以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。

以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。

以下是一些常见的 AI 术语解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。属于技术范畴。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。属于通识范畴。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。属于技术范畴。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。属于技术范畴。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。属于通识范畴。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。属于技术范畴。 TPU（张量处理单元）：谷歌开发的一种微处理器，专门用于加速机器学习工作负载。属于技术范畴。 Training Data（训练数据）：用于训练机器学习模型的数据集。属于技术范畴。 Transfer Learning（迁移学习）：机器学习中的一种方法，其中对新问题使用预先训练的模型。属于技术范畴。 Validation Data（验证集）：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。用于调整模型的超参数（即架构，而不是权重）。属于技术范畴。 Knowledge Distillation（数据蒸馏）：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。属于技术范畴。 RAG（检索增强生成）：检索增强生成。属于技术范畴。 Forward Propagation（前向传播）：在神经网络中，输入数据被馈送到网络并通过每一层（从输入层到隐藏层，最后到输出层）以产生输出的过程。网络对输入应用权重和偏差，并使用激活函数生成最终输出。属于技术范畴。 Foundation Model（基础模型）：在广泛数据上训练的大型 AI 模型，旨在适应特定任务。属于技术范畴。 GAN（通用对抗网络）：一种机器学习模型，用于生成类似于某些现有数据的新数据。使两个神经网络相互对抗：一个“生成器”，创建新数据，另一个“鉴别器”试图将数据与真实数据区分开来。属于技术范畴。 Generative AI/Gen AI（生成式 AI）：AI 的一个分支，专注于创建模型，这些模型可以根据现有数据的模式和示例生成新的原创内容，例如图像、音乐或文本。属于通识范畴。 GPU（图形处理单元）：一种特殊类型的微处理器，主要用于快速渲染图像以输出到显示器。在执行训练和运行神经网络所需的计算方面也非常高效。属于产品范畴。

目前有一些可以根据描述生成特定内容的 AI 应用和方法。例如： 在法律领域，您可以提供【案情描述】，按照给定的法律意见书模板生成法律意见书。例如针对商业贿赂等刑事案件，模拟不同辩护策略下的量刑结果，对比并推荐最佳辩护策略，或者为商业合同纠纷案件设计诉讼策略等。 在 AI 视频生成方面，有结构化的提示词模板，包括镜头语言（景别、运动、节奏等）、主体强化（动态描述、反常组合等）、细节层次（近景、中景、远景等）、背景氛围（超现实天气、空间异常等），以及增强电影感的技巧（加入时间变化、强调物理规则、设计视觉焦点转移等）。 一泽 Eze 提出的样例驱动的渐进式引导法，可利用 AI 高效设计提示词生成预期内容。先评估样例，与 AI 对话让其理解需求，提炼初始模板，通过多轮反馈直至达到预期，再用例测试看 AI 是否真正理解。 但需要注意的是，不同的场景和需求可能需要对提示词和模板进行针对性的调整和优化，以获得更符合期望的 word 模板。

以下是一些 AI 常用专业术语的名词解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 Gradient Descent（梯度下降）：在机器学习中，是一种优化方法，根据模型损失函数的最大改进方向逐渐调整模型的参数。 Hallucinate,Hallucination（幻觉）：在人工智能的背景下，指模型生成的内容不是基于实际数据或与现实明显不同的现象。 Hidden Layer（隐藏层）：神经网络中不直接连接到输入或输出的人工神经元层。 Hyperparameter Tuning（超参数调优）：为机器学习模型的超参数（不是从数据中学习的参数）选择适当值的过程。 Inference（推理）：使用经过训练的机器学习模型进行预测的过程。 Instruction Tuning（指令调优）：机器学习中的一种技术，其中模型根据数据集中给出的特定指令进行微调。 Latent Space（潜在空间）：在机器学习中，指模型创建的数据的压缩表示形式。类似的数据点在潜在空间中更接近。 Compute（计算）：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN（卷积神经网络）：一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。通常用于图像识别任务。 Data Augmentation（数据增强）：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent（双降）：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning（端到端学习）：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems（专家系统）：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 XAI（可解释的人工智能）：Explainable AI，人工智能的一个子领域专注于创建透明的模型，为其决策提供清晰易懂的解释。

