以下是一些和问小白类似的集合多种 AI 工具的镜像站： 1. Zyro 网址： 特点：使用 AI 生成网站内容，包括文本、图像和布局建议；提供 AI 驱动的品牌和标志生成器，帮助创建独特的品牌形象；包含 SEO 和营销工具，帮助提升网站可见性和流量。 2. 10Web 网址： 特点：基于 AI 的 WordPress 网站构建工具，可以自动生成网站布局和设计；提供一键迁移功能，将现有网站迁移到 10Web 平台；集成的 AI 驱动 SEO 分析和优化工具。 3. Jimdo Dolphin 网址： 特点：Dolphin 是 Jimdo 的 AI 网站构建器，通过询问用户问题来定制网站；提供自动生成的内容和图像，帮助快速启动网站；包含电子商务功能，适合小型企业和在线商店。 4. Site123 网址： 特点：简单易用的 AI 网站构建工具，适合初学者；提供多种设计模板和布局，用户可以快速创建专业网站；包括内置的 SEO 和分析工具，帮助优化网站表现。

以下是一些利用 AI 创建精美的 UI/UX 原型图的方法： 1. 利用 Agent 构建：通过基本的产品和运营概念，利用 Agent 构建完整的产品、架构、UX 设计文档集，并通过多次的 rerun 输出，进行多个 UI 方案的概念探索。一个 flow 能帮助产品经理一次性完成 idea 的脑暴、打磨、市场调研、竞争力分析、功能设计、架构、UE/UI 规范，到完成可交互的高保真原型，并且可以不断产出不同的 UX 原型供内部比较和概念用研。 2. 使用 Midjourney 进行 UI 设计： 直播礼物风格图标：在素材网站上找到喜欢的 icons 风格，然后喂图给机器人，并加上关键词，如“Gift icon, cartoon style, solid color background luminous effect, 3d –iw 1 –v 5 –q 2”，其中“Gift icon”可替换为其他关键词，如“beer icon”“Headphone icon”等。 主题应用 icons：关键词如“icon design, light texture, glow, Dribbble, 3D, frosted glass effect, 3D, ui, ux, –upbeta –q 2 –v 4”。 B 端图标：关键词如“喂图+A data icon, blue gradient frosted glass, frosted glass building, white transparent technology sense white city building scene, data line link, chip, OCrenderer, big data, industrial machinery, high detailight gray background with simple linear details, studio lighting, 3d, c4d, pure white background, 8k”。

以下是关于 AI 视频的基础知识： 1. 概念 生成式 AI 生成的内容称为 AIGC。 2. 相关技术名词 AI：即人工智能。 机器学习：电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习：使用有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训小狗。 深度学习：一种参照人脑的方法，具有神经网络和神经元，因层数多而称为深度，神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI：可以生成文本、图片、音频、视频等内容形式。 LLM：大语言模型。对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 3. 技术里程碑 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）处理序列数据，不依赖于循环神经网络（RNN）或卷积神经网络（CNN）。

以下是一些针对 CoT 能力的微调工具： 1. Selfconsistency CoT：使用手动设计的 Prompt 生成采样一组不同的推理路径，再通过“多数投票”找到推理步骤中“最一致”的路径，使用这条解码路径驱动原始的贪心解码方式来提示 CoT 性能。 2. MMCoT：侧重使用微调方法嵌入 CoT，通过将语言和图像合并在一个包含推理生成与答案推理的两阶段的框架中，使用微调大模型赋予输入多模态 CoT 的能力。 3. GoTInput 方法：通过对 CoT 生成的思维图进行抽取构建三元组，并使用 GNN 将文本、图像与 CoT 统一，从而生成包含 CoT 信息的最终答案。 4. VCoT：解决了一个输出多模态的问题，通过以生成图片的“标题”以及识别核心关注点作为图像生成的启动过程，通过递归的方式填充图像信息，从而实现输出多模态。 此外，在将 DoT 扩展到预训练的扩散语言模型 Plaid 1B 并在更复杂的推理任务上进行评估时，自回归模型和扩散模型在使用 CoT 或 DoT 进行微调时都显示出显著提高的性能。在微调 Plaid 1B 时，也探索了几种替代方案。 在强化学习驱动的合成数据生成与模型优化流程中，也涉及到 CoT 的相关应用和优化，如初始 CoT 生成、CoT 存储等。

