图生文产品经理工作内容，详细一些

以下是关于图生文制作的详细步骤： 一、Tusiart 简易上手教程 1. 定主题：明确您需要生成的图片的主题、风格和要表达的信息。 2. 选择基础模型 Checkpoint：根据主题，选择内容贴近的 checkpoint，如麦橘、墨幽的系列模型，如麦橘写实、麦橘男团、墨幽人造人等。 3. 选择 lora：基于生成内容，寻找重叠的 lora 以控制图片效果和质量，可参考广场上好看帖子中使用的 lora。 4. ControlNet：用于控制图片中的特定图像，如人物姿态、特定文字、艺术化二维码等，属于高阶技能，可后续学习。 5. 局部重绘：下篇再教。 6. 设置 VAE：无脑选择 840000 这个即可。 7. Prompt 提示词：用英文写想要 AI 生成的内容，使用单词和短语组合，用英文半角逗号隔开，无需管语法和长句。 8. 负向提示词 Negative Prompt：用英文写想要 AI 避免产生的内容，同样是单词和短语组合，用英文半角逗号隔开，无需语法。 9. 采样算法：一般选 DPM++2M Karras 较多，也可留意 checkpoint 详情页上模型作者推荐的采样器。 10. 采样次数：选 DPM++2M Karras 后，采样次数在 30 40 之间，过多意义不大且慢，过少出图效果差。 11. 尺寸：根据个人喜好和需求选择。 二、Liblibai 简易上手教程 1. 定主题：确定要生成的图片的主题、风格和表达信息。 2. 选择 Checkpoint：依照主题找贴近的 checkpoint，如麦橘、墨幽的系列模型。 3. 选择 lora：寻找与生成内容重叠的 lora 来控制图片效果和质量，参考广场上的优秀帖子。 4. 设置 VAE：无脑选 840000 那一串。 5. CLIP 跳过层：设成 2 。 6. Prompt 提示词：用英文写想要 AI 生成的内容，单词和短语组合，用英文半角逗号隔开，不管语法和长句。 7. 负向提示词 Negative Prompt：用英文写想要 AI 避免产生的内容，单词和短语组合，用英文半角逗号隔开，不管语法。 8. 采样方法：一般选 DPM++2M Karras 较多，留意 checkpoint 详情页上模型作者推荐的采样器。 9. 迭代步数：选 DPM++2M Karras 后，在 30 40 之间，过多意义不大且慢，过少出图效果差。 10. 尺寸：根据个人喜好和需求选择。 11. 生成批次：默认 1 批。 三、SD 新手入门图文教程 1. CFG Scale（提示词相关性）：决定图像与提示的匹配程度，增加该值会使图像更接近提示，但可能降低图像质量，可用更多采样步骤抵消，一般开到 7 11 ，过高会有粗犷线条和过锐化图像。 2. 生成批次：每次生成图像的组数，一次运行生成图像的数量为“批次×批次数量”。 3. 每批数量：同时生成的图像个数，增加会提高性能但需更多显存，若显存未超 12G ，保持为 1 。 4. 尺寸：指定图像长宽，出图尺寸太宽可能出现多个主体，1024 以上尺寸可能效果不理想，推荐小尺寸分辨率+高清修复（Hires fix) 。 5. 种子：决定模型生成图片时的随机性，初始化 Diffusion 算法起点的初始值，相同参数下应生成相同图片。 6. 高清修复：通过勾选“Highres.fix”启用，默认高分辨率下会生成混沌图像，使用后先按指定尺寸生成再放大，实现高清大图效果，最终尺寸为（原分辨率×缩放系数 Upscale by) 。

