Trae 是字节跳动旗下的 AI 原生编程工具，具有以下功能和特点： 1. 对国内用户友好：具有中国官网、中文界面、国内模型，稳定且快速。 2. 免费使用：无需购买会员，下载后可直接使用，支持豆包 1.5pro 和满血版 DeepSeek R1、V3 模型。 3. 内置预览插件：写完代码一键运行，所见即所得。 4. 功能丰富： 提供传统的 IDE 功能，如代码编写、项目管理、插件管理、源代码管理等。 具备智能问答功能，在编写代码时可随时与 AI 助手对话，获得代码解释、注释和错误修复等帮助。 提供实时代码建议，AI 助手能理解当前代码并实时提供建议，提升编程效率。 支持通过自然语言描述需求生成代码片段，甚至能编写项目级或跨文件的代码。 可以从 0 到 1 开发项目，告诉 AI 助手想开发的程序，它将提供相关代码或自动创建所需文件。 5. 提供两种模式：Chat 模式根据描述进行代码生成、解释、分析问题或解决问题；Builder 模式帮助从 0 开发一个完整的项目，对代码文件的任何更改都会自动保存。 下载地址：https://www.trae.ai/download ，支持 Mac 系统、Windows 系统，未来支持 Linux 系统。 使用方法： 1. 安装：下载完成后按照界面提示一步步安装。 2. 登录：安装完成后点击右侧登录按钮，若没有账号需先注册。登录时可能需要科学上网，网页登录成功后可关闭，再点击中间大按钮。 3. 进入客户端后，可在对话框右下角选择三种大模型：Claude3.5Sonnet、Claude3.7Sonnet、GPT4o 。 使用案例：如生成一个贪吃蛇游戏，在 Builder 模式下直接输入需求，排队完成后 Trae 进行思考和代码编写，期间需手动接入进行文件审查，全部接受后代码生成完成，Trae 自动运行命令启动页面，即可看到实现的游戏效果。

阿里的通义千问大模型在行业内处于领先水平。 通义千问 2.5 正式发布并开源 1100 亿参数模型，在多模态和专有能力模型方面影响力强大，始终坚持开源路线，已推出多款开源模型，受到开发者和生态伙伴的热情支持。百炼平台也升级支持企业 RAG 链路，提供更灵活的企业级检索增强服务。通义灵码推出企业版，满足企业定制化需求，已在多个领域落地应用。 Qwen2.5Max 基于 SFT 和 RLHF 策略训练，在多项基准如 Arena Hard、LiveBench、LiveCodeBench、GPQADiamond 上超越 DeepSeek V3，引发社区关注。支持官方 Chat、API 接口、Hugging Face Demo 等多种方式，展示其顶尖性能与灵活应用场景。 Qwen2.5VL 是新一代视觉语言模型，可解析 1 小时以上视频内容并秒级定位事件，识别从金融文档到通用物体，动态适配高分辨率图像。具备复杂任务执行能力，覆盖更多实际场景如票据解析、商业分析等。 10 月 31 日，阿里云正式发布千亿级参数大模型通义千问 2.0，8 大行业模型同步上线。

注册 Runway 的步骤如下： 1. 访问 Runway 网页：https://runwayml.com/ 。 2. 在网页右上角点击“Sign Up”进行注册。 3. 输入邮箱与基础信息，并完成邮箱验证，即可完成注册。 新注册用户会有 125 个积分进行免费创作（约为 100s 的基础 AI）。 此外，Runway 由一家总部位于旧金山的 AI 创业公司制作，其在 2023 年初推出的 Gen2 代表了当前 AI 视频领域最前沿的模型，能够通过文字、图片等方式生成 4s 左右的视频。Runway 致力于专业视频剪辑领域的 AI 体验，同时也在扩展图片 AI 领域的能力。目前 Runway 支持在网页、iOS 访问，网页端目前支持 125 积分的免费试用额度，iOS 则有 200 多，两端额度貌似并不同步，想要更多试用次数的朋友可以下载 iOS 版本。

WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库。2023 年 4 月 26 日诞生，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量。它是一个开源社区，大家贡献并整合各种 AI 资源，让人们能轻松学习 AI 知识、应用各类 AI 工具和实战案例等。社群的口号是让更多的人因 AI 而强大，有很多学社和共学共建的活动。打开“waytoagi.com”就可以找到社群。

以下是关于提示词技巧的综合内容： 在不同的工具中，提示词技巧有所不同： SD3： 提示词长度：可以传递非常长且描述性的提示，不再受限于 CLIP 文本编码器的 77 个 token 限制（可长达 10,000 个字符或超过 1,500 个单词）。 不要使用负面提示：SD3 没有对负面提示词进行训练，使用负面提示词不会像在 SD1.5 或 SDXL 中去除不想要的元素，反而会引入随机变化，使图像结果不稳定。 提示词的技巧：可以使用更长的提示短语，用逗号分割每个关键词。若要描述具体事物，在提示词中详细明确地描述出来，有助于 SD3 更好地理解。 Adobe Firefly： 明确且具体描述：在“文生视频（Text to Video）”和“图生视频（Image to Video）”中，尽量使用更多词汇具体描述光线、摄影、色彩、氛围和美学风格。提示词公式为：镜头类型描述+角色+动作+地点+美学风格。构建提示词时，建议限制主题数量，过多主题可能会让 Firefly 感到困惑。 PixVerse V2.5： 在上一篇基础公式“主体+主体描述+运动+环境”上进一步扩展，增加对各部分的详细描述，可使生成的视频更遵守提示词，更稳定且提升美感。例如“一只金色毛发的狗（描述主体）悠然自得地在阳光洒满的草地上行走，草叶轻轻地在它的爪下弯曲(详细描述环境和动作）。微风拂过，它的毛发随风轻动，时不时低下头嗅闻着大地。（进一步描述主体动作细节）远处，夕阳的余晖拉长了影子，营造出一种宁静祥和的氛围。（描述环境氛围）”

