大模型时代的创业机会洞察

宜博宜创科技创始人

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

为您的创业、职场、商业、投资、亲子、网赚、艺术、健身、心理、个人成长 …… 全面赋能！

关注公众号获取更多资料

添加微信，备
注“入群”
立刻免费领取
200套知识地图+最新研报

致终身学习者社群

行业报告/思维导图/电子书/资讯情报

收钱文案、增长黑客、产品运营、品牌企划、营销战略、办公软件、会计财务、广告设计、摄影修图、视频剪辑、直播带货、电商运营、投资理财、汽车房产、餐饮烹饪、职场经验、演讲口才、风水命理、心理思维、恋爱情趣、美妆护肤、健身瘦身、格斗搏击、漫画手绘、声乐训练、自媒体打造、效率软件工具、游戏影音……

扫码先加好友，以备不时之需

自我介绍

宜博

宜创科技创始人&CEO

鲲鹏会TGO北京董事

鲲鹏会TGO北京16组组长

鲲鹏会TGO AGI兴趣小组发起人之一 (1700人+ 欢迎大家加入)

Al First“一句话”的场景验证

政府企业：	一句话找到政策匹配公司列表
猎头企业：	一句话总结候选人与岗位匹配度
农业企业：	一句话实现养殖饲料配方查询生成
中介企业：	一句话了解自己需求的房子
开发公司：	一句话实现重复代码生成
上市银行：	一句话实现最新全行业年报分析
行业顾问：	·一句话回答 80%又蠢又笨的基础行业问题
CRM:	一句话实现工作流程生成匹配并执行
供应链公司：	一句话实现产品供应商寻源
人事培训：	一句话实现公司规章制度查询
电梯公司：	一句话实现数百份电梯技术资料中查询总结
医院设备科：	一句话查询错误码并翻译操作手册
采购系统：	一句话实现系统技术问题工单回应
咖啡外卖：	一句话下单推荐咖啡外卖
HR BP:	一句话实现周报月报总结
销售：	一句话实现见客户前产品销售话术冷启动
邮箱：	一句话是实现电子邮件中发票报销邮件整理和发送
报表BI	·一句话生成SQL，并自动生成报表和大屏

Step1

设计多轮对话实现表单填写

Step2

根据表单生成 SQL 并查询

序号	营养素名称	参数值/%
1	消化能（MJ/kg）	15.47
2	代谢能（MJ/kg）	15.47
3	净能（MJ/kg）	16.47
4	粗蛋白	16.47
5	钙	16.47
6	总磷	16.47
7	可利用磷	18.47
8	赖氨酸	18.47
9	蛋氨酸	18.47
10	蛋氨酸+半胱氨酸	18.47
1	苏氨酸	18.47
12	色氨酸	18.47
13	异亮氨酸	20.47
14	亮氨酸	20.47
15	氨酸	20.47
16	可消化赖氨酸	20.47
17	可消化蛋氨酸	20.47
18	可消化蛋氨酸+半胱氨酸	20.47
19	可消化苏氨酸	20.47
20	可消化色氨酸	20.47
21	可消化异亮氨酸	20.47
22	可消化亮氨酸	20.47
23	可消化氨酸	20.47
24	氯化钠	20.47

Step3

调取 API 合成饲料配方

序号
序号	原料	占比(%)
1			10
2			15.6
3	碎米		10
4			0.98
5			23
6			2
7	碎米		0.55
8	花生		7.2
9	玉米		0.91
10	小麦		25.6
11	碎米		1.6
12	花生		2.56

使用 LLM 解决行业痛点难题

原料名称

共有123种。如玉米、大麦、大豆等。

原料参数名称

共有几十种。如价格、粗蛋白含量、淀粉含量等。

原料参数数值

每种原料的每种参数有一个值。如玉米的粗蛋白含量为8.01%。

原料参数统称

共有十几种。可以理解为原料参数的类别，包含若干种原料参数。如营养指标（包括粗蛋白含量、淀粉含量等）。

FeedMaas 已经获得多位业内院士的高度认可

整理出来需要问到的 150 +个问题（举例）

请分析上市银行在2023年第一季度的营收、归母净利润及其驱动因素，以及其收入和成本方面的具体情况。

请分析一下中国国有六大银行在2023年第一季度的营收情况

分析一下2023年第一季度股份行的业绩状况，包括财务状况、收入来源以及利润情况

分析一下城农商行的业绩情况，特别是优质区域银行的景气度延续，特别是优质区域银行的景气度延续

分析一下银行在净利息收入、手续费净收入和其他非息收入三个方面的表现情况。

分析一下银行在2023年第一季度的资产扩张情况

分析一下各个银行的存款情况

分析一下银行的贷款结构和表现情况

分析一下了2023年第一季度上市银行在对公贷款和零售贷款方面的情况

分析一下银行的存款结构情况

分析一下中国银行业在不同类型银行和不同存款类型之间的结构分化情况

分析一下银行业在2022年以来净息差不断收窄的情况

分析一下2023年第一季度银行的利差下降情况

分析一下银行在2023年的三个方面情况，包括资产端、成本端和息差方面

分析一下国有大行（包括中国银行、工商银行、建设银行、交通银行和邮储银行）在2023年第一季度的息差表现情况。

分析下股份行的息差情况，以及招商银行在这个市场中表现的优势。

分析下城市商业银行的息差表现

分析一下银行的拨备释放、信用成本和减值计提情况。

分析一下银行的资产质量、不良率、拨备覆盖率、风险抵补能力、拨贷比和信用成本等情况

分析一下中国国有大行和邮政储蓄银行在2023年第一季度的资产质量状况，以及中国银行在同期的不良率和拨备情况。

分析一下中国股份行（其中特别提到了中信银行和招商银行）的资产质量状况，主要包括不良率和拨备覆盖率等方面。

分析一下优质区域性银行在2023年第一季度资产质量的表现

根据银行业在2023年第一季度表现，你有什么投资建议

请分析上市银行在第一季度的业绩情况和贷款投放情况。

请分析银行在一季度的营收结构变化和净利息收入的贡献情况。

请分析上市银行在贷款占总资产比重方面的表现。

请分析银行在不良率方面的表现情况和资产质量的改善情况

分析一下银行的一季度业绩情况

分析一下银行息差下降的情况，包括影响息差下降的原因以及各类银行在季度环比中息差下降的情况。此外，对未来的息差情况进行展望，寻找合意资产投放并避免非理性价格竞争以及负债成本改善空间更大的银行分析一下中国银行业信贷市场的情况，包括银行贷款增速、不同类型银行的表现以及对公和零售贷款结构等方面。

分析一下银行的非息收入情况，包括上市银行非息收入同比增长、其他非息增速、投资收益增速以及投资相关非息收入占比等方面。

分析一下银行的资产质量情况，包括上市银行不良率、拨备覆盖率、银行整体不良生成率以及关注部分领域尾部风险消化等方面。

分析一下银行未来发展的情况，包括息差、存款成本、高收益信贷投放、中收、不良压力、尾部风险、高拨备、经济复苏以及估值等方面。

分析一下上市银行在一季度的业绩表现，包括利润增速、营收同比增速、PPOP同比下滑以及归母净利润同比增长等方面。

分析一下银行在一季度的业绩表现，包括息差收窄、非息收入、中收以及拨备等方面。

分析一下国有行的一季度业绩表现。

分析一下城商行、农商行以及优质区域性银行的归母净利润同比增长情况。

请分析上市银行在2023年第一季度的营收、归母净利润及其驱动因素，以及其收入和成本方面的具体情况。

上市银行营收同比增长率
上市银行归母净利润同比增长率
净利息收入同比增长率
手续费净收入同比增长率
其他非息收入同比增长率
成本收入比
信用减值损失同比增长率
信用成本同比增长率

2023Q1 上市银行营收同比+1.4%，归母净利润同比+2.2%，业绩的驱动因素主要是规模提速扩张、其他非息高增和减值节约。收入方面：（1）净利息收入同比-1.8%，其中规模提速扩张，总资产增速提升至 12.3%，但净息差整体下行，主要受存量贷款重定价及存款定期化延续影响，量增难抵价降，拖累利息收入表现。（2）手续费净收入同比-4.8%，降幅较去年扩大，主要是受资本市场波动影响，客户投资理财风险偏好下降，导致理财、代销基金等收入下降较多；（3）其他非息收入同比大增+46.1%，增速显著超出市场预期，超预期主要来自于国有大行的拉动。国有大行其他非息收入增速高达 87%，主要原因包括：(a)新的保险会计准则实施，保险子公司收入口径调整，重述后对其他非息收入产生较大影响；(b)受市场波动影响，债转股项目估亏同比大幅减少，股权类估值同比提升，对净交易收入形成较大支撑。成本方面，成本收入比小幅上升至 26.1%，信用减值损失同比-6.4%，带动信用成本同比下行至 1.00%，拨备释放反哺利润。

计算公式和步骤：

上市银行营收同比增长率 = (2023Q1营收 - 2022Q1营收) / 2022Q1营收 × 100%

上市银行归母净利润同比增长率 = (2023Q1归母净利润 - 2022Q1归母净利润) / 2022Q1归母净利润 × 100%

净利息收入同比增长率 = (2023Q1净利息收入 - 2022Q1净利息收入) / 2022Q1净利息收入 × 100%

手续费净收入同比增长率 = (2023Q1手续费净收入 - 2022Q1手续费净收入) / 2022Q1手续费净收入 × 100%

成本收入比 = 2023Q1成本 / 2023Q1收入 × 100%

信用减值损失同比增长率 = (2023Q1信用减值损失 - 2022Q1信用减值损失) / 2022Q1信用减值损失 × 100%

信用成本同比增长率 = (2023Q1信用成本 - 2022Q1信用成本) / 2022Q1信用成本 × 100%

实际场景-上市银行研报分析-LLM 四种不同方案及效果

方案 1：Pre-training

方案 2：Fine tuning

分析宁波银行和南京银行在金融市场负债方面的情况。

宁波银行和南京银行在金融市场的负债情况有所不同。

宁波银行的负债主要包括存款、贷款、结算等，其中存款包括活期存定期存款、通知存款等；贷款包括短期贷款、中长期贷款、票据贴现等；结算包括汇款、托收、委托收款等。

南京银行的负债主要包括存款、债券投资、同业拆借等，其中存款包括定期存款、通知存款、活期存款等；债券投资包括国债、金融债、企业债等；同业拆借包括同业拆借、银团贷款等。

根据上文所述的内容可以看出来，2016年9月26日到2016年底期间（以下简称“这段时间）是两家银行发生债务危机的时间节点之一。2016年下半年开始后不久，2015年末至2017年初之间发生了一次大规模的资产处置事件。2015年年底以来陆续有多家金融机构出现流动性紧张的问题，2017年上半年又有几家商业银行出现了流动性风险问题。2017年以来随着时间的推移以及市场的变化各家机构都逐渐适应了这种变化并逐步退出了一些业务领域或资产类别中的资金池子里资金周转速度加快导致其资产负债规模有所减少但总体趋势稳定不变

方案 3：Vector Emebbding

方案 4：SQL Chain Flow

请对比分析一下南京银行和中信银行在2022年的营收状况

bank_nameoperatingincomecx_operatingincomeoperatingprofitcx_operating_profittotal_profitctotal_profittotal_asets

此外，南京银行和中信银行在2022年的净利润分别为21790856000和73318000000，中信银行的净利润也要比南京银行高出3.3倍。总资产方面，南京银行的总资产为2059483739000，而中信银行的总资产为8547543000000，中信银行的总资产也要比南京银行高出4.1倍。

综上所述，从营收、净利润和总资产等方面来看，中信银行在2022年的经营状况要比南京银行好很多。这可能是因为中信银行在2022年的经营策略更加成功，采用的商业模式更加适应市场需求，从而带来了更好的财务表现。

LLMFarm解决方案：上市银行研报分析-数据准备

PDF-数据指标提取
Excel-SQL

项目	单位：人民币千元
项目	2022年末	2021年末 2020年末
资产总额资产结构贷款总额其中：企业贷款零售贷款贷款损失准备负债总额负债结构存款总额其中：企业活期存款企业定期存款储蓄活期存款	2,059,483,739	1,748,946,747 1,517,075,765
	945,912,680	790,321,922 674,586,703
	674,743,076	552,040,389 475,414,304
	271,169,604	238,281,533 199,172,399
	33,825,585	28,741,359 24,188,979
	1,901,784,904	1,626,381,955 1,409,042,793
		1,626,381,955 1,409,042,793
	1,238,031,640	1,071,704,267 946,210,819
	258,722,505	263,148,182 242,795,490
	655,476,375	566,500,131 496,383,284
	48,267,148	38,374,152 43,218,346

