日报&周刊合集 | 出产力东西与职业运用大全 | 点赞关注谈论托付啦！
AI全流程动画「剪刀石头布2」，以及暗地制造解析
BV1oV41137Vr
BV1SG411Z77M
油管知名博主 Corridor Crew 用AI东西 Stable Diffusion、虚幻引擎（制造场景）等东西制造了动画电影「剪刀石头布2」，并开释出了十分详细的暗地制造解析。视频在B站现已取得了将近50万的播放和近千条谈论 ⋙ B站 | 暗地制造解析
字节推出首个大模型独立 App「豆包」
www.doubao.com
8月16日，字节推出了首款AI对话类运用「豆包」，用户能够在线体会，也能够下载装置安卓客户端运用。据悉，这款产品是字节内部代号 Grace 项目的落地效果，现在具有文本生成和图像生成的才能。用户能够与默许的几个AI人物开展问答、聊天，还能够练习出自己的自定义AI伴侣。
总体来说，「豆包」的出现标志着字节正式进军AI生成内容领域。在百度、阿里等科技巨头纷纷推出自家AI产品的今日，字节终于迎头赶上 ⋙ 了解解读
钉钉推出面向个人用户的AI东西「钉钉个人版」
workspace.dingtalk.com/welcome
8月16日，「钉钉个人版」正式发动内测，一切人都能够拜访上方链接申请加入测验，并能够快速通过。取得体会资格的用户能够免费体会「钉钉个人版」的各类AI服务，比如文生文、文生图、人物化对话以及AI创造等。
据悉「钉钉个人版」没有已读/打卡等功用，而是以人工智能为中心的一站式AI东西合辑，让用户通过自然言语对话，能够完成发问、绘画、制造数字分身等方针，相似于 ChatGPT + Midjourney + Notion AI 等各类大模型才能的 ⋙ 了解概况
体系论说：构建高性能 Prompt 之路 – 结构化 Prompt
「结构化 Prompt」是一种组织 Prompt 的新方法，它运用层级结构来组织 Prompt 中的内容和形式。通过这种结构化的方式，能够让 Prompt 的逻辑愈加明晰，上下文信息愈加一致，也更容易激发言语模型的深层理解才能。
这是一篇十分优异的长文，完好地介绍了「结构化 Prompt」是什么，主要的优势，以及怎么写出一个高质量的结构化 Prompt。特别值得肯定和保藏的是，文章最后给出了一些结构化 Prompt 的模板示例，供大家参阅学习。以下是文章结构，感兴趣能够阅览原文：
1. 什么是结构化 Prompt
2. 结构化 Prompt 的优势
优势一：层级结构：内容与形式统一
优势二：提升语义认知
优势三：定向唤醒大模型深度才能
优势四：像代码开发一样构建出产级 Prompt
3. 怎么写好结构化 Prompt
构建全局思想链
保持上下文语义一致性
有机结合其他 Prompt 技巧
4. 结构化 Prompt 对不同模型的适用性
结构化 Prompt 的开发工作流
结构化 Prompt 的局限性
结构化 Prompt 的相关文章汇总
5. 结语
6. 【附录】结构化 Prompt 高质量模板
LangGPT 中的 Role (人物) 模板
LangGPT 中的 Expert (专家)模板
即友 李继刚 的公函笔杆子模板
AutoGPT Prompt 模板参阅
Mr.-Ranedeer-AI-Tutor Prompt 模板参阅 ⋙ GitHub | 知乎
llm-action：大模型实践总结
作者自己在探索大模型相关的一些技能，在这篇文章中进行了比较体系的总结，并计划依照季度进行更新【GitHub更新很频频】。现在是23年7月版本，内容触及AI集群、AI集群通讯、大模型练习（参数高效微调）、大模型推理加快、大模型评价、大模型生态相关技能等相关内容，并对之前写过的一些大模型相关的文章进行了汇总。
注意！相关文档及配套代码均收拾并放置在GitHub！以下是内容结构，长文值得保藏和仔细阅览研讨：
LLM练习
LLM练习实战
LLM参数高效微调技能原理综述
LLM参数高效微调技能实战
LLM分布式练习并行技能
分布式AI结构
分布式练习网络通讯
LLM推理
模型推理加快
模型推理服务化
LLM压缩
- LLM量化
LLM算法架构
LLM运用开发
LLM国产化适配
LLM生态相关技能
服务器根底环境软件装置 ⋙ 知乎阅览 | 微信阅览
妙鸭相机的爆火，带给想做产品的技能人员的一些启示
这篇文章的视角很新颖！作者早于「妙鸭」做出了相似产品并由于技能原因放置了。妙鸭的爆火给了技能出身的作者十分大的冲击，也因而有了这篇回顾和复盘文章。
一切的故事起源于去年底 Lensa 推出的新功用——根据用户上传的自拍照，生成不同风格艺术形象的魔法肖像功用。Lensa 的瞬间爆火给原本专心技能研制的作者带来了启发，并用了不到一周的时刻开发出了相似的小程序。
可是由于发现产品存在许多难以解决的问题，大概率不会成功，因而放置了。可是，只是三两个月后，国内出现的相似产品「妙鸭相机」瞬间火爆全网，达到了令人难以想象的用户规划。以下是作者复盘的三个关键，值得至少仔细读三遍：
1. 太注重技能门槛，想做他人无法仿制的东西
技能人员做产品时，总是首先考虑技能门槛，想要做一些他人难以仿制的东西。但这往往导致忽视用户需求，在技能死胡同里越走越远。像妙鸭这样轻运用，其技能实现相对简略，但却能火爆全网。这说明真实的中心竞争力不在技能本身，而在产品设计。
2. 想要的太多太全，不明白 less is more
技能人员倾向于开发大而全的产品，实现各种功用。但作者以为这反而表明没有明晰的方针用户和定位。产品应该简略直接，解决一个中心痛点。妙鸭只做了一个功用，但恰恰因而打穿用户需求。
3. 不会产品运营和流量增加
技能人员最缺乏的就是产品运营思想。光有好的技能和产品还不行，假如不明白流量运营，很难取得爆发式增加。作者以为技能团队需要配备产品和运营人员，这也是后续的开展 ⋙ 知乎阅览 (谈论区很棒) | 微信阅览
Cohere LLM University：大言语模型 (LLM) 系列教程
