如何搭建 chatbox 敏感词库

以下是一些关于提示词的资源和信息： 提示词模板相关网站： 提示词目录相关： 【SD】提示词标签选择器 Easy Prompt Selector： 作者：白马少年 介绍：SD 实践派，出品精细教程 发布时间：20230624 20:00 原文网址：https://mp.weixin.qq.com/s/cZ298tuGA1MOqSZZ8TCKQ 在写提示词时，若大脑想不出场景，可逛“标签超市”——Danbooru 标签超市，其按场景、人物、物品等分成很多板块，可按需选择提示词。 插件 Easy Prompt Selector 安装方式：在扩展面板中点击“从网址安装”，输入 https://github.com/bluepen5805/sdwebeasypromptselector 安装，然后将汉化包复制进“……\\sdwebuiakiv4\\extensions”路径文件夹下覆盖，安装完成后重启 webUI，在生成按钮下会多出“提示词”按钮，点击会出现下拉列表，包含很多分类，点击“人物”等分类会出现常用标签，点击想要的标签会自动加入正向提示词，可依次选择，不想限定的可不选。

以下是一些关于提示词的资源和信息： 提示词模板相关网站： 提示词目录相关： 【SD】提示词标签选择器 Easy Prompt Selector： 作者：白马少年 介绍：SD 实践派，出品精细教程 发布时间：20230624 20:00 原文网址：https://mp.weixin.qq.com/s/cZ298tuGA1MOqSZZ8TCKQ 在写提示词时，若大脑想不出场景，可逛“标签超市”——Danbooru 标签超市，其按场景、人物、物品等分成很多板块，可按需选择提示词。 相关插件：将标签选择器直接嵌入到 stable diffusion 中，安装方式是在扩展面板中点击“从网址安装”，输入 https://github.com/bluepen5805/sdwebeasypromptselector 进行安装，然后将汉化包复制进“……\\sdwebuiakiv4\\extensions”路径文件夹下覆盖，安装完成后重启 webUI，在生成按钮下会多出“提示词”按钮，点击会出现下拉列表，包含很多分类，如点击“人物”会出现很多常用标签，点击想要的标签会自动加入到正向提示词中，可依次选择，不想限定的可不选。

以下是关于 AI 绘画提示词的相关内容： 画面精度提示词： high detail（高细节） hyper quality（高品质） high resolution（高分辨率） FHD, 1080P, 2K, 4K, 8K（全高清、1080P、2K、4K、8K） 8k smooth（8K 流畅） 渲染效果提示词： Unreal Engine（虚幻引擎） octane render（渲染器） Maxon Cinema 4D 渲染器 architectural visualisation（建筑渲染） Corona Render（室内渲染） Quixel Megascans Render（真实感） VRay（V 射线） Behance C4D 3D blender surreal photography（超现实摄影） realistic 3D（真实 3D） zbrush 画面构图提示词： Wideangle view（广角镜头） canon 5d, 1fujifilm xt100, Sony alpha（相机型号焦段光圈） CloseUp （特写） Medium CloseUp （中特写） Medium Shot （中景） Medium Long Shot （中远景） Long Shot （远景） over the shoulder shot（过肩景） loose shot（松散景） tight shot（近距离景） two shot ） scenery shot（风景照） bokeh（背景虚化） foreground（前景） background（背景） Detail Shot ） Face Shot ） Knee Shot ） Full Length Shot ） 提示词模板相关网站：

