Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

怎么写文档会让RAG 效果更好

Answer

要让 RAG 效果更好地写文档，您可以参考以下要点：

  1. 文档切割：
    • 合理的文档切割能让系统返回更完整、连贯的结果。例如，对于“猫咪的饮食习惯是什么？”的查询，将相关内容切割为“猫咪的饮食习惯取决于它们的年龄、健康状况和品种。”和“幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。”这样的文档块。
    • 目前免费平台一般提供智能切割和手动切割两种方式。但在当下技术水平下，智能切割效果一般，对于以问答为主的客服场景，将一个问答对切成一个文档片，检索效果会很好。
  2. 整理知识库文档阶段：
    • 确定知识库包含的文档类型，如政策原文文档、业务积累的 QA、操作指引、产品说明等，并进行预处理。
    • 知识库本身质量对最终效果至关重要，是大模型生成回答的原始语料。
    • 优化方向包括：
      • 文档格式：PDF 文档格式信息相对简洁，干扰少，但也有说.docx 效果更优的，需根据场景测试。
      • 文档命名：尽量控制在 10 字左右，涵义简洁明了，避免无意义的数字、符号或缩写。
      • 文档语言：尽量统一为同一种，避免中英文混切导致乱码和无用数据。
      • 文档内容：设置清晰的一二级标题，对特殊元素进行处理。
      • 构建问答对：能达到更好效果，但耗费人力和运营成本，需综合考虑。
  3. 通用语言模型微调可完成常见任务，更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源。Meta AI 引入的 RAG 方法把信息检索组件和文本生成模型结合，可接受输入并检索相关文档，给出来源，适应事实变化，不用重新训练就能获取最新信息并生成可靠输出。Lewis 等人（2021）提出通用的 RAG 微调方法，使用预训练的 seq2seq 作为参数记忆，用维基百科的密集向量索引作为非参数记忆。
Content generated by AI large model, please carefully verify (powered by aily)

References

这可能是讲 Coze 的知识库最通俗易懂的文章了

[title]这可能是讲Coze的知识库最通俗易懂的文章了[heading1]影响RAG输出质量的因素[heading2]文档切割1."猫咪喜欢吃各种各样的食物，包括鱼、鸡肉和干粮。"2."猫咪的饮食习惯取决于它们的年龄、健康状况和品种。"3."幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。"4."确保猫咪的饮食中包含足够的水分非常重要，以避免肾脏问题。"假设用户查询：“猫咪的饮食习惯是什么？”合理的文档切割会让系统返回如下更完整的结果：文档块2：“猫咪的饮食习惯取决于它们的年龄、健康状况和品种。”文档块3：“幼猫需要更多的蛋白质，而成年猫则需要均衡的营养。”这样，用户得到的回答是连贯且完整的。我希望你可以通过上面这个例子了解文档切割对于RAG的重要性，那我们该如何将文档切割的更合理呢？各个免费的平台一般都提供了两种文档切割方式，分别是：智能切割：由系统通过上下文理解进行切割手动切割：用户可以指定固定的分隔符来对文档进行切割如果我们想通过利用Coze等免费平台搭建知识库，在当下的技术水平下，智能切割并不是一个很好的方式，因为目前来讲Coze等免费平台提供的智能切割方式效果一般。那是不是Coze的知识库就完全不能用了？当然不是，对于某一个业务场景，RAG的表现都是比较稳定的，那就是以问答为主的客服场景。这里最主要的原因就是问答场景的格式非常固定，那就是问答对，只要我们在切割的时候将一个问答对切成一个文档片，那么在检索的时候效果就会非常好。这里给大家一个QA问答对的格式：

开发：产品视角的大模型 RAG 应用

在最开始，我们需要确定知识库包含哪些文档，比如政策原文文档、业务积累的QA、操作指引、产品说明等，并对这些文档进行预处理。知识库本身质量对最终效果的影响至关重要，这是大模型最终生成回答的原始语料。在此阶段，可以考虑以下优化方向：文档的格式：pdf、docx()等不同格式的文档，识别难度不一样。从目前公开的资料来看，一般PDF文档的效果会更好一些，因为pdf文档的格式信息相对来说较为简洁，对大模型干扰少。但也有说.docx的效果更优的，因此实践中还是要根据场景去测试。文档命名：尽量控制在10字左右，涵义简洁明了，避免标题中出现无意义的数字、符号或缩写。文档语言：尽量统一为同一种。因为embedding模型对于中英文、繁简体的支持可能不一样，如果文档不做处理，引擎会把中英文切到一个chunk里面，向量化之后有一半可能是乱码，有一半是没有用的数据。文档内容：设置可清晰识别的一二级标题，对难以处理的图片、表格、公式、超链接、附件、架构图、代码等进行特殊处理。构建问答对：因为最终的交互是问答的形式，所以在构建知识库时，如果能基于用户可能的提问方式，构建问答对，作为知识库原始数据，一般能达到更好的效果，但构建问答对的过程需要耗费较多人力，还需要考虑运营成本。需要注意的是，对知识库的处理是一个case by case的事情，并不存在一个放之四海而皆准的公式，需要根据具体的场景和需求以及处理成本去做大量实践，才能找到最适合自己的。

检索增强生成 (RAG)

