基本概念

人工智能

或者简称 AI，是一种使计算机系统模拟人类智能的技术。这包括学习（获取信息和规则以使用信息）、推理（使用规则达到近似或确定的结论）和自我修正。

深度学习（deep learning）技术

深度学习模仿人脑的神经网络结构，通过“训练”海量的数据，让机器掌握数据中蕴含的规律和知识。AI 通过分析数据来学习认知世界的方法。

神经网络的结构，它模仿人脑的工作方式。通过大量数据的输入和反馈，神经网络可以不断自我学习和改进。

AIGC

全称是 AI Generated Content，即人工智能生成内容

AIGC 的核心技术之一 ： “Transformer” 技术，起着至关重要的作用，这可以算是大模型语言的开山鼻祖了

这里简单总结下 “AI 与 AIGC 的区别”：

AI 是一个广泛的领域，它包含了多种技术和应用，旨在使机器能够执行通常需要人类智能的任务。

AIGC 则是 AI 领域中的一个子集，专注于使用 AI 技术来创造新的内容，如文本、图像、音频和视频等。

换句话来说，AI 提供了创造 AIGC 的基础技术和能力 ； AIGC 利用 AI 的算法和模型，特别是深度学习和神经网络，还有海量的预训练数据来生成特定内容。这些内容可以是完全由 AI 创作的，也可以是在人类创作过程中提供辅助和灵感。

例如，一个 AI 聊天机器人（属于 AI 的应用）可以生成对话文本（属于 AIGC 的范畴）。同样，一个 AI 绘画工具（如 DALL·E 或 Midjourney）可以基于用户的文本提示生成独特的图像，这也是 AIGC 的一个实例。现在在网上一直听到的各种 AI 提效，其根本大部分也是基于 AIGC 构造的产物。

AI 智能体

AI Agent，解决问题的“机器”助手。 AI Agent 就是一种能代替人类执行任务的智能助手。它集成了感知、学习、推理、决策、内容生成等多种 AI 能力，可以与人进行自然语言交互，根据人的需求提供个性化、多样化的服务。

在 LLM（大模型语言）支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，并辅以几个关键组成部分。

• 规划

子目标和分解：Agents 将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。 反思和完善：Agents 可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。

• 记忆

短期记忆：我认为所有的上下文学习（参见提示工程）都是利用模型的短期记忆来学习。 长期记忆：这为 Agents 提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。

• 工具使用

Agents 学习调用外部 API 来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。

AI Agent 具体是如何实现的呢？

目前主流的实现方式是基于提示词（Prompt）的任务编排。

Gamma APP https://gamma.app/zh-cn 工具 专门结合 AI 能力帮你生成 PPT

大模型简介

生成式 AI 是机器学习的一个分支，专注于开发能够根据用户输入生成自然语言文本、图像、代码、音频或视频的算法。生成式 AI 也属于深度学习的一部分，它能够利用深度学习模型进行调整，而无需重新训练。深度学习模拟了大脑中的神经元和突触连接，使得这些模型在复杂任务中表现出色。

数据收集：收集大量的文本数据，这些数据来自互联网、书籍、文章等多种来源。这些数据不仅涵盖各种语言，还包括多种领域，如科学、文学、技术、娱乐等。

预处理：对数据进行清洗、标注和分词等处理。这一步骤确保数据的质量和一致性，使其适合用于训练深度学习模型。清洗过程包括去除噪声数据、纠正错误和标准化格式。

模型训练：使用深度学习算法（如 Transformer 架构）对模型进行训练，使其能够学习语言的语法、语义和上下文关系。Transformer 架构是一种基于注意力机制的神经网络结构，能够高效地处理长距离依赖关系。

调优：通过不断调整模型的参数和结构，提升其在特定任务上的表现。这包括调整学习率、优化器选择、正则化技术等。

Coze

Coze 中的人设和回复逻辑

提示词（Prompt）是给大语言模型（LLM）的输入文本，用于指定模型应该执行什么样的任务并生成什么样的输出。