有的时候，觉得这个世界正在筛选出一批机器人一样的人来存活。没有情绪，不考虑回报，不需要支持，需要的只有解决问题的能力，输出价值的能力，自我管理的能力。世界到最后变成巨大的《模拟人生》游戏，消耗的只有时间，得到的只有数据。

Prompting 的核心技能可能只有一个……

启动效应，是大脑最有趣的认知活动之一。每当一段旋律、一个拼图或一段故事出现，大脑就开始疯狂运算，猜测整个景观；不直觉的开始分析因果、构建起一个个可能的解释。

不信的话，试着放松下来，聆听我这唱一首小曲：一闪一闪亮晶晶……（请接龙）

启动效应的本质之一是基于先验的预测，它是多模态和多感官的。简单类比的话，Prompting 就是你如何激活大模型知识结构的「启动」。

一旦能深刻意识到这一点，如何提升你与 AI 对话的技能、有效 激活 LLMs 效能的方法就会涌现出来了。

通过成百上千小时的反复练习，你将意识到：真正提升 Prompt 核心技能在于，持续深化于你的认知体系。

你无法提出你不知道的问题。

AI探索指南

斯坦福这节课讲清楚了LLM做RAG所有最重要的问题。 这节课就是传说中的Stanford CS25中的一节讲座。授课人就是RAG论文的作者之一Douwe Kiela，课程中他分享了一个检索增强语言模型的架构图。 这张图重要到让我觉得，做RAG只要记住这一张图就够了。所有相关概念和工程实践中的权衡，全都涵盖在这张图的架构和问题中了。 这个架构主要包括input、prompt、通过retriever检索增强生成的context，然后把这三部分一起输入给generator即模型，最终输出output作为结果。…

❇️❇️目前工程实践上，大家把优化的重点基本都放在了retrieve环节里，这里面涉及三个重要的问题：
1️⃣how and what do I retrieve：从传统的相似性检索、文本检索，到目前最常用的依托于embedding的语义检索，大家在实践中仍在不断迭代。Kiela后面也提到有研究希望把整个retriever过程做成一个模型，他也在课程中构想未来应该把retriever的训练也纳入到LLM的训练架构中。
🌟文本的embedding可简化理解为文本的向量化表达，并且可根据不同文本的向量化表达，判断出文本之间语义的远近亲疏关系。
🌟目前的文本emebedding也都是通过模型来实现的，这类模型也在不断迭代。OpenAI在今年1月份推出了text-embedding-3(small和large两版)，相比其2022年12月推出的ada-002模型，在性能上获得了显著提升。
🌟用于多语言检索的常用基准(MIRACL)平均分数已从 31.4%(ada-002)增加到 44.0%(3-small)和54.9%(3-large)。
🌟附图之一是OpenAI对其text emebedding模型作用机制的示意。
2️⃣When to retrieve: 一般就两种思路。一种是在获得检索范围后即retrieve，另一种是让模型判断何时retrieve。
3️⃣How to encode: 如何编码也直接影响了如何检索的过程。

❇️❇️其他问题：
1️⃣how to pre-process: 实际上强调就是input要包含system prompt，可设定角色、技能、任务、工作流、限制条件等。
2️⃣how to prompt: 涉及提示词工程的方法论。
3️⃣how to pass context: 可以把context作为prompt的一部分以文本形式输入，也可通过代码的方式代入。
4️⃣how to post-process: 比如格式化输出的处理，如固定输出json格式，或固定在末尾输出reference列表等。
5️⃣how to verify: 指的是如何验证output的效果或质量，比如验证output与知识库的相关性、准确性等。

❇️❇️最后，还有关于RAG整体架构的审视框架：
1️⃣How to optimize: 各环节哪些地方可以优化。架构中已经列出的问题都是思考的重点。
2️⃣How to learn: 这里的learn应该指的是机器学习的learn，探讨各环节从software 1.0的静态架构向机器学习和software 2.0的演进。
3️⃣how to scale: 如何应对规模化的问题。
🌟比如关于知识库如何chunk、何时编码，在知识库过大时就不适合提前预处理好chunk和编码。或者大量用户同时prompt该如何应对。

❇️❇️前段时间判断过2024年会是RAG应用爆发的一年https://m.okjike.com/originalPosts/6602dca712ed2fda687ec0a3?s=ewoidSI6ICI2M2VlMjQ0NjhhMGY3NzVjODQyMmY1NzEiCn0=，自己在2B业务中也涉及RAG工程的落地，所以花了些精力来学习这节课。以上内容夹杂了不少自己的个人理解，欢迎批评指正，一起交流学习~

❇️❇️links:
🌟Stanford CS25 V4 2024春季课程(面向公众开放，有人想一起学习搭子么？) https://web.stanford.edu/class/cs25/
🌟Stanford CS25 V3: Retrieval Augmented Language Models https://www.youtube.com/watch?v=mE7IDf2SmJg
🌟RAG论文原文 https://arxiv.org/abs/2005.11401
🌟OpenAI text-embedding-3 models https://openai.com/blog/new-embedding-models-and-api-updates?t
🌟OpenAI text-embedding-ada-002 model https://openai.com/blog/new-and-improved-embedding-model?t
🌟Software 2.0 by Andrej Karpathy https://karpathy.medium.com/software-2-0-a64152b37c35
🌟 Kiela在讲这节课几个月后在其创立的Contextual AI正式推出RAG 2.0 https://contextual.ai/introducing-rag2/

AI全网知识文档合集：https://uqtg4okxsd.feishu.cn/wiki/MoB0w5Zd2ie2IckGg7WccMRRnrg?from=from_copylink

如果中国多一些猴米这样的营销公司

那两年后 美国的智能机器人蹦蹦跳跳走到中国机器人前面 用普通话骂人 转头弯腰放个屁

还拍拍屁股的时候

中国的机器人估计还站在原地

说

你好 我是你的智能助理 你可以叫我小美

然后颤巍巍的举起手 要握手

我不明白 请再说一次

我的电机全自研 走路速度世界第一

采用高通最新....