以下是关于多模图生文评测集的相关信息： 为全面比较 Kolors 与其他模型的生成能力，构建了包含人工评估、机器评估的全面评测内容。构建了包含 14 种垂类、12 个挑战项、总数量为一千多个 prompt 的文生图评估集 KolorsPrompts。在 KolorsPrompts 上，收集了 Kolors 与市面上常见的 SOTA 级别的开源/闭源系统的文生图结果，并进行了人工评测和机器评测。 人工评测方面，邀请了 50 个具有图像领域知识的专业评估人员对不同模型的生成结果进行对比评估，衡量维度为画面质量、图文相关性、整体满意度三个方面。Kolors 在整体满意度方面处于最优水平，其中画面质量显著领先其他模型。具体的平均分数如下： AdobeFirefly：整体满意度平均分 3.03，画面质量平均分 3.46，图文相关性平均分 3.84。 Stable Diffusion 3：整体满意度平均分 3.26，画面质量平均分 3.5，图文相关性平均分 4.2。 DALLE 3：整体满意度平均分 3.32，画面质量平均分 3.54，图文相关性平均分 4.22。 Midjourneyv5：整体满意度平均分 3.32，画面质量平均分 3.68，图文相关性平均分 4.02。 Playgroundv2.5：整体满意度平均分 3.37，画面质量平均分 3.73，图文相关性平均分 4.04。 Midjourneyv6：整体满意度平均分 3.58，画面质量平均分 3.92，图文相关性平均分 4.18。 Kolors：整体满意度平均分 3.59，画面质量平均分 3.99，图文相关性平均分 4.17。所有模型结果取自 2024.04 的产品版本。 Kolors 开源模型相关： 2024.07.03，Kolors 在智源研究院评测中取得第二名，其中中文主观质量、英文主观质量两个单项排名第一。 2024.07.02，祝贺，可图项目组提出的可控视频生成方法被 ECCV 2024 接收。 2024.02.08，祝贺，可图项目组提出的生成模型评估方法被 CVPR 2024 接收。 多模态大模型入门指南： 训练过程： 预训练阶段：通常利用 XText 的数据集，来训练输入、输出的 Projector。通过优化损失函数来实现不同模态的对齐。PEFT 有时候用于 LLM Backbone。X文本数据集包含图像文本、视频文本和音频文本，其中图像文本有两种类型：图像文本对（即<img1><txt1>）和交错图像文本语料库（即，txt1><img1><txt2><txt3><img2><txt4>）。这些 XText 数据集的详细统计数据如附录 F 的表 3 所示。 多模态微调：对满足指令微调格式的一系列数据集对预训练好的多模态大模型进行微调。通过这种微调，MMLLM 可以遵循新的指令泛化到没有见过的任务，增强 zeroshot 的能力。MM IT 包括监督微调（SFT）和 RLHF 两部分，目的是为了使得模型符合人类的意图或者偏好，并且增强 MMLLMs 的交互能力。SFT 将 PT 阶段的数据转换为指令aware 的格式，使用 QA 任务作为例子。可以采用各种模板。优化目标和预训练相同，SFT 数据可以构造为单轮的 QA 或者多轮的 QA。常用的 SFT 和 RLHF 的数据集见表 4。

以下是关于图生文评测集的相关内容： 为全面比较 Kolors 与其他模型的生成能力，构建了包含人工评估、机器评估的全面评测内容。在相关基准评测中，Kolors 表现有竞争力，达业界领先水平。构建了包含 14 种垂类、12 个挑战项、总数量一千多个 prompt 的文生图评估集 KolorsPrompts。在 KolorsPrompts 上，收集了 Kolors 与常见 SOTA 级别开源/闭源系统的文生图结果，并进行人工评测和机器评测。 人工评测方面，邀请 50 个具有图像领域知识的专业评估人员对不同模型生成结果对比评估，衡量维度为画面质量、图文相关性、整体满意度。Kolors 在整体满意度方面最优，画面质量显著领先其他模型。具体平均分如下： |模型|整体满意度平均分|画面质量平均分|图文相关性平均分| ||||| |AdobeFirefly|3.03|3.46|3.84| |Stable Diffusion 3|3.26|3.5|4.2| |DALLE 3|3.32|3.54|4.22| |Midjourneyv5|3.32|3.68|4.02| |Playgroundv2.5|3.37|3.73|4.04| |Midjourneyv6|3.58|3.92|4.18| |Kolors|3.59|3.99|4.17| 此外，还有关于 Vidu 大家测试和 Tusiart 简易上手教程的相关信息： Vidu 全球上线，注册即刻体验。Web 端访问：https://www.vidu.studio/ ，具有极速生成（实测 30 秒最快推理速度）、动漫风格、角色可控、精准理解、大片质感等特点。同时提供了“文生视频”“图生视频（用作起始帧）”“参考人物角色生成视频”的使用指南及相关视频链接。 Tusiart 简易上手教程中，文生图的相关要点包括：提示词相关性（数字在 5 15 之间为宜）、随机种子、ADetailer（面部修复插件）、CLIP skip（设成 2 ）。