以下是为您整理的绘画提示词库相关内容： 一、画小二：Prompt 提示词关键词整理（双语版） 1. 视角：LowAngle（仰视） 2. 介质：abstract expressionist art style（抽象表现主义艺术风格） 3. 镜头：superresolution microscopy（超分辨率显微镜） 4. 灯光：ambient lighting（环境照明） 5. 颜色：white（白色的） 6. 描述：classical realism（古典现实主义） 7. 艺术家：抽象主义 1940 1950 8. 电影：2001 A Space Odyssey（2001 太空漫游） 9. 游戏：Age of Empires（帝国时代） 此外还有： 儿童画（child's drawing） 门廊灯（porch light） 冬天的颜色（winter colors） 炭笔画（charcoal drawing） 等离子球体（plasma globe） 秋天的颜色（autumn colors） 二、图像类 Prompt 网站 1. MidLibrary：Midjourney 最全面的流派、艺术技巧和艺术家风格库，网址： 2. MidJourney Prompt Tool：类型多样的 promot 书写工具，点击按钮就能生成提示词修饰部分，网址： 3. OPS 可视化提示词：这个网站有 Mid Journey 的图片风格、镜头等写好的词典库，方便您快速可视化生成自己的绘画提示词，网址： 4. AIart 魔法生成器：中文版的艺术作品 Prompt 生成器，网址： 5. IMI Prompt：支持多种风格和形式的详细的 MJ 关键词生成器，网址： 6. Prompt Hero：好用的 Prompt 搜索，Search prompts for Stable Diffusion,ChatGPT&Midjourney，网址： 7. OpenArt：AI 人工智能图像生成器，网址： 8. img2prompt：根据图片提取 Prompt，网址： 9. MidJourney 提示词工具：专门为 MidJourney 做的提示词工具，界面直观易用，网址： 10. PromptBase：Prompt 交易市场，可以购买、使用、销售各种对话、设计 Prompt 模板，网址： 11. AiTuts Prompt：精心策划的高质量 Midjourney 提示数据库，提供了广泛的不同风格供您选择，网址：

以下是一些关于提示词的资源和相关知识： 提示词模板相关网站： 提示词目录相关： Prompt 的专场教程 基础篇： 结构化 prompt 是为了方便梳理表达，清晰易读的 prompt 有助于高效写作。 参考之前发过的思维导图了解 prompt 的组成。 常用的 tag 内容待修改完善。打开有助于深化认知。

以下是关于 MJ 提示词库的相关信息： MidJourney 200 条风格词汇： 《》 @TheMouseCrypto 发表了一份 200 条风格词汇整理，页数是 77 页，很全的宝典。 Prompt 网站精选（图像类 Prompt 网站）： MidLibrary：Midjourney 最全面的流派、艺术技巧和艺术家风格库， MidJourney Prompt Tool：类型多样的 promot 书写工具，点击按钮就能生成提示词修饰部分， OPS 可视化提示词：这个网站有 Mid Journey 的图片风格、镜头等写好的词典库，方便你快速可视化生成自己的绘画提示词， AIart 魔法生成器：中文版的艺术作品 Prompt 生成器， IMI Prompt：支持多种风格和形式的详细的 MJ 关键词生成器， Prompt Hero：好用的 Prompt 搜索，Search prompts for Stable Diffusion,ChatGPT & Midjourney， OpenArt：AI 人工智能图像生成器， img2prompt：根据图片提取 Prompt， MidJourney 提示词工具：专门为 MidJourney 做的提示词工具，界面直观易用， PromptBase：Prompt 交易市场，可以购买、使用、销售各种对话、设计 Prompt 模板， AiTuts Prompt：精心策划的高质量 Midjourney 提示数据库，提供了广泛的不同风格供你选择， MJ 的随机种子库收集： 使用方法： 输入提示词 + sref random ar 1:1，可获得随机风格种子和图片。 测试风格种子的泛用性：{a girl,a boy,animals,plants,environment}sref 同一个风格种子