[title]检索增强生成(RAG)通用语言模型通过微调就可以完成几类常见任务，比如分析情绪和识别命名实体。这些任务不需要额外的背景知识就可以完成。要完成更复杂和知识密集型的任务，可以基于语言模型构建一个系统，访问外部知识源来做到。这样的实现与事实更加一性，生成的答案更可靠，还有助于缓解“幻觉”问题。Meta AI的研究人员引入了一种叫做[检索增强生成（Retrieval Augmented Generation，RAG）(opens in a new tab)](https://ai.facebook.com/blog/retrieval-augmented-generation-streamlining-the-creation-of-intelligent-natural-language-processing-models/)的方法来完成这类知识密集型的任务。RAG把一个信息检索组件和文本生成模型结合在一起。RAG可以微调，其内部知识的修改方式很高效，不需要对整个模型进行重新训练。RAG会接受输入并检索出一组相关/支撑的文档，并给出文档的来源（例如维基百科）。这些文档作为上下文和输入的原始提示词组合，送给文本生成器得到最终的输出。这样RAG更加适应事实会随时间变化的情况。这非常有用，因为LLM的参数化知识是静态的。RAG让语言模型不用重新训练就能够获取最新的信息，基于检索生成产生可靠的输出。Lewis等人（2021）提出一个通用的RAG微调方法。这种方法使用预训练的seq2seq作为参数记忆，用维基百科的密集向量索引作为非参数记忆（使通过神经网络预训练的检索器访问）。这种方法工作原理概况如下：图片援引自:[Lewis et el.(2021)(opens in a new tab)](https://arxiv.org/pdf/2005.11401.pdf)

Others are asking
rag
RAG（RetrievalAugmented Generation，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。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来完成，如 Meta AI 引入的 RAG 方法。RAG 把信息检索组件和文本生成模型结合，可微调，内部知识修改高效，无需重新训练整个模型。它会接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，能适应事实变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识尤其是长尾知识、知识易过时且不好更新、输出难以解释和验证、易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有诸多优点，如数据库存储和更新稳定且无学习风险、数据更新敏捷且不影响原有知识、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本。 在 RAG 系统开发中存在 12 个主要难题，并已有相应的解决策略。
2025-04-15
rag介绍
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。 大模型需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉等问题干扰的情况。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 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，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 的应用可抽象为 5 个过程： 1. 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，包括 PDF 在内的非结构化数据、SQL 在内的结构化数据，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：涉及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。 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. 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。
2025-04-14
什么是RAG
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，加上模型本身的理解能力，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。 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 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档。 2. 文本分割：把 Documents 切分为指定大小的块。 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. 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。
2025-04-14
RAG对话 摘要总结 功能实现