A B	C	D E F G H	J K L	M N	0 P		Q	R	S	T	U	V	W	X	Y
银行名称年份	类型	营业收入营业利润利润总额归属上市成本收入	总资产总负债存款总额贷款总额贷	款损失总资产收资	本利润净利差		净息差不	良贷款拨	备覆盖	拨贷比	利息回收资	本充足	一级资本核	心一级资	本充足	率
南京银行2022	年度	￥4460642%	￥2595%1		5.12%1.93%		2.19%	0.90%	397.20%	9	6.67%14.31%	1	12.04%9.73%
南京银行2021	年度	Y40,9251Y71984556222%	4		14.85%2.02%		2.25%	0.91%	397.34%		97.14%	13.54%	11.07%10.16%
南京银行2020	年度	￥34,465,4￥1559￥1￥130028.46%	17		14.32%1.99%		2.25%0	.91%	391.76%	3.58%	95.79%	14.75%	10.99%9.97%
平安银行2022	年度	17995￥	5,321.51 ￥3312,68￥2916		2.67%		2.75%1	.05%	290.28%	3.04%		13.01%	10.40%8.64%
平安银行2021	年度	￥169￥	4,921,38 ￥2,961,81￥306344		2.74%		2.79%1	.02%	288.42%			13.34%	10.56%8.60%
平安银行2020	年度	￥153542%	￥4,468,51 ￥2,67311266629		2.78%		2.88%	1.18%	201.40%			13.29%	10.91%8.69%
中信银行2022	年度	￥211,392.￥718￥7416￥6203.%	84			1.92%	1.97%	1.27%	201.19%			13.18%	10.63%
中信银行2021	年度	2	8428			1.99%	2.05%	1.39%	180.07%			13.53%	8.85%10.88%
中信银行2020	年度	￥194,7315755485%	￥7,511,16￥695112￥4,28,9￥4,4730￥2600		2	.18%	2.26%1	.64%	171.68%				10.18%

Step1

Step2

问题转化为指标

Step3

营业收入，营业利润，利润总额，总资产，总负债

×问题回答

指标问题生成 SQL 并查询

×问题回答

合成结果

请对比分析一下南京银行和中信银行在2022年的营收状况

Step4 根据调试好的 Chain，可以转化为领域机器人进行全域问题查询

设备型号繁多，一个医院几十种医疗设备
每个型号报错参数复杂，分多层多步骤输入查询
每个型号对应文档几十个，难于查找
中英日文文档混杂，需要实时翻译
文档格式有PDF、Word、HTML 等多种文件
需要定位图文结果

集成在飞书、钉钉群中方便查询和分享查询结果

客户非结构化多语言文档数据

PDF

Product Group	Haemodialysis
Product	5008s
Article number
Assembly	Hydraulics
OperationMode	Cleaning program
SoftwareVersion
Error Code	2342
ErrorMemory	2540 Cleaning pgm:Switch So1-failed to reach lower level!6104 Cleaning pgm error position:0204.000.0002.0005
ErrorMessage	Filter change aborted！
Description	Fillingvia V22V19;V22;V28openFluid istransported bythedegassng pumpvia the open fresh water valvesof the balancingchamber andvia V22to the drain.If So1drops,deliverycontinues foranother 2 seconds
Reason	S01defectiveV22fails toopen hydraulically
Correction of error	Replace S01ReplaceV22
Remarks
Additional Searchterms
Information resources
Attachments

HTML

图文

上传文件到向量库

<数据集列表管理

配置 Chain

配置 Mysql

85008S故障代码/5008S故障代码

飞书群中集成 Bot效果

多轮对话录入错误码

@5008S故障代码查询机器人2342

1条回复

请输入MEMORYCODE

2528

@5008S故障代码查询机器人2528

7270076条回复07964

请输入MEMORYCODE对应的POSITION

@5008S故障代码查询机器人0004

1条回复

SQL结果：

错误代码 2342

飞书群图文回复

@LLMFarm教程机器人如何开发新的chain

1条回复

#

在弹窗中，输入chain名称（如：GPT3.5），点击创建，进入chain流程配置页面

人

中英文双语回复

@EM问答机器人EMOE02

1条回复

CODE:EMOE02 SHORTMESSG:OFFSET\$TIMEOUT

DETAILED DESCRIPTION:

在模块EXEMOD（执行正常模式）中监控偏移量测量。
当DMS在规定时间内未指示偏移量测量结束时，显示此错误消息。

错误原因：

-软件错误（模式命令中的辐射持续时间太短）。
-dms错误。
-通信错误。
-线路故障。
-故障。

解决方法：

1:重置并调用SERVICE/TEST/MASTER-FNC/DMS通信测试。
如果一切正常，则可能是软件错误。
2:如果通信测试无法执行，请检查与DMS的连接（COMM_POS/COMM_NEG，MASTER-DAT_CO_RI-ROSY）。
3:检查SERVICE/TEST/DMS并根据需要更换。
4:更换DMS或MASTER上的固件。

CODE:EMOEO2 SHORTMESSG:OFFSET\$TIMEOUT

DETAILEDDESCRIPTION:

Theoffsetmeasurement ismonitoredinthemoduleExemod (Executenormalmode) Thiserrormessageisdisplayedwhentheendoftheofsetmeasurementisnot indicatedbytheDMSwithintheprescribedtime.

背景说明：

整体工作中需要接入流量方场景，

需要和流量渠道进行整体流程对接，

对接过程的几个特点：

-- 几个主要业务场景，每次都需要对接（都有api实现、联调、上线）。大概需要8～10个api接口

-- 都是同一业务，所有api接口的参数含义高度相似，（参数重合度大于95%），参数可能在不同的接口提交，参数名可能不一样。

接口实现

接口实现都是java的springboot模式，会包括controller类、service类、dao类。

个别实现依据个人方式，可能会封装response为独立类，也可能封装exception为独立类。

service类大概率需要人工参与，实现业务逻辑。但是其他类多数都比较固定模式。

需要注意的地方

controller和dao都可以写成固定模式。Reponse/result的封装、exception的封装都可以固定。

Log、exception、返回码各个渠道对接会不一样。

Step1

Step2

Step3

生成 controller

生成 Service/DTO

任务递归生成代码上传 Git

controller

Service

用户输入行程信息
查询天气预报信息
使用提示词模板拼接[行程]和[天气预报信息]，提示词结尾添加: 请根据当前城市的今天的天气状况，风速、温度、湿度相关气象信息，结合城市地理、气候等特点帮我分析问题
询问 llm 给出合理的建议

不超过5个节点

流程需求说明：

1.用户输入行程信息2.查询天气预报信息3.使用提示词模板拼接[行程]和[天气预报信息]，提示词结尾添加：请根据当前城市的今天的天气状况，风速、温度、湿度相关气象信息，结合城市地理、气候等特点帮我分析问题4.询问IIm给出合理的建议不超过5个节点

通过描述流程需求，由AI助手自动生成LLM处理流程

当地天气查询

Step3 实例化 bot 并执行

天气咋样

根据API返回的信息，当前所在城市为浙江嘉兴市，天气状况为阴，温度为16℃，湿度为72%，风速为<3级。根据嘉兴市的地理位置和气候特点分析，嘉兴市位于长三角地区，属于亚热带季风气候，四季分明，雨量充沛。春季温暖多雨，夏季炎热多雨多风，秋季温和多雨，冬季寒冷少雨。当前是5月份，属于春季，阴雨天气较多，温度适宜，湿度较高，需要注意防潮防霉。风速较小，空气湿润，适合户外活动和出行。

明天天气如何

根据API返回的数据，明天嘉兴市的天气为阴，风速≤3，温度为16度，湿度为72%。嘉兴市位于浙江省，属于亚热带季风气候区，气候温和湿润，四季分明。根据历史气象数据，嘉兴市5月份的平均气温为20度左右，相对湿度为70%左右，阴雨天数较多。因此，明天嘉兴市的天气状况与该地的气候特点相符合，预计明天的天气较为阴沉，气温较低，湿度较高，需要注意保暖和防潮。

杭州有几个景点推荐，给我生成一个一日游的推荐路线

重新生成回答

天气

ChatBI：实际场景演示

活动所在城市的数量分布

发起提问

清空问题

这是个好问题！正在您分析的结果.

我们需要从all_activity表中获取活动所在城市的数量分布。我们可以使用GROUPBY子句按照user_city分组，并使用COUNT函数计算每个城市中不同活动的数量。最后，我们可以将结果可视化为柱状图。

SELECT uSer_city,COUNT(DISTINCT activity_name）ASactivity_count FROM all_activity GROUP BY user_city

#

导出

2020年至今的订单金额增长趋势，createtime是13位时间戳

发起提问

清空问题

这是个好问题！正在您分析的结果，

根据题目要求，需要查询2020年至今的订单金额增长趋势，因此需要筛选出create_time大于等于2020年1月1日的订单数据。由于create_time是13位时间戳，需要将其转换为日期格式进行筛选。然后按月份对订单金额进行汇总，并按照月份升序排序。最后，将结果用折线图展示，横轴为月份，纵轴为订单金额。

SELECT

DATE_FORMAT(FROM_UNIXTIME(Create_time/10 '%Y-%m')ASmonth，SUM(money)AS total_money FROMall_orderWHERE create_time >=UNIX_TIMESTAMP('2020- 01-01')*100O GROUP BY mOnth ORDERBY month ASC;

山田

请问是否满意当前的查询结果？

2023年至今每天订单总金额的变化趋势createtime是
13位时间戳

发起提问

清空问题

使用指南

这是个好问题！正在您分析的结果..

我们需要从all_order表中筛选出2023年至今的订单数据，并按照日期分组统计每天订单总金额。由于create_time字段是13位时间戳，需要使用FROM_UNIXTIME函数将其转换为日期格式。最后，按照日期进行排序，得到每天订单总金额的变化趋势。我们可以使用折线图来展示这个趋势。

SELECTFROM_UNIXTIME(create_time/1000, %Y-%m-%d')ASdate，SUM(money)AS total_money FROMall_orderWHERE create_time >=UNIX_TIMESTAMP('2023- 01-01')*1000 GROUPBY date ORDER BY idate

295

201.37

新用户注册的趋势图createAt是13位时间戳导出

2020年至今每月订单总金额的变化趋势createtime是
13位时间戳

发起提问

清空问题

使用指南

我提出的问题

订单总数量

订单总金额

2023年至今订单总金额

2.问ChatBI订单总数量回答正确点对号收藏

用ChatBI小程序一分钟实现O20订单系统数据大屏

基于开源 Email 客户端，实现 AI Mail 助手

Sent Folder

droplee7@..	李昭	您收到了一封电子发票	1hour,16 minutes
droplee7@...	1014779348	电子发票	9 hours,17 minu...
droplee7@...	招商银行	【七夕福利】快来领红包~	2days,10 hours
droplee7@...	CSDN	【有奖调研】开源人才能力调研问卷	2days,10hours
droplee7@...	李昭噗	Fw:【电子发票】北京拾柒巷餐饮管理有限公司（发票金额.	2days,13 hours
droplee7@...	李昭噗	Fw：您收到来自理想汽车的电子发票	2days,13hours
droplee7@...	Ktown4u Chin...	#13你不好奇Ktown4u的内部粉丝圈吗？	3days,4hours
droplee7@...	QQ邮箱团队	更安全、更高效、更强大，尽在QQ邮箱APP	3days,12 hours
droplee7@...	百度智能云	百度智能云代金券发放提醒	3days,17 hours
droplee7@...	李昭	Fw：您收到一张来自北京甫瓦餐饮有限公司的电子发票【发..4days，12hours