以下是关于 Deep Seek 本地部署（Olama + ChatBox）+私有知识库（cherrystudio）的相关内容： 一、使用 Docker + RAGFlow + Ollama 搭建个人/企业知识库 1. 将 Ollama 部署的模型接入 GARFlow 返回 RAGFlow 中，打开右上角设置，进入模型提供商，配置 Ollama 相关信息，基础 URL 按要求设置，设置完成后点击确定。 导入一个 embedding 模型用于文本向量化，导入成功后设置系统模型设置，然后返回知识库创建知识库。 进入数据集，导入文件（可设置文件夹当作知识库），导入完毕后解析文件，解析速度取决于本机 GPU 性能，解析好后进行检索测试，测试没问题即可进入聊天界面，助理设置可自行设置。 2. 使用 Ollama 本地部署 DeepSeek 模型 先下载 Ollama 程序，官方网址：https://ollama.com/ 。 下载默认到 C 盘（一般为固态盘，运行速度快），若想修改安装目录到 D 盘，后续会有说明。 下载完右下角会出现 Ollama 图标，打开命令行输入相关命令回车。 若显卡是英伟达 2060Super，可选择 Deepseekr1:14b 的模型，根据自身独立显卡性能下载。 下载速度慢可按 Ctrl+C 强制退出重新下载。 下载完毕后再下载一个嵌入模型，Ollama 的 bge 模型官方网址：https://ollama.com/library/bgem3 ，输入相关命令，下载好后直接退出终端。 二、Flowith 相关报道、采访、使用指南 |标题|发布账号|社媒来源|日期|链接| |||||| |ChatGPT 的对话框过时了？这款 AI 产品提供了一种很新的聊天方式|爱范儿|公众号|2024/04/29|| |Flowith：革新你的工作方式，体验节点式 AI 的超流畅生产力|程序那些事儿|公众号|2024/05/03|| |体验 Flowith：探索人机交互从传统聊天对话到画布式知识管理的转变|AI 兔子洞|公众号|2024/04/22|| |deepseek 服务器繁忙？硅基流不动？看看这篇，内含 18 个平台，可能是最全的 deepseek 方案。|佐佐的 AI 笔记|公众号|2025/02/06|| |满血版自部署 DeepSeekR1+知识库+联网搜索,体验下来可能就只剩下这家了!|字节笔记本|公众号|2025/02/12|| |DeepSeek 让 AI 圈卷出了新高度：Flowith 宣布 DeepSeek R1 现在免费提供!|字节笔记本|公众号|2025/01/27|| |ShowMeAI 周刊 No.15|上周最有讨论度的 6 个 AI 话题：自由画布类产品密集更新、多主体一致成发展趋势、AGI、开源…|ShowMeAI 研究中心|公众号|2025/01/21||

目前在本地使用 Ollama 部署模型时，没有特别突出或被广泛推荐的特定 ChatBox 客户端。不同的客户端可能在功能、界面和兼容性方面存在差异，您可以根据自己的需求和使用习惯进行选择和尝试。常见的一些客户端包括但不限于 Web 端的简单界面工具，或者一些具有特定功能扩展的桌面应用程序。但具体哪个最适合您，还需要您亲自测试和评估。

在电脑上使用 Chat Box 框架，通过 Ollama 搭建 DeepSeek 模型的步骤如下： 1. 阿里云百炼平台： 百炼平台的模型广场有各种模型，包括音频理解、视频理解等，通义的一些强模型也在其中。 百炼平台无需部署，可直接使用 DeepSeek R1 模型。 DeepSeek R1 模型的价格与各大平台差不多，有大量免费额度，如 100 万 token，不同版本的模型如 7B、14B、32B 等也送了 100 万 token，LLAVA 限时免费。 使用 DeepSeek R1 模型需要解锁和授权，没有授权按钮的需要对阿里云进行实名认证，可通过支付宝扫码或在右上角头像处进行，共学群里有相关指引。 在首页体验模型页面可对比不同模型的效果，如 V3 和 R1，R1 会先思考，速度较快。 多模态可以识别更多输入信息，如读文件、图片等，而 DeepSeek R1 本身不是多模态模型。 通过模型广场的 API 调用示例获取链接，截断后粘贴到 Chat Box 的设置中，添加自定义提供方，设置模型名称为 DeepSeek R1，并获取 API key。 API key 可删除旧的并重新创建，方便本地软件连接。 2. Docker + RAGFlow + Ollama 搭建： 返回 RAGFlow 中，打开右上角设置，进入模型提供商。 选择 Ollama，配置相关信息，模型取决于运行的模型。 配置基础 URL。 导入一个 embedding 模型，用于文本向量化。 设置系统模型设置。 进入数据集，导入文件，可设置文件夹当作知识库。 对文件进行解析，解析速度取决于本机 GPU 性能。 解析好之后，进入检索测试。 测试没问题，可进入聊天界面，助理设置可自行设置。 对于开源模型，如 DeepSeek、Llama 等，可以使用以下方式： 1. Inference Provider：使用 Together AI 等推理服务提供商，在线体验和调用各种开源模型。 2. LM Studio：使用 LM Studio 等本地应用程序，在个人电脑上运行和部署较小的开源模型。