以下是从零开始学习 AI 的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（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，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，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，按照自己的节奏学习，并有机会获得证书。 3. 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），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 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自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，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，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得自己的成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

RAG（RetrievalAugmented Generation，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。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，适应事实随时间变化的情况，让语言模型获取最新信息并生成可靠输出。 LLM 存在无法记住所有知识（尤其是长尾知识）、知识易过时且不好更新、输出难以解释和验证、易泄露隐私训练数据、规模大导致训练和运行成本高等缺点，而 RAG 具有数据库存储和更新稳定、数据更新敏捷且可解释、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本等优点。 在 RAG 系统开发中存在 12 大痛点及相应的解决方案。

以下是一些可以画流程图的 AI 工具： 1. Lucidchart： 简介：强大的在线图表制作工具，集成了 AI 功能，可自动化绘制多种示意图，如流程图、思维导图、网络拓扑图等。 功能：拖放界面，易于使用；支持团队协作和实时编辑；有丰富的模板库和自动布局功能。 官网： 2. Microsoft Visio： 简介：专业的图表绘制工具，适用于复杂的流程图、组织结构图和网络图，AI 功能可帮助自动化布局和优化图表设计。 功能：集成 Office 365，方便与其他 Office 应用程序协同工作；有丰富的图表类型和模板；支持自动化和数据驱动的图表更新。 官网： 3. ： 简介：免费且开源的在线图表绘制工具，适用于各种类型的示意图绘制。 功能：支持本地和云存储（如 Google Drive、Dropbox）；有多种图形和模板，易于创建和分享图表；可与多种第三方工具集成。 官网： 您可以根据自己的需求选择适合的工具来绘制流程图。

以下是快速生产训练语料的一些方法： 1. 在 LORA 模型训练中： 首先在脚本的 LoraTraining 目录下新建训练文件夹命名为 train。 如果需要训练多个概念，就在（input_角色名称）下面再新建一个文件夹，命名写（训练次数_角色名称_泳装）进行文件夹区分。 在脚本根目录下面建立一个训练文件夹（train），在（train）文件夹内建立一个概念文件夹和一个正则化文件夹（reg，不需要正则化可不建立），在概念文件夹内建立训练素材文件夹（训练素材文件夹前面的需要加“_”你想训练的次数）之后将训练素材放置进去即可。 正则化素材方面，正则化在深度学习中指的是给模型加一些规则和约束，限制要优化的参数有效防止过拟合。假设在训练集里面放入了一个泳装角色的训练素材，那么为了防止过拟合的问题，在正则化文件夹内放入一些同样是泳装的图片素材。正则化素材注意不要过多，不然机器会过多的学习到里面的素材导致跟训练目标角色不一致。 2. 对于神经网络大模型： 大模型生成文字的过程，是根据输入的文字，预测下一个字。通过一次又一次反复的调用同一个神经网络模型，一个一个字的往后续写，直到输出结束符号为止。 大模型的输出并不是一个字，而是所有字都输出一个概率。可以选择最高概率的或者第二高的汉字作为输出结果，也可以从前几名当中随机挑选。 可以将任何网络上的文本直接当作训练素材来训练神经网络模型。把任意一段文字的前几个字作为输入，而下一个字作为答案用做训练素材，从而方便地得到大量的训练素材。 3. 在雅思口语备考中： 如果时间充裕，建议把每个 topic 的问题喂给 GPT，让它一道道问您，您回答，然后转成文本查看发音问题。 让 GPT 对您的内容执行 correct 或者 another native answer 两个指令。前者可以基于您的内容做修正，后者是在自己完全没思路时让它给出答案。 对语料进行分类归纳，如按照教育、工作、购物、科技、消费分成几大类，再弄吃、环保、交通、历史等专题，挑最不熟悉、现场水不出来的准备。考前 1 小时，再顺一遍语料，多看两眼关键表达。

文本嵌入模型主要用于衡量文本字符串的相关性，常见应用场景包括搜索（结果按与查询字符串的相关性排序）、聚类（文本字符串按相似性分组）、推荐（推荐具有相关文本字符串的项目）、异常检测（识别出相关性很小的异常值）、多样性测量（分析相似性分布）、分类（文本字符串按其最相似的标签分类）。 嵌入是浮点数的向量（列表），两个向量之间的距离衡量它们的相关性，小距离表示高相关性，大距离表示低相关性。 OpenAI 提供了一个第二代嵌入模型（在模型 ID 中用 002 表示）和 16 个第一代模型（在模型 ID 中用 001 表示）。对于几乎所有用例，建议使用 textembeddingada002，它更好、更便宜、更易于使用。 要获得嵌入，需将文本字符串连同选择的嵌入模型 ID（例如，textembeddingada002）一起发送到嵌入 API 端点，响应将包含一个嵌入，您可以提取、保存和使用它。在中可查看更多 Python 代码示例。 此外，Stable Diffusion 使用 CLIP 来处理文本提示，用户输入的文本描述通过 CLIP 模型编码为一个文本嵌入，这个嵌入表示了文本的语义信息，确保模型理解用户想要生成的图像内容。CLIP 在引导图像生成、优化生成结果等方面也发挥着重要作用。