以下是搭建 Coze 智能体的教程： 1. 打开 Coze 的主页，登录后，在【工作空间】创建一个智能体。接着，在编排页面，给这个智能体编辑好人设，可以自己先写一个简单的，然后点右上角自动优化，系统会自动给您补全更精细的描述。然后点击工作流的“+”，创建一个工作流。 大模型节点：把 input 给到 DeepSeek，让 DeepSeek 按照提前规定的输出框架，生成对应文案。 生图节点：这个输出会给到图像生成组件，来画一张图。 结束输出：这两个输出都会给到最终的 end 作为最终的输出。 注意：如果需要 input 可被 DeepSeek 调用，在编写系统提示词的时候需要用“{{input}}”作为参数引入，不然大模型不知道自己需要生成和这个 input 相关的结果。编排完，点击【试运行】，就可以看结果了，如果输出结果看起来不对可以继续在这里调试，直到最终结果让您满意，调到满意之后点击发布就行。 2. 首先进入 Coze，点击「个人空间工作流创建工作流」，打开创建工作流的弹窗。根据弹窗要求，自定义工作流信息，点击确认后完成工作流的新建。 左侧「选择节点」模块中，根据子任务需要，实际用上的有： 插件：提供一系列能力工具，拓展 Agent 的能力边界。本案例涉及的思维导图、英文音频，因为无法通过 LLM 生成，就需要依赖插件来实现。 大模型：调用 LLM，实现各项文本内容的生成。本案例的中文翻译、英文大纲、单词注释等都依赖大模型节点。 代码：支持编写简单的 Python、JS 脚本，对数据进行处理。 编辑面板中的开始节点、结束节点，则分别对应分解子任务流程图中的原文输入和结果输出环节。接下来，按照流程图，在编辑面板中拖入对应的 LLM 大模型、插件、代码节点，即可完成工作流框架的搭建。

以下是关于 AI 流程图画板的相关信息： 如果您需要创建一个项目管理流程图，可以使用 Lucidchart，步骤如下： 1. 注册并登录：。 2. 选择模板：在模板库中搜索“项目管理流程图”。 3. 编辑图表：根据项目需求添加和编辑图形和流程步骤。 4. 优化布局：利用 AI 自动布局功能，优化图表的外观。 5. 保存和分享：保存图表并与团队成员分享，或导出为 PDF、PNG 等格式。 另外，还有以下工具可供选择： 1. Creately：是一个在线绘图和协作平台，利用 AI 功能简化图表创建过程，适合绘制流程图、组织图、思维导图等。具有智能绘图功能，可自动连接和排列图形，有丰富的模板库和预定义形状，实时协作功能适合团队使用。官网：。 2. Whimsical：是一个专注于用户体验和快速绘图的工具，适合创建线框图、流程图、思维导图等。具有直观的用户界面，易于上手，支持拖放操作，快速绘制和修改图表，提供多种协作功能，适合团队工作。官网：。 3. Miro：是一个在线白板平台，结合 AI 功能，适用于团队协作和各种示意图绘制，如思维导图、用户流程图等。具有无缝协作，支持远程团队实时编辑，丰富的图表模板和工具，支持与其他项目管理工具（如 Jira、Trello）集成。官网：。 使用 AI 绘制示意图的一般步骤为： 1. 选择工具：根据具体需求选择合适的 AI 绘图工具。 2. 创建账户：注册并登录该平台。 3. 选择模板：利用平台提供的模板库，选择适合需求的模板。 4. 添加内容：根据需求，添加并编辑图形和文字。利用 AI 自动布局功能优化图表布局。 5. 协作和分享：如果需要团队协作，可以邀请团队成员一起编辑。完成后导出并分享图表。

以下是利用 AI 生成产品原型 HTML 的相关内容： 1. 网页上与 AI 交互编程的一般流程： 讨论需求：明确项目目标和用户需求，确保团队对产品方向有一致的理解。 确定关键功能：根据需求确定产品最核心的功能，确保能实现最基本的用户价值。 AI 生成产品草图：利用 AI 快速生成界面草图，帮助团队更好地理解产品的外观和交互。 列出功能列表：明确产品所需的功能模块，并逐一列出。 选择一个功能：每次专注完成一个功能，确保质量与效率。 向 AI 描述功能：详细描述功能需求，AI 会根据描述生成代码。 AI 编写代码：AI 根据需求编写代码，减少开发者的重复性劳动。 测试代码：测试生成的代码，确保正常运行。 向 AI 提出问题：若功能不正常，将问题反馈给 AI 进行调整。 功能完成：功能通过测试后标记为完成。 还有功能吗：若还有未完成的功能，继续开发下一个功能。 发布初始版本：所有核心功能完成后发布初始版本，以获取用户体验反馈。 2. 项目开发案例： Trae 生成天气 HTML 项目：通过复制粘贴等操作利用 Trae 生成天气相关的 HTML 项目，可调整背景颜色等，生成后可在文件夹中打开并用浏览器查看。 开发游戏案例：直接让智普生成羊、狼、锤子、栅栏、胜利图片、失败图片等元素，生成 HTML 大框架并验证元素摆放位置，对生成的 CSS 结构中的 position 定位模式进行人工调整。 3. 项目开发与部署流程： 初始化设计文档，用脚本生成项目目录，让 Trae 生成代码，提交代码到 GitHub，打包镜像部署到服务器。 需要注意的是，AI 生成的内容可能有 90%能用，但剩下的 10%可能需要有经验的人或专家进行人工调整。AI 只是辅助，自身学习还是很有必要的。

