent 能通过监测传感器数据识别异常模式，提前通知检修，减少停机损失和维修成本。在生产计划、供应链管理、质量控制、协作机器人、仓储物流、产品设计、建筑工程和能源管理等方面，AI Agent 也能发挥重要作用，实现生产的无人化、决策的数据化和响应的实时化。

以下是 4 月 11 日、4 月 9 日和 4 月 14 日的 AI 视频相关资讯汇总： 4 月 11 日： Pika 上线 Pika Twists 能力，可控制修改原视频中的任何角色或物体。 Higgsfield Mix 在图生视频中，结合多种镜头运动预设与视觉特效生成视频。 FantasyTalking 是阿里技术，可制作角色口型同步视频并具有逼真的面部和全身动作。 LAM 开源技术，实现从单张图片快速生成超逼真的 3D 头像，在任何设备上快速渲染实现实时互动聊天。 Krea 演示新工具 Krea Stage，通过图片生成可自由拼装 3D 场景，再实现风格化渲染。 Veo 2 现已通过 Gemini API 向开发者开放。 Freepik 发布视频编辑器。 Pusa 视频生成模型，无缝支持各种视频生成任务（文本/图像/视频到视频）。 4 月 9 日： ACTalker 是多模态驱动的人物说话视频生成。 Viggle 升级 Mic 2.0 能力。 TestTime Training在英伟达协助研究下，可生成完整的 1 分钟视频。 4 月 14 日： 字节发布一款经济高效的视频生成基础模型 Seaweed7B。 可灵的 AI 视频模型可灵 2.0 大师版及 AI 绘图模型可图 2.0 即将上线。

以下是为您提供的 AI 视频教学相关内容： 1. 第一节回放 AI 编程从入门到精通： 课程安排：19、20、22 和 28 号四天进行 AI 编程教学，周五晚上穿插 AI 视频教学。 视频预告：周五晚上邀请小龙问露露拆解爆火的 AI 视频制作，视频在视频号上有大量转发和播放。 编程工具 tree：整合多种模型，可免费无限量试用，下载需科学上网，Mac 可拖到文件夹安装，推荐注册 GitHub 账号用于代码存储和发布，主界面分为工具区、AI 干活区、右侧功能区等。 网络不稳定处理：网络不稳定时尝试更换节点。 项目克隆与文件夹：每个项目通过在本地新建文件夹来区分，项目运行一轮一轮进行，可新建会话，终端可重开。 GitHub 仓库创建：仓库相当于本地项目，可新建，新建后有地址，可通过多种方式上传。 Python 环境安装：为方便安装提供了安装包，安装时要选特定选项，安装后通过命令确认。 代码生成与修改：在 tree 中输入需求生成代码，可对生成的代码提出修改要求，如添加滑动条、雪花形状、颜色等，修改后审查并接受。 2. AI 视频提示词库： 神秘风 Arcane：Prompt：a robot is walking through a destroyed city,,League of Legends style,game modelling 乐高 Lego：Prompt：a robot is walking through a destroyed city,,lego movie style,bright colours,block building style 模糊背景 Blur Background：Prompt：a robot is walking through a destroyed city,,emphasis on foreground elements,sharp focus,soft background 宫崎骏 Ghibli：Prompt：a robot is walking through a destroyed city,,Spirited Away,Howl's Moving Castle,dreamy colour palette 蒸汽朋克 Steampunk：Prompt：a robot is walking through a destroyed city,,fantasy,gear decoration,brass metal robotics,3d game 印象派 Impressionism：Prompt：a robot is walking through a destroyed city,,big movements

以下是关于使用 AI 写程序的相关内容： 1. 对于技术纯小白： 从最基础的小任务开始，让 AI 按照最佳实践写一个 say hello 的示例程序，并解释每个文件的作用及程序运行的逻辑，以学会必备的调试技能。 若学习写 chrome 插件，可让 AI 按照最佳实践生成简单的示范项目，包含全面的典型文件和功能，并讲解每个文件的作用和程序运行的逻辑。若使用 o1mini，可在提示词最后添加生成创建脚本的要求，并请教如何运行脚本（Windows 机器则是 create.cmd）。 2. 明确项目需求： 通过与 AI 的对话逐步明确项目需求。 让 AI 帮助梳理出产品需求文档，在后续开发时每次新起聊天将文档发给 AI 并告知在做的功能点。 3. 在独立游戏开发中的经验： 单独让 AI 写小功能没问题，但对于复杂的程序框架，可把不方便配表而又需要撰写的简单、模板化、多调用 API 且牵涉小部分特殊逻辑的代码交给 AI。 以 Buff 系统为例，可让 AI 仿照代码写一些 Buff。但目前 Cursor 生成复杂代码需要复杂的前期调教，ChatGPT 相对更方便。 教 AI 时要像哄小孩，及时肯定正确的，指出错误时要克制，不断完善其经验。 4. 相关资源和平台： AI 写小游戏平台：https://poe.com/ 图片网站：https://imgur.com/ 改 bug 的网站：https://v0.dev/chat 国内小游戏发布平台：https://open.4399.cn/console/ 需要注意的是，使用 AI 写程序时，对于技术小白来说，入门容易但深入较难，若没有技术背景可能提不出问题，从而影响 AI 发挥作用。

