以下是关于 AI 视频的相关总结： 1. 在 2024 年 5 月 26 日的会议中，讨论了 AI 视频制作、群体潜意识和山洞的梦、AI 工具生成短片、AI 在配音方面的应用、北京团队的工作、新媒体运营等内容，包括制作流程、技术应用、经验分享等，还提到了微信群和飞书群的情况，以及多部影片的分享，并有相关待办事项。 2. 关于 AI 视频制作的工作流，会议分享了工作流模板，包括团队协作、项目管理和阶段审核功能，介绍了画面生成组的交付产物及使用分镜表进行视频制作，还讨论了离谱森林活动、离谱村 MV 大赛和 2050 线下大会等相关内容，并分享了好玩的课程和工具。 3. 除了聊天内容，AI 还能总结各种文章（不超过 2 万字），对于 B 站视频，若有字幕，可通过安装油猴脚本获取字幕并发送给 AI 进行总结，总结完还可继续提问或探讨细节。

以下是关于 AI 视频总结的相关内容： 除聊天内容外，AI 还能总结不超过 2 万字的文章。可复制文章全文发给 GPTs 进行总结，GPT4 能识别重点内容。 对于 B 站视频，可利用视频字幕进行总结。若视频有字幕，可安装油猴脚本，刷新浏览器后点击字幕的“下载”按钮，选择字幕格式，将下载的字文字内容全选复制发送给 GPTs 即可。 此外，AI 视频工作流包括概念设定（MJ）、剧本+分镜（ChatGPT）、AI 出图（MJ、SD、D3）、AI 视频（Runway、pika、PixVerse、Morph Studio）、对白+旁白（11labs、睿声）、音效+音乐（SUNO、UDIO、AUDIOGEN）、视频高清化（Topaz Video）、字幕+剪辑（CapCut、剪映）。 温维斯 Wenvis 在 2024 年接触 AI 视频，从 0 开始学习，不断创作作品，如《熊猫奥运奇幻之旅》获得首届可灵 AI“灵感无限”创作大赛专家评审一等奖。

以下是关于解决 AI 写论文时参考文献虚构问题的一些信息： Agrawal 等人在 2023 年的研究（https://arxiv.org/abs/2305.18248）专门探讨了 LLM 生成中虚构参考文献的情况，包括捏造的书籍、文章和论文标题。他们试验了两种基于一致性的方法来检查幻觉：直接查询与间接查询。这两种方法都在温度参数 T>0 的情况下多次运行检查并验证一致性。 其中，直接查询要求模型判断生成的参考是否存在，间接查询则询问生成的参考的辅助细节，例如作者是谁。实验表明，间接查询方法效果更好，模型规模越大，识别虚假参考文献的能力越强。 此外，Claude 官方提示词工程最佳实践中也提到了处理幻觉的相关内容，但未给出具体针对参考文献虚构问题的解决办法。 在 ChatGPT 给 DALL·E 3 优化提示词的元提示中，主要强调了一些提示词的规范和原则，未直接涉及解决参考文献虚构的问题。

以下是为您找到的与替换物品相关的 AI 内容： Inpaint Anything 提出了一种新的图像修复方法，支持“Replace Anything”功能，用户可以选择保留点击选定的对象并将剩余的背景替换为新生成的场景。 Stability AI 推出的基于 Discord 的媒体生成和编辑工具中，有通过搜索提示识别对象并替换的功能，例如把猫换成狗。

实现 Function Call 主要有以下几种方式和要点： 1. 方式： Json Output：通过 Prompt 让模型输出 JSON 格式内容，但 Prompt 麻烦，输出不稳定，串业务成本高。 Json Mode：官方 Json Output，与 Tools 适用场景不同，JSON mode 为输出 JSON 存在，Tools 为 Call API 存在。 Function Calling 和 Tools：从可控角度推荐使用。 2. 要点： 放弃 JSON mode：模型输出 JSON 仍可能出错，模型厂家对 Function Calling 有微调优化。 降低 System prompt 依赖，化繁为简：System prompt 内容多，不能保证模型遵循，能在 Tools 里写的尽量写在里面。 API Response 增强 Prompt：Tools 调用结果返回给模型时，可增加约束和提示，准确率高。 尽量让模型做选择，而不是填空：将确定答案做成选项，如用 Enum 方式，减少 token 输出，提高速度和准确率。 利用 Tools 来做 Route，构建 Multi Agent：一个不行就增加数量，术业有专攻。 此外，OpenAI 发布函数调用及其他 API 更新，开发人员可向 gpt40613 和 gpt3.5turbo0613 描述函数，让模型智能输出包含调用函数所需参数的 JSON 对象，这是连接 GPT 能力与外部工具和 API 的新方法。例如在本地写函数执行查询，根据 GPT 返回的函数名和参数来操作，也可将函数改为更灵活的 SQL 查询。在实际业务中，可根据需求选择函数查询或 SQL 查询。另外，LangChain 内置的 openapifunction call 也可用于相关开发，实际业务中可能需结合内置业务流程，如判断用户问题是否相关、引导式提问等。