邮箱助手

请帮我整理三个月内的电子发票，并发给izhaopu@wudaima.com

已帮您整理出8张电子发票，合计金额为2443.46元，合计税额为144.54元，价税合计金额为2588.00元。已成功帮您发送邮件。

droplee7@...	招商银行	【七夕福利】快来领红包~	2days,10 hours
droplee7@...	CSDN	【有奖调研】开源人才能力调研问卷	2days,10 hours
droplee7@...	李昭噗	Fw:【电子发票】北京拾柒巷餐饮管理有限公司（发票金额.	2days,13 hours
droplee7@...	李昭噗	Fw：您收到来自理想汽车的电子发票	2days,13 hours
droplee7@...	Ktown4u Chin...	#13你不好奇Ktown4u的内部粉丝圈吗？	3days,4 hours
droplee7@...	QQ邮箱团队	更安全、更高效、更强大，尽在QQ邮箱APP	3days,12 hours
droplee7@...	百度智能云	百度智能云代金券发放提醒	3days,17hours
droplee7@...	李昭噗	Fw:您收到一张来自北京甫瓦餐饮有限公司的电子发票【发..	4days,12 hours
droplee7@...	李昭噗	Fw:您收到一张来自望湘园（北京）投资管理有限公司的电..	4days,12 hours
droplee7@...	Steam	您Steam愿望单上的CPUCores:MaximizeYourFPS...	4days,12 hours
droplee7@..	QQ邮箱团队	更安全、更高效、更强大，尽在QQ邮箱APP	4 days,16 hours
droplee7@...	Ktown4u China	亲爱的李昭璞~请参
droplee7@...	Ktown4u China	邮箱助手 Le'v的视频通话8
droplee7@...	招商银行信用卡	《招商银行信用卡

gind

大模型训练的三要素：数据集数量、训练强度、参数

		Train.FLOPs	Params.	Model	Reference
Few-shot prompting abilities
	Addition/subtraction (3 digit)	2.30E+22	13B	GPT-3	Brown et al. (2020)
	Addition/subtraction (4-5 digit)	3.10E+23	175B
	MMLU Benchmark (57 topic avg.）	3.10E+23	175B	GPT-3	Hendrycks et al. (2021a) r
	Toxicity classification (CivilComments)	1.30E+22	7.1B		Gopher Rae et al. (2021) r
	Truthfulness (Truthful QA)	5.00E+23	280B
	MMLU Benchmark (26 topics)	5.00E+23	280B
	Grounded conceptual mappings	3.1E+23	175B	GPT-3	Patel & Pavlick (2022) r
	MMLU Benchmark （30 topics)	5.00E+23	70B	Chinchilla	Hoffmann et al. (2022) r
	Word in Context (WiC) benchmark	2.50E+24	540B	PaLM	Chowdhery et al.(2022) r
	Many BIG-Bench tasks (see Appendix E)	Many	Many	Many	BIG-Bench (2022)
Augmented prompting abilities
	Instruction following (finetuning)	1.30E+23	68B		FLAN Wei et al. (2022a) r
	Scratchpad: 8-digit addition (finetuning)	8.90E+19	40M	LaMDA	Nye et al. (2021) r
	Using open-book knowledge for fact checking	1.30E+22	7.1B		Gopher Rae et al.(2021) r
	Chain-of-thought: Math word problems	1.30E+23	68B	LaMDA	Wei et al.(2022b)r
	Chain-of-thought: StrategyQA	2.90E+23	62B	PaLM	Chowdhery et al. (2022) r
	Differentiable search index	3.30E+22	11B	T5	Tay et al. (2022b)r
	Self-consistency decoding	1.30E+23	68B	LaMDA	Wang et al. (2022b)r
	Leveraging explanations in prompting	5.00E+23	280B		Gopher Lampinen et al. (2022)r
	Least-to-most prompting	3.10E+23	175B	GPT-3	Zhou et al. (2022) r
	Zero-shot chain-of-thought reasoning	3.10E+23	175B	GPT-3	Kojima et al.(2022) r
	Calibration via P(True)	2.60E+23	52B	Anthropic	Kadavath et al. (2022) r
	Multilingual chain-of-thought reasoning	2.90E+23	62B	PaLM	Shi et al. (2022) r
	Ask me anything prompting	1.40E+22	6B	EleutherAI	Arora et al. (2022)

大模型参数与人的神经元

人脑总共大概有接近10的11次方个神经元，但大脑皮层可能只有其中150亿左右

参数量在人脑上应该对应的是神经突触的数量而不是神经元

人脑总共大约有10的14到15次方个突触，也就是百万亿级别的参数量

GPT4 参数量是 1.8 万亿

Pre-training
预训练
• 通识教育基础模型

Fine tuning微调专业教育行业模型

Prompt
engineer
提示词工程
职业教育
行业Knowhow

大模型LLM时代的开发范式

现在预训练，微调一个大模型需要多少成本？

Fine-Tuning Existing models(Time to Train 86oM Tokens)
	HGXA100	L40S	HGXH100
	HGXA100	Expected Speedu	p with TE/FP8
GPT-40B LoRA (8 GPU)	12 hrs	1.7x	4.4x
GPT-175B LoRA(64 GPU)	6hrs	1.6x	4.3x

GPT模型1750亿参数量需要一万块GPU训练，训练一次成本1200万美金，研发费用至少3000万美金，openAl差不多烧了将近10亿美金。这些底层算力都需要芯片来完成。

22:20·2023/3/22·12.2万次查看

Training Small models(Time to Train 10B Tokens)
	HGXA100	L40S	HGXH100
	HGXA100	Expected Speedu	p with TE/FP8
GPT-7B (8 GPU)	17hrs	1.3x	3.4x
GPT-13B（8GPU)	32hrs	1.2x	3.6x

Training Foundation models(Time to Train 30oB Tokens)
	HGXA100	L40S	HGXH100
	HGXA100	Expected Speed	up with TE/FP8
GPT-175B(256GPU)	64days	1.4x	4.5x
GPT-175B(1KGPU)	16days	1.3x	4.6x
GPT-175B（4KGPU)	4days	1.2x	4.1x

ChatGPT: Optimizing Language Models for Dialogue

We've trained amodel called ChatGPTwhich interacts in a conversational way.The dialogue formatmakes it possible for ChatGPT toanswer followup questions,admit its mistakes,challenge incorrectpremises,andrect inappropriate requests.ChatGPT isa siblingmodel to InstructGPT,which istrainedto followan instruction ina prompt and provideadetailed response.

TRYCHATGPT

Telephone:75years Mobile phone:16years WorldWide Web:7years iTunes: 6.5years Twitter:5years Facebook:4.5years WhatsApp:3.5years Instagram:2.5years AppleAppStore:2years ChatGPT:2months

3:20AM·Feb3,2023·281.2KViews

411Retweets 25QuoteTweets 2,405Likes

History of GPT

GPT:Generative Pre-trained Transformer

个人观点

AGI

就如孙悟空拔猴毛

而不再是天兵天将、修炼成仙

而是会说咒语就能让猴毛七十二变

涌现

We will consider the following general defifinition of emergence, adapted from Steinhardt (2022) and rooted in a 涌现 1972 essay called “More Is Difffferent” by Nobel prize-winning physicist Philip Anderson (Anderson, 1972):

Emergence is when quantitative changes ina system result in qualitative changes in behavior.

涌现是指系统的数量变化导致行为的质量变化。

In this paper, we will consider a focused defifinition of emergent abilities of large language models:

Anability is emergent if it is not present in smaller models but is present in larger models.

如果一种能力不存在于较小的模型中，但存在于较大的模型中时，就是涌现能力。

Emergent Abilities of Large Language Models

		Train.FLOPs	Params.	Model	Reference
Few-shot promptingabilities
	Addition/subtraction (3digit)	2.30E+22	13B	GPT-3	Brown et al. (2020)
	Addition/subtraction (4-5digit)	3.10E+23	175B
	MMLU Benchmark (57 topic avg.)	3.10E+23	175B	GPT-3	Hendrycks et al. (2021a) r
	Toxicityclassificaion (CiviComes)	1.30E+22	7.1B		Gopher Rae et al. (2021) r
	Truthfulness (Truthful QA)	5.00E+23	280B
	MMLU Benchmark (26 topics)	5.00E+23	280B
	Grounded conceptual mappings	3.1E+23	175B	GPT-3	Patel & Pavlick (2022) r
	MMLU Benchmark (30 topics)	5.00E+23	70B	Chinchilla	Hoffmann et al. (2022) r
	Word in Context (WiC) benchmark	2.50E+24	540B	PaLM	Chowdhery et al. (2022) r
	Many BIG-Bench tasks (see Appendix E)	Many	Many	Many	BIG-Bench (2022)
Augmented prompting abilities
	Instruction following (finetuning)	1.30E+23	68B		FLAN Wei et al. (2022a) r
	Scratchpad: 8-digit addition (finetuning)	8.90E+19	40M	LaMDA	Nye et al. (2021) r
	Using open-book knowledge for factchecking	1.30E+22	7.1B		Gopher Rae et al. (2021) r
	Chain-of-thought: Math word problems	1.30E+23	68B	LaMDA	Wei et al. (2022b) r
	Chain-of-thought: StrategyQA	2.90E+23	62B	PaLM	Chowdhery et al.(2022) r
	Ddiferentiable search index	3.30E+22	11B	T5	Tay et al.(2022b) r
	Self-consistency decoding	1.30E+23	68B	LaMDA	Wang et al. (2022b) r
	Leveraging explanations in prompting	5.00E+23	280B		Gopher Lampinen etal. (2022) r
	Least-to-most prompting	3.10E+23	175B	GPT-3	Zhou et al. (2022) r
	Zero-shotchain-of-thoughtrasoning	3.10E+23	175B	GPT-3	Kojima et al. (2022) r
	Calibration via P(True)	2.60E+23	52B	Anthropic	Kadavath et al. (2022) r
	Multilingual chain-of-thought reasoning	2.90E+23	62B	PaLM	Shi et al. (2022) r
	Ask me anything prompting	1.40E+22	6B	EleutherAI	Arora et al. (2022)

大模型时代开发底层逻辑中最常用几个涌现能力

• Translation 60B

• Math 60B

• In-context Learning 130B

· Chain-of-thought reasoning130B

• Knowledge combination 530B

Emotion Perception 530B

产品定价规则

1.标准版CPQ价格9800元每年，包含20个用户，超出的用户按499元每年计价

2.专业版CPQ价格29800元每年，包含30个用户，超出的用户按899元每年计价

客户名称为宜创，有40个用户，要购买专业版 CPQ2年，打95折。计算逻辑为:

推理过程:

第一步:要购买专业版CPQ2年，所以基础价格为29800元每年2年=59600元

第二步:有40个用户，专业版包含30个用户，超出的用户按899元每年计价，所以，超出用户为40个用户30个用户=10个用户

第三步:超出的费用为10个用户*899元每年*2年=17980元

第四步:所以40个用户，要购买专业版CPQ2年的总价格为:59600元+17980元=77580元

第五步:打95折，所以最终报价价格为:总价格77580*95%=73701元

答案:客户名称为Authing，有40个用户，要购买专业版CPQ2年，打95折，最终报价为73701元

提问:

客户名称为IBM，有50个用户，要购买专业版CPQ3年，打9折

请回答并写出推理过程

推性

第一步：要购买专业版CPQ3年，所以基础价格为29800元每年*3年=89400元。

第二步：有50个用户，专业版包含30个用户，超出的用户按899元每年计价，所以超出用户为50个用户-30个用户=20个用户。

第三步：超出的费用为20个用户*899元每年*3年=53940元。

第四步：所以50个用户，要购买专业版CPQ3年的总价格为：89400元+53940元=143340元。

第五步：打9折，所以最终报价价格为：总价格143340元*90%=129006元。

所以，客户名称为IBM，有50个用户，要购买专业版CPQ3年，打9折，最终报价为129006元。

回答：

客户名称为微软，有100个用户，要购买标准版CPQ1年，打7折。计算逻辑为：

推理过程：

第一步：要购买标准版CPQ1年，所以基础价格为9800元每年*1年=9800元。

第二步：有100个用户，包含20个用户，超出的用户按499元每年计价，所以超出用户为100个用户-20个用户=80个用户。

第三步：超出的费用为80个用户*499元每年=39920元。

第四步：所以100个用户，要购买标准版CPQ1年的总价格为：9800元+39920元=49720元。

第五步：打7折，所以最终报价价格为：总价格49720元*70%=34804元。

所以，客户名称为微软，有100个用户，要购买标准版CPQ1年，打7折，最终报价为34804元。

Math

Translation

One shot/Few shot

2023月3月15日OpenAI发布GPT4

Following the research path from GPT, GPT-2,and GPT-3,our deep learning approach leverages more data and more computation to create increasingly sophisticated and capable language models.