以下是关于您提问的相关内容： AI 的学习方式与人类有相似之处，也有不同之处。在医疗保健领域，为产生真正的改变，AI 应像人类一样学习。成为某个领域顶尖人才通常从多年密集信息输入开始，如正规学校教育和学徒实践，通过面对面学习获取书本外的信息。对于 AI 来说，当前学习方式及技术人员对待方式存在问题，应通过堆叠模型训练，而非仅依靠大量数据和生成模型。例如先训练生物学、化学模型，再添加特定数据点。开发具有潜在空间层次结构的堆叠 AI 模型，能反映对基本元素的理解和预测能力，可能会平行于人类教育范例发展，也可能专门发展出新型专业知识。创建特定领域的专家 AI 可能比全能 AI 更容易，且需要多个专家 AI 提供多样意见。同时，应让 AI 接触现实世界互动，避免复制危险偏见。但不能因恐惧传播人类偏见而限制探索 AI 帮助民主化人类专家知识的意愿。 然而，您所提到的将网上课程视频全部下载输入给 AI 让其学习，然后期望它像课程老师一样回答问题，目前的技术和情况还不能完全保证实现。AI 的学习和回答能力取决于其训练数据、模型结构和算法等多种因素。

以下是一些与汽车三维建模相关的 AI 应用： Vibe Draw：可以根据草图进行 3D 建模。 PhysTwin：能够通过视频创建交互式物理数字孪生。 GroomLight：用于重打光的人体头发外观建模的混合逆向渲染。

以下是一些与汽车三维建模相关的 AI 应用： Vibe Draw：可以根据草图进行 3D 建模。 PhysTwin：能够通过视频创建交互式物理数字孪生。 GroomLight：用于重打光的人体头发外观建模的混合逆向渲染。

目前在大模型 AI 工具中，对于文本处理和写作方面，以下是一些相关信息： 生成式人工智能的工作原理：在整体的人工智能领域，监督学习用于标记事物，一直占据很大比例。现在生成式 AI 快速崛起，强化学习与无监督学习也是重要工具。生成式 AI 由监督学习技术搭建，大语言模型使用监督学习不断预测下一个词语来生成文本，这需要大量数据。 大语言模型的应用：运用大语言模型写故事、修改文本很有用，但它可能编造故事产生错误信息，需要鉴别信息准确。网络搜索与大语言模型的区别在于网络搜索可追寻信息来源，大语言模型能提供建议与策略。 写作方面：使用大模型工具如 LLM 来写作，集思广益、头脑风暴非常有用。网页版聊天时提供更多信息，翻译也可使用 LLM，但其效果受网络文本量影响。 推荐的大模型工具：chatGPT 4.0、kimichat、智谱清言 4 等。一些国产模型如智谱和文心可以文生图。 相关工具：除了 Snapbox 外，还有 OpenCAT 等类似工具可供选择。有多种文本处理与总结工具，如 kimi 网页总结助手、ChatHub 等，以及翻译插件与 AI 对话插件、沉浸式翻译插件等。Memo Al 可以对音频视频进行转文字、字幕翻译、语音合成等，并由多种 AI 模型提炼内容精华总结、生成思维导图。 综合来看，不同的大模型工具在文本处理和写作方面各有特点，难以简单地确定哪一个最强、最像人，具体取决于您的需求和使用场景。