以下是一些常见的 AI 名词解释： Compute：用于训练或运行 AI 模型的计算资源（如 CPU 或 GPU 时间）。 CNN：卷积神经网络，一种深度学习模型，通过应用一系列过滤器来处理具有网格状拓扑（例如图像）的数据。此类模型通常用于图像识别任务。 Data Augmentation：通过添加现有数据的略微修改的副本来增加用于训练模型的数据量和多样性的过程。 Double Descent：机器学习中的一种现象，其中模型性能随着复杂性的增加而提高，然后变差，然后再次提高。 EndtoEnd Learning：一种不需要手动设计功能的机器学习模型。该模型只是提供原始数据，并期望从这些输入中学习。 Expert Systems：人工智能技术的应用，为特定领域的复杂问题提供解决方案。 Agents：智能体，一个设置了一些目标或任务，可以迭代运行的大型语言模型。这与大型语言模型（LLM）在像 ChatGPT 这样的工具中“通常”的使用方式不同。在 ChatGPT 中，你提出一个问题并获得一个答案作为回应。而 Agent 拥有复杂的工作流程，模型本质上可以自我对话，而无需人类驱动每一部分的交互。 ASI：人工超级智能，尽管存在争议，但 ASI 通常被定义为超越人类思维能力的人工智能。 Attention：在神经网络的上下文中，注意力机制有助于模型在生成输出时专注于输入的相关部分。 Bias：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。 Chatbot：一种计算机程序，旨在通过文本或语音交互模拟人类对话。聊天机器人通常利用自然语言处理技术来理解用户输入并提供相关响应。 CLIP：对比语言图像预训练，由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。 TPU：张量处理单元，谷歌开发的一种微处理器，专门用于加速机器学习工作负载。 Training Data：用于训练机器学习模型的数据集。 Transfer Learning：机器学习中的一种方法，其中对新问题使用预先训练的模型。 Validation Data：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。它用于调整模型的超参数（即架构，而不是权重）。 Knowledge Distillation：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。数据蒸馏技术在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。它可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。 RAG：检索增强生成。

以下是一些可以增强图片清晰度的 AI 工具： 1. Magnific：https://magnific.ai/ 2. ClipDrop：https://clipdrop.co/imageupscaler 3. Image Upscaler：https://imageupscaler.com/ 4. Krea：https://www.krea.ai/ 更多工具可以查看网站的图像放大工具库：https://www.waytoagi.com/category/17 此外，PMRF 也是一种全新的图像修复算法，它具有以下特点： 擅长处理去噪、超分辨率、着色、盲图像恢复等任务，生成自然逼真的图像。 不仅提高图片清晰度，还确保图片看起来像真实世界中的图像。 能够应对复杂图像退化问题，修复细节丰富的面部图像或多重损坏的图片，效果优质。 详细介绍： 在线体验： 项目地址： 这些 AI 画质增强工具都具有不同的特点和功能，可以根据您的具体需求选择合适的工具进行使用。

以下是关于如何设计用智能体做企业数字化转型课程的建议： 一、参考案例 1. 李国宝的相关经验 具有丰富的从业经验，包括通信工程、数据通信网络培训、创业、网络安全解决方案及培训、AI 课程开发与培训等。 开发过面向不同群体的 AI 课程，如《数字化转型实践》面向传统企业数字化、AI 赋能转型。 2. 90 分钟从 0 开始打造你的第一个 Coze 应用课程 从零开始教学做应用界面，先基础教学，再涉及特定应用。 介绍当前承接业务，包括辅导、培训、定制及企业 AI 落地等。 挖掘用户对 AI 应用的功能需求，如对交互界面的需求。 二、课程设计要点 1. 对于企业管理者 AI 辅助决策：在小规模决策中使用 AI 分析工具，以其分析结果作为决策参考。 员工培训计划：制定 AI 工具使用的培训计划，帮助团队成员了解日常工作中如何有效利用 AI。 流程优化：识别公司中可能受益于 AI 自动化的重复性任务，从小流程开始测试 AI 解决方案的效果。 AI 伦理和政策：制定公司的 AI 使用政策，确保 AI 应用符合伦理标准和法律要求。 2. 对于教育工作者 AI 辅助教案设计：尝试使用 AI 帮助设计课程大纲或生成教学材料 ideas，为课程带来新视角。 个性化学习路径：探索使用 AI 分析学生学习数据，为不同学生制定个性化学习计划。 创新教学方法：考虑将 AI 工具整合到课堂活动中，如使用 AI 生成的案例研究或模拟场景。 AI 素养教育：开发简单的课程模块，教导学生了解 AI 基础知识、应用领域及其对社会的影响。 三、注意事项 无论面向哪个群体，都应记住：与 AI 协作是一个学习过程。从小处着手，保持好奇心和开放态度，会发现 AI 不仅能提高工作效率，还能激发创造力，开拓新的可能性。最重要的是，始终保持批判性思维，将 AI 视为强大的工具，而不是完全依赖的解决方案。

