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

如何让大模型输出结构化的数据

Answer

要让大模型输出结构化的数据，可以采取以下几种方法：

  1. 设计合理的 Prompt 工程：
    • 明确的待处理内容指引：在构建 Prompt 时，清晰地定义需要处理的文本，并使用标记框起来，让模型准确识别待处理内容范围。
    • 提供明确字段定义：具体化每个字段的名称、用途及要求，为模型提供清晰的提取方向。
    • 异常处理：设置异常处理原则，如规定缺失数据使用默认值填充，特殊数据类型符合标准格式，确保模型输出的完整性和一致性。
    • 要求结构化输出：指示模型以结构化格式（如 JSON）输出数据，便于后续处理和系统集成。
  2. 搭建工作流：
    • 模型选择：根据需求选择合适的大模型，如默认的豆包 32k 或更大的 kimi128k 等。
    • 配置参数：进行批处理，输入相关参数，如文章内容正文、url 链接和标题等。
    • 提示词输入：将相关内容一起送给大模型进行总结，并拼接成特定格式输出。
    • 汇总格式化最终输出内容：使用代码节点对大模型输出的内容进行最终格式化。
  3. 探索 JSON Output 应用：
    • 无模板的 Excel 导入：改变传统数据导入方式，通过 Prompt 读取想要的数据列。
    • AI 审核员：在人审环节前加 AI 审，提供相关知识和少量示例，输出简单结果。
    • 分类器：一个 Prompt 即可完成分类任务。
    • 应用于其它业务场景：如在一些业务场景中落地，提高效率。

但需要注意的是，过去大模型还不太成熟，应用过程可能会有一些困难。

Content generated by AI large model, please carefully verify (powered by aily)

References

大模型招投标文件关键数据提取方案

在使用大语言模型（LLM，如GPT）对预处理后的文本进行关键数据提取时，Prompt工程是方案的核心。Prompt工程的目标是设计合理的提示词，以最大化LLM的性能，从复杂的文本中准确、有效地提取出关键信息。[heading4]Prompt策略[content]策略01：明确的待处理内容指引在构建Prompt时，明确告诉模型它需要处理的内容是关键步骤之一。应清晰地定义需要处理的文本，并使用标记将其框起来。例如：通过这种方式，模型能够准确识别待处理的内容范围，并从中提取需要的信息。策略02：提供明确字段定义这是Prompt的关键部分，字段定义明确了需要提取的信息类型，以及每个字段应当填入的内容。每个字段的名称、用途及要求都要具体化，让模型有明确的提取方向。字段定义为LLM提供了标准，使它在解析文本时能够准确地提取所需信息并填充到对应字段。例如：这种方式，Prompt可以为LLM提供清晰的提取标准和目标。策略03：异常处理为确保LLM不输出多余信息，并在面对缺失或不明确的数据时进行合理处理，必须设置一些异常处理原则。例如，**如果某些字段信息在文本中缺失或未识别，Prompt应规定使用默认值（如“无”）填充。同时，针对日期、金额等特殊数据类型，应明确要求LLM符合标准格式（如YYYYMMDDHHMMSS或保留金额单位）。这一规则可以确保模型输出的完整性和一致性，不会因为部分数据缺失而导致结果异常。策略04：要求结构化输出为了便于后续处理和系统集成，Prompt应指示LLM以结构化的格式输出数据。结构化输出便于自动化处理，常见的格式如JSON，能够确保每个字段的内容都清晰定义，数据可被轻松解析和使用。例如，要求模型输出的JSON格式：

【拔刀刘】自动总结公众号内容，定时推送到微信（附完整实操教程）

使用大模型节点，批量总结文章内容模型选择：默认的豆包32k应该就够用，怕上下文长度不够的话，可以选择更大的模型，比如kimi128k配置参数：选择批处理批处理输入参数有两个：第9步中读取的文章内容正文、第8步代码处理后的url链接和标题下方的输入参数，有四个，如图所示，都选择该大模型节点输出的内容：content正文、title标题、url文章链接、author作者提示词输入如下内容，将这四部分内容一起送给大模型进行总结，最终拼接成markdown格式输出：[heading3]11、汇总格式化最终输出内容[content]使用代码节点，将大模型输出的内容进行最终输出的格式化。参数配置：输入：选择上一步输出的outputList点击「在IDE中编辑」，选择『Python』，输入如下代码：配置一下输出项，输出为result[heading3]12、公众号总结推送到微信[content]这块的节点是根据Server酱的API文档，自己写的插件，关于自建插件这个环节，请参看「相关资料」，输出配置可以参考下发截图。主要实现功能就是把上一步格式化好的内容，推送到用户的微信上。title：汇总公众号总结页面的标题，参数值选择「输入」，起个名字desp：页面主体内容，选择上一步最终输出内容key：引用开始节点的key