LangChain 和 RAG 的结合具有以下优势： 1. 灵活性：可根据需求和数据源选择不同组件和参数定制 RAG 应用，也能使用自定义组件（需遵循接口规范）。 2. 可扩展性：能利用 LangChain 的云服务部署和运行，无需担忧资源和性能限制，还可借助分布式计算功能加速应用，发挥多个节点并行处理能力。 3. 可视化：通过 LangSmith 可视化工作流程，查看各步骤输入输出及组件性能状态，用于调试和优化，发现并解决潜在问题和瓶颈。 其应用场景多样，包括： 1. 专业问答：构建医疗、法律、金融等专业领域的问答应用，从专业数据源检索信息辅助大模型回答问题，如从医学文献中检索疾病诊治方案回答医疗问题。 2. 文本摘要：构建新闻或论文摘要应用，从多个数据源检索相关文本帮助大模型生成综合摘要，如从多个新闻网站检索同一事件报道生成全面摘要。 3. 文本生成：构建诗歌、故事生成等应用，从不同数据源检索灵感协助大模型生成更有趣和创意的文本，如从诗歌、歌词或小说中检索相关文本生成作品。 此外，还介绍了本地部署资讯问答机器人的实现方式，即基于用户问题从向量数据库检索相关段落并按阈值过滤，让模型参考上下文信息回答，还创建了网页 UI 并进行评测，对不同模型的测试表现进行了对比，得出 GPT4 表现最佳等结论，并总结了使用 Langchain 和 Ollama 技术栈在本地部署资讯问答机器人及相关要点，即上下文数据质量和大模型性能决定 RAG 系统性能上限。
2025-04-11
飞书智能伙伴创建平台 RAG实现
飞书智能伙伴创建平台（英文名：Aily）是飞书团队旗下的企业级 AI 应用开发平台，能提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用，推动业务创新和效率提升，为企业探索大语言模型应用新篇章、迎接智能化未来提供理想选择。 在飞书智能伙伴创建平台上实现 RAG 相关应用有多种方式： 1. 利用飞书的知识库智能问答技术，引入 RAG 技术，通过机器人帮助用户快速检索内容。 2. 可以使用飞书的智能伙伴功能搭建 FAQ 机器人，了解智能助理的原理和使用方法。 3. 本地部署资讯问答机器人，如通过 Langchain + Ollama + RSSHub 实现 RAG，包括导入依赖库、从订阅源获取内容、为文档内容生成向量等步骤。例如使用 feedparse 解析 RSS 订阅源，ollama 跑大模型（使用前需确保服务开启并下载好模型），使用文本向量模型 bgem3（如从 https://huggingface.co/BAAI/bgem3 下载，假设放置在某个路径 /path/to/bgem3，通过函数利用 FAISS 创建高效向量存储）。 使用飞书智能伙伴创建平台的方式： 1. 在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（二维码会定期更新，需在找到最新二维码），点击加入，直接@机器人。 2. 在 WaytoAGI.com 的网站首页，直接输入问题即可得到回答。 创建问答机器人的原因： 1. 知识库内容庞大，新用户难以快速找到所需内容。 2. 传统搜索基于关键词及相关性，存在局限性。 3. 需要用更先进的 RAG 技术解决问题。 4. 在群中提供快速检索信息的方式，使用更便捷。 2024 年 2 月 22 日的会议介绍了 WaytoAGI 社区的成立愿景和目标，以及其在飞书平台上的知识库和社区情况，讨论了相关技术和应用场景，并介绍了企业级 agent 方面的实践。
2025-04-08
RAG是什么
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。 大模型需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控及受幻觉干扰等问题。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，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，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”。其最常见应用场景如知识问答系统，用户提出问题，RAG 模型从大规模的文档集合中检索相关的文档，然后生成回答。 一个 RAG 的应用可抽象为 5 个过程： 1. 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。 2. 文本分割：文本分割器把 Documents 切分为指定大小的块。 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. 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。
2025-04-03
国内好用的文档排版AI工具
以下是国内一些好用的文档排版 AI 工具： 1. Grammarly：不仅是语法和拼写检查工具，还提供排版功能，可改进文档整体风格和流畅性。 2. QuillBot：AI 驱动的写作和排版工具，能改进文本清晰度和流畅性，保持原意。 3. Latex：虽不是纯粹的 AI 工具，但在学术论文排版方面广泛使用，有许多 AI 辅助的编辑器和插件简化排版过程。 4. PandaDoc：文档自动化平台，使用 AI 帮助创建、格式化和自动化文档生成，适合商业和技术文档。 5. Wordtune：AI 写作助手，重新表述和改进文本，使其更清晰专业，保持原始意图。 6. Overleaf：在线 Latex 编辑器，提供丰富模板和协作工具，适合学术写作和排版。 选择合适的工具取决于您的具体需求，如文档类型、出版标准和个人偏好。对于学术论文，Latex 和 Overleaf 受欢迎；对于一般文章和商业文档，Grammarly 和 PandaDoc 等可能更适用。 