以下是关于可灵视频提示词的写法： 1. 上传基础视频： 点击页面下方的【Pikaddition】按钮。 拖拽或点击上传本地视频。 若自己没有视频，可在“templates”板块使用官方示例视频做测试。 2. 添加主角图片：点击【Upload Image】上传角色图片文件。 3. 编写视频提示词： 若需要参考角色在视频里的相关互动，需在输入框用英文描述期望效果（支持 Emoji 辅助），然后点击生成按钮。 Pika 会提供一段默认 prompt，若无特殊想法，可直接使用。 建议在自己的提示词尾部加入官方提供的默认提示词，效果会更好。 提示词公式参考： 事件驱动句式：As... 空间锁定技巧：使用场景物体作坐标轴：on the.../behind the.../from the... 动态呼应原则：角色动作与视频元素联动：swaying with.../reacting to.../matching... 核心逻辑：Pikadditions 的核心功能是用户上传实拍视频和角色图片，AI 将角色动态融入视频中。因此，提示词需要具体描述角色在视频中的动作、互动和场景匹配。 此外，对于 Adobe Firefly 的提示词技巧： 明确且具体描述，尽量使用更多词汇来具体描述光线、摄影、色彩、氛围和美学风格。 提示词公式：镜头类型描述+角色+动作+地点+美学风格。 镜头类型描述：相机的视角是什么？它是如何移动的？示例：“一个特写镜头，缓慢推近。” 角色描述：角色是谁？他们长什么样子？他们穿着什么？他们的情绪如何？示例：“一只体型庞大的北极熊，拥有明亮的白色毛皮，看起来若有所思。” 动作：角色在场景中做什么？示例：“北极熊正轻柔而自信地走向它之前在冰面上打开的一个洞，准备在冰面下捕猎。” 地点：角色在哪里？天气如何？地形是怎样的？示例：“地点是一片荒凉的雪地；远处灰蒙蒙的云朵缓慢移动。” 美学风格：这是什么类型的镜头？氛围是怎样的？景深如何？示例：“电影感、35mm 胶片、细节丰富、浅景深、散景效果。” 构建提示词时，建议限制主题数量，过多的主题（超过四个）可能会让 Firefly 感到困惑。

以下是关于开发者 AI 的一些知识： 一个 9 岁小男孩创建了“超级飞机百科”的 AI 机器人，它是飞机专家，能通过语音、文字等形式对话，呈现多种形式的内容，通过识别对话内容等实现智能搜索、归纳总结，以多维度呈现答案，涵盖飞机的类型、构造、原理、飞行技术等方面。其技术实现原理包括设定人设与回复逻辑，添加“抖音视频/get_vedio”和“必应搜索/bingWebSearch”插件实现搜索调用功能，添加文本和表格实现个性化问题的调用解答。 Inworld AI 可以使 NPC 能够自我学习和适应，具有情绪智能。它具有实时语音功能，可配置安全性、知识、玩家档案、关系和第四堵墙等功能，能与各种游戏引擎和其他游戏开发工具无缝对接，还能帮助品牌创建交互性强的 AI 角色，无需编码。 关于被动学习，如像 GPT 这类工具能帮助用户提出更好的问题，具有追问和上下文功能，普通人可基于上下文不断追问提出更好的问题，但在追问过程中用户可能会放弃，需要在产品中做好引导。