AI Agent产品经理血泪史（一）：一年来我摸过的那些石头【Tools篇】

去年同期有个段子，说GPT-4能自己越狱。这事情当时被那些自媒体们越传越邪乎，但事实上，这事光靠大模型自己，是不现实的。因为它，真的没有办法直接触碰到真实世界，毕竟大模型连现在是何年何月何日都不知道。接着上面的例子讲其实只要能够让大模型按照我们想要的定义输出结构化的信息，我们就可以去做很多有趣的事情。JSON就是一个非常不错的选择我们基于这个思路也做了很多的探索，比如：1、无模板的Excel导入改变传统的数据导入方式，再也不用写复杂的业务逻辑了。只需要一个Prompt去读取想要的数据列就可以2、AI审核员在原先人审的环节前加一个AI审，给一些knowhow和fewshot，输出yes和no还是很简单的。3、分类器分类器的场景很多。以前搞个分类，大小得训练个模型吧，那个年代可真是算法的黄金年代啊。嗯，现在一个prompt就搞定了。4、其它一些业务场景落地好用，真的太好用了！但那个时候的大模型，还太不成熟了，上面的路子能通，但走起来磕磕碰碰。

Others are asking
结构化思维在AI办公里的应用
结构化思维在 AI 办公中有以下应用： 在 Model Context Protocol 托管平台中： 特色功能方面，Sequential Thinking 提供动态和反思性问题解决的结构化思维过程，适用于复杂问题分析和决策。 核心功能分类包括笔记管理工具（如 Simple Notes MCP Server、Bear MCP Server、Notion 集成）、AI 对话工具（如 Autonomous Coder Agent、OpenAI 兼容 API 集成）、Google Workspace 集成（如 Gmail 和 Google Calendar 集成、多账户管理、邮件搜索和撰写、日历事件管理）、学术研究工具（如 Semantic Scholar 集成、PubMed 搜索、arXiv 论文访问、IACR 密码学文献库访问）、AI 数据库管理（如 MySQL Server 集成、知识图谱记忆服务、DuckDB 集成、Airtable 集成）。 面对 AI 幻觉问题时，可使用结构化思考工具辅助判断，如决策矩阵用于面对多个选择时做出更理性的决策，检查清单用于执行复杂任务时确保每个步骤按计划完成，风险评估模型用于做重要决策时分析不同方案的风险并制定应对措施。 在让 AI 像人类一样思考方面，构建逻辑体感轮子，包括逻辑推理功能和内容抽象功能。内容抽象功能能够高效地组织内容，体现结构化思维，通过心智单元的抽象思维高效地组织复杂任务。
2025-04-14
结构化提示词
以下是关于结构化提示词的相关信息： 云中江树是 Prompt 提示词框架 LangGPT 的作者，并组建了 EmbraceAGI 学习社区。他早在 2023 年 3 月就提出了结构化构建提示词的方法，并发布在 Github，很快收藏破千。LangGPT 是 Language For GPT 的简称，中文名为结构化提示词，于 2023 年 5.4 青年节开源发布，成为 GitHub 开源社区全球趋势热榜前十项目，并撰写了学术论文开源发表。其提出的结构化提示词已被百度、智谱、字节、华为等国内主流大模型智能体平台使用，当前已发展成为国内最具影响力的高质量提示词工程师学习交流社群。您可以通过了解更多。 小七姐在其 Prompt 喂饭级系列教程小白学习指南（四）中提到，结构化 Prompt 的思想通俗来说就是像写文章一样写 Prompt。结构化编写 Prompt 本身算是提示词编写的进阶学习内容，这里为新手列举了一套（极简）基础的结构化编写 Prompt 的框架，例如：Role: Suno 结构提示词包含了众多流派和风格，如：爵士转折。
2025-04-12
如何用结构化提示词生成具体某一页PPT