以下是关于图生文模型的相关信息： Kolors 是一款强大的开源文生图模型，具有更强的中文文本编码器、机造的高质量文本描述、人标的高质量图片、强大的中文渲染能力，以及巧妙的 noise schedule 解决高分辨率图加噪不彻底的问题。实测效果很不错，展现了快手的技术实力。 Tripo AI 中，文生 3D 模型是用一段文字生成 3D 模型，在「Create」界面底部输入框输入提示词（不支持中文），不会写提示词可点击输入框左侧的</>按钮随机生成并自动填入。填写好提示词后点击右侧「Create」生成 3D 模型，每次生成 4 个基础模型，不满意可点击「Retry」重新生成。有满意的模型点击单个模型下方黄色的「Refine」精修，精修进度在「My Models」中查看，一般 5 分钟左右完成。图生 3D 模型是用一张图片生成 3D 模型，点击输入框右侧的图标上传图片即可生成，一次生成一个基础模型，同样支持重生成和精修。 Tusiart 文生图操作流程包括：定主题，确定生成图片的主题、风格和信息；选择基础模型 Checkpoint，找内容贴近的模型；选择 lora，寻找内容重叠的 lora 控制图片效果及质量；ControlNet 用于控制图片中特定图像；设置 VAE 无脑选择 840000；Prompt 提示词用英文写需求，单词和短语用英文半角逗号隔开；负向提示词 Negative Prompt 用英文写避免产生的内容，单词和短语组合并用英文半角逗号隔开；采样算法一般选 DPM++ 2M Karras，也可参考模型作者推荐的采样器；采样次数根据采样器特征，选 DPM++ 2M Karras 时一般在 30 40 之间；尺寸根据个人喜好和需求选择。

以下为您推荐一些免费使用的图生文的 AI 工具： 1. Clip Interrogator：这是一款「图生文」反向工具，上传图片即可生成对应的文字描述。实测上传真实照片也可生成对应 prompt。 网址：https://replicate.com/pharmapsychotic/clipinterrogator 2. Midjourney：已实现「图生文」反向输出功能。 此外，还有一些相关的 AI 工具供您参考： 1. Pika：出色的文本生成视频 AI 工具，擅长动画制作，并支持视频编辑。 2. SVD：如果熟悉 Stable Diffusion，可以直接安装这款最新的插件，在图片基础上直接生成视频。这是由 Stability AI 开源的 video model。 3. Leonardo：能生成高质量图片，支持用户上传自己 DIY 的模型，提供丰富的模型选择，但存在访问限制。 更多相关工具和信息您可以查看：https://www.waytoagi.com/category/38 。请注意，以上内容由 AI 大模型生成，请仔细甄别。

图生文功能的开源数据集有一些，其中一个比较知名的是智源研究院 FlagEval 团队开源的ImageEvalprompt。这是一个细粒度的文生图模型测评数据集，从实体、风格、细节上拆分出 11 个评测子维度，并对 DALLE 2、Stable Diffusion、 AltDiffusionm18 、ERNIEViLG 等模型进行了对比测评。 此外，还有一些其他的开源数据集可以用于训练和评估图生文模型，但具体的选择取决于您的需求和目标。希望这个信息对您有所帮助！

以下是根据 PPT 开发网页的详细操作步骤以及适用的 AI 工具： 一、生成 PDF 1. 将您的文件转换为 PDF 格式，其他文件格式也可行，但 PDF 效果更佳。 2. 若希望在文章中加入图片，需将图片转换为 Markdown 格式。 网络图片：直接复制图片的 URL，右键图片选择复制 URL，然后用 Markdown 格式写入文档。 自己的图片：使用图床服务（如 https://sm.ms/）托管图片，生成公链。 3. 插入视频：先将本地视频上传到公网（如 B 站），在视频页面寻找“分享”按钮，点击“嵌入”或“嵌入代码”选项获取 URL，用 Markdown 格式写入。 二、适用的 AI 工具 1. 爱设计 网址：https://ppt.isheji.com/?code=ysslhaqllp&as=invite 输入大纲和要点： 导入大纲和要点 输入主题自动生成大纲和要求 选择模版并生成 PPT 导出 2. MindShow 网址：https://www.mindshow.fun//home 输入大纲和要点： 导入大纲和要点 输入主题自动生成大纲和要求 选择模版并生成 PPT 导出 3. Process ON 网址：https://www.processon.com/ 输入大纲和要点： 导入大纲和要点： 手动复制（相对耗时） 导入方式：复制最终大纲内容到本地 txt 文件，将后缀改为.md（若看不见后缀可自行搜索开启），打开 Xmind 软件导入 md 文件，在 Process ON 导入 Xmind 文件。 输入主题自动生成大纲和要求：新增思维导图，输入主题点击 AI 帮我创作。 选择模版并生成 PPT：点击下载，选择导入格式为 PPT 文件，选择模版再点击下载。若喜欢使用且无会员，可在某宝买一天会员。