MiniMax 侧重在以下几个方面： 1. 语音技术： 快速克隆：仅需 10 秒音频即可克隆语音，智能情感系统精准捕捉细腻情感变化。 多维预置语音：提供 300+语音选项，支持 17 种语言（不断扩展），涵盖口音、性别、年龄、风格等。 专业音效：支持房间音效、电话滤镜，输出接近录音室级别。 2. 通用人工智能： 成立于 2021 年 12 月，是通用人工智能时代基础设施建设者和内容应用创造者。 拥有文本、语音、视觉多种模态融合的通用大模型引擎能力并打通产品全链路。 自研了整套端到端 AGI 引擎系统。 3. 团队组成：核心技术研发成员均来自全球知名高校和全球顶尖科技公司，拥有世界顶尖自然语言处理、语音、计算机视觉、计算机图形学等工业界和学术界经验，拥有多项全球领先的人工智能领域研究成果，具有上百个全球发明专利，1/3 的团队成员拥有世界顶尖技术实验室的博士学位。 相关链接： 免费试用： API 平台：

RAG（检索增强生成）是一种有效的解决方案，下面为您详细讲解： RAG 工作流程： 1. 检索（Retrieval）：如同在图书馆中，系统会从知识库或文档集合中找出与用户问题相关的内容。 2. 增强（Augmented）：对检索到的信息进行筛选和优化，挑出最相关和有用的部分。 3. 生成（Generation）：将整合的信息生成自然流畅、易于理解的回答。 RAG 类似于一个超级智能的图书馆员，综合起来： 1. 检索：从庞大知识库中找到相关信息。 2. 增强：筛选优化确保找到最相关部分。 3. 生成：整合信息给出连贯回答。 RAG 的优势： 1. 成本效益：相比训练和维护大型专有模型，实现成本更低。 2. 灵活性：能利用多种数据源，包括结构化和非结构化数据，迅速适应不同领域和变化的数据。 3. 可扩展性：随时增加或更新知识库内容，无需重新训练模型。 RAG 与常规知识库的对比优势： 常规知识库可能存在知识更新不及时、数据来源单一等问题。而 RAG 能够从多种数据源获取信息，并且可以根据用户的实时需求进行检索和优化，生成更贴合需求的回答。 在 GraphRAG 的实现方面，目前提供的内容中未明确提及相关具体实现方式。 同时需要注意的是，RAG 也存在一些缺点，比如相比于专有模型的方案，回答准确性可能不够。

以下是为物流公司信息系统管理员推荐的大模型入门经验： 一、什么是大模型 通俗来讲，大模型是通过输入大量语料，让计算机获得类似人类的“思考”能力，能够理解自然语言，并进行文本生成、推理问答、对话、文档摘要等工作。 可以用“上学参加工作”这件事来类比大模型的训练和使用过程： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型能够更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在大模型中，Token 被视为模型处理和生成的文本单位，可以代表单个字符、单词、子单词，甚至更大的语言单位，具体取决于所使用的分词方法（Tokenization）。Token 是原始文本数据与大模型可以使用的数字表示之间的桥梁。在将输入进行分词时，会对其进行数字化，形成一个词汇表。 二、数字化与 Embedding 数字化便于计算机处理，但为了让计算机理解 Token 之间的联系，还需要把 Token 表示成稠密矩阵向量，这个过程称之为 embedding。常见的算法有： 1. 基于统计： Word2Vec，通过上下文统计信息学习词向量。 GloVe，基于词共现统计信息学习词向量。 2. 基于深度网络： CNN，使用卷积网络获得图像或文本向量。 RNN/LSTM，利用序列模型获得文本向量。 3. 基于神经网络： BERT，基于 Transformer 和掩码语言建模（Masked LM）进行词向量预训练。 Doc2Vec，使用神经网络获得文本序列的向量。 以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。 大模型的“大”，指的是用于表达 token 之间关系的参数多，主要是指模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数，其中权重数量达到了这一量级，而词汇表 token 数只有 5 万左右。 参考：

AI 在集装箱物流行业有以下应用方式： 1. 物流路线优化：利用 AI 分析各种数据，如货物数量、目的地、运输条件等，优化物流路线，降低运输成本。 2. 配送计划制定：通过 AI 制定更合理的配送计划，提高配送效率和准确性。 3. 集装箱管理：借助数据分析和机器学习技术，优化集装箱的分配和使用，提高利用率。 4. 预测需求：利用 AI 预测货物的需求，提前做好准备，减少库存和延误。 5. 风险评估：分析潜在的风险因素，如天气变化、交通拥堵等，提前制定应对策略。 例如，像丰巢快递柜管理系统利用 AI 和物联网技术管理柜子的使用情况，提高快递配送效率。未来，AI 在集装箱物流行业的应用还将不断拓展和深化。