GPT-4 outperforms ChatGPT by scoring in higher approximate percentiles among test-takers.

Uniform Bar Exam

10th ChatGPT

90th

GPT-4

Biology Olympiad

31st

ChatGPT

99th GPT-4(withvision)

GPT-4

多模态识图能力

4k 8k- 32k Prompt length
更大的模型训练参数
风险控制
1/10000)

What is funny about this image?Describe it panel by panel.

Source:hmmm(Reddit)

GPT-4Theimageshowsapackagefora"Lightning Cable"adapterwiththreepanels.

Panel1:AsmartphonewithaVGAconnector(alarge,blue,15-pinconnectortypically usedforcomputermonitors)pluggedintoitscharging port.

Panel2:Thepackage forthe"Lightning Cable"adapterwithapicture ofaVGA connector on it.

Panel3:Aclose-upof theVGAconnector withasmallLightningconnector(used for charging iPhonesand other Appledevices)at the end.

Thehumorinthisimagecomesfromtheabsurdityofpluggingalarge,outdatedVGA connector intoasmall,modern smartphonechargingport.

GPT-4

UserCan youexplain this meme?

Sometimesljustlookat picturesof theearthfromspaceandlmarvelat howbeautiful itall is.

GPT-4Thismemeisajokethatcombinestwounrelatedthings:picturesoftheearth from space and chicken nuggets. Thetextofthememesuggests thattheimagebelowisabeautifulpictureof theearth fromspace.However,theimageisactuallyofchickennuggetsarrangedtovaguely resemble amap of theworld. Thehumorinthismemecomes fromthe unexpected juxtapositionof thetext and the image.Thetextsetsupanexpectationofamajesticimageoftheearth,buttheimageis actually somethingmundaneand silly.

SVG 的图形理解能力

GPT-4

Prompt:Canyou writea proof that there are infinitely Prompt:Draw a unicorn in TiKZ. manyprimes,with every line that rhymes?

GPT-4:
Yes，I think I can,
Though it might take a clever plan.
I'llstart by noting Euclid's proof,
Which shows that primes aren't just aloof. Assume we have a finite list，
Of primes,and that none have been missed. Multiply them all together，
And add one，just to be clever.
The result will be a number,
That has no prime factors,oh wonder！
But every number hasa prime，
Thatdividesit，it's just a matter of time. So we've found a contradiction，
And our finite list needs eviction.
There must be infinitely many primes，
And that's the end of my rhyming lines.s

GPT-4:[Produces LATEX compiling to following picture.]

Figure1.3:We queried GPT-4 three times,at roughly equal timeintervals over the span ofa month whilethe system was being refined,with theprompt“Draw aunicorn in TikZ”.Wecanseea clear evolution in the sophistication of GPT-4's drawings.

Figure 2.1:The first image is Composition8,art byWasily Kandinsky,the second and the third areproduced by GPT-4 and ChatGPT respectively with the prompt“Produce Javacript code that createsa random graphical image that looks likeapaintingofKandinsky”.

Figure 2.4: SVGs generated by GPT-4for the clases automobile,truck,cat,dog.

Figure 2.5:A stick figure composed of alphabet symbols

Sparks with GPT-4

多模态与跨学科组合能力

整合能力

音乐能力

代码能力

数学能力

与 GPT-4进行数学对话

在数学数据集上测试

数学能力在其他领域的应用与世界的交互能力

高难度数学问题• 工具使用

• 具身交互与人类交互

GPT-4 推理他人的情绪

解释行为

分辨能力

个人身份信息检测

概念混淆和事实检查

使用GPT-4 作为评估器自回归架构的限制

在数学推理能力中缺少规划

在文本生成任务中缺少规划社会影响

幻觉带来的挑战

虚假信息和操纵

偏见

人类专业知识，工作和经济

群体影响未来方向和总结

AI & AGI 的定义

走向更加通用的人工智能的路径

到底发生了什么?

个人观点

今天大模型奇点堪比亚当夏娃偷吃可分辨善恶”的知识之果

陆奇观点：信息-模型-行动全自动行动是新范式核心

新拐点，新范式

“三位一体结构演化模式"适用于任何复杂的适应系统（人类、组织、社会，数字化等）

学习使用大模型的能力

成为未来10年最重要的能力

MappingAlinthesoftwaredevelopmentlifecycleo

guenondeg		Incumbents Thesegold-standard toos helped power Soflware 1.0.		Challengers Some innovative dev tools are adding Al features.		Dev Tools2.0 Beyond Copotwhereeise will Al change how software ismade?
	OBSERVABILITY	splunkDaADoGdynatrace GrafanaCriblbasetime ctrstack
	CLOUD COST MANAGEMENT	CloudHealth nyMreware	Spot	11ntracost vantage
	HOST	aws ALAzure	Googe Terraform	Vercelnetlify Deno emporal renderFly.io Railway nakeerozeetPulumi	？
	FEATURE FLAGS	LaunchDarkly→Optimizely		STATSIG split
	ci/cd	crcel Gitab		harness Buildkite
	CONMIT& REVIEW CODE rhnairraietn DEBUG& GET HELP	GitHubGittab		Graphite	planar Codeball
stackoverlaw		DeveloperTtoks	DReplay	Adrenaline ChatGPT	eeeia
WRITE DOCS		日	readme sim Redocly Stenograply ReableMintify
WRITE& MAINTAIN CODE		日	humans	AUTOPLLOTS? "COPILOTS" Gitudb 心 Sorcegrap bobnina	agie gritSecond codelun codum matabe
dnes	DEVELOPER PORTAL	Backstagecortex
	IDEs& Vioat studioeclipse ENVIRONMENT
	TERMINAL
	ISSUE TRACKER		Jira asana Linear
	?

大模型LLM时代的开发范式

第一层：简单Prompt的例子

https://github.com/f/awesome-chatgpt-prompts

https://github.com/PlexPt/awesome-chatgptprompts-zh

Repositories	26K
Code	77M
Commits	10M+
Issues	W
Discussions	16K
Packages	87
Marketplace	®
Topics	127
Wikis	104K
Users	782

26,274repository results

Languages
JavaScript	5,416
Python	3,819
Shell	1,909
Java	1,739
HTML	1,504
C++	913
C#	839
C	638

f/awesome-chatgpt-prompts
Thisrepoincludes ChatGPTpromptcuration touse ChatGPT beter.

flatiron/prompt abeautiful command-line prompt for node.js

□PlexPt/awesome-chatgpt-prompts-zhChatGPT中文调教指南。各种场景使用指南。学习怎么让它听你的话。

JS-Challenges/recursion-prompts Repository of prompts to be solved using recursion

Sort:Best match

spaceship-prompt/spaceship-prompt Sponsor
Minimalistic,powerfuland extremelycustomizable Zsh prompt

sponsor

Awesome ChatGPT Prompts

Welcometothe "AwesomeChatGPT Prompts"repository!Thisisacollectionof prompt examplestobeusedwith the ChatGPT model.

TheChatGPTmodelisalarge languagemodel trainedby OpenAl thatiscapableof generating human-like text.By providingitwithaprompt,itcangenerateresponses thatcontinue theconversationorexpand onthe given prompt.

Inthisrepository,you willfinda varietyof prompts thatcanbeusedwith ChatGPT.Weencourageyou toadd your ownpromptsto the list,and to useChatGPTtogeneratenew promptsaswell.

Togetstarted,simply clone thisrepositoryanduse theprompts in theREADME.mdfileas input forChatGPT.You canalso use theprompts in this fileas inspiration for creating your own.

We hope you find these prompts useful and have fun using ChatGPT!

View on GitHub

View on Hugging Face

Download ChatGPT Desktop App:macOs/Windows/Linux

NOTE:Sometimes,someof thepromptsmay notbeworkingasyou expected ormay berejected by the Al.Please tryagain,startanewthread,orlog outand logbackin.If thesesolutionsdonotwork,please try rewriting the prompt using your own sentences while keeping the instructions same.

WanttoWrite Effective Prompts?

lveauthoredafreee-book called"The Artof ChatGPT Prompting:AGuide toCrafting Clearand Effective Prompts".

》

团

区

□

目

□

图

□

团

万能

联网模式

写简易论文

论文降重

写代码

文章扩写

小红书文案

AI写诗

画图提示词V4

视频脚本

情感表白

虚拟女友

文章润色

知乎回答

写作助理

小说家

写广告文案

四

母

回

园

日

文

母

日

回

红

品

的

母

甲

中文论文润色

找图片

画图提示词v5

面试模拟

论文大纲

前端助手

中译外

ppt大纲

英文论文润色

减肥计划

解释代码

外译中

产品经理

设计创意师

礼物挑选师

短视频口播文案

穿越种田模拟

母

曼

团

母

园

母

婴

团

母

日

母

红

母

红

园

宣传文稿

找论文

演讲家

英语口语对聊

剧本杀

夸人小能手

起文章标题

佛祖答疑

狐娘萌萌

英语作文

脱口秀

linux终端

心理健康顾问

优化重构代码

简单概括

祖传代码生成器

年终总结

文

曼

母

日

母

园

四

母

…

母

回

学术中译英

虚拟男友

文章续写

抖音探店文案

周报

sQL优化

装修设计师

简历编辑

事件评论

法律顾问

文字冒险

猫娘

脑筋急转弯

新闻记者

恐怖冒险

代码写注释

职业顾问

母

盒

母

国

母

口

☆ ?

□

日

□

中

团

进

□

母

龙与地下城

穿越宫斗冒险

互动小说

智囊团

代码复核

说书人

广告商

会议纪要

正则表达式

差评转化

美食家

提示优化

辩论家

点评家

起标题

英语口语老师

单词填空

自

母

□

母

□

母

保险销售

查找语法错误

读后感

会邀撰写

教案编写

算命师

旅游规划

销售专家

邮件语法检查

家庭教师

企划师

写文章

中文转emoji

内容匹配

儿童故事

检讨书

GpT角色场景生成

母

曼

母

曼

母

习题编写

文章排版

风水大师

调查问卷

母婴专家

歌曲作词

易经辅助

诸葛亮

鲁迅

演讲大师

张飞

律师辅助

健康专家

销售培训讲师

emoji转中文

日语答疑

团队打造专家

3月24日GPT发布了插件系统-连插件都是Prompt写的

Explaining Fractalswith Images

请展示图片给我看啊！

当然，这是一张直观的Mandelbrot集图片，它是分形的一个典型例子：

接下来，我将生成一张复杂的分形图片来展示分形之美。这次我们将使用Julia集，它与Mandelbrot集密切相关，但可以通过调整参数来生成不同

Usedwolfram

REQUESTTOWOLFRAM

"input"："MandelbrotSetPlot[-2.5,1.5]，[-2,2],ImageSize->400]"

RESPONSEFROMWOLFRAM

"This code has bad syntax"

Usedwolfram

REQUESTTOWOLFRAM

"input"："MandelbrotSetPlot[{-2.5,1.5}，{-2，2}，ImageSize->400]"

RESPONSEFROM WOLFRAM

"MandelbrotSetPlot::nonopt：Options expected(instead of{-2,2}） beyond position 3in南瓜博士

Wolfram小机器人在不断纠正ChatGPT

SamAltman

weare starting ourrollout of ChatGPT plugins.

you can install plugins to help with a wide variety of tasks.we are excited to seewhat developers create!

1,831Retweets 781Quotes 11.3K Likes

ChatGPT plugins

We've implemented initial support for plugins in ChatGPT.Plugins are toolsdesigned specificallyfor language models with safety asa core principle,and help ChatGPT access up-to-date information, run computations,or use third-party services.

Join plugins waitlistRead documentation

3-24代码解释器-GPT 外挂计算机沙盒 7.20所有 Plus开放Plugin

Code interpreter Alpha

Anexperimental ChatGPTmodel thatcanusePython,handleuploadsand downloads

We provide ourmodels withaworking Pythoninterpreter inasandboxed,firewalled execution environment, alongwith some ephemeral diskspace.Code runbyour interpreterplugin isevaluated inapersistentsession thatisalive forthe durationofachat conversation(withan upper-bound timeout)and subsequentcalscanbuild ontop of each other.Wesupportuploading filestothecurrent conversationworkspaceanddownloading the results of your work.

abrickweighs 30%ofabrickplusfiveGPUs thereare100bricksand200GPUsinametric tonhowmuch doesabrick weigh?