垂直大模型是专注于特定领域的大模型，例如小语种交流、临床医学、AI 蛋白质结构预测等。 在国内，大模型分为通用模型如文心一言、讯飞星火等，处理自然语言；也有垂直模型专注特定领域。 大模型因其强大的语言理解和生成能力，在多个领域和应用场景中表现出色。比较火的应用场景包括： 1. 文本生成和内容创作：撰写文章、生成新闻报道、创作诗歌和故事等。 2. 聊天机器人和虚拟助手：提供客户服务、日常任务提醒和信息咨询等服务。 3. 编程和代码辅助：代码自动补全、bug 修复和代码解释。 4. 翻译和跨语言通信：促进不同语言背景的用户之间的沟通和信息共享。 5. 情感分析和意见挖掘：为市场研究和产品改进提供数据支持。 6. 教育和学习辅助：创建个性化的学习材料、自动回答学生问题和提供语言学习支持。 7. 图像和视频生成：如 DALLE 等模型可以根据文本描述生成相应的图像，甚至在未来可能扩展到视频内容的生成。 8. 游戏开发和互动体验：创建游戏中的角色对话、故事情节生成和增强玩家的沉浸式体验。 9. 医疗和健康咨询：理解和回答医疗相关的问题，提供初步的健康建议和医疗信息查询服务。 10. 法律和合规咨询：帮助解读法律文件，提供合规建议，降低法律服务的门槛。 关于发展趋势，尽管当前市场以基础大模型为主，但将大模型与行业专业知识结合，以满足不同行业的需求，成为未来发展的关键。例如腾讯研究院的《行业大模型调研报告》指出，如何将大模型与行业专业知识结合是重点。同时，在发展过程中也需要注意其在隐私、安全和伦理方面的挑战。 很抱歉，暂时无法为您提供相关图片。

以下是关于 AI 提示词的超详细内容： 在图像和视频生成阶段，分镜转图片和视频提示词大师的使用技巧包括：每次只处理 2 3 个分镜以确保提示词的精确性；对于关键场景，生成多个版本的提示词；根据不同工具的特点调整提示词的细节。图像生成工具方面，首选 LIBLIB 的 FLUX 模型，其次是谷歌的 ImageFX（网址：https://labs.google/fx/zh/tools/imagefx ，有网络门槛），还有即梦、可灵、Midjourmey（国内版“悠船”）。提示词辅助工具方面，通义万相的智能扩写只需输入简单的画面主题，点击“智能扩写”按钮就能自动生成包含场景描述、主体特征、构图和光线氛围等全方位的详细提示词；堆友的图推词功能可通过上传参考图片，自动分析并反推出详细的提示词。接入 Deepseek R1 的即梦，只需输入简单的主题或关键词，R1 就能写出 4 段不同风格且详细又丰富的提示词。 此外，还有一套万能文生图提示框架，您只需把脑子里能想到的、用来描述模糊想法的碎片词汇，随手替换到框架的最下方，然后发给任意一个 AI。但要注意，AI 生成的提示词水平与模型本身能力正相关，推理模型在揣摩人类意图上优于普通模型。 在写 AI 拟人化提示词时，要像写作文的 6 要素一样讲明白。描述越全面，生成的结果就越贴近想要的样子，但要注意避免啰里啰嗦导致 AI 理解出现偏差。您还可以把想要的直接塞给 LLM，让它进行补充。

以下是详细的学习 AI 的方法： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（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，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，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，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 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。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 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，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 对于中学生学习 AI，建议： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始，学习编程语法、数据结构、算法等基础知识。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，无论是新手还是中学生，学习 AI 都可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能。