此外，还有一些与文档相关的 AI 工具，如文章润色工具： 1. Wordvice AI：集校对、改写转述和翻译等功能于一体，基于大型语言模型提供全面的英文论文润色服务。 2. ChatGPT：由 OpenAI 开发的大型语言模型，可用于多方面写作辅助。 3. Quillbot：人工智能文本摘要和改写工具，可用于快速筛选和改写文献资料。 4. HyperWrite：基于 AI 的写作助手和大纲生成器，帮助用户在写作前进行头脑风暴和大纲规划。 5. Wordtune：AI 驱动的文本改写和润色工具，优化文章语言表达。 6. Smodin：提供 AI 驱动的论文撰写功能，可根据输入生成符合要求的学术论文。 制作 PPT 的 AI 工具： 1. Gamma：在线 PPT 制作网站，通过输入文本和想法提示快速生成幻灯片，支持嵌入多媒体格式。 2. 美图 AI PPT：由美图秀秀开发团队推出，通过输入简单文本描述生成专业 PPT 设计，包含丰富模板库和设计元素。 3. Mindshow：AI 驱动的 PPT 辅助工具，提供自动布局、图像选择和文本优化等智能设计功能。 4. 讯飞智文：科大讯飞推出的 AI 辅助文档编辑工具，利用语音识别和自然语言处理技术优势，提供智能文本生成、语音输入、文档格式化等功能。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-04-13
自动翻译英文文档
以下是关于您提出的“自动翻译英文文档”的相关内容： 一个基于 Python 的网页截图工具具有自动翻译英文内容为中文的功能。 在 Cursor 编辑器中，可直接在 Cursor Chat 里提出将中文版博客翻译成英文的要求，它会给出英文版本的文章，还能自动对比中英文文档并高亮差别，方便对英文进行直观修改，最终完成翻译。
2025-04-11
AI文本工具操作文档
以下是为您整理的一些 AI 文本工具的操作文档： AIGC 论文检测网站 1. 功能：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线工具中，点击检测按钮，系统会提供分析结果。 2. GPTZero 功能：专门设计用于检测由 GPT3 生成的内容，适用于教育和出版行业。 使用方法：上传文档或输入文本，系统会分析并提供报告，显示文本是否由 GPT3 生成。 3. Content at Scale 功能：提供 AI 内容检测功能，帮助用户识别文本是否由 AI 生成。 使用方法：将文本粘贴到在线检测工具中，系统会分析并提供结果。 【TecCreative】帮助手册 1. 创意工具箱 AI 字幕 智能识别视频语言并生成对应字幕，满足海外多国投放场景需求。 操作指引：点击上传视频——开始生成——字幕解析完成——下载 SRT 字幕。注意：支持 MP4 文件类型，大小上限为 50M。 文生图 仅需输入文本描述，即可一键生成图片素材，海量创意灵感信手拈来！ 操作指引：输入文本描述（关键词或场景描述等）——选择模型（注意 FLUX 模型不可商用）——开始生成——下载。 AI 翻译 支持多语种文本翻译，翻译结果实时准确，助力海外投放无语言障碍！ 操作指引：输入原始文本——选择翻译的目标语言——开始生成。 TikTok 风格数字人 适配 TikTok 媒体平台的数字人形象上线，100+数字人模板可供选择，助力 TikTok 营销素材生产无难度！ 操作指引：输入口播文案——选择数字人角色——点击开始生成。视频默认输出语言和输入文案语言保持一致，默认尺寸为 9:16 竖版。 多场景数字人口播配音 支持生成不同场景下（室内、户外、站姿、坐姿等）的数字人口播视频，一键满足多场景投放需求！ 操作指引：输入口播文案——选择数字人角色和场景——选择输出类型——点击开始生成。视频默认输出语言和输入文案语言保持一致。 工具教程：AI 漫画 Anifusion 网址：https://anifusion.ai/ ，twitter 账号：https://x.com/anifusion_ai 功能： AI 文本生成漫画：用户输入描述性提示，AI 会根据文本生成相应的漫画页面或面板。 直观的布局工具：提供预设模板，用户也可自定义漫画布局，设计独特的面板结构。 强大的画布编辑器：在浏览器中直接优化和完善 AI 生成的艺术作品，调整角色姿势、面部细节等。 多种 AI 模型支持：高级用户可访问多种 LoRA 模型，实现不同的艺术风格和效果。 商业使用权：用户对在平台上创作的所有作品拥有完整的商业使用权，可自由用于商业目的。 使用案例： 独立漫画创作：有抱负的漫画艺术家无需高级绘画技能即可将他们的故事变为现实。 快速原型设计：专业艺术家可以在详细插图之前快速可视化故事概念和布局。 教育内容：教师和教育工作者可以为课程和演示创建引人入胜的视觉内容。 营销材料：企业可以制作动漫风格的促销漫画或用于活动的分镜脚本。 粉丝艺术和同人志：粉丝可以基于他们最喜欢的动漫和漫画系列创作衍生作品。 优点： 非艺术家也可轻松进行漫画创作。 基于浏览器的全方位解决方案，无需安装额外软件。 快速迭代和原型设计能力。 创作的全部商业权利。 缺点：（未提及）
2025-04-11
图片文字转文档