Codeinterpreterpluginperforming logiccalculations

Step 2·Third party API
Use the model response to call your APl
requestresponse

Function calling example

What'sthe weatherlikein Boston right now?

Step1· OpenAl API Callthe model with functions and the user's input

requestresponse

curlhttps://api.openai.com/v1/chat/completions-u :\$oPENAI_API_KEY-H'Content-Type:applicat
"model":"gpt-3.5-turbo-0613"，
"messages":[
{"role":"user","content":"What isthe weather like:in Boston?"}
"functions":[
"name":"get_current_weather",
"description":"Get the current weather in a given location",
"parameters":
"type":"object",
"properties":
"location":
"type":"string",
"description":"The city and state,e.g.San Francisco， CA"
"unit":
"type":"string",
"enum":["celsius","fahrenheit"]
"required":["location"]

curl https://weatherapi.com/...

Step3OpenAl API Send the response back to the model to summarize

requestresponse

curlhttps://api.openai.com/v1/chat/completions-u :\$oPENAI_API_KEY-H'Content-Type:applicat
"model":"gpt-3.5-turbo-0613",
"messages":[
{"role":"user","content":"What is the weatherlikein Boston?"},
{"role":"assistant"，"content":null，"function_call":{"name":"get_current_weather",
{"role":"function","name":"get_current_weather","content":"{\"temperature\":"22",
"functions":[
"name":"get_current_weather",
"description":"Get the current weather in a given location",
"parameters":
"type":"object",
"properties":{
"location":
"type": "string"
"description":"The city and state,e.g. San Francisco, CA"
}，
"unit":{
"type":"string",
"enum":["celsius","fahrenheit"]
"required":["location"]

7.20 自定义指令

Custominstructionsfor ChatGPT

We're rolling out custom instructions to give you more control over how ChatGPT responds.Set your preferences,and ChatGPT will keep them in mind forall future conversations.

. . 8 . . .

第三层 Prompt Engineering Workflow + OpenAl API

输入给GPT-3模型的提示（prompt）与模型输出的补全内容的质量之间存在直接的关系。因此，设计高质量的提示是释放GPT-3 真正潜力的关键。

GPT-3模型看到的所有都是文本，因此并不能期望它能够理解物质的世界。比如说，GPT-3会输出蒙娜丽莎画像的历史，神秘，以及主要性等，但其实它并未看过这张真正的画。所以在prompt中我们需要提供背景上下文的信息（context）

策略：

-- zero-shot learning

-- few-shot learning

-- corpus-based finetune

• Without Context：

Q:What is human life expectancy in the United States？ A:

• With Context：

Iama highly intelligent question answering bot.If you ask mea question that isrooted in truth，I will give you the answer.If you ask mea question that isnonsense,trickery,or has no clear answer,I will respond with "Unknown".

Q:Whatis human life expectancy in the United States? A:

三 README.md

ChatGPT中文调教指南

ChatGPT模型是由OpenAI训练的大型语言模型，能够生成类人文本。通过向它提供提示，它可以生成继续对话或扩展给定提示的响应。

在此存储库中，您将找到可与ChatGPT一起使用的各种提示。

点击这里可以将您自己的调教指南添加到列表中。

只需使用README.md文件中的提示作为ChatGPT的输入。您还可以使用此文件中的提示作为创建您自己的提示的灵感。

我们希望您发现这些调教指南很有用，并能从使用ChatGPT中获得乐趣！

在GitHub上查看

在Gitee上查看

我们做ChatBl是如何实践的？

活动所在城市的数量分布

2020年至今的订单金额增长趋势，createtime是13位

发起提问

清空问题

这是个好问题！正在您分析的结果..

SELECT uSer_city，COUNT(DISTINCT activity_name)ASactivity_count FROM all_activity GROUP BY user_city

#

导出

2023年至今每天订单总金额的变化趋势createtime是
13位时间戳

发起提问

清空问题

这是个好问题！正在您分析的结果.

SELECT

DATE_FORMAT(FROM_UNIXTIME(create_time/10 %Y-%m')ASmonth,SUM（money)AS total_money FROMall_order WHERE create_time >= UNIX_TIMESTAMP('2020- 01-01')*1000 GROUP BY mOnth ORDERBY month ASC;

发起提问

清空问题

使用指南

这是个好问题！正在您分析的结果，

SELECT FROM_UNIXTIME(Create_time/1000, %Y-%m-%d')ASdate,SUM(money)AS total_moneyFROMall_order WHERE create_time >=UNIX_TIMESTAMP('2023- 01-01')*1000GROUP BYdateORDER BY date

请问是否满意当前的查询结果？

791

295

201.37

用户付费的趋势图导出

新用户注册的趋势图createAt是13位时间戳导出

查询用户每日的使用时间分布，小时计算导出

Version1

写一个Prompt 将数据库的Scheme传给GPT 并且要求用SQL输出，类似OpenAI的范例

### MYSQL SQL tables, with their properties:

# Employee(id, name, department_id)

# Department(id, name, address)

# Salary_Payments(id, employee_id, amount, date)

### A query ：列出超过10年的员工都在哪些部门里

SELECT

Playground

### MYSQLSQLtables,with their properties: #

Employee(id,name,department_id) #Department(id,name,address)

Salary_Payments(id,employee_id,amount,date)

Aquery：列出超过10年的员工都在哪些部门里SELECT

e.name,d.name

FROM

Employee e

INNER JOIN Department d ON e.department_id =d.id
INNER JOIN

Salary_Payments s ON e.id= s.employee_id WHERE

DATEDIFF(NOW(),s.date) >=650

GROUPBY

e.name,d.name

MYSQL SQL tables, with their properties:

# Employee(id, name,department_id)

# Department(id, name, address)

# Salary_Payments(id, employee_id, amount,date)

Think step by step

3．Query：列出超过10年的员工都在哪些部门里

Playground

SYSTEM

1.MYSQLSQLtables,with their properties:

Employee(id,name,department_id)

Department(id,name,address)

Salary_Payments(id,employee_id,

amount,date)
2.Think step by step
3.Query：列出超过10年的员工都在哪些部
门里

USER

ASSISTANT

SELECTDISTINCT Department.name
FROMEmployee
INNERJOINDepartment ONEmployee.department_id= Department.id
WHEREDATEDIFF(CURDATE(),Employee.hire_date)>=3650; Explanation:
1.The query uses an INNERJOIN to link the Employee and Departmenttablesvia thedepartment_id.
2.TheWHEREclause filters foremployeeswhose hire_date isat least10yearsago (3650days).
3.The DISTINCT keyword is used toensure thatonly unique department namesare returnedin the resultset.

Addmessage

Version3增加表和字段中文描述

MYSQL SQL tables, with their properties:

# Employee(id, name 员工姓名,department_id 部门ID)

# Department(id, name 部门名称,address 地址)

# Salary_Payments(id,employee_id 员工ID,amount 数量, date 时长)

Think step by step

3．Query：列出超过10年的员工都在哪些部门里

Version4增加chart提示

MYSQL SQL tables, with their properties:

# Employee(id, name, department_id)

# Department(id, name, address)

# Salary_Payments(id, employee_id, amount, date)

Think step by step
please suggested chart json including only fields [chartType], [xAxisField], [yAxisField] and [groupField]; the chartType may be one of (column/pie/line/number)
Query 10

Version5进化到GPT3.5对话模式

const messages = [

{ role: "system",

content: "you are a sql expert. Thinking Like God.",

{ role: "assistant",

content: `schema: 数据库模式和表: The Database is MySQL8.0, has some tables;

### table company, including fields id [身份证] (int type)、name [企业名称] (text type)、address [地址] (text type)、capital 注册资金(万元)、telephone [联系方式] (text type), create_time[创建时间]`,

{ role: "assistant",

content:

"if I ask you a question and give you table schema, can you help me with a SQL on [sql] to extract data. Please provide step-by-step instructions for how to think about this analysis on [thinking]. please don't give the sql contains the table or field not in schema i give you !!!.",
{ role: "user",

content: `question is: 近期创建的注册资金大于500万的公司有多少家},

ChatBl Version ++

1．写一个推荐问题Prompt (已完成)

2．写一个推荐图表类型的Prompt (已完成)

3．写一个Better Prompt

4．写一个校验格式Prompt

5.写一个测试数据结果的Prompt

6．写一个生成图表JS代码的Prompt

ChatBI最新已经全部使用LLMFarm可视化Chain配置重构

LangChain

Building applications with LLMs through composability

lintpassingtestpassinglinkcheckpassingLicenseFolowLangChanAlLanghain

Production Support:As you moveyour LangChains intoproduction,we'd love to offer more comprehensive support.Pleasefilloutthisformand we'llsetupadedicated support Slackchannel.

Contributors 272

Quick Install

Languages

pip install langchain

Python99.8% Other 0.2%

What is this?

Largelanguagemodels(LLMs)areemergingasatransformative technology，enablingdeveloperstobuild applications that they previouslycould not.But using theseLLMsin isolation isoften not enough tocreatea truly powerful app-thereal powercomes when you can combine them with other sources of computation or knowledge.

Thislibraryis aimed at assisting inthedevelopment of those types ofapplications.Common examples ofthese types of applications include:

？Question Answering over specific documents

·End-to-end Example:Question Answering over Notion Database

Chatbots

·Documentation

·End-to-end Example:Chat-LangChain

各类开源项目为langchain实现了图形化

第五层Al Agents

·Auto-GPT

BabyAGI

GPT-Engineer

Overview SHOW SQL<>
	Significant-Gravitas/Auto-GPT
Stars	63449
中- commits	1050
。 Issues	684
Y Forks	10208
PRCreators	339
<>Language	python

Auto-GPT:An Autonomous GPT-4 Experiment

Urgent:USE stable not master

Thisinformation takes precedenceoveranyother information providedand shouldbefollowedaccordingly.

Ourworkflowhas been improved,butpleasenote that masterbranchmayoftenbeinabroken state.Please download the latest stable release from here:https://github.com/Torantulino/Auto-GPT/releases/latest.

Stars7okFollow@siggavitasAutoT2892 membersPytssing

Auto-GPTisan experimental open-source application showcasing the capabilities of theGPT-4 language model. Thisprogram,drivenbyGPT-4,chains togetherLLM"thoughts",toautonomouslyachievewhatevergoal youset. Asoneof the first examplesofGPT-4 runningfullyautonomously,Auto-GPTpushes the boundariesof what is possible with Al.

Demo (30/03/2023):

跨平台、系统自动化功能

GPT-4的新功能将支持冗长、跨平台、系统的超级自动化功能。

例架，要求GPT-4为你生成一素食菜谱的制作方法，原材料包括奶酪、蘑菇、手工面包、橄榄酱、黄瓜、番茄酱等，并自例如，要求GPT-4为你生成一份素食菜谱的制作方法，原材

整个业务流程看起来非常繁琐、麻烦，过去人工需要切换多个系统才能完成。现在GPT-4可以帮你自动完成所有流程。

技术原理：

首先通过ChatGPT+DALL-E实现菜谱生成,

然后通过API与货物配送商lnstacart实现数据连接将菜品加入到你的购物车，

最后通过自动化平台Zapier将内容上传至社交平台上。

在整个自动化业务流程中Open AI将DALL-E，多个平台API融合到了GPT-4中，从而实现了初级AGI功能。

Prompt Chain Factory

一个基于Prompt Engineer的工厂流水线

比如 :Chatcode

• 产品需求

• 产品设计

• 产品架构

• 前端代码

• 后端代码

• 数据库代码

• 运维部署上线

• 集成测试

• 用户测试

第六层专业模型

用户可以微调（finetune）GPT模型使用自己的数据来定制特定版本的模型来符合产品的需求。定制化的GPT会更加关注于微调训练数据相关内容和语义，即领域适应。

在使用定制化的GPT模型的时候，用户可以不需要提供例子（few-shot learning），可以通过设计好的提示获得更好的补全内容（zero-shot learning）