以下是一个不懂技术的人学习 AI 的详细步骤： 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，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，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，如图像、音乐、视频等，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，进行实践来巩固知识，尝试使用各种产品做出自己的作品。 在知识库中查看大家实践后的作品、文章分享，并分享自己实践后的成果。 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，还可以参考以下具体的开发示例： 1. 以“Windsurf 学习共创社区”为例，进行零基础开发网站 技术选型：Vue + TypeScript（无需先了解具体含义）。 目标用户：零基础开发学习者。 参考项目：Cursor101。 开发流程： 需求分析与代码生成。 环境配置自动化。 问题诊断与修复。 界面优化与细节打磨。 功能迭代与完善。 2. 搭建对接 GPT 大模型的微信聊天机器人 选用技术组件：极简未来平台、腾讯云轻量应用服务器、宝塔面板和 Docker。 按照详细的配置步骤操作：购买服务器、配置宝塔面板，部署 Docker 和 COW 组件，绑定微信号。 了解费用问题：包括极简未来平台的费用和腾讯云服务器的费用，以及如何通过积分和优惠降低成本。 掌握运维问题的解答：学会简单高效地管理和维护服务器和服务，以及遇到问题时的解决方案。 如果在学习过程中有任何不懂的地方，可以随时寻求帮助。同时，还可以加入免费的 AI Agent 共学群，获取更多玩法和经验分享以及最新的 AI 前沿资讯。

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。

以下是为您整理的 AI 产品经理招聘信息： 特看科技： 岗位要求： 负责 AI 视频工具方向产品工作，对生成式 AI 产品有一定研究，熟悉 Transformer 和 Diffusion 模型的优先。 英文好，有海外产品经验优先，有内容工具或 SaaS 产品经验优先。 2 年以上产品岗位经验，职级根据经验能力制定，对标阿里 P6P8 区间。 您能得到： 确定性的商业化应用场景，已有大量品牌客户。 初创公司充沛的早期期权池。 强大的工程师团队，将新技术快速落地应用。 最高可到合伙人级别。 加分项：有电子商务、企业服务、人工智能、海外产品等行业经验。 联系方式：欢迎推荐或自荐简历至 qingshen@tabcut.com，或飞书与@清慎联系。 阿里大文娱妙鸭团队： 工作地点：北京 职位要求： 熟悉图像、视频、文本领域的前沿大模型和应用。 对算法能力边界有很好的感知。 有某一场景下的大模型微调和应用的项目经验。 联系方式：欢迎推荐简历至 xiaocen.cxc@alibabainc.com 其他： 职责描述： 负责基于通用人工智能技术（AGI）的智慧医疗诊断产品的规划、研发、发布上市的全过程管理。 通过市场调研和分析，开发满足客户需求的产品或服务，为公司制定产品战略。 制定并执行产品开发计划和目标，协调项目相关人员，推动产品开发工作的顺利进行。 提出产品优化建议，推动产品快速迭代，并协调增长部门实现产品的持续增长。 任职要求： 本科及以上学历，计算机、信息技术、工程、检验、生物科学、细胞生物学等相关专业优先考虑。 具备 3 年以上产品管理经验，有医疗领域产品管理经验者、有极致产品案例者优先。 在产品创新、研发、迭代改进及商业化方面有丰富的项目管理经验。 对客户需求具有高度敏感度，熟悉竞品分析、定价策略。

以下是为您提供的自学 AI 知识并成为 AI 产品经理的行动方案： 1. 应用方面： 深入了解 Prompt，选择适合自己的 AI 对话、绘画和语音产品，每天使用并用于解决实际问题或提升效率。 2. 分析方面： 大量阅读各类文章、视频以及行业报告，理解各知识之间的关系。 3. 掌握相关技能： 了解目前 AI 提示词工程师岗位的招聘技能要求，例如： 本科及以上学历，计算机科学、人工智能、机器学习相关专业背景。 熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理，并具有实际应用经验。 熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理。 负责制定和执行 AI 项目，如 Prompt 设计平台化方法和模板化方法。 了解并熟悉 Prompt Engineering，包括常见的 Prompt 优化策略（例如 CoT、Fewshot 等）。 对数据驱动的决策有深入的理解，能够基于数据分析做出决策。 具有创新思维，能够基于业务需求提出并实践 AI first 的解决方案。 对 AI 技术与算法领域抱有强烈的好奇心，并能付诸实践。 对 AIGC 领域有深入的理解与实际工作经验，保持对 AI 技术前沿的关注。 具备一定的编程和算法研究能力，能应用新的 AI 技术和算法于对话模型生成。 具有一定的编程基础，熟练使用 Python、Git 等工具。 4. 了解产品经理工作： 调研市场、思考需求、转化需求、思考解决方案、设计解决方案、分配任务、进行测试、实现解决方案。 像善用提示词工程的人一样，将需求抽象再具象成产品。 总之，要成为 AI 产品经理，需要不断学习和实践，适应行业的发展和变化。