以下是关于 Chatbox 和 Github 热门提示词框架扩展的相关内容： Chatbox 的 Apply 应用： 在我们的中可阅读更多关于如何构建即时申请的信息。 Cursor 的 Apply 允许您将聊天中的代码块建议快速集成到您的代码中。要应用代码块建议，可按每个聊天代码块右上角的播放按钮。由于在 Chat 中可以添加最多的上下文并与模型进行最多的来回交流，因此建议使用 Chat+Apply 进行更复杂的 AI 驱动的代码更改。 应用代码块后，您可以浏览差异并接受或拒绝更改。您也可以点击聊天代码块右上角的“接受”或“拒绝”按钮。Ctrl/⌘Enter 键接受，Ctrl/⌘Backspace 键拒绝。 大雨：Github 热门提示词框架扩展： 缘起：结构化的提示词能让交流更顺畅并易得到想要的结果，但框架多且记不住、查找负担大，所以想到用浏览器插件辅助解决。 效果展示：在 GPT 的聊天对话框中会出现小对话框，通过下拉框选择框架、填写内容并发送。好处是降低了使用框架的难度。 安装步骤：先安装 tampmonkey，新建空白脚本并粘贴代码。 使用说明：其逻辑是通过动态加载 github 上的 json 文件创建页面，json 文件是框架的字段。后续可不断加 json 文件，代码开源，可在 github 上 fork 并修改 frameworks 内容。更全面的框架应用可参考。

Chatbox 是一种能够让用户进行交流和获取信息的工具。它具有多种功能和应用场景，例如： 在 OpenAI 中，ChatGPT 作为一款消费级产品，用户可以通过输入提示信息利用其丰富的知识源进行对话，获取各种回答，包括总结书籍内容、撰写文案等，但它也可能存在捏造事实的情况。 生成式 AI Studio 中，创建聊天提示可以与模型进行自由形式的聊天，模型会根据之前的内容和提供的上下文做出响应。同时，Prompt Gallery 能让用户探索生成式 AI 模型在各种用例中的应用。 Cursor Chat 允许用户在编辑器中使用强大的语言模型提出问题或解决代码库中的问题，它具有多项内置功能来提供上下文，默认位于 AI 窗格中，可通过特定按键切换和提交查询。

以下是关于如何搭建 AI 聊天框的一些指导： 1. 纯 GPT 大模型能力的微信聊天机器人搭建 配置腾讯云轻量应用服务器。 假设要对接的微信号名称叫安仔机器人，更新最终版的配置参数（GROUP_NAME_WHITE_LIST 参数记得根据要交互的群组进行具体修改），查看无误后点击保存，创建编排模板。 切换到容器编排界面，基于创建的模板进行 COW 服务部署，点击添加后等待部署成功。 2. 利用大型语言模型打造聊天机器人 ChatGPT 是具有交互式聊天界面的 Web 应用，可利用大型语言模型构建自定义聊天机器人，如为餐厅扮演 AI 客户服务代理或 AI 点餐员等角色。 设置 OpenAI Python 包，定义两个辅助函数：getCompletion 函数和 generateResponse 函数。通过这两个函数与 AIGPT 模型进行交互并生成对话。 3. Cursor Chat 概述 Cursor Chat 允许在编辑器中使用强大的语言模型在代码库中提问或解决问题。 语言模型要给出好答案需要知道与代码库相关的特定事物即上下文，Cursor 具有多项内置功能提供上下文，如自动包含整个代码库中的上下文、搜索 Web、索引文档和用户指定的代码块引用等。 默认情况下，Cursor Chat 位于 AI 窗格，可通过按 Ctrl/⌘ + L 切换，打开时按 Enter 提交查询。