LLM University (LLMU) 是一个由 Cohere 创立的在线课程平台，专心于教授自然言语处理和大型言语模型 (LLM) 的知识和技能，旨在为学习者奠定NLP的坚实根底，培养开发自己运用程序的才能。
LLMU提供了理论和实践相结合的完好学习体会，适合任何对NLP感兴趣以及想利用言语AI构建运用的学习者，包含ML初学者、开发者、有经验的NLP从业者等。
榜首模块 – 大型言语模型
文本嵌入 (Text Embeddings)
相似性核算 (Similarity Between Words and Sentences)
注意力机制 (The Attention Mechanism)
Transformer模型 (Transformer Models)
语义查找 (Semantic Search)
大型言语模型总结 (Conclusion – Large Language Models)
第二模块 – 文本表示
文本分类模型 (Classification Models)
评价目标 (Classification Evaluation Metrics)
设置 (Setting up)
Classify接口 (The Classify Endpoint)
Embed接口 (The Embed Endpoint)
数据可视化 (Visualizing Data)
运用嵌入进行语义查找 (Semantic Search Using Embeddings)
运用嵌入进行聚类 (Clustering Using Embeddings)
运用嵌入进行分类 (Classification Using Embeddings)
自定义表示模型 (Creating Custom Representation Models)
语义查找深度剖析 (A Deeper Dive Into Semantic Search)
话题建模 (Topic Modeling)
多言语语义查找 (Multilingual Semantic Search)
多言语情感剖析 (Multilingual Sentiment Analysis)
文本表示总结 (Conclusion – Text Representation)
第三模块 – 文本生成
什么是生成式AI (What is Generative AI?)
提示工程 (Prompt Engineering)
运用事例构思 (Use Case Ideation)
Generate接口 (The Generate Endpoint)
自定义生成模型 (Creating Custom Generative Models)
链式提示 (Chaining Prompts)
Cohere的Command模型 (Cohere’s Command Model)
文本生成总结 (Conclusion – Text Generation)
第四模块 – 布置
运用Streamlit布置 (Deploying with Streamlit)
运用Databutton布置 (Deploying with Databutton)
运用Amazon SageMaker布置 (Deploying with Amazon SageMaker)
运用FastAPI布置 (Deploying with FastAPI)
运用Google表单布置 (Deploying on Google Sheets with Google Apps Script)
布置Chrome扩展 (Deploying as a Chrome Extension)
布置总结 (Conclusion)
榜首附录 – NLP和机器学习根底
NLP前史 (History of NLP)
NLP运用 (Applications of NLP)
NLP中的文本预处理 (Text Pre-Processing in NLP)
文本转向量 (How to Convert Text Into Vectors)
NLP的过去机器学习方法 (Past Machine-Learning Methods of NLP)
构建分类器 (How to Build a Classifier)
评价分类器 (How to Evaluate a Classifier)
NLP总结 (Conclusion – NLP)
第二附录 – 构建运用
- 运用事例 ⋙ LLM University
保藏！这应该是现在最全的 LangChain 资源库 (之一)
本文主要内容是一个LangChain资源库，里面罗列了大大小小许多个根据LangChain结构的优异项目，包含低代码、服务、署理、模板等东西类，还有像知识办理、聊天机器人等开源项目，还包含像视频、文章等AI学习资源。
GitHub仍在建议持续更新中，现在现已 4500 Star~ 十分值得保藏！以下是内容板块，内容十分丰富：
LangChain结构 (LangChain Framework)
其他言语的移植 (Ports to other languages)
东西 (Tools)
低代码 (Low-code)
服务 (Services)
署理 (Agents)
模板 (Templates)
平台 (Platforms)
开源项目 (Open Source Projects)
知识办理 (Knowledge Management)
其他 / 聊天机器人 (Other / Chatbots)
学习 (Learn)
笔记本 (Notebooks)
视频播放列表 (Videos Playlists)
其他LLM结构 (Other LLM Frameworks) ⋙ GitHub
感谢贡献一手资讯、资料与运用体会的 ShowMeAI 社区同学们！
◉ 点击 日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域开展前沿，捉住最新开展机会！
◉ 点击 出产力东西与职业运用大全，一起在信息浪潮里扑腾起来吧！