以下是关于快速上手 Cursor、Windsurf、V0.dev、bolt.new、Devin 等 AI 编程产品并转型为 AI 产品经理的一些经验： 1. 深入理解用户场景和 AI 能力边界：要构建差异化的 AI Native 体验，需要同时对 AI 能力边界和用户场景有深入洞察。 2. 持续迭代产品：在快速变化的模型能力下，避免在每次的基座模型迭代中掉队或被淘汰。 3. 构建良好的模型产品化能力和基础设施：使得应用可以持续收集用户数据以迭代模型。 对于具体的产品： Cursor： 允许用自然语言描述需求，对上下文有深度理解能力，能理解整个项目的结构和依赖关系，进行跨文件的语义分析。 提供智能的代码重构建议，自动诊断和修复常见错误，基于代码自动生成文档。 但要注意，即使有 AI 辅助，当好产品经理也不容易，需要反复沟通和调整。 Devin：作为 2024 年横空出世的产品，预示着软件开发范式的根本转变。 Windsurf、V0.dev、bolt.new 等： 可以使用如 Cursor Composer 构建产品、使用 Bolt.new 构建产品、使用 V0.dev 生成组件等。 此外，国内知名的 AI 全栈开发者 @idoubi 分享了相关使用经验，包括自动补全代码、Debug&&Fix Error、实时对话&&联网搜索、写提示词、写前端页面、截图生成组件、写常用的代码逻辑/函数、代码重构、多语言翻译等方面。同时，对于零代码基础的人员，也有使用相关工具实现想法的方法，如使用 Cursor Composer、Bolt.new、Claude 等构建不同类型的应用。还可以盘点常用的 AI 辅助编程工具和使用场景，如 AI 编辑器（Cursor、Windsurf、Pear Al 等）、编辑器 AI 扩展（Github Copilot、Continue、Cline 等）、UI 组件生成工具（Cursor、V0.dev、Claude、screenshottocode 等）、完整项目构建工具（Cursor、Bolt.new、Replit Agent、Wordware 等）。

要快速成为一名 AI 产品经理，可以参考以下步骤： 1. 入门级：通过 WaytoAGI 等开源网站或相关课程了解 AI 概念，使用 AI 产品并尝试动手实践应用搭建。 2. 研究级： 技术研究路径：对某一领域有认知，能根据需求场景选择解决方案，或利用 Hugging face 等工具手搓出一些 AI 应用来验证想法。 商业化研究路径：熟悉传统互联网中偏功能实现的产品经理和偏商业运营的产品经理的工作，最好能将两者结合。 3. 落地应用级：拥有成功落地应用的案例，产生商业化价值。 同时，对 AI 产品经理的要求是懂得技术框架，不一定要了解技术细节，而是对技术边界有认知，最好能知道一些优化手段和新技术的发展。AI 本质上是工具和手段，产品经理要关注的还是场景、痛点、价值。 此外，当 AI 与多维表格结合，为用户带来了更多可能性，任何人都能通过多维表格成为 AI 产品经理。例如在一些活动中，如多维表格 AI Maker Day，参与者来自不同领域和岗位，有着各自的优势和想法，包括产品落地服务、多 Agent 处理任务流、宠物与 AI 结合、AI 绘画精灵等方向。