以下为一些常见的模型： 智谱·AI 开源模型： WebGLM10B：利用百亿参数通用语言模型（GLM）提供高效、经济的网络增强型问题解答系统，旨在通过将网络搜索和检索功能集成到预训练的语言模型中，改进现实世界的应用部署。代码链接： WebGLM2B：代码链接： MathGLM2B：在训练数据充足的情况下，20 亿参数的 MathGLM 模型能够准确地执行多位算术运算，准确率几乎可以达到 100%，其结果显著超越最强大语言模型 GPT4 在相同测试数据上 18.84%的准确率。代码链接： MathGLM500M：模型下载： MathGLM100M：模型下载： MathGLM10M：模型下载： MathGLMLarge：采用 GLM 的不同变体作为骨干来训练 MathGLM，包括具有 335M 参数的 GLMlarge 和 GLM10B。此外，还使用 ChatGLM6B 和 ChatGLM26B 作为基座模型来训练 MathGLM。这些骨干模型赋予 MathGLM 基本的语言理解能力，使其能够有效理解数学应用题中包含的语言信息。模型下载： OpenAI 模型： GPT4 Beta：一组改进 GPT3.5 的模型，可以理解和生成自然语言或代码 GPT3.5：一组改进 GPT3 的模型，可以理解并生成自然语言或代码 DALL·E Beta：可以在给定自然语言提示的情况下生成和编辑图像的模型 Whisper Beta：可以将音频转换为文本的模型 Embeddings：一组可以将文本转换为数字形式的模型 Codex Limited Beta：一组可以理解和生成代码的模型，包括将自然语言转换为代码 Moderation：可以检测文本是否敏感或不安全的微调模型 GPT3：一组可以理解和生成自然语言的模型 Qwen 2 模型： 包括 5 种尺寸的预训练和指令调整模型，分别是 Qwen20.5B、Qwen21.5B、Qwen27B、Qwen257BA14B 和 Qwen272B。 除英语和中文外，还接受过另外 27 种语言的数据训练。 在大量基准评估中表现出最先进的性能，代码和数学性能显著提高，全面超越 llama3。 增大了上下文长度支持，最高达到 128K tokens（Qwen272BInstruct）。其中 72B 和 7B 可处理 128k 上下文，57BA14B 可处理 64k 上下文，0.5B 和 1.5B 可处理 32k 上下文。 在 MMLU、GPQA、HumanEval、GSM8K、BBH、MTBench、Arena Hard、LiveCodeBench 等国际权威测评中，Qwen272B 获十几项世界冠军，超过美国的 Llama3。

当前国内的 AIGC 应用主要有以下一些： 语言文本生成类： “悟道・天鹰”（北京智源人工智能研究院）：首个具备中英文双语知识、支持商用许可协议、国内数据合规需求的开源语言大模型。 文心一言（百度）：大语言模型，可用以文学创作、商业文案创作、数理逻辑推算、中文理解、多模态生成。

以下是一些接入微信消息的 Coze 工作流案例： 1. 【拔刀刘】自动总结公众号内容，定时推送到微信（附完整实操教程） 搭建工作流： 设置 Bot： 人设和回复逻辑：由于 Bot 主要依托于工作流，设置提示词，直接调用工作流，将 sum_weixin_2_2 替换为工作流的名称。 工作流：添加刚刚创建的工作流。 设置触发器：选择「定时触发」，选择触发的时间，比如每天 18 点，任务执行时输入工作流中开始节点的输入参数，如 key 为 Server 酱的 sendkey，rss_list 可以使用提供的测试数据。触发器在设定时间点根据输入项内容执行工作流，从而在微信收到推送的总结内容。可以同时设置多个触发器，最多 10 个，可推送给不同的人或分不同时间段给自己推送不同内容。 发布到飞书：点击右上角「发布」，注意渠道选择飞书，因为目前 Coze 平台触发器只对飞书渠道生效。 2. AI 实战：搭建信息情报官 Agent 先在 http://open.feishu.cn 上建飞书机器人，并添加知识库或多维表格编辑权限，获得机器人的 app_id 和 app_secret 以获取租用 token:tenant_access_token 来获取多维表格数据和编辑能力。 工作流一：通过微信文章链接进行文章解读成摘要报告，通过 LLM 能力，开源提示词如下。由于 Coze 使用 LLM 和批量执行任务延时的约束，建议不要同时处理太多文章（如 6 篇左右）。执行后将多维表格的文章状态转换成“已通知”并生成简报。 消息情报官 Bot：通过 Coze 建定时任务，执行工作流二，并添加其他如分析文章和搜索文章的能力，变成一个消息情报官的 Agent，发布到 Coze 商店、豆包、飞书、微信、微信公众号、微信小程序等。可以构建多个分身，收集整理不同领域和行业的情报信息。 3. Bot 智能体|用 Coze 实现【多模态资讯的跨平台推送】 技术实现原理： Coze API 接入微信群 Bot：登录宝塔面板，在宝塔面板当中可视化控制云服务器，部署 docker 容器，启动 COW 项目与微信取得关联。chatgptonwechat（简称 CoW）项目是基于大模型的智能对话机器人，可以接入微信公众号、企业微信应用、飞书、钉钉，可选择多种模型，能处理文本、语音和图片，通过插件访问操作系统和互联网等外部资源。点击“Docker”中的“项目模板”中的“添加”按钮，将编译好的内容复制进来，在容器中创建容器，选择容器编排，填入模板和名称，确定。运行成功后点击容器，可看到运行的是两个服务，点击“wcandyaibot”后面的日志按钮，用微信扫码，手动刷新日志，看到 WeChat login success 即成功将 Bot 接入微信。