使用 AI 做 PPT 可以参考以下内容： 1. 信息的 AI 可视化： 优点：节省制作时间、具有优秀的视觉风格、能快速归纳整理信息、可用图形代替文字枯燥的表达。 注意事项： 不要指望复制一段提示词就能得到满意结果，这是与 AI 互动的过程，需要反复尝试。 AI 生成的是基于模型的 HTML 输出，并非真正的 PPT 格式，目前无法在 PPT 里进行二次深度编辑。 模型选择：目前推荐 Claude 3.7 Sonnet，可通过 POE 调用，不建议使用其他效果不佳的模型。 交互流程： 阶段 1 主观描述：通过文字聊天让 Claude 领悟您想要的视觉风格，描述要尽量具体，如颜色、画布、装饰等方面的要求。 2. 好用的 AI PPT 工具： Gamma：在线 PPT 制作网站，支持输入文本和想法提示快速生成幻灯片，可嵌入多媒体格式。https://gamma.app/ 美图 AI PPT：由美图秀秀团队推出，可通过输入文本描述生成专业设计。https://www.xdesign.com/ppt/ Mindshow：AI 驱动的辅助工具，提供智能设计功能。https://www.mindshow.fun/ 讯飞智文：科大讯飞推出的辅助文档编辑工具，利用语音识别和自然语言处理技术，提供智能文本生成等功能。https://zhiwen.xfyun.cn/ 3. 教学案例： 上午的尝试中，Claude + Gamma.app 帮助学生从组会准备工作中解放出来，实现了快速寻找符合条件的论文、提取精炼论文信息、找到适合的 PPT 制作工具并学会使用等目的。 Claude 的用法示例：如通过一系列问题让其搜索权威期刊、论文，提取摘要等，并用于制作 PPT。

模型上下文协议（Model Context Protocol，简称 MCP）是一种全新的开放协议，主要用于标准化地为大语言模型（LLMs）提供应用场景和数据背景。 它就像 AI 领域的“USBC 接口”，能让不同的 AI 模型与外部工具和数据源轻松连接。其具有以下特点和优势： 简化开发：一次整合，多次复用，不再重复开发。 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 实时互动：长连接保证数据实时更新。 安全可靠：内置标准化安全和权限控制。 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 MCP 最早由 Anthropic 公司开发，现已成为一个开放协议，越来越多的企业和开发者开始采用。 与传统 API 相比，通常 AI 系统连接外部工具时，需要单独整合多个不同的 API，每个 API 都有独立的代码、文档、认证方式、错误处理和后续维护，极大地增加了开发复杂度。而 MCP 提供了更简单的集成方式。 但如果应用场景需要精准且严格受控的交互方式，传统 API 可能更合适，比如在需要细粒度控制、功能严格限制，更偏好紧耦合以提升性能，希望最大化交互的可预测性等场景。 若要开始使用 MCP，可参考以下快速集成步骤： 1. 定义能力：明确 MCP 服务器提供的功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 MCP 是一个典型的客户端服务端架构，对于有编程基础的同学来说较容易理解。通过简单案例，如让 AI 根据输入自动规划并调用 MCP 服务端，给本地电脑创建文件并写入一句话，可对其有初步且正确的认知。