AI 的发展历程可以从以下几个方面来阐述： 昨天： 在过去，AI 的研究和发展处于相对初级的阶段，技术和应用都较为有限。 今天： 1. AI 艺术方面，Prompting 成为驱动因素，创造了多维感官和令人印象深刻的记忆，改变了人们对艺术创作和表达的认知。 2. OpenAI CEO Sam Altman 发表的文章指出，AI 智能水平与计算资源呈对数关系，成本每年下降 10 倍，智能增长带来超指数级经济价值，AI 代理将颠覆知识型工作。 3. 如斯坦福的 2025 年 AI 指数报告所示，AI 在硬件、推理成本估计、出版和专利趋势等方面有了新的分析和发展，在企业责任实践、科学和医学领域的作用不断扩大。 明天： 1. AGI（通用人工智能）的影响力可能会扩散，但不均衡，科学研究可能率先受益。 2. 社会需要适应 AI 带来的变革，如工作方式、经济体系等方面的改变。 3. 人们可能会通过 AI 分享记忆，一个人的体验可能被全人类所感受。 总之，AI 的发展迅速且影响深远，未来充满了机遇和挑战。

Python 量化交易方面，以 Claude 3.7 为例，它在面对生成能在聚宽跑的量化交易模型这一自由命题时，给出了两个方案。一个是最简单的双均线策略，类似于红圈（均线金叉）买入，绿圈（均线死叉）卖出，同时辅以其他技术指标和指数强弱做筛选，这是量化入门策略，相当于鸡兔同笼的经典问题。另一个是量价动量策略，其中的几个因子是量化交易机构常参考的。在经历三轮报错和反馈后，Claude 很快成功跑出了一份完整的代码，该代码有明确的选股池和择时信号。编程第一法则是当代码以奇怪方式跑起来，就不要动它。

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。

AI 生成表格通常可以通过以下技术实现： 1. 利用变分自编码器（VAEs）和序列到序列模型（Seq2Seq）等技术生成表格文件、表格公式，并清理、创建、转换和分析表格中的文本数据，例如表格结构设计、数据分析表、表格自动化等。 2. 借助一些办公软件中的 AI 插件，如飞书中的相关插件，先通过 AI 理解图片中的内容并填充到表格列中，然后利用自带插件总结生成相关指令。 此外，在多模态数据生成中，结构化数据生成包括表格生成，多模态合成数据从大类来看有非结构化数据（图片、视频、语音等）和结构化数据（表格等）两大类。非结构化数据生成包括文本生成、图像生成、音频和语音生成、视频生成、3D 生成、合成数据生成等。

以下是关于图生图生成高清矢量图的相关内容： ControlNet 参数： 预处理器：canny，模型：control_v11p_sd15_canny 预处理器：lineart_standard，模型：control_v11p_sd15_lineart 放大高清大图： 使用 Multi Diffusion + Tiled VAE + ControlNet Tile 模型 将生成的图片发送到图生图，关键词种子会一并发送过去，重绘幅度建议 0.35，太高图片细节会发生变化 Lora 生图： 点击预览模型中间的生图会自动跳转到相应页面 模型上的数字代表模型强度，可在 0.6 1.0 之间调节，默认为 0.8 可自己添加 lora 文件，输入正向提示词，选择生成图片的尺寸（横板、竖版、正方形） 采样器和调度器新手小白可默认，迭代步数在 20 30 之间调整，CFG 在 3.5 7.5 之间调整，随机种子 1 代表随机生成图 生成的图会显示在右侧，若觉得某次生成结果不错，想要微调或高分辨率修复，可复制随机种子粘贴到相应位置 确认合适的种子和参数想要高清放大，可点开高清修复，选择放大倍数，新手小白可默认算法，迭代步数建议在 20 30 之间，重绘幅度正常在 0.3 0.7 之间调整 高清修复： 文生图高清修复原理是命令 AI 按原来内容重新画一幅，新生成绘图和原绘图细节会不同，降低重绘幅度可更接近原图，如重绘幅度 0.7 时帽子和耳机有变化，0.3 时服饰细节接近但手部可能出现问题，可通过反复抽卡、图生图局部重绘或生成多张图片后 ps 合成等解决 由于高清修复渲染耗时长，建议先低分辨率抽卡刷图，喜欢的图再用随机种子固定进行高清修复 SD 放大： 文生图画好图后发送到图生图，点击脚本选择使用 SD 放大 重绘幅度设置 0.3，放大倍率为 2，图块重叠像素设置为 64，原图尺寸加上重叠像素，如 512x768 变为 576x832，重绘幅度要保持较低数值，否则可能出现新人物