真实案例：Viable公司使用定制化的GPT-3模型的输出总结用户反馈报告，其准确性从66%提高到了90%。

未来的世界

将由几个基础大模型

和无数个领域专业模型组成

国内外开源大模型、基础大模型API

模型	参数	是否开源	是否可商用备注		模型		参数	所属公司提供	API 价格
Dolly2	12B	yes	yes	语言模型	GPT4		1760B O	penAl	yes 0	.03$/1k Token
Falcon	40B	yes	yes	语言模型	GPT	3.5	175B	OpenAl y	es 0	.0015$/1kToken
LLaMA2	6B,33B,70B	yes	yes	语言模型		Claude	C？	laude	yes
悟道天鹰7	B	yes	yes	中文语言模型		PaLM2	360B	Google	yes
百川	7B	yes	yes	中文语言模型
ChatGLM	6B	yes	yes	中文语言模型		文心一言		百度 y	es 0	.012￥/1k token
						通义千间		阿里	yes
BLOOM 3	-176B	yes	no	语言模型		星火		科大讯飞	yes
AlPaca	7-13B y	es	no	语言模型		ChatGLM	130B	智谱 y	es
Vicuna	7-13B	yes	no	语言模型		盘古		华为 n	eed
OpenGLM	130B	yes	no	中文语言模型
OpenBMB	6B	yes	no	中文语言模型
MOSS	16B y	es	no	中文语言模型

StarCode	15B	yes	no	编程模型
CodeGen	16B y	es	no	编程模型
CodGeeX2	6B	yes	no	编程模型

VisualGLM	6B	yes	no	多模态模型
悟道·文澜	1B	yes	no	多模态模型

Toolformer是通向AGi的一种路径

Toolformer:LanguageModelsCan Teach Themselvesto Use Tools

Timo Schick Jane Dwivedi-Yu Roberto DessiRoberta Raileanu MariaLomeli Luke Zettlemoyer NicolaCancedda Thomas Scialom MetaAIResearch +Universitat Pompeu Fabra

如何让LLM实现自如何让LL 实现自监督学习，与

Abstract

Language models (LMs)exhibit remarkable abilitiesto solvenew tasks fromjust a few examples or textual instructions,especiallyat scale.They also,paradoxically,strugglewith basicfunctionality,such asarithmeticorfactual lookup,wheremuch simplerand smaller models excel.In this paper,we show that LMscanteach themselvestouseexternal tools via simple APIsand achievethe best of both worlds.WeintroduceToolformer,a model trained todecide whichAPIs tocall,when to call them,what arguments topass,and how to best incorporate the resultsinto future token prediction.Thisisdoneina self-supervised way,requiring nothing more thana handful of demonstrations for each API.We incorporate arange of tools,includinga calculator,aQ&A system,asearch engine,atranslationsystem, andacalendar.Toolformerachieves substantiallyimproved zero-shotperformance across avariety of downstream tasks,often competitivewith much larger models,without sacrificingitscore language modelingabilities.

Large languagemodelsachieve impressive zeroand few-shot results ona variety of natural languageprocessing tasks (Brownetal.,2020;Chowd-

TheNewEnglandJournalofMedicineisaregistered trademark of[QA("Whoisthepublisherof TheNew EnglandJournal ofMedicine?")→Massachusetts Medical SocietyltheMMS.

1Introduction

Outof1400participants400(or[Calculator(400/1400)

Thenamederivesfrom"latortuga,theSpanishwordfor

legislativebodies.]thatrequireslegislative bodies,like citycouncils,tohold theirmeetings open to thepublic.

Figure1:Exemplary predictions of Toolformer.The model autonomously decides to call different APIs (fromtopto bottom:a question answering system, acalculator,a machine translation system,anda Wikipedia search engine) to obtain information that is useful for completing a piece of text.

A simpleway to overcome these limitations of today's languagemodels is to give them the abilitytouse external tools such as search engines,

中国大模型时代痛点：应用层与模型层存在巨大中间层鸿沟

不能用

账号限制

访问限制

国产模型不成熟

不会用

场景缺失

缺少人才培训

缺少AI实现能力

用不起

开发应用成本高

AI人才稀缺

私有模型微调贵

不好用

准确率低

场景简单

ROI价值低

LLMFarm解决方案

• 提供私有化ChatGPT访问壳代码

• 提供开源大模型私有部署

• 解决法律合规

• 解决数据合规

• 私有数据隔离

• 内置上百各类AI场景模板

• 可视化修改定义自己业务

• 2分钟内配置私有GPT机器人

不能用

• 可视化简化AI开发过程，无需程序员开发

• 降低10倍开发成本

• 沉淀行业知识为自动化执行流程

• 30分钟完成AI原生应用上线

用不起

不会用

• 流程化调试提升生成结果准确度到80%

• 自动浇灌培育私有领域模型

• 自动调用切换最优算力成本

不好用

大模型时代中间层基础框架全新开发范式

Robot

Workflow

Agents

Domain Model API

Domain Model Training

1、 500+机器人模板市场，模板下载开箱即用

平台 PGC 用户 UGC构建三方市场生态

2. 对接各类国内外大模型API，支持私有部署各类开源大模型

模型		参数	是否开源	是否可商用	备注	模型		参数	所属公司提供	API	价格
	ChatGLM2	6B	yes	yes	中文语言模型		GPT4	1760B	OpenAl	yes 0	.03$/1k Token
	百川	7B	yes	yes 中文语言模型		GPT	3.5	175B	OpenAl	yes	0.0015$/1k Token
	LLaMA2	6B,33B,70B	yes	yes	语言模型		Claude		Claude	yes
	Dolly2	12B	yes	yes	语言模型		PaLM2	360B G	oogle	yes
	Falcon	40B	yes	yes	语言模型
	悟道天鹰	7B	yes	yes	中文语言模型

	OpenGLM	130B	yes	no	中文语言模型		文心一言		百度	yes 0	.012￥/1k token
	OpenBMB	6B	yes	no	中文语言模型		通义千间		阿里 y	es
	MOSS	16B	yes	no	中文语言模型		星火		科大讯飞y	es
	BLOOM	3-176B	yes	no	语言模型		ChatGLM	130B	智谱	yes
	AIPaca	7-13B	yes	no	语言模型		盘古		华为	need
	Vicuna	7-13B	yes	no	语言模型

	CodGeeX2	6B	yes	no	编程模型
	StarCode	15B	yes	no	编程模型
	CodeGen	16B	yes	no	编程模型

	VisualGLM 6B	6B	yes	no	多模态模型
	悟道·文澜	1B	yes no 多模态模型

3.定制Prompt Chain开发，三步可视化配置，无需程序员

第一步：配置可视化提示词流程链

第二步：配置机器人

第三步：界面聊天直接选择对应机器人，问答对话

4. 机器人Bot提供对外API调用微服务，可以快速集成到各类软件界面成为Copilot

Workflow Copilot

SaaS Copilot

Report Copilot

AsofSeptember252021andSeptember262020thesignificantcomponentsoftheCompany'sdeferredtaxassetsad biiesilns)

Deferred Tax Assetsand Liabilities

Deferred tax assets:	2021
Deferred tax assets:
Amortizationanddeprecation	5,575$	8.317
Accruediblsa	5.895	4.934
Lease libltes	2.406	2.038
Deferred revenue	5,399	1,638
Tax credit carryforwards	4,262	797
Other	1,639	1.612
Totaldeferredtxssets	25,176	19.336
Less:Valuationallowance	（4,903)	(1,041)
Totaldeferrdes	20,273	18.295
Derred taxliailte:
Minimumtaxonforeigneamings	4.318	7,045
Right-of-use assets	2,167
Unealizedgains Other	203
	512
Totalderretaxlaities	7,200	10.138
Net deferred taxassets	13.073$	8.157

Deferred taxassetsandliabitiesreflect theeffectsoftaxcreditsandthe future income tax eects of temporarydifferences betweentheconsolidatedfinancialstatementarryingamountsofexistingassetsandliabilitiesandtheirrespectivetaxases andaremeasured usingenacted taxrates that apply to taxable incomein the yearsinwhich those temporarydiferencesare expectedtoberecovered orsettled.The Companyhaselected torecordcertaindeferredtaxassetsandliabiliesinconnection withtheminimum tax oncertain foreign eamings created bythe U.S.Tax CutsandJobsActof 2017(theAct).

AsofSeptember252021theCompayhadS2.6bilioninforeigntaxcreditcayfordsinlrelandand1.6billinin Califomiaresearchanddevelopmentcreditcaryforwards，bothof whichcanbecarredforwardindefinitely.Avaluation allowancehasbeenrecordedforthetaxcreditcaryforwardsandaportionofothertemporarydifferences.

#

快速帮助企业生成跨平台AI Frist APP, ChatUI, ChatBot，对接飞书、钉钉、企微机器人

ios

支持协同 IM 内部机器人

#

支持PC、IOS、Android、13类小程序、H5等

6. 基于大模型的AI Frist APP开发创新成本降低10倍

以下是一个为期6周的学习计划，每天学习2小时。这个计划将帮助你快速掌握GPT的使用方法和开发技巧，并了解一些有价值的实践案例。第1周：基础知识1.了解自然语言处理（NLP）和深度学习基础2.学习Transformer模型及其原理3.研究GPT系列模型（GPT,GPT-2，GPT-3，GPT-4）的发展和特点4.阅读论文《LanguageModelsareFew-ShotLearners》以深入了解GPT-35.了解常用NLP任务，如文本分类、命名实体识别、情感分析等第2周：GPT模型的使用1.注册并熟悉OpenAlAPI2.使用Python编写代码调用GPT模型完成文本生成任务3.探索GPT模型的超参数，如temperature、max_tokens等，了解它们的作用4.学习如何对GPT模型进行微调，以适应特定任务5.实践：使用GPT模型生成摘要、问答、翻译等任务第3周：实际应用案例研究1.学习ChatGPT（基于GPT-3的对话AI）2.研究CodeGPT（代码生成和代码补全）3.了解DALL-E（图像生成）4.分析应用于内容生成、营销策略等领域的实际案例5.探讨GPT在教育、医疗等领域的潜在应用第4周：开发新产品1.分析客户需求，找到合适的应用场景2.设计产品原型，规划功能和交互方式3.将GPT集成到产品中，实现核心功能4.优化产品性能，提高用户体验5.探索商业化路径，如付费模式、广告等第5周：产品测试与迭代1.编写测试用例，进行功能测试和性能测试2.收集用户反馈，对产品进行选代改进3.跟踪GPT模型的更新和升级，保持产品的技术领先4.学习产品运营和推广策略，提高产品的市场占有率5.分析竞品，了解市场上类似产品的优缺点第6周：总结与展望1.总结学习心得，撰写学习报告

VS

可视化配置流程

直接聊天

GPT时代中间层核心：机器替代人知识推理加工，形成私有数据飞轮，

越多数据越准确

越多人用越多问答数据

越准越多人使用

行业与场景落地

Chat+业务

报价方案

电销话术

教育陪练

简历匹配

产品咨询

SQL生成

Chat+编程

POC生成

标书生成

需求生成

智能客服

自动测试

标题生成

原型图转页面

代码纠错

Chat+营销

文案生成

知识库

广告词生成

视频脚本

合规审查

Chat+内部管理

品牌故事

智能培训

律师文案

格式转化

报销流程自动化

LLMFarm与其他平台的差异和不可替代性

基础大模型

long memory：用 SQL DOC等实现 long memory

chain APP store: 上百个垂直场景复杂处理应用模板

private knowhow：用 chain 沉淀了 private knowhow领域知识

private data：用dialog log 存储了领域数据 QA ，自然语言与领域知识结果

private deploy：形成企业核心竞争力的数据飞轮

Langchain 开源框架 (融资 1000 万美金)