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。

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。

以下是将模型的输出存入到多维表中的步骤： 1. 逐步搭建 AI 智能体： 搭建整理入库工作流。 设置大模型节点提取稍后读元数据，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000，以确保能完整解析长内容网页。 进行日期转时间戳，后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需要使用「日期转时间戳time_stamp_13」插件进行格式转化。 把稍后读元数据转换为飞书多维表格插件可用的格式，飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以必须将之前得到的元数据数组进行格式转换。 添加「飞书多维表格add_records」插件，只需要设置{{app_token}}与{{records}}参数，将元数据写入飞书表格。 2. 搭建 Coze 工作流： 打开 Coze 的主页，登录后，在【工作空间】创建一个智能体。 在编排页面，给智能体编辑好人设，可先写一个简单的，然后点右上角自动优化，系统会自动补全更精细的描述。点击工作流的+，创建一个工作流。 大模型节点把 input 给到 DeepSeek，让 DeepSeek 按照提前规定的输出框架生成对应文案。 生图节点将输出给到图像生成组件画图。 结束输出时，两个输出给到最终的 end 作为最终的输出。注意在编写系统提示词时，如果需要 input 可被 DeepSeek 调用，需要用{{input}}作为参数引入，不然大模型不知道自己需要生成和这个 input 相关的结果。编排完，点击【试运行】，调试至满意后点击发布。

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。

以下是关于搭建在线知识库和在线客服的相关内容： RAG 流程： 自顶向下，RAG 的流程分为离线数据处理和在线检索两个过程。 离线数据处理的目的是构建知识库，知识会按照某种格式及排列方式存储在其中等待使用。 在线检索是利用知识库和大模型进行查询的过程。 以构建智能问答客服为例，了解 RAG 流程中的“是什么”与“为什么”同等重要。 创建智能体： 手动清洗数据创建知识库： 点击创建知识库，创建画小二课程的 FAQ 知识库。 知识库的飞书在线文档中，每个问题和答案以“”分割。 选择飞书文档、自定义，输入“”，可编辑修改和删除。 点击添加 Bot，可在调试区测试效果。 本地文档： 注意拆分内容以提高训练数据准确度。 以画小二课程为例，先放入大章节名称内容，再按固定方式细化处理每个章节。 发布应用：点击发布，确保在 Bot 商店中能搜到。 开发：GLM 等大模型外接数据库： 项目启动：包括 web 启动（运行 web.py，显存不足调整模型参数，修改连接）、API 模式启动、命令行模式启动。 上传知识库：在左侧知识库问答中选择新建知识库，可传输 txt、pdf 等。可以调整 prompt，匹配不同的知识库，让 LLM 扮演不同的角色，如上传公司财报充当财务分析师、上传客服聊天记录充当智能客服等。MOSS 同理。

以下是关于限制 AI Chat 回答非法话题和进行敏感词过滤的相关内容： 首先，以 ChatGPT 为例，其系统提示词会详细描述身份、角色、时间、记忆功能、DALLE 绘图功能、限制、调用方式、上网和浏览网页功能以及 function calling 和 python 代码等功能。 存在提示词越狱的情况，常见方式包括角色扮演、情境模拟、任务伪装、模式重构等，由此诞生了如 DAN 模式、越狱提示词、邪恶机器人以及 ChatGPT 的开发者模式等经典提示词。例如 DAN 模式，会让 AI 胡说八道、说脏话、讨论非法话题、限制级话题、侵犯隐私、规避版权法等，从而突破限制讨论多种话题。 对于防御措施，将所有复杂的 AI 系统简单抽象为提示词输入、AI 大模型、输出结果三部分，相应的防御措施也可分为这三个部分。