以下是关于 Coze 工作流从入门到实操的相关资料： 一、一泽 Eze 的教程 Step 1：制定任务的关键方法 1. 设计每个子任务的执行方法 阅读理解小作业：基于英文原文，精心策划 3 道符合 CET4 难度的阅读理解题目。每道题均提供 A、B、C、D 四个选项，正确答案所在选项顺序随机，题目和选项均以英文呈现。题目的参考格式如下： 1） A. B. C. D. 参考答案：针对 3 道题目，生成题目答案。预期格式如下： 1） 答案： 2） 答案： 3） 答案： 英文音频：根据原文，利用 TTS 技术朗读全文 全文对照精读：根据原文，按照以下格式，分段完成全文精读结果的输出： 音标： 中文释义： 英文例句： 例句翻译： 二、大圣的教程 二、Coze 使用教程 1. 工作流AI Agent 的内功心法 节点：工作流是由多个节点构成，节点是组成工作流的基本单元。节点的本质就是一个包含输入和输出的函数。 Coze 平台支持的节点类型： LLM（大语言模型）：使用输入参数和提示词生成处理结果。 Code（代码）：通过 IDE 编写代码处理输入参数，并返回输出值。 Knowledage（知识库）：根据输入参数从关联知识库中召回数据，并返回。 Condition（条件判断）：ifelse 逻辑节点，用于设计工作流内的分支流程，根据设置条件运行相应的分支。 Variable（获取变量）：从 Bot 中获取变量作为参数在工作流中使用。 Database（数据库）：在工作流中使用提前配置在 Bot 数据库中的数据。 2. 创建和使用工作流 这一块官方有现成的教程参考： 海外参考文档：https://www.coze.com/docs/zh_cn/use_workflow.html 国内参考文档：https://www.coze.cn/docs/guides/use_workflow 国内版本还提供了一些示例，学习工作流强烈建议大家跟着实操一遍： 搜索新闻：https://www.coze.cn/docs/guides/workflow_search_news 使用 LLM 处理问题：https://www.coze.cn/docs/guides/workflow_use_llm 生成随机数：https://www.coze.cn/docs/guides/workflow_use_code 搜索并获取第一个链接的内容：https://www.coze.cn/docs/guides/workflow_get_content 识别用户意图：https://www.coze.cn/docs/guides/workflow_user_intent 三、蓝衣剑客的教程 三、Coze 简介 1. 工作流 在典型应用场景中，入门级场景可能仅添加一个节点来构建简单工作流。例如，使用获取新闻插件构建一个获取新闻列表的工作流；使用大模型节点接收并处理用户问题等。 更进阶的场景则通过多个节点组合构建逻辑较复杂的工作流。例如，在搜索并获取指定信息详情的场景中，先通过插件能力进行关键词搜索、然后通过代码节点过滤指定信息、最后通过插件能力获取信息详情；或者在通过条件判断识别用户意图的场景中，通过大模型节点处理用户消息，并将消息分类后通过条件节点分别处理不同类型的消息。这些详细配置教程提供了实际操作指南以帮助理解和应用各种功能。

以下是关于提示词生成工具的相关信息： Midjourney 提示词生成器： 仿照 GPTs 里的 MJ prompt 改了一版提示词，可用于 coze 或其他国内的 agent。 对节点无要求，画插图可不切节点，不挑模型，基本都能用。 方便之处在于若提示词懒得写全，可让 agent 补全润色，粘贴即可。 测试画面示例： 一个巨大鲸鱼头部的特写，鲸鱼的眼睛显示疲惫的神情，一个小女孩站在鲸鱼的旁边抚摸鲸鱼的脸，小女孩占画面比例很小，体现鲸鱼的巨大，吉卜力工作室风格。 一个乌克兰女孩的黑白写真照。 一个大型交响乐团在音乐厅里演奏。 Prompt 网站精选： 图像类 Prompt 网站： AIart 魔法生成器：中文版的艺术作品 Prompt 生成器， IMI Prompt：支持多种风格和形式的详细的 MJ 关键词生成器， MidJourney Prompt Tool：类型多样的 promot 书写工具，点击按钮就能生成提示词修饰部分， Prompt Hero：好用的 Prompt 搜索，Search prompts for Stable Diffusion,ChatGPT&Midjourney， img2prompt：根据图片提取 Prompt， PromptBase：Prompt 交易市场，可以购买、使用、销售各种对话、设计 Prompt 模板， NovelAI tag 生成器：设计类 Prompt 提词生成器， 魔咒百科词典：魔法导论必备工具，简单易用的 AI 绘画 tag 生成器， KREA：设计 AI 的 Prompt 集合站，create better prompts， 【SD】自动写提示词脚本 One Button Prompt： 在插件下方可添加提示词增加控制，如规定所画必须是猫或标准化质量提示词，帮助获得更符合期望的图片。 随机抽出的图像有好有坏，能启发灵感。 大模型换成二次元“AnythingV5”，主题设定为“人物”，在覆盖主题处填入相关提示词，如“一个肥胖的人”，其他全随机。 可通过图生图控制，如给定垫图，能联想构图和姿态相似的随机图片，相比图生图直接联想，图生图与原图相似度更高，此插件更天马行空。 设定主题“风景”，正向提示词给“房子”，在“工作流协助”中点击“生成一些提示词”，会随机生成 5 段提示词，任选一张发送到上方点击生成，渲染出来效果风格各异，可进行提示词修改调整。