图片文字转文档可以通过以下方式实现： coze 插件中的 OCR 插件： 插件名称：OCR 插件分类：实用工具 API 参数：Image2text，图片的 url 地址必填 用途：包括文档数字化、数据录入、图像检索、自动翻译、文字提取、自动化流程、历史文献数字化等。例如将纸质文档转换为可编辑的电子文档，自动识别表单、票据等中的信息，通过识别图像中的文字进行搜索和分类，识别文字后进行翻译，从图像中提取有用的文字信息，集成到其他系统中实现自动化处理，保护和传承文化遗产。 插件的使用技巧：暂未提及。 调用指令：暂未提及。 PailidoAI 拍立得（开源代码）： 逻辑：用户上传图片后，大模型根据所选场景生成相关的文字描述或解说文本。 核心：包括图片内容识别，大模型需要准确识别图片中的物体、场景、文字等信息；高质量文本生成，根据图片生成的文字不仅需要准确，还需符合专业领域的要求，保证文字的逻辑性、清晰性与可读性。 场景应用： 产品文档生成（电商/零售）：企业可以利用该功能将商品的图片（如电器、服饰、化妆品等）上传到系统后，自动生成商品的详细描述、规格和卖点总结，提高电商平台和零售商的商品上架效率，减少人工编写文案的工作量。 社交媒体内容生成（品牌营销）：企业可使用图片转文本功能，帮助生成社交媒体平台的营销文案。通过上传产品展示图片或品牌活动图片，模型可自动生成具有吸引力的宣传文案，直接用于社交媒体发布，提高营销效率。 法律文件自动生成（法律行业）：法律行业可以使用图片转文本技术，自动提取合同、证据材料等图片中的文本信息，生成法律文件摘要，辅助律师快速进行案件分析。
2025-04-11
cursor 长文档处理长文档
以下是关于 Cursor 长文档处理的相关信息： UI 用户界面： 当 Cursor 仅添加其他文本时，补全将显示为灰色文本。如果建议修改了现有代码，它将在当前行的右侧显示为 diff 弹出窗口。 您可以通过按 Tab 键接受建议，也可以通过按 Esc 键拒绝建议。要逐字部分接受建议，请按 Ctrl/⌘→。要拒绝建议，只需继续输入，或使用 Escape 取消/隐藏建议。 每次击键或光标移动时，Cursor 都会尝试根据您最近的更改提出建议。但是，Cursor 不会始终显示建议；有时，模型预测不会做出任何更改。 Cursor 可以从当前行上方的一行更改为当前行下方的两行。 切换： 要打开或关闭该功能，请将鼠标悬停在应用程序右下角状态栏上的“光标选项卡”图标上。 @Docs： Cursor 附带一组第三方文档，这些文档已爬取、索引并准备好用作上下文。您可以使用@Docs 符号访问它们。 如果要对尚未提供的自定义文档进行爬网和索引，可以通过@Docs>Add new doc 来实现。粘贴所需文档的 URL 后，将显示相应模式。然后 Cursor 将索引并学习文档，您将能够像任何其他文档一样将其用作上下文。 在 Cursor Settings>Features>Docs 下，您可以管理已添加的文档，包括编辑、删除或添加新文档。 @Files： 在 AI 输入框中（如 Cursor Chat 和 Cmd K），可以使用@Files 引用整个文件。如果继续在@后键入，将在策略之后看到文件搜索结果。 为确保引用的文件正确，Cursor 会显示文件路径的预览，这在不同文件夹中有多个同名文件时尤其有用。 在 Cursor 的聊天中，如果文件内容太长，Cursor 会将文件分块为较小的块，并根据与查询的相关性对它们进行重新排序。
2025-04-10
学习路径文档
以下是为您提供的新手学习 AI 的路径文档： 首先，了解 AI 基本概念。建议阅读「」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。同时，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。 然后，开始 AI 学习之旅。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，并有可能获得证书。 接着，选择感兴趣的模块深入学习。AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。特别建议您掌握提示词的技巧，它上手容易且很有用。 之后，进行实践和尝试。理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后也进行分享。 最后，体验 AI 产品。与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 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。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 此外，雪梅 May 的 AI 学习经验也值得参考。May 发现自己的学习路径是：迈出第一步→大量的学习输入→疯狂的模仿→开始自己创造→学的越来越宽越来越杂→积累的量变产生质变→开始分享。特别是学习 coze 的路径：输入→模仿→自发创造，这是她真实实践下来之后发现的学习规律。May 还提到，虽然费曼学习法告诉我们，学习最好的方式是教会别人，但在一开始学习 AI 时，自学和输入为主也是可行的。回想起来，如果能量更足、更有勇气，可以更早地开始输出倒逼输入。不过不要为难自己，只要迈开脚步，就是进步。
2025-04-09
这个网站的作用是什么？是通过这个网站更好的使用训练AI吗？
WaytoAGI 网站具有以下功能： 1. 和 AI 知识库对话：您可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，可按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，能复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互独立又有关联，希望成为您学习 AI 路上的好助手。
2025-04-13
如何更好地进行提问，使得AI回复的准确性更高？