从数据产品经理转行 AI 产品经理，您需要补充以下知识： 1. 思维链：谷歌在 2022 年的一篇论文提到，思维链能显著提升大语言模型在复杂推理方面的能力（即有推理步骤），即使不用小样本提示，也可在问题后面加一句“请你分步骤思考”。 2. RAG（检索增强生成）：外部知识库切分成段落后转成向量，存在向量数据库。用户提问并查找到向量数据库后，段落信息会和原本的问题一块传给 AI，可搭建企业知识库和个人知识库。 3. PAL（程序辅助语言模型）：2022 年一篇论文中提出，对于语言模型的计算问题，不让 AI 直接生成计算结果，而是借助如 Python 解释器等工具作为计算工具。 4. ReAct：2022 年一篇《React:在语言模型中协同推理与行动》的论文提出了 ReAct 框架，即 reason 与 action 结合，核心在于让模型动态推理并采取行动与外界环境互动。比如用搜索引擎对关键字进行搜索，观察行动得到的结果。可借助 LangChain 等框架简化构建流程。 个人总结：很多大佬表示要关注或直接阅读技术论文，像产品经理转型 AI 产品经理，需要懂技术脉络。但小白直接看技术论文有难度，虽可让 AI 辅助阅读，仍要完成一定知识储备。林粒粒呀的这期视频是很好的科普入门，值得一看。 此外，视频二提到了技术框架与关于未来的想象，比如 Transformer 是仿生算法的阶段性实现，10 年、20 年后可能不再使用。

在 AI 领域，存在决策智能体。例如，Anterior 公司开发的临床决策引擎用于自动化理赔提交审核，其智能体遍历决策树并利用语言模型评估相关文件。此外，Norm AI 为监管合规打造智能体，Parcha 为 KYC 建立智能体。 在传统职业领域，“Agent”一词涵盖多种职业角色。在商业领域，随着大航海时代及全球贸易兴起，“Agent”的角色变得重要，如贸易代理和公司代理商。工业革命期间，其职能拓展到保险、房地产等新兴行业。19 世纪，政府及情报领域也广泛使用，如情报特工和便衣警察。 在现代（20 世纪至 21 世纪），“Agent”在娱乐和体育行业指艺人经纪人和运动员经理等，负责安排试镜、合同谈判和规划职业生涯。还包括劳务代理和招聘代理（猎头），劳务代理提供劳动力匹配服务，猎头为公司招募高技能或高级管理职位的专业人士。从词源和历史变迁看，“Agent”具有行动和替身的含义，多数情况下是替代他人做事。但目前尚未有明确指向“职业经理人智能体”的特定概念。

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。

以下是一些利用 AI 为实体店在流量平台拓客的方法和思路： 1. 借助抖音平台：利用抖音对实体商家的流量扶持，购买 AI 抖音发广告的软件。这需要懂软件开发的技术人员，并且熟悉抖音。 2. 利用 AI 私域做客户培育/用户旅程：通过 AI 软件自动跟进和培育客户，需求是懂软件开发的技术人员且熟悉微信。 3. 打造特定领域的 AI 工具：比如针对法律、健康、财务、教育、销售、HR 等领域，开发如“AI 合同助手”“AI 健康管家”“AI 课程生成器”“AI 销售助理”等垂类工具。 4. 作为引流者：把 AI 工具做成“公众号插件”“小程序入口”或“微信机器人”进行推广，获取分成。 5. 参考优秀作品：如商业综合体 AI 伴侣、客流诊断师、跨境商品不求人、公私域全流程内容规划师、公众号 10W+爆文工厂、营销内容文案合规检查、提示词定制神器、Nicole 咖啡门店分析师、3C 软文文案撰写、网购评论助手、万能 AI 营销助手、贴心平替推荐精灵、产品一键生成一篇高质量的知乎种草文、One thing AI 目标达成教练、润物等，从中获取灵感和思路。

识别网页内容通常可以通过以下步骤实现： 1. 内容识别：使用智能算法分析网页的 HTML 结构，确定网页的主要内容区域。 2. 文本提取：在识别出内容区域后，提取这些区域的文本内容，包括从 HTML 标签中获取可见文本，同时忽略脚本、样式和其他无需翻译的代码。 3. 预处理：对提取出的文本进行处理，清除不必要的空格、特殊字符和格式信息，进行标准化。 4. 翻译调用：将预处理后的文本拼接到 Prompt 模板中请求相关模型的 API 进行翻译。 5. 结果整合：翻译完成后，将原文和译文对照整合回网页、字幕中，常见的展示形式有原文保持不变，译文以悬浮框、下划线注释或平行文本呈现。 6. 用户界面交互：用户可通过鼠标悬停、点击等操作控制翻译的显示与否，工具会根据用户操作实时显示或隐藏译文。 另外，在获取网页内容时，初版提示词实验中对大模型对话产品的外链解析能力依赖较大，但这种方式易受平台反爬机制制裁。转换思路，通过用户浏览器以浏览器插件形式本地提取网页内容是一种稳定且经济的解决方案。开发时，可拿着初版提示词询问 AI 来确定需要插件获取哪些网页元素。例如 SeeAct 能力可以在多种不同网站上识别网页上的各种元素，执行不同任务。