以下是使用 AI 绘制流程图的相关内容： 如果您需要创建一个项目管理流程图，可以按照以下步骤使用 Lucidchart： 1. 注册并登录： 2. 选择模板：在模板库中搜索“项目管理流程图”。 3. 编辑图表：根据您的项目需求添加和编辑图形和流程步骤。 4. 优化布局：利用 AI 自动布局功能，优化图表的外观。 5. 保存和分享：保存图表并与团队成员分享，或导出为 PDF、PNG 等格式。 以下是一些其他可用于绘制流程图的 AI 工具： 1. Creately： 简介：Creately 是一个在线绘图和协作平台，利用 AI 功能简化图表创建过程，适合绘制流程图、组织图、思维导图等。 功能：智能绘图功能，可以自动连接和排列图形；丰富的模板库和预定义形状；实时协作功能，适合团队使用。 官网： 2. Whimsical： 简介：Whimsical 是一个专注于用户体验和快速绘图的工具，适合创建线框图、流程图、思维导图等。 功能：直观的用户界面，易于上手；支持拖放操作，快速绘制和修改图表；提供多种协作功能，适合团队工作。 官网： 3. Miro： 简介：Miro 是一个在线白板平台，结合 AI 功能，适用于团队协作和各种示意图绘制，如思维导图、用户流程图等。 功能：无缝协作，支持远程团队实时编辑；丰富的图表模板和工具；支持与其他项目管理工具（如 Jira、Trello）集成。 官网： 使用 AI 绘制示意图的一般步骤： 1. 选择工具：根据您的具体需求选择合适的 AI 绘图工具。 2. 创建账户：注册并登录该平台。 3. 选择模板：利用平台提供的模板库，选择一个适合您需求的模板。 4. 添加内容：根据您的需求，添加并编辑图形和文字。利用 AI 自动布局功能优化图表布局。 5. 协作和分享：如果需要团队协作，可以邀请团队成员一起编辑。完成后导出并分享图表。 需要注意的是，虽然 AI 可以帮助绘制流程图，但根据马斯克的成事五步法，第一步是质疑需求。画图的目的是加深理解，通过亲自动手画图来巩固印象。如果让 AI 画，可能会失去这个锻炼机会。而且，现在的 AI 也可能画不出好看的流程图，画出来的东西也可能难以修改。

以下为一些高清视频修复的 AI 工具： 1. 星流一站式 AI 设计工具： 高级模式下，基础模型允许使用更多的微调大模型，图片参考允许使用更多的图像控制功能。星流基础大模型下，增加了 tile 分块与 softedge 线稿。 高清分辨率修复：利用算法对初步生成的图像进行简单的图生图高清放大（目前仅支持基础模型 xl 和 1.5 模型）。 放大算法影响图像放大后的图像质量，重绘幅度与初步生成的图像的相似度，其他参数默认即可。 采样器和采样步数会影响出图质量和生成时间，随机种子和 CFG Scale 也有相应作用，脸部/手部修复利用算法对人像的脸部或者手部进行修复。 2. Pika： 发布 Pikaddition 能力，可以将用户图片物体融合到拍摄视频，不会改变原视频且保证新视频创意效果自然。 支持用户自行上传视频（视频时长需 5s 以上），支持物体、人物（卡通、真人）图像，有 15 次免费尝试机会。 使用方法：进入 Pika 官网，页面底部选择 Pikaddition，上传视频、图像，输入文字描述提示词，点击确认即可。 地址：https://pika.art/ 3. Topaz Labs： 推出 Starlight 首个用于视频修复的扩散模型，只需输入素材，AI 可自动降噪、去模糊、放大、抗锯齿，无需手动调整与参数调整，达成专业视频高清修复。 目前正在 Beta 中。 地址：https://www.topazlabs.com/ 4. Tusiart： 具有高清修复功能，在本来设置的图像分辨率基础上，让图像分辨率变得更加精细。 有 ADetailer 面部修复插件。

