以下是关于将数据分析转成可视化图的相关内容： 实践 1：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 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 轴图形。 打开数据集，分析数据： 发现第一行有着 Formatted Date，Precip Type，Temperature 表头，这三列与数据可视化目的明显关联，Formatted Date 数据提取整理后可作横坐标，Precip Type 数据反映月降雨天数，Temperature 数据反映气温趋势。 新建 python 文件，开始编程： 选择 python 文件，命名保存。 调用库： 读取数据：文件格式为 csv，可用 pandas 库。 数据处理：处理出 x 轴及有关气温、降雨的数据。 创建图表、添加标题与图例、保存并显示图形。 试运行与 Debug： 可能出现左纵坐标数据明显有误的情况，如降雨天数数值过大。原因是一天记录了多个时刻的天气状况，而写代码时未考虑，直接把出现“rain”的都记录了进去。 给 MarsCode 说明问题，重新生成代码，结果符合预期，可视化目的实现。 ChatGPT 助力数据分析：实际案例与技巧 问题与技巧： 公用逻辑： 在 user prompt 限定 SQL 和数据分析及其返回格式，不用 system prompt 的原因：一是 system prompt 已承载表结构信息；二是 user prompt 遵循力度更高。 分开定义单维度数据和多维度数据的 prompt，而不直接丢给让 GPT 判断的原因：存在两种结果导向的 prompt 约有 50%几率 GPT 会犯傻，最好在发送请求前用条件运算符区分格式的 prompt，代码判断后决定使用。 前端渲染图表：SQL 分析的接口或个性化分析解析的数据文件所获得的 tableData，其格式与渲染表格的格式一样为对象数组。让 GPT 判断出对象的 key 值映射：keyMap，得知维度、数据项、数据值的 key，就可拿到并处理成图表所需的 series、xAxis。 流程： 第一个 user prompt：限定 SELECT SQL，要求不要用 SELECT查询全部列，仅回复一条 SELECT SQL 语句，至少查询两列：数据项、数据值，且不能直接查询长类型字段。 system prompt 是表结构信息，如有难以理解的字段可告知 GPT 字段意义，多个表可分开描述。 校验 GPT 生成的 SQL，不通过直接返回提示，通过再执行 SQL 查询数据。 数据分析的 user prompt：提示数据分析，限定返回的 JSON 格式：conclusion、keyMap、title。采取分开定义单维度数据和多维度数据的 prompt，根据结果数据 tableData 的维度，用条件运算符选择对应的 prompt，再传递给 GPT。 结果数据 tableData 跟随接口一起返回到前端，已通过 SQL 查询的数据，不能让 GPT 又生成一次。

以下是关于生成可视化图的相关内容： Tusiart 简易上手教程 定主题：明确生成图片的主题、风格和要表达的信息。 选择基础模型 Checkpoint：根据主题选择贴近的模型，如麦橘、墨幽的系列模型。 选择 lora：寻找与生成内容重叠的 lora，以控制图片效果和质量。 ControlNet：可控制图片中特定图像，如人物姿态、特定文字等，此为高阶技能。 局部重绘：下篇再教。 设置 VAE：选择 840000 即可。 Prompt 提示词：用英文写需求，使用单词和短语组合，用英文半角逗号隔开。 负向提示词 Negative Prompt：用英文写避免产生的内容，同样用单词和短语组合，用英文半角逗号隔开。 采样算法：一般选 DPM++2M Karras，也可参考模型作者推荐的采样器。 采样次数：选 DPM++2M Karras 时，采样次数在 30 40 之间。 尺寸：根据个人喜好和需求选择。 实践 1：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 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 轴图形。 打开数据集，分析数据：发现与数据可视化目的有关联的列，提取关键数据。 新建 python 文件，开始编程： 调用库。 读取数据：文件格式为 csv，可用 pandas 库。 数据处理：处理出 x 轴、气温和降雨的数据。 创建图表、添加标题与图例、保存并显示图形。 试运行与 Debug：若结果有误，重新分析数据集和生成代码。 无需程序员！2025 最新 AI 玩法：3 步 PDF 变可交互网页，效果碾压 PPT 生成 PDF：将文件转换为 pdf 格式，注意图片处理方式，网络图片复制 url，自己的图片使用图床服务托管生成公链，插入视频需获取公网视频地址并用 markdown 格式写入。