以下是一些能让您更好地进行提问，从而提高 AI 回复准确性的方法： 1. 明确角色和任务：例如，指定 AI 为某一特定领域的专业人士，并明确其需要完成的具体任务。 2. 清晰阐述任务目标：让 AI 清楚了解您期望得到的结果。 3. 提供详细的上下文和背景信息：包括相关的案例、事实等，帮助 AI 理解问题的来龙去脉。 4. 提出具体且详细的需求和细节性信息：使用清晰、具体的语言，避免模糊不清的表述。 5. 明确限制和不需要的内容：避免 AI 给出不必要或不符合要求的回答。 6. 确定回答的语言风格和形式：如简洁明了、逻辑严谨等。 7. 讲清楚背景和目的：在提问时，梳理清楚背景信息和提问目的，使 AI 更好地理解问题上下文。 8. 学会拆解环节、切分流程：将复杂任务分解成更小、更具体的环节，以便 AI 更精确执行。 9. 了解 AI 的工作原理和限制：有助于更好地设计问题，使其能提供有用答案。 在信息检索和回答生成过程中： 1. 系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容，并对信息的来源、时效性和相关性进行验证。 2. 消除多个文档或数据源中的冗余内容，防止在生成回答时出现重复或相互矛盾的信息。 3. 分析不同信息片段之间的逻辑和事实关系，构建结构化的知识框架，使信息在语义上更连贯。 4. 将筛选和结构化的信息组织成连贯的上下文环境，包括排序、归类和整合。 5. 必要时进行语义融合，合并意义相近但表达不同的信息片段。 6. 最后，将整合好的上下文信息编码成适合生成器处理的格式，传递给大语言模型，由其生成准确和连贯的答案。
2025-04-04
我想学习ai视频ai生图的相关技能，并且我不想速成，我想了解其中的底层原理以便可以更好的控制生成的内容，我应该如何学习
以下是关于学习 AI 视频和生图相关技能的一些建议： 一、基础概念 1. 模型 Checkpoint：生图必需的基础模型，任何生图操作必须选定一个才能开始。 Lora：低阶自适应模型，可视为 Checkpoint 的小插件，用于精细控制面部、材质、物品等细节。 VAE：编码器，功能类似于滤镜，可调整生图的饱和度，一般选择 840000 这个。 2. 提示词 Prompt 提示词：想要 AI 生成的内容，需要花费功夫学习，可从照抄别人开始。 负向提示词 Negative Prompt：想要 AI 避免产生的内容，同样需要学习，可从照抄开始。 3. 其他概念 ControlNet：控制图片中特定图像，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。 ADetailer：面部修复插件，用于治愈脸部崩坏，是高阶技能。 二、参数设置 1. 迭代步数：AI 调整图片内容的次数。步数越多，调整越精密，出图效果理论上更好，但耗时越长，且并非越多越好。 2. 尺寸：图片生成的尺寸大小，需适中选择，太小生成内容有限，太大 AI 可能放飞自我。 3. 生成批次和每批数量：决定重复生成图的批次和每批次同时生成的图片数量。 4. 提示词引导系数：指图像与 prompt 的匹配程度，数字增大图像更接近提示，但过高会使图像质量下降。 5. 随机数种子：固定后可对图片进行“控制变量”操作，首次生成图时无需关注。 6. 重绘幅度：图生图时用到，幅度越大，输出图与输入图差别越大。 在学习过程中，您可以先从熟悉基础模型、提示词和常见参数设置入手，通过实践和参考他人的经验不断积累知识，逐步掌握更高级的技能和工具。
2025-03-24
作为一名高中语文教师，该学习哪些知识，能够更好地在工作中运用AI
作为一名高中语文教师，为了在工作中更好地运用 AI，您可以学习以下知识： 1. 提示词设计：掌握有效的提示词设计公式，例如 RTFC，以便更精准地向 AI 提出需求。 2. 利用 AI 工具：如用 Metaso 建立案例库，随时询问随时学习。 3. 了解 AI 在教学中的应用技巧：包括用 AI 配字幕、翻译、思维导图等快速总结和学习讲座内容。 4. 掌握 AI 赋能教学设计：以高中语文课程标准为导向，结合学生主体和核心素养，设计教学流程。例如在《再别康桥》的教学设计中，通过创设情境、品鉴特色、融思迁移等环节，融入地理、美术、音乐等多学科知识，借助人工智能协助修改诗歌创作。 5. 学习智能作文批改指导：利用相关工具提升作文批改的效率和质量。 6. 参加相关工作坊：如 AI 进阶工作坊，了解最新 AI 技术与实践案例分享，掌握全球 AI 技术在教育界的新发展和新应用。 同时，建议您参加适合有初步 AI 使用经验、期待了解最新技术进展、渴望分享交流的老师的课程和活动，不断提升自己在 AI 应用方面的能力。
2025-03-24
降本增效的情况下建筑设计院自己开发AI和应用好现有的AI哪个选择更好
在降本增效的情况下，建筑设计院是自己开发 AI 还是应用现有的 AI，需要综合多方面因素来考虑。 现有的 AI 工具已经在很多领域带来了显著的优势，例如： 1. 提高效率：能够快速产生创意效果和设计方案。 2. 丰富设计效果：极大地丰富了设计自由度，实现各种创意。 3. 拓展工作流程：促使设计工作流程重新组合再造，拓展设计师的思维边界。 同时，也有一些专门针对建筑设计的现有 AI 工具，比如： 1. HDAidMaster：云端工具，在建筑、室内和景观设计领域表现出色，搭载自主训练的建筑大模型，软件 UI 和设计成果颜值在线。 2. Maket.ai：面向住宅行业，在户型和室内软装设计方面有 AI 技术探索，能根据输入需求自动生成户型图。 3. ARCHITEChTURES：AI 驱动的三维建筑设计软件，在住宅设计早期阶段可引入标准和规范约束设计结果。 4. Fast AI 人工智能审图平台：形成全自动智能审图流程，能实现建筑全寿命周期内信息的集成与管理。 然而，自己开发 AI 也有其潜在的好处，比如可以更精准地满足设计院的特定需求和业务特点。但开发 AI 需要投入大量的资源和时间，包括技术人才、资金、研发周期等。 综上所述，建筑设计院应根据自身的技术实力、资源状况、业务需求的独特性等因素来权衡选择。如果资源有限且现有工具能满足大部分需求，应用现有的 AI 可能是更好的选择；如果对特定功能有极高的要求且有足够的能力和资源支持，自己开发 AI 也未尝不可。