以下是关于如何用结构化提示词生成具体某一页 PPT 的相关内容： 一、熊猫 Jay 的思路和指南 1. AI 生成 PPT 的主要思路 利用 AI 生成 PPT 大纲 培训文档助手提供核心提示词（仅供参考，可在此基础上丰富） 本章节结合 ChatGPT GPT4 模型生成大纲，也可利用其他 AIGC 工具 结构化提示词模版大多以 Markdown 语法构建，“”代表一级标题，“”代表二级标题，“”代表无序列表 输入关键信息生成大纲，包括针对不同人群的受众分析 2. 注意事项 提示词是利用 LangGPT 生成的基本提示词 语法的详细用法可自行了解 二、Kimi 的 15 款官方提示词 1. 【PPT 精炼】整理各种课程 PPT，输出结构明晰、易于理解内容文档 2. 【?爆款文案】生成高质量的爆款网络文案 3. 【?影剧推荐】根据喜好推荐影视，提供保姆级资源渠道 4. 【?影评达人】专业生成引人入胜、富有创意的电影评论 5. 【?职业导航】私人职业路径规划顾问，综合考虑个人特质、就业市场和发展前景 6. 【?营销策划】为产品或服务提供定制化营销活动策划 7. 【?面试模拟】私人面试 mock 伙伴，根据简历信息和求职岗位进行模拟面试 8. 【?宣传 slogan】快速生成抓人眼球的专业宣传口号 9. 【✍️期刊审稿】提前预知审稿人对文章的吐槽 10. 【?诗意创作】现代诗、五言/七言诗词信手拈来的诗歌创作助手 11. 【?推闻快写】专业微信公众号新闻小编，兼顾视觉排版和内容质量，生成吸睛内容 12. 【?要点凝练】长文本总结助手，能够总结用户给出的文本、生成摘要和大纲 13. 【?短剧脚本】创作定制化短视频脚本，包含拍摄要求和分镜细节 14. 【?美文排版】使用 Unicode 符号和 Emoji 表情符号优化文字排版，提供良好阅读体验 整理收录：小七姐 Prompt 星球：https://t.zsxq.com/15KhQ0RE7 三、甲木的方法 1. 让 Claude 帮做「古诗词卡片」 语文老师 PPT 配图有救了 主题+方向=符合诗词原意调性的古诗词名片 流程简单：输入 Prompt，用户输入主题、风格，AI 输出最终结果 获取提示词：第一版规定 AI 排版，固定输出；第二版释放 AI 创意，自由发挥，不受拘束 开源了提示词，可直接获取，关注、点赞、转发更佳 希望以上内容对您有所帮助。
2025-03-17
如果要搭建一个自己的业务知识的结构化知识库，推荐哪个平台和工具？
以下是为您推荐的搭建自己业务知识结构化知识库的平台和工具： 1. Coze： 影响 RAG 输出质量的因素：当下这些平台的 RAG 能力对问答场景友好，其他场景效果一般。若需要企业级复杂知识库场景，可能需要找专业团队，收费几万到几十万不等。 基础能力：包括提示词（设定 Bot 身份、目标和技能）、插件（通过 API 连接集成平台和服务）、工作流（规划和实现复杂功能逻辑）、记忆库（保留和理解对话细节，添加外部知识库）。 相关参考：编写提示（https://www.coze.cn/docs/guides/prompt）、插件介绍（https://www.coze.cn/docs/guides/create_plugin）、工作流介绍（https://www.coze.cn/docs/guides/workflow）、知识库介绍（https://www.coze.cn/docs/guides/knowledge）、数据库（https://www.coze.cn/docs/guides/database）。 2. 您还可以参考以下文章： 《小七姐：信息管理工具与方法》：从信息源的选择、信息通路的建立、知识结构化、知识内化与应用等方面展示了信息管理和知识体系搭建的过程。 《这可能是讲 Coze 的知识库最通俗易懂的文章了》：其中提到如果想使用专门搭建个人知识库的软件，可以查看《手把手教你本地部署大模型以及搭建个人知识库》（https://waytoagi.feishu.cn/wiki/ZKGmwsQhTihYZ8kdu7uccF1lnQc?from=from_copylink），忽略本地部署大模型环节，直接看其中推荐的软件。但使用该软件可能需要对接一些额外的 API，建议先了解 RAG 的原理再使用。
2025-03-05
怎么让AI识别对话，并生成结构化数据存储到我的软件系统里
要让 AI 识别对话并生成结构化数据存储到软件系统里，可以参考以下方法： 1. 基于结构化数据来 RAG：如果原始数据本身就是结构化、标签化的，不必将这部分数据做向量化。结构化数据的特点是特征和属性明确，可用有限标签集描述，能用标准查询语言检索。以餐饮生活助手为例，流程包括用户提问、LLM 提取核心信息并形成标准查询、查询结构化数据、LLM 整合回复。 2. 利用 Coze 平台设计 AI 机器人：创建好 Bot 后，从“个人空间”入口找到机器人，进行“编排”设计。Coze 平台常用的概念和功能包括提示词（设定 Bot 身份和目标）、插件（通过 API 连接集成服务）、工作流（设计多步骤任务）、触发器（创建定时任务）、记忆库（保留对话细节，支持外部知识库）、变量（保存用户个人信息）、数据库（存储和管理结构化数据）、长期记忆（总结聊天对话内容）。设计 Bot 时要先确定目的，比如“AI 前线”Bot 的目的是作为 AI 学习助手，帮助职场专业人士提升在人工智能领域的知识和技能，并提供高效站内信息检索服务。 注：Coze 官方使用指南见链接：https://www.coze.cn/docs/guides/welcome ，遇到疑问也可查阅该指南。