以下是为您提供的关于创建基于个人知识库的 chatbot 的建议： 1. 选择合适的平台和工具：例如可以考虑使用飞书智能伙伴创建平台（Aily）或扣子（https://www.coze.cn/home）等。 2. 数据分段储存：由于大模型的上下文长度有限制，需要将上传的资料根据特定符号或字符长度进行分段，如将 8000 字文档按每 800 字分成一个片段储存。 3. 增强检索：当用户输入问题，大模型会根据相似度检索出若干最相关的数据片段，再据此生成答案，这一技术称为 RAG（检索增强生成）。 4. 配置知识库： 在 Bot 内使用知识库： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项，如最大召回数量、最小匹配度、调用方式等。 在工作流内使用 Knowledge 节点： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在页面顶部进入工作流页面，并打开指定的工作流。 在左侧基础节点列表内，选择添加 Knowledge 节点。 5. 注意使用限制：单用户最多创建 1000 个知识库，文本类型知识库下最多支持添加 100 个文档，单用户每月最多新增 2GB 数据，累计上限是 10GB。 此外，知识库可以解决大模型幻觉、专业领域知识不足的问题，提升大模型回复的准确率。您可以将知识库直接与 Bot 进行关联用于响应用户回复，也可以在工作流中添加知识库节点，成为工作流中的一环。

MCP（模型上下文协议）是一种创新的开放协议，由 Anthropic 公司在 2024 年 11 月推出并开源。 其主要特点和功能包括： 统一了交互标准，是链接所有 AI 应用与工具的桥梁，兼容所有 AI 应用。 具有三大功能：工具（Tools），底层使用 Function call 实现，与 OpenAI 格式兼容；资源（Resources），为 AI 提供参考信息；提示词（Prompts），预设对话模板。 主要接口路径包括获取工具列表、调用工具、获取资源列表、读取资源内容、获取提示词列表、获取提示词内容等。 转换步骤包括客户端向 MCP 服务器请求工具列表，将 MCP 工具定义转换为 Function call 格式，发送 Function Call 定义给 LLM，接收 LLM 生成的 Function call，将 Function call 转为 MCP 工具调用，发送工具调用结果给 LLM。 MCP 就像一个“转接头”或“通用插座”，其核心作用是统一不同外部服务，通过标准化接口与 AI 模型对接。它与传统 API 的关键区别在于： 单一协议：MCP 像一个统一接口，只要一次整合，就能连接多个服务。 动态发现：AI 模型能自动识别并使用可用的工具，不用提前写死每个接口。 双向通信：MCP 支持类似 WebSockets 的实时双向通信，模型不仅能查询数据，还能主动触发操作。 MCP 最早由 Anthropic 公司开发，目的是帮助 AI 模型（如 Claude）更容易地连接工具和数据源，现在已成为一个开放协议，被越来越多的企业和开发者采用，逐渐成为 AI 与工具互动的新标准。 官方文档：https://modelcontextprotocol.io/

以下是关于 LangChain 和 LangGraph 的相关内容： LangChain： LangChain 是一个由 Harrison Chase 开发的开源 Python 库，旨在支持使用大型语言模型（LLM）和外部资源（如数据源或语言处理系统）开发应用程序。 它提供了标准的接口，与其他工具集成，并为常见应用程序提供端到端链。 设计主张集中在模块化组件上，这些组件提供用于使用 LLM 的行为抽象，并为每个抽象提供实现的集合，从而允许开发人员构造新链或实现现成的链。 LangChain 和 RAG 的关系： LangChain 是一个用于构建高级语言模型应用程序的框架，提供了实现 RAG 所必需的工具和组件。 RAG 即检索增强生成，是一种结合了检索（检索外部知识库中相关信息）和生成（利用 LLM 生成文本）的技术。 LangChain 作为框架，与 RAG 的关系包括：是框架与技术的关系，允许通过模块化组件构建 RAG 应用程序，简化开发过程，提高性能，支持构建复杂的 RAG 应用。 关于大模型 RAG 应用中的 LangChain： 有从产品视角出发的分享，包括项目背景、初步体验和评测结果等。 预计会分成 3 篇分享，分别是 LangChain 框架初体验、调优思路分享、如何测评。