2025-03-23
比coze更好de平台是？
以下是一些比 Coze 更好的 Agent 构建平台： 1. Microsoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 2. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据自身需求打造大模型时代的产品能力。 3. 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设计良好的工作流。 4. 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、销售等多种场景，提供多种成熟模板，功能强大且开箱即用。 5. 钉钉 AI 超级助理：依托于钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，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。 此外，还有以下相关信息： 1. 字节扣子介绍：中文版：https://www.coze.cn/（支持大模型：豆包、通义千问、Moonshot 等）；国际英文版：https://coze.com/（支持大模型：ChatGPT4 等）。 2. 腾讯元器介绍：网址：https://yuanqi.tencent.com/（支持大模型：腾讯混元大模型）。字节跳动的 AI Bot 开发平台「扣子」Coze 国内版于 2024 年 2 月 1 日正式上线，腾讯元器于 2024 年 5 月 17 日举办的腾讯云生成式 AI 产业应用峰会上发布。个人感受扣子的新手引导做的比元器好。 3. Poe 推出：Poe Apps 无需编码，可使用平台上的模型创建自己的 AI 应用并发布赚钱，拖拽式创建 AI 应用，类似 Coze，但体验更好，更像是加强版 GPTs，有编程经验的用户还能自定义 HTML 和 JavaScript 进行高级开发。 您可以根据自己的需求选择适合的平台进行进一步探索和应用。
2025-03-20
我想要通过建筑草图生成效果图，有什么工具和流程可以使用
以下是使用悠船工具将建筑草图生成效果图的流程和相关介绍： 1. 基础使用： 提示词：在右侧填写提示词，右上可下载对应图片。 参数调整：参数详解参考下方「参数详解」。注意任何点击都会重新生成图片，免费用户可能会提示超出套餐，所以别乱点。最右侧是所有生成图片的略缩图。 2. 图片调整： 变化：分为细微和强烈，细微改变幅度小，强烈改变幅度大。 高清：有“直接”和“创意”两种模式，“直接”表示啥都不变直接出高清，“创意”表示在图片基础上进行微小的优化调整。 风格变化：基于生成的图片作为上传图片（垫图）再创作。 拓展：可上下左右拓展图片。 缩放：指的是镜头，比如 2x 就是镜头拉远 2 倍。 局部重绘：选择区域要大一些，太小的无法进行修改。 3. 图像参考： 在悠船中可以利用垫图和提示词配合生成符合要求的建筑、风景、文物等。只需将图片复制到悠船的提示词框里面，并填写对应的提示词描述。
2025-04-14
将照片改成卡通效果用什么ai会比较简单易操作
以下几种 AI 工具可以将照片改成卡通效果，操作相对简单易操作： 1. ChatGPT 4o：支持上传照片后直接生成“吉卜力卡通风格”图像，提示词只需简单写“吉卜力风格化”即可，后续会话中只需上传图片，无需重复输入提示词。参考链接：
2025-04-08
视频生成 效果对比
以下是为您整理的关于视频生成的相关内容： 百度“秒哒”： 特点：无代码编程、多智能体协作、多工具调用，一句话生成应用、网站、小游戏。 优势：更适合普通用户，直接输出结果，看不到写代码过程。智能体协作矩阵支持灵活组建虚拟开发团队，工具集成强大，完成即部署。 试玩链接（临时有效）： 相关链接： 电商视频生成神器 Product Anyshoot： 功能：商品图秒变视频展示，模特自动拿着、穿戴、摆放商品。 特点：支持所有电商品类，5000+模板可自定义修改。 优势：商品还原度高，视频真实流畅，对比效果优于 Pika 和阿里通义 Wanx。 在线体验： 相关链接： Meta 发布的 Meta Movie Gen 文生视频模型： 组成：由视频生成和音频生成两个模型组成。 Movie Gen Video：30B 参数 Transformer 模型，可从单个文本提示生成 16 秒、16 帧每秒的高清视频，相当于 73K 个视频 tokens。能执行精确视频编辑，如添加、删除或替换元素，或背景替换、样式更改等全局修改。在个性化视频方面，在保持角色身份一致性和运动自然性方面取得 SOTA 性能。 Movie Gen Audio：13B 参数 Transformer 模型，可接受视频输入以及可选的文本提示，生成与视频同步的高保真音频。 训练方式：通过预训练微调范式完成，在骨干网络架构上沿用了 Transformer，特别是 Llama3 的许多设计。预训练阶段在海量的视频文本和图像文本数据集上进行联合训练，学习对视觉世界的理解。微调阶段精心挑选一小部分高质量视频进行有监督微调，以进一步提升生成视频的运动流畅度和美学品质。 为提高效果，引入流匹配（Flow Matching）作为训练目标，使得视频生成的效果在精度和细节表现上优于扩散模型。扩散模型通过从数据分布逐渐加入噪声，然后在推理时通过逆过程去除噪声来生成样本，用大量的迭代步数逐步逼近目标分布。流匹配则是通过直接学习样本从噪声向目标数据分布转化的速度，模型只需通过估计如何在每个时间步中演化样本，即可生成高质量的结果。