以下是关于根据自己的想法设计 AI prompt 的详细说明： 在生成式 AI 的世界中，“提示”指的是您提供给模型的输入文本。例如，您可以向模型提出问题或给予指令，模型会根据您构建提示的方式给出响应，所以您获得的答案很大程度上取决于您提出问题的方式。 提示设计是找出和设计最佳输入文本以获得所需响应的过程，这通常需要大量的实验和迭代。 示例：比如要生成一个去约书亚树国家公园露营旅行所需的物品清单，您可以提供指令“生成我去约书亚树国家公园露营旅行所需的物品清单”。 此外，还有零样本、一次性和少样本提示： 零样本提示：模型仅根据描述任务的提示执行任务，没有关于特定任务的额外数据。 一次性提示：模型根据任务的单个示例执行任务。 少样本提示：模型根据任务的少量示例执行任务。 结构化提示包含几个不同的组件：上下文、示例问题和示例答案。每次向模型发送请求时，上下文都会应用。 在设计 AI 原画，如使用 Nijijourney 5 进行二次元角色设计的 Prompt 时： 1. 提供具体的风格指示：在 Prompt 中明确角色风格，如可爱、酷炫、赛博朋克、蒸汽朋克等，可参考优秀作品并加入类似元素。 2. 保持 Prompt 简洁明了：避免混乱，明确描述角色外貌、服装、性格等特征，不要包含过多信息。 3. 设置适当的细节和限制：根据需求设定角色的年龄范围、职业背景等。 4. 勇于尝试新颖的角色概念和风格：不拘泥于传统，提供新颖独特的角色概念和风格。

对于您提到的“coze 报错 Pro call plugin too high”的问题，可能是配置文件没有配置正确。建议您按照相关教程逐步检查配置文件。同时，即使是官方插件也可能存在不稳定的情况，您需要自己尝试找到适合当前场景的插件。另外，还需注意节点的命名、调用次数、引用情况、运行耗时和成功率等方面，以优化工作流的运行。

构建多模态知识库可以参考以下步骤： 1. 图像知识库方面：通过多模态的能力对图片信息进行检索理解。效果测试时，上传一张图片，在图像数据库里找到相关信息，然后结合内容进行回复。 2. 构建图片索引： 新建结构化数据表时，将图片索引所在列的字段类型设置为 link。需注意新建数据表后，无法再新增或修改字段类型为 link。 创建结构化知识库时，对于需要建立图片索引的 link 类型字段，在旁边的下拉列表中选择图片。创建知识库后，无法再新建或修改图片索引。 3. 多模态知识库还包括构建图片型索引需结构化数据表，字段类型设置为 link，以实现 FAQ 中向用户推送图片信息。

知识库是大量知识分片，通过语义匹配，给模型补充知识。以车型数据为例，每个知识库的分段中，保存了一种车型的基础数据，当用户提问相关问题时，能匹配到对应车型的分段，然后模型从中获取到所需信息。 它可以被想象成一位 24 小时在线的 AI 老师、一个永不嫌烦的知识管家、一个不断成长的智慧宝库。里面藏着 AI 工具的“傻瓜式说明书”、大神们的“踩坑经验分享”、实用的“一招制胜”秘籍等宝贝。 在专家系统中，知识库代表某个问题领域的长期知识，是从人类专家那里人工提取的，不会因外部的咨询而改变，由于它允许从一个问题状态前往另一个问题状态，因此也被称为动态知识。 在飞书中，知识库的界面就像一张藏宝图，左边的导航栏是指南针，上面的搜索框是探宝雷达，中间的内容区是知识的海洋。开启宝藏的第一步是点击飞书链接（）。

AI 的发展历程可以大致分为以下几个阶段： 1. 起步阶段（20 世纪 50 年代 60 年代）：这一时期的研究重点是基于符号主义的推理和问题解决。 2. 低谷阶段（20 世纪 70 年代 80 年代）：由于计算能力和数据的限制，AI 的发展遭遇了挫折。 3. 复苏阶段（20 世纪 80 年代 90 年代）：专家系统等技术的出现推动了 AI 的发展。 4. 快速发展阶段（21 世纪初至今）：随着大数据、深度学习算法和强大计算能力的出现，AI 在图像识别、语音识别、自然语言处理等领域取得了显著成就。