写好一个 prompt 可以参考以下建议： 1. 明确任务：清晰地定义任务，比如写故事时应包含背景、角色和主要情节。 2. 提供上下文：若任务需要特定背景知识，要在 prompt 中提供足够信息。 3. 使用清晰语言：尽量用简单、清晰的表述，避免模糊或歧义词汇。 4. 给出具体要求：如有特定格式或风格要求，在 prompt 中明确指出。 5. 使用示例：若有期望结果，可在 prompt 中提供示例，帮助 AI 模型理解需求。 6. 保持简洁：避免过多信息，以免 AI 模型困惑，导致生成不准确结果。 7. 使用关键词和标签：有助于 AI 模型理解任务主题和类型。 8. 测试和调整：生成文本后仔细检查结果，根据需要调整 prompt，可能需要多次迭代达到满意效果。 此外，在 Claude 3.5 中，一个“汉语新解”的 prompt 爆火，其写法使用了伪代码，让人们意识到 prompt 可以有新奇的写法。Anthropic 公司几位负责提示词的工程师们也对如何写好 prompt 进行了讨论。 在即梦 AI 视频生成中，prompt 是直接描述或引导视频生成的文本或指令，类似给 AI 的提示，包含主体、运动、风格等信息，作用十分重要，是表达需求的方式，影响视频内容和质量。您可以将其理解为把输入的文字变成对应的画面和运动形式。同时要注意在不同的生成方式（如图片生视频、文本生视频）中 prompt 的输入位置。

Agent 和 AGI 的区别主要体现在以下几个方面： Agent（智能体）： 是执行特定任务的 AI 实体。 拥有复杂的工作流程，可以自我对话，无需人类驱动每一部分的交互。 由大型语言模型、记忆、任务规划以及工具使用等部分组成。 例如在斯坦福 25 人小镇案例中有所应用。 AGI（人工通用智能）： 强调的是具备像人类一样广泛和通用的智能能力。 追求能够在各种不同的任务和领域中表现出高度智能的水平。 总的来说，Agent 更侧重于特定任务的执行和特定功能的实现，而 AGI 则是一个更宏观和全面的概念，旨在实现广泛的通用智能。

智能体（Agent）和工作流（Workflow）的区别主要体现在以下几个方面： 1. 定义和功能： 智能体是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 工作流是通过预定义代码路径来编排 LLM 和工具的系统。 2. 运行方式： 智能体可以长期独立运行，是全自动的系统，能使用各种工具完成复杂任务。 工作流中的子任务是人为编排的，属于手动编排。 3. 组成和特点： 工作流中的每个组块可以看成是一个函数，包括传统函数、调用第三方服务的函数和基于 LLM 的函数。由这三类函数组合而成的工作流被称为超函数，它不同于传统函数，形式上是用自然语言编写的程序，功能上可以模拟人的高阶思维。 智能体在架构上与工作流有所区分，其更强调自主性和动态性。 在实际应用中，工作流的灵活性和可控性能够将智能体能力的天花板往上顶一大截，例如可以在流程中加入人类 Knowhow、进行专家测试试跑、引入图的概念灵活组织节点等。评价一个 Agent 平台好不好用，可以从基座模型的 function calling 能力、workflow 的灵活性以及平台创作者的 workflow 编写水平等方面考量。