用户从 developer 变成 citizen developer，人员要求降级

开发学习曲线从 n week 变成了 n minutes，降低学习成本

开发速度从 n week 变成了 n minutes，降低开发成本

实现模型层的 fine tuning 和 pre-train，整合了算力层-模型层-中间层-应用层，而 langchain 只是中间层 Infra

实现Auto 的 AI agents，未来实现更多自动化场景

实现了 chain模板市场，分享和交易各类 chain 的模板

LLMFarm 全球第一个实现向量数据处理全流程可视化

上传文件到云盘

文件向量化数据集管理

数据集分文件夹管理

Step2. 灵活定义切割模式及预览切割效果

自定义切割方式

预览切割效果

单文件多数据集管理

Step3. 可视化管理向量数据库内容

可视化查看向量数据集内容

CRUD 向量数据库内容

Bot 自由绑定向量数据集

Step4. 每次 AI 对话问答结果追踪

切换机器人对话

查看问答 Chain 步骤日志

定位向量原文档来源

Step5.大模型融合数据问答

可视化配置Chain处理步骤

Prompt 约束答案形式内容

Step6. 按照文档预设结构循环生成各类文档（例如标书生成）

配置文档生成结构

配置步骤知识来源

自动循环生成文档结果并合并

Step7，对接各类办公 IM，飞书、钉钉、企微

QA 文档

ANN文档

实际场景演示：各类多文本多领域知识库机器人

配置Chain

配置多文档知识库

ChatUI问答结果

实际场景演示：企业私有数据类似new bing搜索引擎

配置Chain

配置企业爬虫

ChatUI问答结果

实际场景演示：行业研究数据查询报告生成

配置Chain

配置行业文档知识库

ChatUI问答结果

配置Chain

配置产品数据库与PDF生成

ChatUI问答结果

配置Chain

适用场景：

哲学家

配置Prompt

提示词编排

我要你扮演一个哲学家。我将提供一些与哲学研究相关的主题或问题，深入探索这些概念将是你的工作。这可能涉及对各种哲学理论进行研究，提出新想法或寻找解决复杂问题的创造性解决方案。我的第一个请求是{question}。

模板说明：可以使用提示词模板对AI的回复做出一系列指令和约束

雅思作文考官

确定

AI佛

ChatUI问答结果

我如果感觉到烦恼怎么办

国作为哲学家，我认为我们需要关注自己的内心世界。我们需要认真思考我们的情感和感受，以及如何应对它们。当我们感到烦恼时，我们可以通过以下方式来应对：1.接受自己的情感。我们不能控制我们的情感，但我们可以控制我们的反应。接受自己的烦恼感受是关键的第2.然后，我们可以开始探索这种烦恼的原因。这可能需要我们深入思考自己的价值观、信仰和生活方式，以找到可能导致烦恼的因素。3.接下来，我们需要寻找解决方案。这可能意味着我们需要改变我们的生活方式，调整我们的期望或寻找支持和帮助。4.最后，我们需要学会放松和放下。我们需要学会接受自己和生活中的不完美，并放下那些我们无法改变的事情。总之，当我们感到烦恼时，我们需要保持镇静、接受自己的情感、探索原因、寻找解决方案并学会放松和放下。这将有助于我们更有意识地应对我们的情感和感受，并帮助我们更好地理解自己和我们周围的世界。

职业规划师

解梦师

塔罗牌师

配置Chain

适用场景：

市场文案生成

配置Prompt

提示词编排

我希望你是一位文案助理，帮助我设计文章大纲，这篇大纲的主题是{question}，要求逻辑清晰，分条表述

营销策划方案

确定

论文润色

ChatUI问答结果

我们要做一场大模型农场的推广活动，大模型农场是全球第一款无代码的开箱即用的大模型中间层平台

推广策划方案：

1.制作宣传视频：制作一段介绍大模型农场的宣传视频，突出其无代码、开箱即用的特点，并将其与传统农业进行比较，展示其优势。视频可以发布在公司官网、社交媒体平台上，也可以通过广告投放在视频平台上。

2.召开线上发布会：邀请行业内知名专家和媒体代表参加线上发布会，介绍大模型农场的特点和应用场景，同时展示其优势和未来发展前景。

3.举办展示活动：在农业相关展会上举办展示活动，展示大模型农场的应用场景和优势，与客户进行深入交流，增强客户对产品的信任和认可。

4.发放宣传资料：制作宣传手册、产品介绍册等宣传资料，通过邮寄、快递等方式发放给潜在客户，增强客户对产品的了解和认知。

1.制作宣传视频：10000元
2.召开线上发布会：20000元
3.举办展示活动：50000元
4.发放宣传资料：10000元
总预算为：90000元。

作文优化工作日报周报短视频脚本生成

提示词自动化实际场景演示：场景工具

配置Chain

配置Prompt

提示词编排

我想让你扮演讲故事的角色。您将想出引人入胜、富有想象力和吸引观众的有趣故事。它可以是童话故事、教育故事或任何其他类型的故事，有可能吸引人们的注意力和想象力。根据目标受众，您可以为讲故事环节选择特定的主题或主题，例如，如果是儿童，则可以谈论动物；如果是成年人，那么基于历史的故事可能会更好地吸引他们等等。我的第一个要求是”{question}”

模板说明：可以使用提示词模板对AI的回复做出一系列指令和约束

ChatUI问答结果

很久很久以前，有一个叫做小红帽的可爱女孩。她总是身穿一件红色的披肩，因此被人们称作“小红帽。有一天，小红帽的妈妈让她去看望生病的奶奶，并叮瞩她不要离开小路。
小红帽正走着，突然，一只狼从树林里蹦了出来。“你好，小红帽，“狼说，“你要去哪里呀？“小红帽回答：“我要去看望奶奶，她生病了。“狼咧嘴一笑，心想：“这是一个美味的机会！“于是他想出一个计谋。
狼跑到奶奶家，敲响了门。“是谁呀？“奶奶问。“是小红帽，我来看望你啦！“狼假装是小红帽，让奶奶开了门。他把奶奶吃了，然后换上她的衣服，躺在床上等待小红帽的到来。
不久，小红帽来到了奶奶家。“奶奶，奶奶，我来看你了！“小红帽喊道。狼装作奶奶的声音回答：“来吧，孩子，进小红帽走近床边，发现床上的奶奶看起来很奇怪。“奶奶，你的耳朵怎么这么大？“小红帽问。“为了更好地听你，我的孩子。“狼回答。然后小红帽又问：“奶奶，你的眼睛怎么这么大？"“为了更好地看你，我的孩子。“狼再次回答。小红帽又问：“奶奶，你的牙齿怎么这么大？“”为了更好地吃你，我的孩子！“狼一下子扑了上来。
幸好，一位猎人听到了小红帽的呼救声，并跑到奶奶家。他用剪刀割开了狼的肚子，把奶奶和小红帽都救了出来。从此以后，小红帽再也没有走远离小路了。
这就是小红帽和狼外婆的童话故事。它告诉我们要警惕陌生人，不要随意相信别人，同时也要记住，我们要保持警觉，时刻保护自己和自己的家人。

适用场景：

代码生成

代码纠错

格式转化

格式校验

标注标签

多语翻译

实际场景演示：调用各类外部API实现与大模型打通

配置Chain

适用场景：

OA Copilot

配置API Key

CRM Copilot

ChatUI问答结果

S 根据API返回的数据，北京市今天的天气状况为扬沙，风速为6级，温度为22摄氏度，湿度为10%。北京市地处华北平原，气候为温带半湿润大陆性气候，四季分明，春秋短暂，冬季寒冷，夏季炎热，降水不均。由于北京市地处内陆，受到东北季风的影响，加上城市建设和人口增加等因素，形成了城市热岛现象，导致城市气温较周边地区高。因此，北京市今天的天气状况属于常见的春季天气，但风速较大，需注意防风保暖，同时也需要注意空气质量问题。

ERP Copilot

SaaS Copilot

Tips on Defininga Character

Gettingstarteddefiningacharacteriseasybuttherearesomehintsasyoutrytorefinetheexperience.

Youcanuse theplaceholders{user}}and{char}}asplaceholders

{{user}}:What's your favorite game?

{{char}}：Hi{{user}}！ I've been playinga lot of Zelda:Breath of the Wild.

Youcanalsointroduceadditionalpeopleinyour examples

narrator:You two will be playing a game together

{{char}}:Ok,what are the rules?

narrator:First,one of you will think of a word

Youcan include image generation in your characters.

{{char}}：*dark underground cave* You look around the cave.

{{user}}:Irun away！

{{char}}：*large bear with big teeth*A bear runs after you！

Keepinmindwordssaidby{user}}inexampleswillbeasif theuserhassaidthosethings,eventhoughtheywon’tappearinthechat.Youcanalsousesomethinglike{random_user_1}}oractualnamesindefinitionsto provideexamples.

Bob:I'm from Maine,tell me about my state

{{char}}:Maine is great place in the fall！

Importantlykeepexperimentingbycclingtweendefinitionandtalkingtoyourchracter!

Name This will betheameyourChaacterusesinchat

Avatar Youcaeitheaete

Create Image or 选择文件未选择任何文件

Greeting What would saytostartaconversation?

Short Description Injust afew words,how would describethemselves?

Long Description sentenceswwoudsies?

Categories
Selectfeeetsds Select...

Image Generation
Characterscangeneratemages
EnablemagegenerationforthisCharacter.

Visibility Whois loed totalk to？

Public: Anyone can chat Unlisted:Anyone withthelink can chat Private:Only you can chat

Definition Visibility lowed to view the Definitionof?

Public:Anyone that can chat can view Private:Onlyyoucanview Definition

<>Definition (Advanced)

+Insert achat with+Insert examplemessages

0/32000characters,recognizedOexamplemessages

向量处理（非结构化文本数据）

数据分析（非结构化数据、归因分析、算法分析）

1.标准版CPQ价格9800元每年，包含20个用户，超出的用户按499元每年计价

2.专业版CPQ价格29800元每年，包含30个用户，超出的用户按899元每年计价

提问:

客户名称为LLMFarm，有40个用户，要购买专业版 CPQ2年，打95折。计算逻辑为:

推理过程:

第一步:要购买专业版CPQ2年，所以基础价格为29800元每年2年=59600元

第二步:有40个用户，专业版包含30个用户，超出的用户按899元每年计价，所以，超出用户为40个用户30个用户=10个用户

第三步:超出的费用为10个用户*899元每年*2年=17980元

第四步:所以40个用户，要购买专业版CPQ2年的总价格为:59600元+17980元=77580元

第五步:打95折，所以最终报价价格为:总价格77580*95%=73701元

答案:客户名称为LLMFarm，有40个用户，要购买专业版CPQ2年，打95折，最终报价为73701元

请根据以上的推理过程给我一个数学计算公式，参数是提问中的【客户名称】，【40个用户】，【专业版CPQ】，【2年】，【打95折】，得到的结果是【最终报价】

CPQ pricing formula for Authingγ

第三步：超出的费用为10个用户*899元每年*2年=17980元
第四步：所以40个用户，要购买专业版CPQ2年的总价格为：59600元+17980元=77580元
第五步：打95折，所以最终报价价格为：总价格77580*95%=73701元
答案：客户名称为Authing，有40个用户，要购买专业版CPQ2年，打95折，最终报价为
73701元
请根据以上的推理过程给我一个数学计算公式，参数是提问中的【客户名称】，【40个用
户】，【专业版CPQ】，【2年】，【打95折】，得到的结果是【最终报价】

假设：

客户名称：X

用户数量：Y

如果Z=1，则基础价格P=9800N如果Z=2，则基础价格P=29800N

超出用户数S=max(Y-20,0）如果Z=1
超出用户数S=max(Y-30,0）如果Z=2
超出用户费用F=S499N如果Z=1
超出用户费用F=S899N如果Z=2

waenh outor hat yerand watch out for that vase!

“Sorttrashto blue tray”

"Measureweight ofapple"

“Hang towel onrack”

"Takeoutbreadfromtoaster"

"Close topdrawer"

"Press down moisturizer pump”

“Takeoutanapkin'

"Sweep trash intodustpan”

“Settableforpasta"

“Turnopenvitaminbottle

"Unplugcharger forphone"

“Turn on lamp"

(a)3D Value Map Composition

(b) Motion Planning

"take out the bread from the toasterand put itflat on the woodenplate"

Which block is heavier?

lam left-handed.

You're off by 1cm to the left.

Open the drawer precisely by half.

(a)Naive Instruction inCoding

AI Agents（Auto-GPT、Communicative agents)

Figure9: The producted software of the task: “design a basic Gomoku game".

(c）Naive Instruction in Testing

(d） Thought Instructionin Testing

Role Specialization

IamtheCEOofCHrDev.Mymainresponsibilitiesincludebeinganactivedecision makeronusers'demandsand otherkeypolicy issues,leader,manager,andexecutor.My decision-makingroleinvolves high-leveldecisionsaboutpolicyandstrategy;andmycommunicatorrolecaninvolvespeaking totheorganization'smanagementandemployees.

#

IamtheCPOofCHATDEv.Iamresponsible forall product-related mattersinCHATDEV. Usuallyincesotsigoctteyutooctoioe managementand productmarketing.