2025-02-18
生成一个完整的结构化提示词
以下是为您生成的关于结构化提示词的相关内容： 为 AI 视频生成设计的结构化提示词模板包含镜头语言、主体、细节、氛围等要素，适合生成具有电影感的大场景视频。完整提示词结构示例为：主题风格+镜头运动+主体描述+动态细节+背景环境+光影色调+情绪氛围（可附加技术参数：如时长、运镜速度、镜头焦距等） 样例驱动的渐进式引导法是让 AI 主动读懂您的想法。以 1 2 个正向样例作为起点，通过与 AI 的多轮对话，引导 AI 从样例中提炼隐含的生成要求，逐步完善提示词。例如教 AI 仿写爆文时，只需提供优秀样例，AI 会自动分析理解精髓并生成符合自身运作方式的指令。 其核心步骤包括： 1. 构建初始样例：创建符合期望输出的具体例子。 2. 评估样例，尝试提炼模板：让 AI 分析理解样例的结构和关键元素，并以专家视角优化样例。 3. 固定模板，强化要求说明：基于对初始样例的理解，让 AI 提出通用模板，通过测试 Prompt 验证可靠性。 4. 生成结构化提示词：将优化后的模板转化为结构化的提示词，用户适当调整并确认后投入使用。 在这个过程中，用户的角色主要是： 1. 提供尽可能与自己预期一致的初始样例。 2. 判断 AI 的输出质量。 3. 反馈改进建议，提供行动引导。 这种方法的优势在于简化了提示词设计过程，让非专业用户也能创建高质量的 Prompt。通过引导 AI 进行分析和优化，用户可以专注于判断输出质量和提供反馈，而不需要深入理解复杂的 Prompt 工程技巧。接下来，将通过一个实战案例“知识闪卡 AI”来逐步分享运用过程，帮助您直观了解如何使用该方法设计高质量的提示词。
2025-02-18
coze搭建工作流调用deepseek如何把模型的输出存入到多维表中
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。
2025-04-14
公共议题:AI如何助力HR业务? 研讨目标： 深入理解:深入探讨 AI在人力资源管理领域的应用、薪酬管理、员工关系、公司文化、包括人才获取与配置、学习与发展、组织与人才培、HR共享与HRIS等各模块的可应用场景 机会识别与场景落地:基于组织现状，识别出业务价值高、可落地的 A 应用场景; 研讨成果(输出物)： 请输出10个业务价值高、具备可行性的AI应用场景介绍，并说明what(场景是什么)、why(为什么值得做)、How(如何落地);
以下是为您生成的 10 个业务价值高、具备可行性的 AI 应用场景介绍： 1. 人才招聘与筛选 What：利用 AI 技术对求职者的简历进行自动筛选和分析，评估其与岗位的匹配度。 Why：节省 HR 大量的时间和精力，提高招聘效率和准确性。 How：通过自然语言处理和机器学习算法，训练模型识别关键信息和技能。 2. 员工培训与发展 What：根据员工的技能水平和职业发展目标，定制个性化的培训计划。 Why：提升员工的能力和绩效，增强员工对企业的忠诚度。 How：利用大数据分析员工的工作表现和学习需求，推荐相关课程和学习资源。 3. 薪酬福利管理 What：运用 AI 预测市场薪酬趋势，为企业制定合理的薪酬策略。 Why：保持企业薪酬的竞争力，吸引和留住优秀人才。 How：收集和分析行业薪酬数据，结合企业的财务状况和战略目标进行优化。 4. 员工绩效评估 What：借助 AI 实时监测员工的工作表现，提供客观的绩效评估。 Why：减少人为偏差，确保评估的公正性和准确性。 How：利用工作流程数据和行为分析模型进行评估。 5. 员工关系管理 What：通过 AI 分析员工的情绪和满意度，及时发现问题并解决。 Why：营造良好的工作氛围，提高员工的工作积极性和创造力。 How：使用情感分析技术处理员工的反馈和交流信息。 6. 组织架构优化 What：利用 AI 分析企业的业务流程和人员配置，提供组织架构调整建议。 Why：提高企业的运营效率和灵活性，适应市场变化。 How：基于数据分析和模拟优化算法进行评估和推荐。 7. 人力资源规划 What：根据企业的战略目标和业务发展预测人力资源需求。 Why：提前做好人才储备和招聘计划，保障企业的正常运营。 How：运用数据分析和预测模型进行规划。 8. 企业文化传播 What：使用 AI 生成个性化的企业文化宣传内容，提高传播效果。 Why：增强员工对企业文化的认同感和归属感。 How：利用自然语言生成技术和个性化推荐算法。 9. 智能客服 What：在 HR 服务中引入 AI 客服，解答员工常见问题。 Why：快速响应员工需求，提高服务质量。 How：训练智能客服模型，涵盖常见的 HR 问题和解决方案。 10. 人才库管理 What：利用 AI 对人才库进行分类和更新，提高人才库的利用效率。 Why：方便快速找到合适的人才，降低招聘成本。 How：运用数据挖掘和分类算法进行管理。