以下是关于 AI 生成 UI 的相关内容： 使用 Midjourney 生成 UI 界面： 页面指令：指定生成某个页面（如首页、登录页等），只需添加页面指令描述，如“landing page”可生成社交平台的登录页设计，“Profile Page”可生成人力资源类产品的个人资料页。 应用场景：Midjourney 产出的设计图视觉效果佳，适合在 APP 设计的初始阶段，如头脑风暴和风格探索中提供灵感和创意。但目前直接用于落地开发仍有距离，不过随着技术迭代，这个距离会逐渐缩短。 多模态 4O 在 UI 设计中的应用： 可以先借助 AI 生成设计概要概念，应用于 Web 应用创建和 UI 页面设计，也能直接生成 UI 界面。 Midjourney 商业实战案例中的 UI 设计： 如数据图标、B 端图标设计、音乐软件 UI 设计等。但部分生成的 UI 设计存在不规范、文字乱的情况，只能作为风格参考。网上已有很多 AI 生成的 UI 设计软件开始内测。

以下是为您提供的自学 AI 知识并成为 AI 产品经理的行动方案： 1. 应用方面： 深入了解 Prompt，选择适合自己的 AI 对话、绘画和语音产品，每天使用并用于解决实际问题或提升效率。 2. 分析方面： 大量阅读各类文章、视频以及行业报告，理解各知识之间的关系。 3. 掌握相关技能： 了解目前 AI 提示词工程师岗位的招聘技能要求，例如： 本科及以上学历，计算机科学、人工智能、机器学习相关专业背景。 熟悉 ChatGPT、Llama、Claude 等 AI 工具的使用及原理，并具有实际应用经验。 熟练掌握 ChatGPT、Midjourney 等 AI 工具的使用及原理。 负责制定和执行 AI 项目，如 Prompt 设计平台化方法和模板化方法。 了解并熟悉 Prompt Engineering，包括常见的 Prompt 优化策略（例如 CoT、Fewshot 等）。 对数据驱动的决策有深入的理解，能够基于数据分析做出决策。 具有创新思维，能够基于业务需求提出并实践 AI first 的解决方案。 对 AI 技术与算法领域抱有强烈的好奇心，并能付诸实践。 对 AIGC 领域有深入的理解与实际工作经验，保持对 AI 技术前沿的关注。 具备一定的编程和算法研究能力，能应用新的 AI 技术和算法于对话模型生成。 具有一定的编程基础，熟练使用 Python、Git 等工具。 4. 了解产品经理工作： 调研市场、思考需求、转化需求、思考解决方案、设计解决方案、分配任务、进行测试、实现解决方案。 像善用提示词工程的人一样，将需求抽象再具象成产品。 总之，要成为 AI 产品经理，需要不断学习和实践，适应行业的发展和变化。

MCP（模型上下文协议）是由 Anthropic 在 2024 年 11 月推出并开源的一项创新标准。它就像一个“转接头”或“通用插座”，其核心作用是统一不同的外部服务（如 Google Drive、GitHub、Slack、本地文件系统等），通过标准化接口与 AI 模型对接。 MCP 的好处包括： 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。 与传统 API 相比，MCP 更适合需要上下文理解的场景，而传统 API 更适合需要精准且严格受控的交互方式，如需要细粒度控制、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的场景。 开发 MCP 的步骤如下： 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 CS 架构，对于有编程基础的同学来说容易理解。开发 MCP 前需要进行环境安装，包括下载并安装 Python（官网：https://www.python.org/），安装 uv（借助 uv 进行虚拟环境创建和依赖管理，它是一个 Python 依赖管理工具，采用 Rust 编写，兼有创建虚拟环境和包管理工具的功能，可以平替 pip，venv）。