妙鸭爆火给AI开发者的启示；最全LangChain资源库；LLM大学；大模型实践长文总结

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

BV1oV41137Vr

BV1SG411Z77M

油管知名博主 Corridor Crew 用AI工具 Stable Diffusion、虚幻引擎（制作场景）等工具制作了动画电影「剪刀石头布2」，并释放出了非常详细的幕后制作解析。视频在B站已经获得了将近50万的播放和近千条评论 ⋙ B站 | 幕后制作解析

https://www.doubao.com

8月16日，字节推出了首款AI对话类应用「豆包」，用户可以在线体验，也可以下载安装安卓客户端使用。据悉，这款产品是字节内部代号 Grace 项目的落地成果，目前具有文本生成和图像生成的能力。用户可以与默认的几个AI角色开展问答、聊天，还可以训练出自己的自定义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产品的今天，字节终于迎头赶上 ⋙ 了解解读

https://workspace.dingtalk.com/welcome

8月16日，「钉钉个人版」正式启动内测，所有人都可以访问上方链接申请加入测试，并可以快速通过。获得体验资格的用户可以免费体验「钉钉个人版」的各类AI服务，比如文生文、文生图、角色化对话以及AI创作等。

据悉「钉钉个人版」没有已读/打卡等功能，而是以人工智能为核心的一站式AI工具合辑，让用户通过自然语言对话，能够完成提问、绘画、制作数字分身等目标，类似于 ChatGPT + Midjourney + Notion AI 等各类大模型能力的 ⋙ 了解详情

「结构化 Prompt」是一种组织 Prompt 的新方法，它使用层级结构来组织 Prompt 中的内容和形式。通过这种结构化的方式，可以让 Prompt 的逻辑更加清晰，上下文信息更加一致，也更容易激发语言模型的深层理解能力。

这是一篇非常优秀的长文，完整地介绍了「结构化 Prompt」是什么，主要的优势，以及如何写出一个高质量的结构化 Prompt。尤其值得肯定和收藏的是，文章最后给出了一些结构化 Prompt 的模板示例，供大家参考借鉴。以下是文章结构，感兴趣可以阅读原文：

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能力

优势四：像代码开发一样构建生产级 Prompt

3. 如何写好结构化 Prompt

构建全局思维链

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 (角色) 模板

LangGPT 中的 Expert (专家)模板

即友 李继刚 的公文笔杆子模板

AutoGPT Prompt 模板参考

Mr.-Ranedeer-AI-Tutor Prompt 模板参考 ⋙ GitHub | 知乎

作者自己在探索大模型相关的一些技术，在这篇文章中进行了比较系统的总结，并计划按照季度进行更新【GitHub更新很频繁】。目前是23年7月版本，内容涉及AI集群、AI集群通信、大模型训练（参数高效微调）、大模型推理加速、大模型评估、大模型生态相关技术等相关内容，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整理并放置在GitHub！以下是内容框架，长文值得收藏和仔细阅读研究：

LLM训练

LLM训练实战

LLM参数高效微调技术原理综述

LLM参数高效微调技术实战

LLM分布式训练并行技术

分布式AI框架

分布式训练网络通信

LLM推理

模型推理加速

模型推理服务化

LLM压缩

LLM算法架构

LLM应用开发

LLM国产化适配

LLM生态相关技术

服务器基础环境软件安装 ⋙ 知乎阅读 | 微信阅读

这篇文章的视角很新颖！作者早于「妙鸭」做出了类似产品并因为技术原因搁置了。妙鸭的爆火给了技术出身的作者非常大的冲击，也因此有了这篇回顾和复盘文章。

所有的故事起源于去年底 Lensa 推出的新功能——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能。Lensa 的瞬间爆火给原本专注技术研发的作者带来了启发，并用了不到一周的时间开发出了类似的小程序。