2025-04-14
公共议题:AI如何助力HR业务? 研讨目标： 深入理解:深入探讨 AI在人力资源管理领域的应用、薪酬管理、员工关系、公司文化、包括人才获取与配置、学习与发展、组织与人才培、HR共享与HRIS等各模块的可应用场景 机会识别与场景落地:基于组织现状，识别出业务价值高、可落地的 A 应用场景; 研讨成果(输出物)： 请输出3-5个业务价值高、具备可行性的AI应用场景介绍，并说明what(场景是什么)、why(为什么值得做)、How(如何落地);
以下是为您提供的 3 个业务价值高、具备可行性的 AI 应用场景介绍： 场景一：AI 在企业招聘中的应用 What：利用 AI 技术进行简历筛选、人才匹配和面试评估。 Why：能够快速处理大量简历，提高招聘效率和准确性，节省人力和时间成本，同时更精准地找到符合岗位需求的人才。 How：通过引入相关的 AI 招聘软件，与企业现有的招聘系统集成，对简历进行关键词提取和分析，利用机器学习算法进行人才匹配，并通过视频面试中的语音和表情分析辅助评估候选人。 场景二：AI 助力个性化人力资源管理 What：根据员工的个人特点和工作表现，提供个性化的培训计划、职业发展建议和绩效评估。 Why：能够充分发挥员工的潜力，提高员工满意度和忠诚度，促进企业的长期发展。 How：收集员工的工作数据、学习记录和绩效表现等信息，运用 AI 算法进行分析和预测，为员工制定专属的发展方案，并通过移动应用或内部系统向员工推送相关建议和培训课程。 场景三：AI 打造无人值守的 HR 平台 What：实现 HR 业务的自动化处理，如员工请假审批、薪酬计算和福利发放等。 Why：减少人工操作的错误和繁琐流程，提高 HR 工作的效率和准确性，使 HR 人员能够专注于更有价值的战略工作。 How：整合企业内部的各种 HR 系统和数据，利用 RPA 和 AI 技术实现流程的自动化，同时建立监控和预警机制，确保平台的稳定运行。
2025-04-14
输入文本就可以输出视频的免费AI工具
以下是一些输入文本就可以输出视频的免费 AI 工具： 1. Stuart：实践中采用了 GPTSoVITS 和 BertVITS2 两个开源模型，项目免费且好用。可直接找到需要的音色，输入文字，点击“合成语音”生成后就能下载。 GPTSoVITS 在线一键语音生成合集：https://www.modelscope.cn/studios/xzjosh/GPTSoVITS/summary BertVITS2 在线一键语音生成合集：https://www.modelscope.cn/studios/xzjosh/BertVITS2/summary 2. 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。 3. SVD：如果熟悉 Stable Diffusion，可以安装这款最新的插件，在图片基础上直接生成视频。它是由 Stability AI 开源的 video model。 更多的文生视频的网站可以查看：https://www.waytoagi.com/category/38 。请注意，内容由 AI 大模型生成，请仔细甄别。
2025-04-09
用扣子的时候怎么让大模型严格按照知识库内容进行输出
以下是关于让大模型严格按照知识库内容进行输出的相关信息： 扣子的知识库功能强大，可上传和存储知识内容，提供多种查找方法。在智能体中使用知识库，收集相关内容，当智能体回答用户时会先检索知识库，使回复更准确。 在“掘金 x 扣子 Hackathon 活动 深圳站”的总冠军工作流中，对于用户向小说人物角色的提问，通过一系列节点，包括开始节点接收问题、知识库节点检索、大模型节点生成答案等，本质上是一个根据用户 query 进行检索增强生成（RAG）的任务，每个工作流中都嵌入了知识库节点，维护了如小说合集等知识库。 大模型节点是调用大语言模型，使用变量和提示词生成回复。按需选择基础版或专业版模型，基础版支持扣子预设的一批模型资源，专业版除默认添加的豆包模型外，还支持按需接入火山引擎方舟平台的模型资源。模型选择右下角生成多样性可从多个维度调整不同模型在生成内容时的随机性，有精确模式、平衡模式和创意模式等预置模式。输入方面，开启智能体对话历史后，上下文信息将自动携带进入大模型，参数名可随意设置但建议有规律，变量值可引用前面链接过的节点的输出或进行输入。
