今年具有战略意义改革的工作是:重新调整输出形式。

#内幕消息 今年具有战略意义改革的工作是:重新调整输出形式。 知识付费想要赚钱,核心关键是抓大放小,把精力集中在最关键的步骤上。 比如,从前我们把「步骤型操作流程」教给对方。期盼能100%掌握内容,但是却忽略了练习次数不够这个问题。 即使拆解的颗粒度已经非常细,但最好的情况也是吸收到70-80%。因为,短时间内想要速成,吸收大量知识是个不小的考验。 于是,我们加配了案例册,不仅把核心点做拆解,还要给N个案例让对方模仿。这样才能让客户们的实践效果优上加优。我们的整体交付速度和成果提高了一倍。 再比如,因为要做课,我发现自己有大量的流程型内容,却很少把经验做成分享型成品。比如稿件、课件、视频材料等等。 而在制作课件中我有了新的心得。像知识页、案例页、金句页、模型页…你要单独地从日常开始有意识地积累。 所以,我顺利地完成1000页PPT后,转战「类别产出管理」重新输出。这样的好处是,无论什么场景,你都有足够的知识库去应对临时性工作。 给各位伙伴一个建议,如果你未来想要做知识付费这行,或者想要提高自己的产出效率,把经验打磨的更系统。 可以从现在开始尝试把经验整理成可视化模型、手册、图卡等形式来进行素材储备和知识输出。 未来谁想要模仿你、赶超你,首先得拥有一个像你沉淀的那样庞大的知识库。不仅需要时间,更需要消化与处理。这点,99%的人都无法做到,你将拥有市场上难以被替代的独家核心竞争力。

相关推荐

封面图片

语雀客户端进入知识库浏览文档后,最左侧的退出按钮不是退出知识库,是退回到知识库里面上一个浏览的文档,直到返回到你进入知识库浏览的

#大公司负面消息 语雀客户端进入知识库浏览文档后,最左侧的退出按钮不是退出知识库,是退回到知识库里面上一个浏览的文档,直到返回到你进入知识库浏览的第一个文档;如果文档被删除,就显示文档不存在,然后仍然需要退回到上一个浏览的文档,如果不凑巧你是把知识库删掉,那么你的知识库里面有多少篇文档就报错多少次,问题是这个交互逻辑很早就反馈过了,嘴硬说没问题,我是真喷不动了

封面图片

一页纸仪表板报告描述:本课程告诉你,如何把月报表做成图文并茂、具有商业杂志专业范的一页纸报告(Excel Dashboard R

一页纸仪表板报告 描述:本课程告诉你,如何把月报表做成图文并茂、具有商业杂志专业范的一页纸报告(Excel Dashboard Report),可打印为A4纸随身携带,发送到手机、iPad随时查看,让老板对你刮目相看! 链接: 大小:未统计 标签:#课程 #知识 来自:雷锋 频道:@Aliyundrive_Share_Channel 群组:@alyd_g 投稿:@AliYunPanBot

封面图片

卧槽,期待的东西终于来了,AnyNode 这个 ComfyUI 节点牛哇。

卧槽,期待的东西终于来了,AnyNode 这个 ComfyUI 节点牛哇。 你可以输入提示词让 LLM 帮你编写任何功能的节点。 AnyNode 会根据你的要求编写一个 Python 函数,然后把这个节点链接到你要求的输出格式节点就行。 比如作者案例里面就通过提示词实现了文本总结节点、颜色通道调整节点,Ins 滤镜节点,甚至一个边缘检测器。 插件地址:

封面图片

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:

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: 1⃣how 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。 2⃣When 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。 3⃣How to encode: 如何编码也直接影响了如何检索的过程。 其他问题: 1⃣how 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。 2⃣how to prompt: 涉及提示词工程的方法论。 3⃣how 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。 4⃣how 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。 5⃣how 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: 1⃣How 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。 2⃣How 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。 3⃣how 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 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?) Stanford CS25 V3: Retrieval Augmented Language Models RAG论文原文 OpenAI text-embedding-3 models OpenAI text-embedding-ada-002 model Software 2.0 by Andrej Karpathy Kiela在讲这节课几个月后在其创立的Contextual AI正式推出RAG 2.0

封面图片

#为什么要沉淀一本工作手册?

#内幕消息 #为什么要沉淀一本工作手册? 每完成一次工作梳理,一场活动复盘,我们都会整理出一本手册,有时是电子版,有时是实物版。 包括我司教学的课程里,也会作为赠品送给学员。今天拿出来重新整理,朋友看到有几十本直接惊呆。发现经验原来是能做成手册的! 这里,我要分享5个做工作手册的好处,鼓励大家行动起来~ 1、【内部晋升】:将自己的工作经验整理成册,分享到团队或者公司内部,老板会觉得你是一个可塑之才,没准会提拔你。 2、【面试通过】:面试的时候带2本手册,可以及时展现出自己过往的经验和案例,给你发offer的几率会大大提高。 3、【谈判利器】:我经常拿几本手册去谈合作,在必要时边说边展示,对方会因为你专业&靠谱对你印象极好,很容易达成合作。 4、【学员福利】:作为老师,需要做的是「想尽办法让你的学员偷懒」,他们需要上手,立马上手。所以,可以选择送执行手册让他们参考,最快实践。 5、【成就获得】:多年工作经验整理成册,你会有满满成就感。如果出书的知识储备量不够,不如先做本手册。 在技能成长这条路上,只有及时沉淀,才能不断叠加。 把过去的经验总结,用空杯的心态学习更多新知识。去实践,去挑战,才能不断突破我们能力上限,拥有他人无法跟上的差异化竞争力。

封面图片

接下来是两个比较重要的选项怕【聚类f0】会让输出效果更好,但是如果你的文件是歌声的话不要勾选这个选项,不然会疯狂跑调。【F0均值

接下来是两个比较重要的选项怕【聚类f0】会让输出效果更好,但是如果你的文件是歌声的话不要勾选这个选项,不然会疯狂跑调。【F0均值滤波】主要解决哑音问题,如果你输出的内容有比较明显的哑音的话可以勾选尝试一下。 设置好之后我们点击【音频转换】按钮之后经过一段时间的运算,就可以生成对应的音乐了。 【output audio】的位置就是生成的音频了可以试听,如果觉得OK的话可以,点击右边三个点弹出的下载按钮下载。 我们现在生成的是一段只有人声的干声,这时候我们刚才剥离出来的伴奏就有用了,把两段音频合成就行,我用的剪映,直接把两段音轨拖进去导出就行,也可以加张图片变成视频。

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人