AI套壳应用如何把壳做厚？

AI套壳应用如何把壳做厚？ 1.一阶：直接引用Open ai接口，ChatGPT回答什么，套壳产品回答什么。卷UI、形态、成本。 2.二阶：构建Prompt。大模型可以类比为研发，Prompt可以类比为需求文档，需求文档越清晰，研发实现得越精准。套壳产品可以积累自己的优质Prompt，卷Prompt质量高，卷Prompt分发。 3.三阶：Embedding特定数据集。把特定数据集进行向量化，在部分场景构建自己的向量数据库，以达到可以回答ChatGPT回答不出来的问题。比如垂直领域、私人数据等。Embedding可以将段落文本编码成固定维度的向量，从而便于进行语义相似度的比较，相较于Prompt可以进行更精准的检索从而获得更专业的回答。 4.四阶：微调Fine-Tuning。使用优质的问答数据进行二次训练，让模型更匹配对特定任务的理解。相较于Embedding和Prompt两者需要消耗大量的Token，微调是训练大模型本身，消耗的token更少，响应速度也更快。一个AI应用产品如果停留在做一阶和二阶，注定是个门槛极低的产品，没有任何壁垒。而什么场景，何时以及如何使用三阶和四阶的能力，是个关键性的问题。

在Telegram中查看

相关推荐

【除了模型， GPT 们还在卷什么？】依托于官方 API 的各种套壳产品，其中 ChatBox 是目前 Windows 平台最好

【除了模型， GPT 们还在卷什么？】依托于官方 API 的各种套壳产品，其中 ChatBox 是目前 Windows 平台最好的多平台 AI 聊天客户端，MacGPT 则是 Mac 平台上更卷的产品，而 ChatGPT-Next 是 Web 端套壳类最强，是生产力玩家的首选。 #抽屉IT

随意搜寻本周推荐几款 AI 产品，感兴趣的朋友可以看看：

随意搜寻本周推荐几款 AI 产品，感兴趣的朋友可以看看： 1）第一个推荐的是我的朋友遥行搞的 Dora，支持 AI 生成网页，和 AI 辅助快速操作，感兴趣的朋友可以去看看，顺便去 PorductHunt 上点个赞： 2）第二款是一个叫 DiagramGPT 的产品，是一款可以让 AI 绘制图表的产品，我觉得案例里最令我惊艳的是给模型一段 Stripe 的调用代码，然后 AI 解释这段代码后，再将 Stripe 的调用流程图绘制了出来（图一）： 3）第三款是 Takomo ai，支持通过拖拽等方式将多个模型链接起来，非常酷。还有一个开源的 LangFlow 也很不错。感兴趣的朋友可以看看。 4）最近一直在研究 Embedding，一直在用开源的 Chroma 向量数据库，最近看到他们上线了官网，官网上的这张图片很好地解释了 Embedding 和向量数据库是什么。 BTW 我的 Newsletter 稍稍升级了下，增加 AI 每周记事，感兴趣的朋友可以看看：

如何基于 ChatGPT 创建个人的知识库 AI

如何基于 ChatGPT 创建个人的知识库 AI 经过几周的内测，现在正式发布 Copilot Hub Copilot Hub 是一个帮助你基于私有数据创建智能知识库 & 人格化 AI 的平台。你可以基于文档、网站、Notion database 或其他数据源在几分钟内创建一个自定义的 ChatGPT。平台上已经预训练了一些 AI，例如： - 基于 Steve Jobs 传记、演讲、书信训练的 Steve Mind AI，可以以 Steve Jobs 的视角来回答你的问题 - 基于 How to Start a Startup 这门课的语料训练的 Startup Launch 创业导师，可以回答任何关于创业的问题如何创建一个自己的 Copilot 第一步：选择数据源目前对免费用户仅开放了单文件上传的数据源，可以选择对应的文档上传，Copilot Hub 会自动在云端进行解析。未来会支持： - 更多的文档格式 - GitHub Repo 接入 - Notion Database 接入 - URL 接入第二步：定义 Copilot 的配置最重要的就是 User Prompt 的配置，使用恰当的 prompt 可以让你的 Copilot 输出的结果更好。一般的用户直接省略即可，默认的 prompt 已经可以完成大部分场景的需求了。第三步：Chat 创建完 Copilot 之后就可以直接和 AI 进行聊天了，使用方式和 ChatGPT 类似。目前所有的生成结果都是根据数据源中对应的内容来生成的（会在后面几个版本增加 source 的展示），所以一定程度上可以解决 ChatGPT 胡说八道的问题。 Copilot Hub 同时也是一个社区，你可以在 Gallery 中浏览到其他人创建的公开 Copilot 并进行交互。

ChatGPT套壳应用的案例一枚：

ChatGPT套壳应用的案例一枚：独立开发者Tdinh_me分享了自己在一周内靠ChatGPT赚了1万美元的方式。最开始的念头是，他觉得ChatGPT的界面太丑了，于是用一个周末的时间重写了一套人机交互系统，同时添加了一些新的功能。比如支持语音转文本，直接可以用「说」的方式和ChatGPT沟通。比如可以直接使用OpenAI的API密钥，不需要登录帐号。比如把对话信息保存在本地，并加了一个搜索框，可以搜索过往的聊天记录。比如预置了一些调教好的AI人格，可以让用户直接调用。比如你可以在自己的服务器上托管这套程序，而不一定要在开发者的网站上才能使用。以下是开发者分享出来的时间线： 3月2号，买了typingmind.com这个域名； 3月6号，产品上线，买断制付费，售价19美元； 3月8号，累计收入2000美元； 3月9号，累计收入4000美元； 3月10号，累计收入10000美元； 3月11号，决定去Product Hunt打打广告。

：旨在帮助小白开发者通过实践构建个人知识库助手，学习大模型应用开发的基础入门

：旨在帮助小白开发者通过实践构建个人知识库助手，学习大模型应用开发的基础入门主要内容包括：大模型简介，何为大模型、大模型特点是什么、LangChain 是什么，针对小白开发者的简单介绍；如何调用大模型 API，本节介绍了国内外知名大模型产品 API 的多种调用方式，包括调用原生 API、封装为 LangChain LLM、封装为 Fastapi 等调用方式，同时将包括百度文心、讯飞星火、智谱AI等多种大模型 API 进行了统一形式封装；大模型开发流程及架构，大模型应用开发的基本流程、一般思想和本项目的架构分析；数据库搭建，不同类型知识库文档的加载、处理，向量数据库的搭建； Prompt 设计，如何设计 Prompt 来让大模型完成特定任务，Prompt Engineering 的原则和技巧有哪些；验证迭代，大模型开发如何实现验证迭代，一般的评估方法有什么；前后端开发，如何使用 Gradio、FastAPI 等框架快速开发大模型 Demo，展示应用能力。

一套完整的基于检索增强生成(RAG)架构的知识图谱建立和查询引擎，利用Pinecone向量数据库技术，能快速构建自定义的RAG模

一套完整的基于检索增强生成(RAG)架构的知识图谱建立和查询引擎，利用Pinecone向量数据库技术，能快速构建自定义的RAG模型，随时查询文档库给出相关回答，实现了完整的RAG工作流程：从文档的切分、embedding到会话记录管理、查询优化、上下文检索以及增强生成，可帮助开发者快速构建自己领域的问答系统，也支持迁移现有基于OpenAI API的应用 |

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人