2025-03-26
计算两个时间差的绝对值，输出相差的完整天数。 获得用户输入的两个与时间相关的字符串，两个时间用逗号分隔，每个时间字符串格式示例如下：2018年08月01日17点21分21秒。 以此为要求写出python代码
以下是计算两个指定格式时间差的绝对值并输出相差完整天数的 Python 代码： ```python import datetime def calculate_days_difference: 解析时间字符串 time1 = datetime.datetime.strptime time2 = datetime.datetime.strptime 计算时间差 time_difference = abs 转换为天数并返回 return time_difference.days 示例用法 time1_str = "2023年08月01日17点21分21秒" time2_str = "2023年08月10日17点21分21秒" print ```
2025-03-22
大模型的系统提示词
大模型的系统提示词主要包括以下方面： 1. 在“五津：一键生成‘摸鱼打工猫’视频”中，针对用户选择的主题和回答，总结用户的创作意图，如“打工猫摸鱼的 2 小时，在巴厘岛能看一场日落”，并根据此生成 4 组体现幽默风趣、以宫崎骏风格描绘主角为摸秋刀鱼橘猫的绘图提示词，以数组形式输出到“tishici”，将用户意图输出到“biaoti”。 2. 在“云中江树：智能对决：提示词攻防中的 AI 安全博弈”中，系统提示词的相关防御措施分为输入侧、模型侧和输出侧三个部分。输入侧可进行意图识别、语义匹配等综合判断用户输入是否恶意；模型侧对于有能力的厂商应增强安全性并平衡性能，开发者则要在开发中带着安全意识优化系统提示词，加入安全引导和禁止内容等；输出侧可使用传统防御和内容过滤手段，并针对大模型特点进行私有数据泄露等检查。此外，还提到间接注入和提示词泄露的情况，间接注入常发生在应用获取依赖外部数据资源时，攻击者通过隐藏恶意指令完成攻击；提示词泄露指试图操纵模型输出获取部分或全部系统提示词，大模型输出内容可分为系统提示词、用户提示和助手提示词三段，通过攻击手段可获取系统提示词。
2025-04-18
通义千问Qwen2.5-VL、阶跃星辰step-1.5v-mini、Gemini-2.0-Flash，这3个视觉理解大模型哪个最厉害？
以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。
2025-04-15
目前全世界最厉害的对视频视觉理解能力大模型是哪个
目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。
2025-04-15
目前全世界最厉害的视频视觉理解大模型是哪个
目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。
2025-04-15
目前全世界最厉害的视觉理解大模型是哪个
目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。
2025-04-15
大模型对话产品的优劣
大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。
2025-04-14
python数据分析
以下是关于 Python 数据分析的相关内容： BORE 框架与数据分析： 自动驾驶产品经理的工作中会涉及大量数据分析，数据分析是一门独立完整的学科，包括数据清洗、预处理等。从工具和规模上，写 Excel 公式、用 Hadoop 写 Spark 算大数据等都属于数据分析；从方法上，算平均数、用机器学习方法做回归分类等也属于数据分析。 用 ChatGPT 做数据分析的工具： 1. Excel：是最熟悉和简单的工具，写公式、Excel 宏等都属于进阶用法，能满足产品的大部分需求。ChatGPT 可轻松写出可用的 Excel 宏。 2. Python：有很多强大的数据分析库，如 pandas、numpy 用于数据分析，seaborn、plotly、matplotlib 用于画图，产品日常工作学点 pandas 和绘图库就够用。一般数据分析的代码可用 Jupyter Notebook 运行，用 Anaconda 管理安装的各种包。 3. R 语言：专门用于搞统计，但 Python 通常已够用。 实践：用 Kaggle 的天气数据集绘制气温趋势折线图与月降雨天数柱状组合图： 1. 项目要求：绘制气温趋势折线图+月降雨天数柱状组合图，即双 y 轴的图形。 2. 打开数据集，分析数据：发现关键表头与数据可视化目的的关联。 3. 新建 Python 文件，开始编程：包括调用库、读取数据、数据处理、创建图表、添加标题与图例、保存并显示图形等步骤。 4. 试运行与 Debug：发现左纵坐标数据有误，重新分析数据集并修改代码，最终实现可视化目的。 关于 ChatGPT 的预设 prompt： 在特定的设置下，当发送包含 Python 代码的消息给 Python 时，它将在有状态的 Jupyter 笔记本环境中执行，有 60 秒的超时限制，'/mnt/data'驱动器可用于保存和持久化用户文件，本次会话禁用互联网访问，不能进行外部网络请求或 API 调用。