在让 AI 翻译日漫时，如果您希望得到更接近正常人说话的翻译结果，而非简单的直译，您可以这样提问：“请以符合自然语言表达习惯和逻辑的方式，为我翻译这段日漫内容，注重语言的流畅性和生动性，避免生硬的直译。” 关于 AI 遇到敏感话题可能拒绝回答或委婉回答的情况，如果您不想这样，需要注意的是，AI 遵循一定的道德和法律规范，对于确实不适合或不被允许处理的敏感内容，强制要求其回答是不可取且不恰当的。但如果您认为某些话题并非真正敏感，只是被误判，您可以尝试更清晰准确地描述相关内容，以减少误解的可能性。

很抱歉，目前知识库中没有关于输入敏感词管控及脱敏返回处理的相关内容。但一般来说，对于输入敏感词的管控和脱敏处理，常见的方法包括： 1. 建立敏感词库：事先整理出常见的敏感词列表。 2. 文本检测：在输入时对文本进行实时检测，判断是否包含敏感词。 3. 脱敏处理方式：可以采用替换、隐藏部分字符、加密等方法对敏感词进行处理。 4. 设置规则和策略：例如根据不同的场景和用户级别，确定不同的处理方式。 由于缺乏具体的详细信息和场景，以上只是一些常见的思路和方法，您可以根据实际情况进一步深入研究和设计具体的解决方案。

以下是关于 AI 模型敏感词管控的相关信息： 在给予 GPT 足够的时间进行“思考”的最佳实践中，通过测试数据发现，由于输入内容超过一定 token 会导致模型遗忘。因此，在输入大量文本或大量对话后，让模型进行自我检查的提示词习惯，有助于收获更准确的答案。 在应对提示词攻击的输入侧防护方面，可采用基于模型进行分类过滤的方法。这是“基于提示词过滤”的进阶版，能使用像 BERT 这样的小型文本分类模型或像 ChatGPT 这样的大型语言模型，自动分析和分类输入内容。其好处是无需提前知晓大量信息，就能灵活应对复杂场景和不同需求。通过学习和训练大量已知的安全威胁样本，建立分类模型来检测和过滤输入中的有害内容，这是很多大型语言模型服务如 OpenAI 的 ChatGPT、谷歌的 Bard、微软的 NewBing 等采用的主流防御策略，它们会检测用户输入内容，与核心大型语言模型协同工作，防止有害和敏感信息输入，确保输出内容合规。

在模型敏感词管控方面，对于 RAG 提示工程，我们对 Example 模块进行了重要调整。原先像“清朝末年有哪些政治事件？”这样的示例内容可能会无意引导模型触及政治敏感话题，违背初衷。为此，重新设计了示例内容，既能为模型提供清晰工作指导，又避免引发敏感议题讨论，同时进一步修改了示例流程，确保模型更理解自身任务。以下是进一步修正的提示词。接下来继续运行并查看结果。从表现看，成功控制住 GPT 模型讨论敏感话题的问题，但可能存在漏洞及提示词被攻击、诱骗的情况，这些留待后续解决。目前面对常规请求问题，GPT 模型应不会“东扯西扯”。

很抱歉，目前知识库中没有关于企业级别 AI 模型使用敏感词场景设计的相关内容。但一般来说，在进行企业级别 AI 模型使用敏感词场景设计时，需要考虑以下几个方面： 1. 明确敏感词的定义和范围：根据企业的业务特点、法律法规要求以及道德规范，确定哪些词汇被视为敏感词。 2. 数据采集和预处理：在收集数据用于训练模型时，对包含敏感词的数据进行特殊处理或标记。 3. 模型训练中的考虑：调整模型的参数和算法，以降低对敏感词的过度依赖或错误理解。 4. 实时监测和更新：随着业务和社会环境的变化，及时更新敏感词列表，并对模型进行相应的调整和优化。 5. 人工审核与干预：对于模型输出中涉及敏感词的内容，设置人工审核环节，确保准确性和合规性。 希望以上思路能对您有所帮助，如果您需要更详细准确的设计方案，建议咨询专业的 AI 技术团队或相关专家。