AI 是一门令人兴奋的科学，它是指某种模仿人类思维，可以理解自然语言并输出自然语言的东西。 对于没有理工科背景的人来说，可以把 AI 当成一个黑箱，其生态位是一种似人而非人的存在。 从技术角度看，最初计算机是按照明确定义的程序进行运算，而对于像“根据照片判断一个人的年龄”这类无法明确编程的任务，正是 AI 所感兴趣的。 简单来说，现在可以把 AI 当人看，它能接受和理解各种不同的输入和数据，并生成包括文字、声音、图像、视频、3D 模型等多种多样的内容。

以下是关于本地部署大模型以及选择是否使用云服务商的相关内容： 本地部署大模型的主要步骤： 1. 选择合适的部署方式，包括本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础，可以使用开源的预训练模型如 BERT、GPT 等，也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 5. 部署和调试模型，将训练好的模型部署到生产环境，对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护，大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 以 SDXL 为例的本地部署步骤： 1. SDXL 的大模型分为两个部分，base+refiner 是必须下载的，base 是基础模型，用于文生图操作；refiner 是精炼模型，用于对生成的模型进行细化，生成细节更丰富的图片。还有一个配套的 VAE 模型，用于调节图片的画面效果和色彩。 2. 想要在 webUI 中使用 SDXL 的大模型，首先要在秋叶启动器中将 webUI 的版本升级到 1.5 以上。 3. 将模型放入对应的文件夹中，base 和 refiner 放在“……\\sdwebuiakiv4.2\\models\\Stablediffusion”路径下；vae 放在“……\\sdwebuiakiv4.2\\models\\VAE”路径下。完成之后，启动 webUI，就可以在模型中看到 SDXL 的模型。 以 LLM 大语言模型为例的本地部署步骤： 1. 下载并安装 Ollama，点击进入根据电脑系统下载 Ollama：https://ollama.com/download ，下载完成后，双击打开，点击“Install”，安装完成后，将下方地址复制进浏览器中。如果出现下方字样，表示安装完成：http://127.0.0.1:11434/ 。 2. 下载 qwen2:0.5b 模型（0.5b 是为了方便测试，下载快，自己设备充足的话，可以下载更大的模型）。如果是 windows 电脑，点击 win+R，输入 cmd，点击回车；如果是 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。复制相关命令行，粘贴进入，点击回车，等待下载完成。 总的来说，部署大模型需要综合考虑多方面因素，包括部署方式、数据准备、模型训练、部署调试以及安全性等。需要根据具体需求选择合适的方法，并注意优化各个环节以提高模型性能和应用效果。

以下是小白开始 AI 编程的步骤和相关建议： 直接上手： AI 编程就像一场 PUA 和提问大赛。 要分辨 Chat 和 Composer 两个模式。Chat 模式可与大模型对话，但常用的是 Composer 模式，它能即时反馈，直接创建文件、填写代码并询问您是否满意。 例如，在 Composer 模式下输入“给我创建一个 2048 的网页游戏吧”，1 2 分钟后会生成相关文件。 生成文件后，可打开文件夹找到 index.html 双击查看本地运行效果。若环境报错双击打不开，可截图在 Composer 对话框询问解决方法。 思想准备： 对于小白来说，因为无知会充满勇气和忧虑。能从心理上面对“我或许能行”这件事，可能就解决了 AI 编程问题的一半。 后续探索： 作者将继续探索并更新相关文章，包括： 第一弹，一点小小的震撼——cursor 黑客松。 第二弹，文案工作者的福音——cursor 批量写 prompt、写文章。 第三弹，上一辈的崛起——cursor 的“向上”，给爹妈一场安利。 如果想要交流或了解更多，欢迎戳这里：

以下是关于 AI 降重指令的相关知识： Prompt 是用于指挥 AI 生成所需内容的一段指令，每个单独的提示词叫 tag（关键词）。支持的语言为英语（不用担心英语不好的问题，），emoji 也可以用。 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行都不影响效果。 改变 tag 权重：tag 的顺序越靠前对于 SD 来说权重越大，可通过两种写法设置权重。一是 括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍。 进行 tag 的步数控制（高级玩法）：即 SD 先按输入的 tag1 开始生成，然后在达到设定的步数之后，tag1 停止产生作用，此时 tag2 再参与到对内容生成的影响，可表示为，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

图像翻译具有以下特点和功能： 多语言支持：涵盖 18 种语言，包括中文、英文、法语、日语、韩语和西班牙语。 保护图像主体：可选择不翻译品牌名称或重要信息，避免影响关键内容。 高分辨率处理：支持高达 4000×4000 像素的图像，确保翻译后画质清晰。 原始排版恢复：保留原字体、大小及对齐方式，确保设计一致性。 多行文本合并：将多行文本合并为段落翻译，避免逐行翻译造成误解。 清除文本痕迹：翻译后干净移除原文本，并恢复图像空白区域。