2025-04-14
数据集去哪下载
以下是一些数据集的下载途径： 对于微调 Llama3 的数据集，获取及原理可参考文档：。 鸢尾花数据集下载请点击链接：https://scikitlearn.org/stable/modules/generated/sklearn.datasets.load_iris.html 。 天气数据集下载请点击链接：https://www.kaggle.com/datasets/muthuj7/weatherdataset 。建议创建一个文件夹，将下载下来的数据集放入文件夹中。
2025-04-14
基于多维评价数据，使用大模型生成个性化的家庭教育方案的可靠性高吗？
基于多维评价数据使用大模型生成个性化的家庭教育方案具有一定的可靠性，但也存在一些限制。 一方面，大模型在教育领域展现出了强大的能力。例如，能够为教师提供源源不断的真题库和错题练习库，模仿各类考试题型有模有样。在作文批改评分方面，如 GLM 模型，具备好词好句识别评测、作文综合评价评分等功能，能够综合考虑文章的多个维度给出评价，提供个性化反馈，保证评分的一致性等。 另一方面，也存在一些挑战。对于高学段理科等复杂领域，大模型的表现可能有限。在解读学生作文中的深层次含义，如隐喻、双关等修辞技巧，以及涉及特定文化背景和历史知识的内容时，仍存在一定难度。 然而，只要提示词到位、示例清晰，大模型在生成个性化家庭教育方案方面具有很大的潜力，可以为家长和孩子提供有价值的参考和帮助。但不能完全依赖大模型，还需要结合人工的判断和调整。
2025-04-13
如何利用 AI 赋能【数据分析在企业自媒体营销中的应用综述（以抖音、小红书平台为例）】
利用 AI 赋能【数据分析在企业自媒体营销中的应用综述（以抖音、小红书平台为例）】可以参考以下方法： 1. 市场分析：利用 AI 分析工具研究市场趋势、消费者行为和竞争对手情况，处理大量数据以快速识别关键信息，如受欢迎的产品、价格区间和销量等。 2. 关键词优化：借助 AI 分析和推荐高流量、高转化的关键词，优化产品标题和描述，提高搜索排名和可见度。 3. 产品页面设计：使用 AI 设计工具根据市场趋势和用户偏好自动生成吸引人的产品页面布局。 4. 内容生成：利用 AI 文案工具撰写有说服力的产品描述和营销文案，提高转化率。 5. 图像识别和优化：通过 AI 图像识别技术选择或生成高质量的产品图片，更好地展示产品特点。 6. 价格策略：依靠 AI 分析不同价格点对销量的影响，制定有竞争力的价格策略。 7. 客户反馈分析：利用 AI 分析客户评价和反馈，了解客户需求，优化产品和服务。 8. 个性化推荐：借助 AI 根据用户的购买历史和偏好提供个性化的产品推荐，增加销售额。 9. 聊天机器人：采用 AI 驱动的聊天机器人提供 24/7 的客户服务，解答疑问，提高客户满意度。 10. 营销活动分析：使用 AI 分析不同营销活动的效果，了解哪些活动更能吸引顾客并产生销售。 11. 库存管理：依靠 AI 预测需求，优化库存管理，减少积压和缺货情况。 12. 支付和交易优化：利用 AI 分析不同支付方式对交易成功率的影响，优化支付流程。 13. 社交媒体营销：借助 AI 在社交媒体上找到目标客户群体，通过精准营销提高品牌知名度。 14. 直播和视频营销：利用 AI 分析观众行为，优化直播和视频内容，提高观众参与度和转化率。 此外，还可以参考以下具体案例： 赛博发型师：基于 AI 技术为用户提供个性化的发型设计服务，通过分析用户面部特征、个人风格和偏好，自动生成发型设计方案，用户可上传照片，系统分析后生成详细报告和效果图，报告可存档至飞书文档供专业发型师复核评估。 营销文案创作专家深度版：专为企业营销团队等设计，提供从文案框架创作到生成的一站式服务，通过分析产品信息等挖掘痛点和卖点，生成营销文案，并提供营销数据分析服务以优化策略和提高协作效率。 抖音商家客服（C 端用户）/抖音带货知识库工具（B 端商家）：作为 AI 客服系统建设助手，帮助企业实现一站式 AI 客服解决方案。 