但是因为发现产品存在很多难以解决的问题，大概率不会成功，因此搁置了。但是，仅仅三两个月后，国内出现的类似产品「妙鸭相机」瞬间火爆全网，达到了令人难以想象的用户规模。以下是作者复盘的三个要点，值得至少认真读三遍：

1. 太重视技术门槛，想做别人没法复制的东西

技术人员做产品时，总是首先考虑技术门槛，想要做一些别人难以复制的东西。但这往往导致忽视用户需求，在技术死胡同里越走越远。像妙鸭这样轻应用，其技术实现相对简单，但却能火爆全网。这说明真正的核心竞争力不在技术本身，而在产品设计。

2. 想要的太多太全，不懂 less is more

技术人员倾向于开发大而全的产品，实现各种功能。但作者认为这反而表明没有清晰的目标用户和定位。产品应该简单直接，解决一个核心痛点。妙鸭只做了一个功能，但恰恰因此打穿用户需求。

3. 不会产品运营和流量增长

技术人员最缺乏的就是产品运营思维。光有好的技术和产品还不够，如果不懂流量运营，很难取得爆发式增长。作者认为技术团队需要配备产品和运营人员，这也是后续的发展 ⋙ 知乎阅读 (评论区很棒) | 微信阅读

LLM University (LLMU) 是一个由 Cohere 创建的在线课程平台，专注于教授自然语言处理和大型语言模型 (LLM) 的知识和技能，旨在为学习者奠定NLP的坚实基础，培养开发自己应用程序的能力。

LLMU提供了理论和实践相结合的完整学习体验，适合任何对NLP感兴趣以及想利用语言AI构建应用的学习者，包括ML初学者、开发者、有经验的NLP从业者等。

第一模块 - 大型语言模型

文本嵌入 (Text Embeddings)

相似性计算 (Similarity Between Words and Sentences)

注意力机制 (The Attention Mechanism)

Transformer模型 (Transformer Models)

语义搜索 (Semantic Search)

大型语言模型总结 (Conclusion - Large Language Models)

第二模块 - 文本表示

文本分类模型 (Classification Models)

评估指标 (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)

使用嵌入进行语义搜索 (Semantic Search Using Embeddings)

使用嵌入进行聚类 (Clustering Using Embeddings)

使用嵌入进行分类 (Classification Using Embeddings)

自定义表示模型 (Creating Custom Representation Models)

语义搜索深度剖析 (A Deeper Dive Into Semantic Search)

话题建模 (Topic Modeling)

多语言语义搜索 (Multilingual Semantic Search)

多语言情感分析 (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)

使用案例构思 (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 - 部署

使用Streamlit部署 (Deploying with Streamlit)

使用Databutton部署 (Deploying with Databutton)

使用Amazon SageMaker部署 (Deploying with Amazon SageMaker)

使用FastAPI部署 (Deploying with FastAPI)

使用Google表单部署 (Deploying on Google Sheets with Google Apps Script)

部署Chrome扩展 (Deploying as a Chrome Extension)

部署总结 (Conclusion)

第一附录 - NLP和机器学习基础

NLP历史 (History of NLP)

NLP应用 (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)

评估分类器 (How to Evaluate a Classifier)

NLP总结 (Conclusion - NLP)

第二附录 - 构建应用

本文主要内容是一个LangChain资源库，里面罗列了大大小小很多个基于LangChain框架的优秀项目，包括低代码、服务、代理、模板等工具类，还有像知识管理、聊天机器人等开源项目，还包括像视频、文章等AI学习资源。

GitHub仍在建议持续更新中，目前已经 4500 Star~ 非常值得收藏！以下是内容板块，内容非常丰富：

LangChain框架 (LangChain Framework)

其他语言的移植 (Ports to other languages)

工具 (Tools)

低代码 (Low-code)

服务 (Services)

代理 (Agents)

模板 (Templates)

平台 (Platforms)

开源项目 (Open Source Projects)

知识管理 (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框架 (Other LLM Frameworks) ⋙ GitHub

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！