2025-03-30
目前文字转视频，效果比较理想的工具有哪些？
目前文字转视频效果比较理想的工具包括： 1. Pika：是一款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：若熟悉 Stable Diffusion，可安装此最新插件，能在图片基础上直接生成视频，由 Stability AI 开源。 3. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但需收费。 4. Kaiber：视频转视频 AI，能够将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可以生成长达 1 分钟以上的视频。 更多的文生视频的网站可以查看这里： 此外，Sora v2 即将发布，支持 1 分钟视频生成，提供文本转视频、文本+参考图片转视频以及文本+视频转视频功能。Runway 还有 Act One 角色参考视频功能，能实现视频表演和声音的角色转移，支持通过拍摄视频驱动另一个视频，保持表情和口型同步。
2025-03-30
当前效果比较好的对口型，换脸，配音AI应用
以下是一些效果较好的对口型、换脸、配音的 AI 应用： Runway：网址为 https://runwayml.com ，有网页和 app 方便使用。工具教程： 即梦：网址为 https://dreamina.jianying.com/ ，是剪映旗下产品，生成 3 秒，动作幅度有很大升级，有最新 S 模型和 P 模型。工具教程： Minimax 海螺 AI：网址为 https://hailuoai.video/ ，非常听话，语义理解能力非常强。视频模型： Kling：网址为 kling.kuaishou.com ，支持运动笔刷，1.5 模型可以直出 1080P30 帧视频。视频模型： Vidu：网址为 https://www.vidu.studio/ haiper：网址为 https://app.haiper.ai/ Pika：网址为 https://pika.art/ ，可控性强，可以对嘴型，可配音。工具教程： 智谱清影：网址为 https://chatglm.cn/video ，开源了，可以自己部署 cogvideo。工具教程： PixVerse：网址为 https://pixverse.ai/ ，人少不怎么排队，还有换脸功能。工具教程： 通义万相：网址为 https://tongyi.aliyun.com/wanxiang/ ，大幅度运动很强。 luma：网址为 https://lumalabs.ai/ 即梦 AI 对口型的相关教程： 功能介绍：「对口型」是即梦 AI「视频生成」中的二次编辑功能，现支持中文、英文配音。目前主要针对写实/偏真实风格化人物的口型及配音生成，为用户的创作提供更多视听信息传达的能力。可上传包含完整人物面容的图片，进行视频生成，待视频生成完成后，点击预览视频下的「对口型」按钮，输入台词并选择音色，或上传配音文件进行对口型效果生成。目前支持语言：中文（全部音色），英文（推荐「超拟真」内的音色） 技巧：上传写实/近写实的人物单人图片，目前不支持多人物图片对口型；输入 prompt，选择参数，点击生成视频，尽量确保人物无形变等扭曲效果；确保人物生成的情绪与希望匹配的口型内容匹配；在生成的视频下方，点击【对口型】；输入或上传需要配音的内容，注意视频生成时长和配音试听时长尽量对齐，点击生成。先对口型，再超分补帧 关于 AI 短片的相关信息： AI 图片与视频生成的新能力与应用： 图片编辑功能：Midjourney 新增本地图片上传编辑入口，可进行局部重绘、扩图和风格转换等操作。 视频生成模型：解梦新出 p 模型和 s 模型，p 模型支持人物多动作和变焦，易改变画风；s 模型生成速度快、积分消耗少，能保持原始画风但语义理解有限。 特效玩法：皮卡和 Pixforce 有特效玩法，如人物爆炸、漂浮等，可用于优化视频效果。 视频转会：Runway 的 GN3 模型支持上传视频并转换风格，可用于实现多元宇宙等风格穿梭的片子，也能将简单场景转换为难以拍摄的场景。 视频生成中的角色生视频技术： 角色生视频突破关键帧限制：当前视频生成多依赖关键帧，而角色生视频不再是关键帧输入，而是直接传入角色本身，可更灵活生成视频，如让小男孩从左跑到右。 多角色参考生成创意视频：支持上传多张图，最多三张，可将人物、衣服、背景等元素融合生成视频，如小男孩穿裙子在宇宙飞。 角色对口型技术：如吉梦的对口型技术，支持文本朗诵和本地配音，能根据输入生成人物开口讲话的视频，但有上传人物长相等限制。 不同工具的角色生视频效果：对比了吉梦、Runway 等工具的角色生视频效果，如 Runway 的 x one 在身体、头部、眼神动态上表现更好。 角色生视频的应用场景：可用于规避机器人念台词的尴尬瞬间，让机器人有更丰富的表情和神态。 角色生视频的未来发展：未来视频生成将摆脱纯关键帧方式，采用多模态信息输入，如定义角色和场景的三视图等。
2025-03-25
有哪些效果好的开源OCR模型值得推荐
以下是一些效果较好的开源 OCR 模型推荐： 1. Mistral OCR：当前最强的 OCR 模型，具有多语言支持，超越 Gemini 2.0 Flash，可在 Le Chat 及 API 调用。ElevenLabs 赠送 $25 Mistral API 额度，免费领取！领取地址： 2. Gemini 2.0 Flash：也是一款 OCR 模型。
2025-03-24