在实际操作中，还可以参考以下经验： 飞书、多维表格、扣子相关应用优化及自媒体账号分析演示分享：包括直播课程相关内容，优化社区文档问题，介绍技术栈选择，强调扣子、多维表格及 AI 字段捷径结合做数据分析的优势，现场演示账号分析效果，展示同步数据的自动化流程。 高效数据分析应用搭建实操讲解：先介绍数据在多维表格执行无二次请求的优势，接着进行技术实操，从新建“数据 AI 高效数据分析”应用开始，讲解抓数据、同步数据前设置变量等步骤，包括搭建界面、做工作流、保存变量等操作，可在市场选插件。 高雁讲解数据处理及多维表格操作过程：进行操作演示与讲解，包括将用户信息发送到多维表格、调整界面显示、处理按钮点击事件等操作，还讲解了批处理、代码节点等内容。
2025-04-13
现在做数据分析比较厉害的ai是什么
目前在数据分析方面表现较为出色的 AI 工具包括智谱清言、Open Interpreter 等。 AI 在数据分析中具有以下优势： 1. 降低入门门槛：过去学习数据分析需要掌握编程语言和专业知识，现在通过 AI 工具，门槛大大降低。 2. 规范的分析流程：对于初学者来说，AI 直接做的数据分析比他们自己第一次做的更好，其规范化流程更严谨，结果更可靠。 3. 自动化处理：会自动进行模型选择以匹配数据，还能根据 log 检查错误并改正源代码。 4. 减少重复性工作：重复性劳动可先交给 AI 做，人类用户只需做验证和检查结果。 实际应用的工具方面，GPT4 可以帮助建立和评估机器学习模型，Claude 等大语言模型可以进行数据分析和可视化，Open Interpreter 等工具可以辅助编程和数据处理。 使用时的建议包括：对 AI 结果要进行严格验证，不要完全依赖 AI，要保持独立思考，对 AI 的能力边界有清晰认识，合理使用以提高工作效率。同时，AI 应被视为辅助工具而非完全替代品，人类在整个过程中仍起主导作用和具有判断力。
2025-04-11
用AI做数据分析
以下是关于用 AI 做数据分析的相关内容： 流程： 逻辑流程图如下：上面说的两种方式对应流程图的上下两个步骤，红色部分是重点。 1. SQL 分析：用户描述想分析的内容，后台连接 DB，附带表结构信息让 AI 输出 SQL 语句，校验是 SELECT 类型的 SQL，其他操作如 UPDATE/DELETE 绝不能通过！！校验通过后执行 SQL 返回结果数据。再将数据传给 GPT（附带上下文），让 AI 学习并分析数据，最后输出分析结论和建议，和结果数据一起返回给前端页面渲染图表、展示分析结论。目前已实现两张表关联查询。 2. 个性化分析：用户上传文件，如有需要可以简单描述这是什么数据、字段意义或作用辅助分析。前端解析用户上传的文件，再传给 GPT 分析数据，后续步骤与上面一致。 工具和成功案例： 大概思路是这样： 1. 提供大模型可以访问的数据源或者上传数据表格。 2. 通过提示词说清楚需要以哪些维度分析数据，分析完成的结果要以什么格式输出。 3. 观察生成结果，迭代和优化提示词，最终满意后导出结果。 相关问题和技巧： 1. 关于“大模型幻觉”，目前没有办法消除，这本身就是大模型特性。可以通过其他第三方信息源和知识来检验生成是不是在胡说八道。 2. 结构化思维提高对话能力，在 AGI 搜索结构化三个字，有相关文章。上下文 token 长度如果指的是大模型的记忆窗口的话，没法延长，是设定好的。 案例分析： 以“用 ai 做数据分析，和爆款卖点分析”为例，这一创意将 AI 技术与商业洞察深度融合，展现了数据驱动决策的前瞻性。通过 AI 对海量用户行为、评论、竞品数据的挖掘，不仅能快速定位爆款产品的共性特征（如高频关键词、用户情感倾向），还能发现传统方法难以捕捉的潜在需求（例如隐藏的消费场景或未被满足的功能痛点）。尤其是结合时序分析预测市场趋势，为企业提供了动态调整产品策略的敏捷性，真正实现了从“经验决策”到“智能决策”的跨越。若想进一步突破，可考虑以下优化方向： 1. 多模态数据融合：除文本数据外，整合图片/视频的视觉分析（如通过 CV 技术识别爆款产品的外观设计共性），或结合语音数据（如直播带货中的实时用户反馈），构建更立体的卖点模型。 2. 因果推理增强：当前 AI 多聚焦相关性分析，可引入因果发现算法（如 DoWhy 框架），区分“真实卖点”与“伴随现象”。例如某款手机壳销量高是因为颜色，还是因与热门手机型号捆绑销售？ 3. 个性化适配引擎：根据企业自身资源禀赋（供应链能力、品牌定位）对 AI 建议进行权重优化。例如小型厂商可优先推荐“低改造成本的高需求卖点”，避免直接对标头部品牌的资源密集型方案。 4. 对抗性验证机制：构建虚拟消费者模拟环境，对 AI 提出的卖点进行 A/B 压力测试，提前评估市场风险，避免出现“数据过拟合导致的伪创新”。
2025-04-11