AI 的组成部分因具体的应用和类型而异，以下是一些常见的组成部分： 1. 图像生成类： 深度学习算法，如生成对抗网络（GANs）、变分自编码器（VAEs）、Stable Diffusion 等。 具有代表性的海外项目，如 Stable Diffusion（Stability AI），主要由 VAE、UNet 网络和 CLIP 文本编码器组成；DALLE 3（Open AI），可从文字说明直接生成图像；StyleGAN 2（NVIDIA），能生成逼真的人脸图像；DCGAN（Deep Convolutional GAN），可生成各种类型的图像。 2. 画布式的 AI 创作工具 flowith： 资料库：知识花园（Knowledge Garden） 创作画布：多线程画布（Flows） 内容编辑：编辑器（Composers） 3. 完全自主智能体： 推理：对非结构化数据进行推理，基础模型如 Anthropic 和 OpenAI 已实现此功能。 外部记忆：通过向量数据库如 Pinecone 存储和调用特定于域的知识及问题的有限上下文。 执行：使用工具执行增强解决问题能力的任务，包括通用的智能体工具，如网络浏览、代码解释等。 规划：将工作分解成子任务和计划，反思进度并调整。

旧照片修复是 AI 绘画领域中的一项重要应用。以下是关于旧照片修复的一些相关信息： 以往解决旧照片修复问题往往需要搭建极为复杂的工作流，现在 GPT 4O 只需要一句话就可以实现。 图像放大修复是 AI 绘画领域必不可少的一部分，利用 AI 技术进行图像修复，可以让模糊的旧照片重现清晰，保留珍贵回忆。例如，以前手机拍摄的低分辨率图片，放到如今智能手机上观看会非常模糊，这时可用 AI 技术进行高清修复。 ComfyUI 结合特定工作流，只需十几个基础节点就能实现较好的老照片修复效果。 参数调节方面，一般先确认放大倍数，然后根据出来的图片调整 controlNet 的强度。 Flux.1dev ControlNet 是为低分辨率图像开发的模型，可直接与 diffusers 库一起使用，采用合成复杂数据退化方案进行训练，目的是让模型学会处理各种真实世界中可能遇到的图像退化情况。 Flux Ultimator 能增加小细节，增强色彩，在 0.1 的强度设置下也有显著效果，能顺利集成到工作流程中，与其他 LORA 结合使用时强度需小于 0.5。 若图片质量细节不够，可选择 T5 Clip 的 fp16 版本。

以下是给 DeepSeek 输入指令以帮助您写论文的一些建议： 1. 采用结构化提示词： 优先保留专业领域术语和技术词汇，这些术语通常具有高信息价值。 对不同类型的信息设置权重，按优先级排序：任务定义>关键约束>专业术语>定量信息>方法论>背景。 以完整语义单元为基本保留单位，而非单个词语，确保压缩后的内容仍保持语义完整性。 避免详细指导思考过程，让模型自主生成思维链。 2. 高阶能力调用： 文风转换矩阵：例如“用鲁迅杂文风格写职场 PUA 现象”“将产品说明书改写成《史记》列传格式”“把这篇论文摘要翻译成菜市场大妈能听懂的话”。 领域穿透技术：如行业黑话破解“解释 Web3 领域的'胖协议瘦应用'理论”。 3. 场景化实战策略： 创意内容生成。 技术方案论证。 4. 效能增强技巧： 对话记忆管理：包括上下文锚定（如“记住当前讨论的芯片型号是麒麟 9010”）、信息回溯（如“请复述之前确认的三个设计原则”）、焦点重置（如“回到最初讨论的供应链问题”）。 输出质量控制：针对过度抽象、信息过载、风格偏移等问题，使用相应的修正指令。 5. 特殊场景解决方案： 长文本创作：可采用分段接力法，如“先完成故事大纲→逐章扩展→最后进行伏笔校验”“确保新章节与前文的三处细节呼应”。 敏感内容处理：使用概念脱敏法（如“用经济学原理类比说明网络审查机制”）或场景移植法（如“假设在火星殖民地讨论该议题”）。 在输入指令时，您需要清晰明确地描述论文的题目、研究目的、主要论点、关键论据、期望的结构和风格等重要信息，以便 DeepSeek 能够为您生成符合要求的内容。