在物流配送领域，人工智能有以下应用： 优化物流路线和配送计划，降低运输成本。 实现无人机送货，将货物快速送达偏远地区。 例如： 美团外卖配送系统利用数据分析和机器学习优化外卖小哥的配送路线，会根据订单位置、餐厅出餐速度等因素，在高峰期自动调整配送路线，确保外卖及时送达。 猎聘 APP 作为 AI 招聘求职平台，利用数据分析和自然语言处理技术，连接求职者和招聘企业，促进就业。 链家 APP 作为 AI 房地产交易平台，利用数据分析和自然语言处理，为买卖双方提供安全、高效的交易平台。 游戏开发工具 Unity 利用图像生成和机器学习技术，为游戏开发者自动生成游戏关卡，提高开发效率。

目前在电商行业供应链物流领域，一些大模型的应用还处于不断发展和探索的阶段。 阿里巴巴：可能利用其强大的技术能力和数据优势，通过大模型优化物流路径规划、库存管理和订单预测等方面，提高物流效率和降低成本。 淘宝：或许借助大模型来分析消费者的购买行为和偏好，从而更精准地进行商品推荐，并优化物流配送的调度。 抖音：可能运用大模型对用户的兴趣和行为进行深度挖掘，以实现更高效的商品匹配和物流配送安排。 京东：有可能利用大模型改进仓储管理、物流配送的智能调度，以及预测商品的需求和销售趋势。 但需要注意的是，具体的应用情况和效果会受到多种因素的影响，包括数据质量、算法优化、业务场景的复杂性等。

AI技术在供应链管理中的应用可以大大提高采购计划、库存预测和物流优化的效率。以下是如何利用AI根据历史数据和市场变化自动生成这些内容的详细步骤： 1. 数据收集和预处理 首先，需要收集大量的历史数据和实时市场数据。这些数据可以来自企业内部系统（如ERP、WMS）和外部数据源（如市场情报、经济指标）。 数据类型： 历史销售数据：包括销售数量、时间、地点等。 库存数据：当前库存水平、历史库存变化、仓储信息。 采购数据：采购订单、供应商信息、采购周期等。 市场数据：市场需求预测、经济指标、季节性变化等。 数据预处理： 数据清洗：处理缺失值、异常值和重复数据。 数据整合：将来自不同来源的数据整合成统一格式。 特征工程：提取关键特征，如时间序列特征、季节性特征等。 2. 采购计划自动生成 利用AI模型分析历史采购和销售数据，结合市场变化，生成优化的采购计划。 方法： 时间序列分析：使用ARIMA、Prophet等模型预测未来的需求量。 机器学习算法：如随机森林、XGBoost，通过学习历史数据中的模式来预测需求。 深度学习：如LSTM、GRU，适合处理复杂的时间序列数据。 具体步骤： 1. 需求预测：预测未来一段时间内的产品需求量。 2. 供应商选择和评估：根据历史绩效和市场条件，选择最佳供应商。 3. 采购量确定：结合库存水平、需求预测和供应商能力，确定每个产品的采购量。 4. 优化采购时间：利用AI优化采购时间，以最低成本满足需求。 3. 库存预测 利用AI技术进行库存预测，确保在最低库存水平下满足需求，减少库存持有成本和缺货风险。 方法： 库存优化模型：如Economic Order Quantity 。 库存水平预测：基于历史数据和需求预测，计算安全库存和再订货点。 机器学习算法：如支持向量机（SVM）、KNN，通过学习历史库存变化和需求波动，预测未来库存需求。 具体步骤： 1. 需求预测：预测未来的产品需求。 2. 库存水平计算：根据需求预测、订单交付时间、当前库存水平，计算安全库存和再订货点。 3. 库存补货策略：制定补货策略，确定何时和多少补货。 4. 物流优化 AI技术可以优化物流路径、运输方式和仓储布局，降低物流成本，提高运输效率。 方法： 路线优化：利用优化算法（如遗传算法、蚁群算法）优化运输路线，减少运输成本和时间。 运输方式选择：根据货物类型、运输距离、成本等因素，选择最佳的运输方式（如海运、空运、陆运）。 仓储布局优化：利用AI优化仓库布局，提高仓储效率和利用率。 具体步骤： 1. 运输需求分析：分析需求预测和库存计划，确定运输需求。 2. 路线规划：利用优化算法规划最佳运输路线。 3. 运输方式选择：根据成本和时间要求，选择合适的运输方式。 4. 仓储优化：利用AI优化仓库布局和操作，提高仓储效率。 案例示例：使用AI进行供应链优化 以下是一个使用AI进行供应链优化的具体示例： 需求预测： 1. 收集过去两年的销售数据和市场数据。 2. 使用LSTM模型对未来6个月的需求进行预测。 3. 将预测结果与当前库存水平进行比较，确定需要补货的产品和数量。 采购计划： 1. 根据需求预测结果，使用EOQ模型计算每个产品的最优采购量。 2. 结合供应商历史绩效数据，选择最佳供应商并确定采购时间。 库存管理： 1. 使用支持向量机（SVM）模型预测未来的库存水平。 2. 根据预测结果调整安全库存和再订货点，制定补货计划。 物流优化： 1. 利用蚁群算法优化运输路线，降低运输成本。 2. 根据货物类型和运输距离选择最佳运输方式。 3. 利用AI优化仓库布局，提高货物存取效率。 总结 通过利用AI技术，企业可以实现自动化和智能化的采购计划、库存预测和物流优化。这不仅可以提高供应链管理的效率，还能降低成本，减少库存风险，提升客户满意度。为了实施这些AI技术，企业需要投入时间和资源进行数据收集、模型开发和系统集成，同时需要培养数据分析和AI技术的人才。