以下是一些可以将 PDF 转换成 Word 的 AI 工具和方法： 1. DeepL（网站）：，点击页面「翻译文件」按钮，上传 PDF、Word 或 PowerPoint 文件即可。 2. 沉浸式翻译（浏览器插件）：，安装插件后，点击插件底部「更多」按钮，选择「制作双语 BPUB 电子书」、「翻译本地 PDF 文件」、「翻译 THML/TXT 文件」、「翻译本地字幕文件」。 3. Calibre（电子书管理应用）：，下载并安装 calibre，并安装翻译插件「Ebook Translator」。 4. 谷歌翻译（网页）：，使用工具把 PDF 转成 Word，再点击谷歌翻译「Document」按钮，上传 Word 文档。 5. 百度翻译（网页）：，点击导航栏「文件翻译」，上传 PDF、Word、Excel、PPT、TXT 等格式的文件，支持选择领域和导出格式（不过进阶功能基本都需要付费了）。 6. 彩云小译（App）：下载后点击「文档翻译」，可以直接导入 PDF、DOC、DOCX、PPT、PPTX、TXT、epub、srt 等格式的文档并开始翻译（不过有免费次数限制且进阶功能需要付费）。 7. 微信读书（App）：下载 App 后将 PDF 文档添加到书架，打开并点击页面上方「切换成电子书」，轻触屏幕唤出翻译按钮。 请注意，内容由 AI 大模型生成，请仔细甄别。

智能体（Agent）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，可以是软件程序或硬件设备。 智能体的定义： 智能体是自主系统，通过感知环境（通常借助传感器）并采取行动（通常通过执行器）来达成目标。在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并包含以下关键组成部分： 规划：将大型任务分解为更小、可管理的子目标，有效处理复杂任务。 反思和完善：对过去行为进行自我批评和反思，从错误中吸取教训，完善未来步骤，提高最终结果质量。 记忆：包括短期记忆，用于所有的上下文学习；长期记忆，通过外部向量存储和快速检索实现长时间保留和回忆无限信息。 工具使用：学习调用外部 API 获取模型权重中缺失的额外信息，如当前信息、代码执行能力、对专有信息源的访问等。 智能体的类型： 智能体可根据复杂性和功能分为以下几种类型： 简单反应型智能体（Reactive Agents）：根据当前感知输入直接行动，不维护内部状态和考虑历史信息。例如温控器，根据温度传感器输入直接控制加热器。 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入建模，能推理未来状态变化并据此行动。比如自动驾驶汽车，不仅感知当前环境，还维护和更新周围环境模型。 目标导向型智能体（Goalbased Agents）：具有明确目标，能根据目标评估不同行动方案并选择最优行动。例如机器人导航系统，有明确目的地并规划路线以避开障碍。 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动优劣并权衡利弊。比如金融交易智能体，根据市场条件选择最优交易策略。 学习型智能体（Learning Agents）：能通过与环境交互不断改进性能，学习模型、行为策略和目标函数。例如强化学习智能体，通过与环境互动学习最优策略。 关于智能体的使用： 以 DeepSeek V3 为例，其智能体地址为 https://www.coze.cn/s/VM9pUn9HdmA/ 。初级使用方法是输入公众号文章标题或内容，让其直接给出图，智能体会自动提取相关信息，默认风格是“炫彩”。高级使用方法是按照要求输入几个要素，如标题、副标题、分享封面、标签、风格等。

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。

以下是关于毕业论文的 AI 指令的总结： 1. 可以指定 AI 模仿某位资深人士的风格，如律师的逻辑严谨和言简意赅。 2. 要求 AI 为您提供多个例子，例如针对案件给出至少三种不同的诉讼策略，并分析每种策略的优劣势。 3. 采用 PEMSSC 方法，包括个性化的风格（Personality）、给参考或一定的逻辑结构（Example Inquiry）、从多个角度思考（Multiple Angles）、总结概括（Summarize）、使用区分符号（Separator）、明确能力或者角色（Capacity and Role）。 4. 对于大多数实际应用，建议专注于经过调整的指令语言模型，使用时要给清晰的指令，如指定文本的语气、要求集中讨论的内容，甚至可以提前指定阅读的文本。 5. 可以直接要求 LLM 帮写论文，如提供个人背景信息和指令让其写大学申请论文，但要注意这种使用方式的道德问题。

以下是一些系统学习利用 AI 帮助书写论文和报告的建议： 一、了解常用的 AI 工具和平台 1. 文献管理和搜索 Zotero：结合 AI 技术，可自动提取文献信息，助您管理和整理参考文献。 Semantic Scholar：由 AI 驱动的学术搜索引擎，能提供相关文献推荐和引用分析。 2. 内容生成和辅助写作 Grammarly：通过 AI 技术提供文本校对、语法修正和写作风格建议，提高语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化论文内容。 3. 研究和数据分析 Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化的软件，可进行复杂的数据分析和模型构建。 4. 论文结构和格式 LaTeX：结合自动化和模板，高效处理论文格式和数学公式。 Overleaf：在线 LaTeX 编辑器，有丰富模板库和协作功能，简化论文编写。 5. 研究伦理和抄袭检测 Turnitin：广泛使用的抄袭检测工具，确保论文原创性。 Crossref Similarity Check：检测潜在抄袭问题。 二、学习使用 AI 辅助撰写论文和报告的方法 1. 信息收集：利用 AI 搜索与权威网站结合获取关键数据，AI 可辅助提取结构化表格数据或编写抓取程序。 2. 内容拆分：针对报告需求将内容拆分，避免 AI 单次处理任务过长。 3. 数据处理：借助传统工具如 Excel，结合 AI 指导高效操作数据筛选与图表生成。 4. 分析与撰写：通过整理数据，利用 AI 辅助分析后撰写报告初稿，可指定风格并校验数据与结论准确性。 三、注意事项 1. AI 仅作辅助，最终内容需人工主导校验，避免误导性结论。 2. 保持科学的态度和方法，遵循科学伦理原则。 3. 了解现阶段 AI 在教育领域应用的局限性，如知识适配的层次性问题、教育应用的安全性考量等。 希望以上内容对您有所帮助。