吴恩达谈 Agent 4个模式：Agent 工作流可实现 GPT-3.5 >GPT-4

吴恩达对AI Agent的这个分享，真的很有价值，这可能才是AI Agent未来的打开方式，我自己体验了一下效果确实很好。

大多数人使用语言模型的方式是非 Agent 式的工作流，即输入提示，生成答案；而Agent 式工作流是这样的：让 AI 编写文章大纲，看是否需要做一些研究，然后写初稿，阅读初稿并思考哪些部分需要修改，然后修改草稿，如此反复。

多Agent协同很有SaaS 里协同带来的价值那种感觉，我觉得协同在 AI 时代或许仍然非常重要，只不过是将人与人之间的协同更多换成了 AI Agent 而已，而我猜测 AI+Human 协同可能会是未来长期的一个状态。

先忘掉特斯拉擎天柱，这个人形机器人真快速服务：售货、码垛、包装.... |CyberDaily

人们需要更快的一匹马
人们需要更快的机器人

继续，福利还持续发，想要做副业搞钱的朋友关注一下

没想到上面帖子（ 关于生财有术，https://t.me/text1024/8726 ）这么热，看来大家对搞钱搞副业很感兴趣，联合大佬给大家送福利
记得一定回复暗号

【新人想了解生财朋友】进群回复444👈
可以领取生财有术体验卡3天，七年历史所有积累的东西都可以过目。

【想要加入的朋友】进群回复555👈
1、可以领取【生财有术体验卡3天】+【生财有术门票优惠券1张】
2、加入后3天后可领取超额12套额外权益礼包，进群了解。

Haiper - AI Video Generator

介绍一款免费的 AI 视频工具，对比目前市面上诸如 pika、runway、SVD等视频工具，今天这款 AI视频工具应该是性价比最高的。

首先，他免费；不需要积分不需要订阅就可以使用，生成完毕没有限制就可以下载。

其次，效果稳定；可以说是最接近 Sora 的存在。

最后，操作简单；不仅可以文生视频，还可以图生视频，可以延长视频时间，还可以更改视频。

AI探索指南

一个懒人 LoRA 制作指南，手把手教你用 OneTrainer 训练自己的 AI 绘画模型,无需深入理论,轻松掌握关键步骤。 作者是用XL生成的图片，你可以用MIdjoureny生成效果比较好。 我完整翻译了内容，并且重新整理了适合推特阅读的版本，或者你可以在下面看完整翻译的内容： ----------------------------- 1️⃣ LoRA 模型制作教程 作者作为一名 LoRA 模型制作的新手,通过自己的学习实践,总结了一份简明扼要的制作教程。 这份教程不涉及太多理论知识,而是直奔主题…

作者展示了几张用自己训练好的 LoRA 模型生成的图像作为成果展示。这些图像的质量相当不错,证明作者的训练过程是成功的。作者表示,训练好的模型可以根据输入的提示词和参数,生成特定风格和效果的图像。

完整教程：https://quail.ink/op7418/p/lazy-lora-making-with-onetrainer-and-ai-generation

一个懒人 LoRA 制作指南，手把手教你用 OneTrainer 训练自己的 AI 绘画模型,无需深入理论,轻松掌握关键步骤。

作者是用XL生成的图片，你可以用MIdjoureny生成效果比较好。

我完整翻译了内容，并且重新整理了适合推特阅读的版本，或者你可以在下面看完整翻译的内容：

-----------------------------

1️⃣ LoRA 模型制作教程

作者作为一名 LoRA 模型制作的新手,通过自己的学习实践,总结了一份简明扼要的制作教程。

这份教程不涉及太多理论知识,而是直奔主题,手把手教初学者如何训练自己的 LoRA 模型。

作者坦诚分享了自己从最初尝试 Embedding 和 LoRA 时遇到的问题,以及后来找到的解决方法,为读者提供了宝贵的经验参考。

所需工具介绍 要制作 LoRA 模型,需要准备一些必要的工具。作者推荐使用自己喜欢的模型和图像生成工具,他个人使用的是 StableSwarmUI 和 GhostXL 模型。

此外,还需要一个训练工具,作者选择了 OneTrainer,因为有人说它比另一个常用的工具 Kohya 更易用。作者还提到,训练时如果需要将 SDXL 格式的图像转换为 SD 格式,需要在设置中开启分辨率覆盖选项。

2️⃣ LoRA 模型制作步骤

作者将 LoRA 模型的制作过程分为三个主要步骤:

第一步是用现有的模型生成大量高质量的图像作为训练数据;

第二步是人工检查挑选图像,剔除所有质量不合格的;

第三步是使用 OneTrainer 进行训练,调整必要的参数设置。

作者还特别提到,在训练时如果需要将 SDXL 格式的图像转换为 SD 格式,一定要记得开启分辨率覆盖选项,否则训练会出问题。

训练参数调整心得 作为一名新手,作者在调整训练参数时主要参考了一份网上的指南。

他尝试调整了 Lora 设置中的 rank 参数,将其从默认的 16 改为 32,解决了模型训练中遇到的问题。作者分享了这份参数调整指南的链接,供其他学习者参考。

3️⃣ 作者的训练数据集分享

为了帮助更多学习者,作者慷慨地分享了自己完整的训练图像数据集,其中还包含了他使用的 OneTrainer 配置文件。这些数据可供其他 LoRA 制作人下载参考和使用。数据集已经过作者的筛选,图像质量有保证。

4️⃣ 训练成果展示