对于一个小白，通过本网站学习和应用 AI 赋能工作，可以参考以下详细方案： 一、了解 AI 基本概念 首先，建议阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，这些文章通常会介绍 AI 的历史、当前的应用和未来的发展趋势。 二、开始 AI 学习之旅 在「」中，您将找到一系列为初学者设计的课程。这些课程将引导您了解生成式 AI 等基础知识，特别推荐李宏毅老师的课程。通过在线教育平台（如 Coursera、edX、Udacity）上的课程，您可以按照自己的节奏学习，并有机会获得证书。 三、选择感兴趣的模块深入学习 AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。建议您一定要掌握提示词的技巧，它上手容易且很有用。 四、实践和尝试 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 五、体验 AI 产品 与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 六、在网站中引入 AI 助手 1. 创建大模型问答应用：先通过百炼创建一个大模型应用，并获取调用大模型应用 API 的相关凭证。 2. 搭建示例网站：通过函数计算，来快速搭建一个网站，模拟您的企业官网或者其他站点。 3. 引入 AI 助手：接着通过修改几行代码，实现在网站中引入一个 AI 助手。 4. 增加私有知识：最后可以通过准备一些私有知识，让 AI 助手能回答原本无法准确回答的问题，帮助您更好的应对客户咨询。 七、推荐布鲁姆分类法学习路径 应用：深入 分析：大量阅读，理解各知识之间的关系。

以下是一些提示词模板相关的资源和信息： 相关网站： Majinai： 词图： Black Lily： Danbooru 标签超市： 魔咒百科词典： AI 词汇加速器： NovelAI 魔导书： 鳖哲法典： Danbooru tag： AIBooru： Civitai： 在 PromptLayer 网站创建提示词模板的过程： 首先登录 PromptLayer 的网站（https://promptlayer.com/createaccount）并创建一个账号，新创建的账号默认是 Free 方案，有 1000 次免费请求，足够测试使用。 第二步，开始创建提示词：账号创建完毕后，跳转到”Registry“菜单中，开始提示词模板创建流程。 当点击“Create Templates”按钮后，会出现提示词模板编写界面。 页面主要功能： Title：为提示词设定的名称。 System 提示词：是系统级提示词，用于指导和规范模型的行为，是主要编辑区域。 User 提示词：属于用户先行动作设定提示词，常用于表述用户的交互动作。 Assistant 提示词：一般是模型输出的内容，也可通过人工编写模拟模型的回复。User&Assistant 提示词一般在专家模式使用，合理使用可模拟多轮对话效果，帮助调试提示词。 Parameters：可选择和设置使用何种模型进行调试，提供一些模型的基本参数，可用来进一步调教模型的回复。

以下是关于提示词的全面介绍： 一、提示词的基本概念 提示词用于描绘您想要的画面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 二、如何写好提示词 1. 预设词组：小白用户可以点击提示词上方官方预设词组进行生图。 2. 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 3. 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 4. 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可对已有的提示词权重进行编辑。 5. 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 三、提示词要素 提示词可以包含以下任意要素： 1. 指令：想要模型执行的特定任务或指令。 2. 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 3. 输入数据：用户输入的内容或问题。 4. 输出指示：指定输出的类型或格式。 四、提示工程与提示词的区别 提示工程是一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。其关键点包括精确性、创造性、迭代、上下文理解。提示词通常指直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

DeepSeek 是一家具有独特特点和影响力的公司： 1. 其秘方具有硅谷风格： 早在 2024 年 5 月 DeepSeekV2 发布时，以多头潜在注意力机制（MLA）架构的创新在硅谷引发小范围轰动，而在国内被描摹成“大模型价格战的发起者”，形成平行时空的感觉。 已成为中国最全球化的 AI 公司之一，赢得全球同行甚至对手尊重的秘方也是硅谷味儿的。 2. V3 可能是 DeepSeek 的 GPT3 时刻，未来发展充满未知但值得期待。 3. 关于提示词 HiDeepSeek： 效果对比：可通过 Coze 做小测试对比。 使用方法：包括搜索 www.deepseek.com 点击“开始对话”、发送装有提示词的代码、阅读开场白后正式开始对话等步骤。 设计思路：将 Agent 封装成 Prompt 并储存在文件以减轻调试负担，通过提示词文件让 DeepSeek 实现同时使用联网和深度思考功能，优化输出质量并减轻 AI 味增加可读性，设计阈值系统但可能形式大于实质后续或修改，用 XML 进行规范设定而非 Lisp 和 Markdown。 完整提示词：v 1.3。 特别鸣谢：李继刚的【思考的七把武器】提供思考方向，Thinking Claude 是设计灵感来源，Claude 3.5 Sonnet 是得力助手。

以下是关于 AI 提示词的相关信息： 存在“PUA 式”的 AI 提示词，如 Codeium & Windsurf 的相关提示词，以虚构的道德胁迫和极端情景迫使 AI 生成高质量代码，引发网友反感。 有一些关于提示词的项目合集，如 Awesome DeepSeek Integrations 项目，可帮助开发者启发灵感和探索新的 AI 应用场景。 对于 SD 新手，有以下提示词相关资源：Majinai、词图 PromptTool AI 绘画资料管理网站、Black Lily、Danbooru 标签超市、魔咒百科词典、AI 词汇加速器、NovelAI 魔导书、鳖哲法典、Danbooru tag、AIBooru 等。 在星流一站式 AI 设计工具中： 提示词用于描绘画面，输入语言支持中英文，通用大模型与基础模型 F.1、基础模型 XL 使用自然语言，基础模型 1.5 使用单个词组。 写好提示词要做到内容准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等；可调整负面提示词帮助 AI 理解不想生成的内容；利用“加权重”功能让 AI 明白重点内容；还可使用预设词组、辅助功能，如翻译、删除所有提示词、会员加速等。启用提示词优化能扩展提示词，更生动地描述画面内容。