以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。

以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。

知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎的能力，增强用户的搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 知识图谱的关键技术包括： 1. 知识抽取： 实体抽取：通过命名实体识别从数据源中自动识别命名实体。 关系抽取：从数据源中提取实体之间的关联关系，形成网状知识结构。 属性抽取：从数据源中采集特定实体的属性信息。 2. 知识表示：包括属性图和三元组。 3. 知识融合： 实体对齐：消除异构数据中的实体冲突、指向不明等不一致性问题。 知识加工：对知识统一管理，形成大规模的知识体系。 本体构建：以形式化方式明确定义概念之间的联系。 质量评估：计算知识的置信度，提高知识质量。 知识更新：不断迭代更新，扩展现有知识，增加新知识。 4. 知识推理：在已有的知识库基础上挖掘隐含的知识。 在国家人工智能产业综合标准化体系建设指南中，知识图谱标准规范了知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。

构建知识库的方法主要有以下几种： 1. 使用 Flowith 构建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，为其起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 等待 Flowith 对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 2. 使用 Dify 构建： 准备数据：收集文本数据，进行清洗、分段等预处理。 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描述。 配置索引方式：根据需求选择高质量模式、经济模式或 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 3. 本地部署大模型并搭建个人知识库（涉及 RAG 技术）： 了解 RAG 技术：大模型训练数据有截止日期，RAG 可通过检索外部数据并在生成步骤中传递给 LLM 来解决依赖新数据的问题。 RAG 应用的 5 个过程： 文档加载：从多种来源加载文档，如 PDF、SQL 等。 文本分割：把文档切分为指定大小的块。 存储：包括将文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：将问题和检索出的嵌入片提交给 LLM 生成答案。 文本加载器：将用户提供的文本加载到内存中以便后续处理。

搭建知识库的方法如下： 使用 flowith 搭建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，给知识库起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 Flowith 会对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 使用 Dify 搭建： 准备数据：收集文本数据，进行清洗、分段等预处理。 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描述。 配置索引方式：提供三种索引方式，根据需求选择，如高质量模式、经济模式和 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 使用 Coze 智能体搭建： 手动清洗数据： 在线知识库：点击创建知识库，创建 FAQ 知识库，选择飞书文档，输入区分问题和答案，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理，然后创建自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能搜到。

以下是搭建自己知识库的方法： 1. 选择“Manage Your Knowledge Base”，进入知识库管理页面。 2. 在页面左上角点击加号，添加新的知识库，并为其起一个易于分辨的名字。 3. 点击添加文件，建议使用 Markdown 格式的文件。 4. 等待 Flowith 对文件进行抽取等处理。 5. 处理完毕后，可在知识库管理页面测试检索，输入关键词过滤相关内容。 此外，搭建本地知识库还需了解 RAG 技术： 1. RAG 是一种当需要依靠不包含在大模型训练集中的数据时所采用的主要方法，即先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 2. 一个 RAG 的应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 对于基于 GPT API 搭建定制化知识库，涉及给 GPT 输入定制化的知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。Embeddings 是一个浮点数字的向量，两个向量之间的距离衡量它们的关联性，小距离表示高关联度。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。文档上有创建 embeddings 的示例。