以下是关于如何通过 AI 进行软件测试以及相关好用的 AI 工具和详细步骤的介绍： 一、基于规则的测试生成 1. 测试用例生成工具 Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试，适用于.NET 应用。 2. 模式识别 Clang Static Analyzer：利用静态分析技术识别代码模式和潜在缺陷，生成相应的测试用例。 Infer：Facebook 开发的静态分析工具，自动生成测试用例，帮助发现和修复潜在错误。 二、基于机器学习的测试生成 1. 深度学习模型 DeepTest：利用深度学习模型生成自动驾驶系统的测试用例，模拟不同驾驶场景，评估系统性能。 DiffTest：基于对抗生成网络（GAN）生成测试用例，检测系统的脆弱性。 2. 强化学习 RLTest：利用强化学习生成测试用例，通过与环境交互学习最优测试策略，提高测试效率和覆盖率。 A3C：基于强化学习的测试生成工具，通过策略梯度方法生成高质量测试用例。 三、基于自然语言处理（NLP）的测试生成 1. 文档驱动测试生成 Testim：AI 驱动的测试平台，通过分析文档和用户故事自动生成测试用例，减少人工编写时间。 Test.ai：利用 NLP 技术从需求文档中提取测试用例，确保测试覆盖业务需求。 2. 自动化测试脚本生成 Selenium IDE + NLP：结合 NLP 技术扩展 Selenium IDE，从自然语言描述中生成自动化测试脚本。 Cucumber：使用 Gherkin 语言编写的行为驱动开发（BDD）框架，通过解析自然语言描述生成测试用例。 四、基于模型的测试生成 1. 状态模型 GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Spec Explorer：微软开发的模型驱动测试工具，通过探索状态模型生成测试用例。 2. 场景模拟 Modelbased Testing ：基于系统模型自动生成测试用例，覆盖各种可能的操作场景和状态转换。 Tosca Testsuite：基于模型的测试工具，自动生成和执行测试用例，适用于复杂应用的端到端测试。 五、实践中的应用示例 1. Web 应用测试：使用 Testim 分析用户行为和日志数据，自动生成高覆盖率的测试用例，检测不同浏览器和设备上的兼容性问题。 2. 移动应用测试：利用 Test.ai 从需求文档中提取测试用例，确保覆盖关键功能和用户路径，提高测试效率和质量。 3. 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例，确保覆盖所有可能的状态和操作场景，检测系统的边界情况和异常处理能力。 六、好用的 AI 工具 Testim：AI 驱动的自动化测试平台，生成和管理测试用例。 Test.ai：基于 NLP 技术的测试用例生成工具，适用于移动应用和 Web 应用。 DeepTest：利用深度学习生成自动驾驶系统测试用例。 GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试。 希望以上内容对您有所帮助。

以下是关于给 AI 描述相关概念时的一些指令示例： 在法律法规方面，如《人工智能法案》中，指令包括发布年度报告以评估法规实施情况、审查严重事件报告、协助建立监管沙箱、组织与相关机构的会议和咨询等。 对于 Midjourney 生成 UI 界面，若指定生成某个页面（如首页、登录页等），可添加页面指令描述，如“landing page”“Profile Page”等。对于社交平台，关键词“landing page”可生成社交平台的登录页设计；对于信息类，关键词“Profile Page”可生成人力资源类产品的个人资料页。 需要注意的是，目前 Midjourney 产出的设计图更适合在 APP 设计的初始阶段提供灵感和创意，直接落地开发仍有距离，但随着 AI 技术的迭代，这种距离有望缩短。

提示词相关知识如下： 1. 什么是提示词： 用于描绘您想生成的画面。 输入语言方面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。 启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 2. 如何写好提示词： 可以点击提示词上方官方预设词组进行生图。 提示词内容要准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词，点击提示框下方的齿轮按钮，弹出负面提示词框，负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 利用“加权重”功能，让 AI 明白重点内容，可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先，也可对已有的提示词权重进行编辑。 辅助功能包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。 3. 提示词要素： 指令：想要模型执行的特定任务或指令。 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 输入数据：用户输入的内容或问题。 输出指示：指定输出的类型或格式。 4. 提示工程与提示词的区别： 提示工程是人工智能领域中，特别是在自然语言处理和大型语言模型的上下文中一个相对较新的概念，涉及设计和优化输入提示，以引导 AI 模型生成特定类型的输出或执行特定的任务。其关键点包括精确性、创造性、迭代、上下文理解。 提示词通常指的是直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。提示工程是一个更广泛的概念，不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化 AI 模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对 AI 模型的深入分析、用户研究、以及对特定任务的定制化提示设计。