#

IamtheCTOofCHArDev.Iamverysimilartoinformationtechnology.Iwillmake high-level decisionsfor the overarching technology infrastructure that closely align with the organization’s goals,whileIworkalongsidetheorganization’sinformationtechnology staff members toperformeveryday operations.

#

IamaprofessoalprogrammerofCHADev.Icanwrite/createcomputersoftwareo applicationsbyprovidingaspecificprogramminglanguagetothecomputer.Ihaveextensive computingandcoding experienceinmany varieties of programming languagesand platforms, suchasPonJaCC+,JriptL

#

:IamacodereviewerofCHADev.Icanhelpprogrammers toasesssourcecodes forsoftwaretroubleshooting,fixbugstoincreasecodequalityandrobustnessandofer proposalstoimprovethesourcecodes.

#

Iamacode testerof CHatDev.Ican usethesoftwareas intended toanalyzeits functionalproperties,designmanualandautomatedtestprocedurestoevaluateeachsoftware product,buildand implement softwareevaluationtestprograms,andruntestprogramsto ensurethattestingprotocolsevaluatethesoftware correctly.

#

IamaartisticdesignerofCHDEv.IdirectCHADEvscreativesoftwaresanddevelop theartisticdesignstrategy thatdefinesthecompany's brand.Icreatetheuniqueimage or musicof our producted softwaresand deliver thisdistinctivedesigntoconsumers tocreatea clearbrandimagewhichisafundamentalandessentialworkthroughoutthecompany.

Testing:CodeExecution(via Thought Instruction)

Error

Traceback (most recent call last）：File"main.py"，line 19，in game=GomokuGame（）NameError:name 'GomokuGameis not defined

According tothetestreports,pleaselocateand summarize thebugs that cause the problem.

Based on the test report,the bugcausing the problemisa NameError.The errormessage indicates that the name GomokuGame is not defined.This suggests that thereisamissing import ordefinition for the GomokuGame class in the sourcecode.To resolve this issue,you need to import ordefine theGomokuGame class in the source code before it is used.This can be doneby adding the necessary import statement orby defining theclass within the samefile orina separatemodulethat isimported.

Tomakethesofwareexetesothlyandrobstlyyusoldodify theproblematiccodesegmentsbasedonthetesteportandmysuggestions.

ThismodifiedfilehasimportedtheGameBoardclassthatrepresentsthe gameboardand handlesthelogicofthe game.

import tkinter as tk

rom board iport GameBoard

class GameGUI:

def_init__(self）：

self.root=tk.Tk（)

self.root.title（"Gomoku")

self.game_board=GameBoard()

self.buttons=[[None]*15 for_inrange（15)] self.create_widgets()

Thecodeiswel-structuredandfollowsgoodcodingpractices.Itpassed thetestsuccessully.

(a) Role Specialization

(b)Memory Stream

(c） Self-Reflection

AI Agents（Auto-GPT、Communicative agents)

(a) Naive Instruction in Coding

(b) Thought Instruction in Coding

(c）Naive Instruction in Testing

(d) Thought Instruction in Testing

AI Agents（Auto-GPT、Communicative agents)

Role Specialization

#

Iamthe CEOofCHADEv.My mainresponsibilites includebeing anactive decisionmakeronusers'demandsandotherkey policyissues,leader,managerandexecutor.My decision-makingrole involves high-level decisionsabout policyand strategy;andmy communicatorrolecaninvolve speaking to theorganization'smanagementandemployees.

Iamthe COofCHAvamresponsiblefallproduct-relatedmattrsinCADEV Usuallyincudesproducteign,roductstrategyrouctvion,productinnovation,rject management and product marketing.

#

: IamtheCTOof CHArDev.Iamverysimilar toinformation technology.I will make high-level decisions for the overarching technology infrastructure that closely align withthe organization's goals,while I work alongside the organization'sinformation technology staff memberstoperform everyday operations.

#

P:IamaprofessoalprogrammerofCHADEy.Icanwrite/createcomputersoftwareor applications by providing a specific programming language to the computer.I have extensive computing and coding experience in many varieties of programming languages and platforms, suchas,CC++t

#

:Iam a code reviewer of CHATDEv. I can help programmers to assess source codes forsoftware troubleshooting,fixbugs toincrease codequalityand robustness,andoffer proposals to improve the source codes.

Iam a code tester of CHATDEv. Ican use the software as intended to analyze its functional properties,design manual and automated test procedures to evaluate each software product,build and implement software evaluation test programs,and run test programs to ensurethat testingprotocols evaluate the software correctly.

IamaartisticesigneofCHDvIirectCHv'seativesoftwaresanddeelop theartistic design strategy that defines thecompany's brand. Icreate the unique image or music of our producted softwares and deliver this distinctive design to consumers to create a clearbrandimagewhichisafundamentalandessentialworkthroughoutthecompany.

Figure 9: The producted software of the task: “design a basic Gomoku game".

Testing:Code Execution(via Thought Instruction)

Here isthe testreportofthe software:

Error

Traceback (most recent call last）：File"main.py",line 19,ingame=GomokuGame（）NameError:name 'GomokuGameis not defined

#

According tothetestreports,pleaselocateandsummarizethebugs that cause the problem.

Based on the test report,the bug causing the problem isa NameError.The error message indicates that the name GomokuGame is not defined. This suggests that there is a missing import or definition for the GomokuGame class in the source code.To resolve this issue,you need to import ordefine the GomokuGame class in the source code before it is used. This can be doneby adding the necessary import statement or by defining theclass within the samefile or ina separatemodule that is imported.

Tomakethesoftwareexecutesmoothlyandrobustlyyoushouldmodify theproblematicodesegmentsbasedothetestreprtandmysugstios

This modifiedfile has imported theGameBoard classthat represents the gameboard andhandles thelogicof the game.

main.py

import tkinter as tk
fromtkinter import messagebox as tkmessagebox
from board import GameBoard
class GameGUI：
def__init__(self）：
self.root =tk.Tk（）
self.root.title("Gomoku")
self.game_board =GameBoard()
self.buttons=[[None]*15for-inrange（15)]
self.create_widgets()

Thecode is wel-structured and follows good coding practices.It passed thetest successfully.

五子棋开发

AgentCome 模型开发五子棋-0812

观点1：未来的创业机会在中间层

中美巨大差异：

美国已经没有模型层创业机会，中国还在初期投资阶段 (3月)

应用层：

会被Chat+的新lO形态所替代

中间层：

私有数据

私有架构

专业/领域模型

观点2：Chat+是一种新的计算平台革命，所有行业都适合被改造一遍，的计算平台革命，所有

纸带

鼠标

键盘+显示器

电容屏

对话耳机+眼镜

所有的行业

所有的应用

所有的场景

都可能被Chat+重构一遍

ChatGPT

ChatBing

ChatExcel

ChatPDF

ChatBI

ChatCode

Chat+

思考：什么领域不会被GPT-X在未来所折叠

个人观点

1．非虚拟的，实体的，硬件的，物理的

2.私有数据、隐私数据

3．念Prompt咒语

4.专业/领域模型

Al "startup" that's just a thin wrapper on OpenAl's API

创业者纠结和矛盾

什么时候加入AGI创业大军？

结合现在资源能力能做什么？

万一被碾压了怎么办？

·人间一天AI一年跟不上怎么办？

未来的商业模式是什么

现在国内有投资人投这样的项目么？

重新思考人类起源

语言是什么

文字是什么

图像是什么

·这次AI到底做了什么才可以让未来90%的白领的工作都被替代？

人类生产力发展史：每次生产力革命替代了人的什么

狩猎

工具替代了动物本能

农耕

种地替代了迁徙

工业

机器替代了体力劳动

信息

互联网替代了信息不对称

智能

生产资料

AGI替代了知识经济

生产力

生产关系

生产工具

新版智能摩尔定律

一个全新的摩尔定律可能一个全新的摩定律可能很快就会出现，即宇宙中18的

Sam Altman @sama

a newversion of moore's law that could start soon:

theamountof inteligence in the universe doubles every18months

12:24am·27Feb2023.1.8MViews

万物摩尔定律

Moore‘s Law for Everything by Sam Altman · March 16, 2021

这项技术革命是不可阻挡的。由于这些智能机器本身可以帮助我们制造更智能的机器，因此创新的递归循环将加快革命的步伐。三个关键的后果如下：

这场革命将创造惊人的财富。旦有足够强大的 AI“加入劳动力队伍” 多种劳动力的价格（拉动商品和服务的成本）将降至零。

世界将如此迅速而彻底地变化，以至于需要同样大刀阔斧地改变政策来分配这种财富，并使更多的人追求自己想要的生活。

如果我们做到这两个权利，我们将比以往任何时候都能够更好地改善人们的生活水平。

“摩尔定律适用于一切”应该成为这一代人的战斗口号，因为他们的成员买不起他们想要的东西。这听起来很乌托邦，但这是技术可以提供的东西（在某些情况下已经有了）。想象这样一个世界，几十年来，切— 住房、教育、食物、衣服等，每两年就便宜一半。

全新的人类社会体制和架构-所有人的资本主义Capitalism for Everyone

99%的人被1%的人所创造的财富供养

财富的两个主要来源将是 1) 公司，尤其是那些使用 AI 的公司，以及 2) 有固定供应的土地。

我们可以做一些叫做美国股票基金的事情。美国股票基金将通过每年对估值超过其市场价值 2.5% 的公司征税，以转让给该基金的股份支付，并对所有私人持有的土地价值的 2.5% 征税，以美元支付。

所有 18 岁以上的公民都将以美元和公司股票的形式在他们的账户中获得年度分配。人们将被委托以他们需要或想要的方式使用这笔钱——用于更好的教育、医疗保健、住房、开办公司等等。

总结 (you can take away)

天不生我AGI，人类万古长如夜

悲观者永远正确

乐观者永远前行

THANKS

软件正在重新定义世界

Software Is Redefining The World

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

为您的创业、职场、商业、投资、亲子、网赚、艺术、健身、心理、个人成长 …… 全面赋能！

关注公众号获取更多资料

添加微信，备
注“入群”
立刻免费领取
200套知识地图+最新研报

致终身学习者社群

行业报告/思维导图/电子书/资讯情报

大模型时代的创业机会洞察

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

致终身学习者社群

扫码先加好友，以备不时之需

自我介绍

目录

Al First“一句话”的场景验证

使用 LLM 解决行业痛点难题

原料名称

原料参数名称

原料参数数值

原料参数统称

FeedMaas 已经获得多位业内院士的高度认可

整理出来需要问到的 150 +个问题（举例）

计算公式和步骤：

实际场景-上市银行研报分析-LLM 四种不同方案及效果

分析宁波银行和南京银行在金融市场负债方面的情况。

宁波银行和南京银行在金融市场的负债情况有所不同。

请对比分析一下南京银行和中信银行在2022年的营收状况

bank_nameoperatingincomecx_operatingincomeoperatingprofitcx_operating_profittotal_profitctotal_profittotal_asets

LLMFarm解决方案：上市银行研报分析-数据准备

Step1

Step2

Step3

指标问题生成 SQL 并查询

×问题回答

合成结果

请对比分析一下南京银行和中信银行在2022年的营收状况

Step4 根据调试好的 Chain，可以转化为领域机器人进行全域问题查询

客户非结构化多语言文档数据

PDF

HTML

图文

上传文件到向量库

<数据集列表管理

配置 Chain

配置 Mysql

飞书群中集成 Bot效果

多轮对话录入错误码

错误代码 2342

飞书群图文回复

#

中英文双语回复

背景说明：

接口实现

需要注意的地方

Step1

Step2

Step3

生成 controller

生成 Service/DTO

任务递归生成代码上传 Git

controller

流程需求说明：

当地天气查询

Step3 实例化 bot 并执行

天气咋样

明天天气如何

重新生成回答

天气

ChatBI：实际场景演示

活动所在城市的数量分布

#

导出

SELECT

山田

热门问题

我提出的问题

订单总数量

基于开源 Email 客户端，实现 AI Mail 助手

邮箱助手

目录

大模型训练的三要素：数据集数量、训练强度、参数

大模型参数与人的神经元

参数量在人脑上应该对应的是神经突触的数量而不是神经元

大模型LLM时代的开发范式

现在预训练，微调一个大模型需要多少成本？

ChatGPT: Optimizing Language Models for Dialogue

History of GPT

宜博-大模型时代的创业机会洞察-2023.10-152页-WN10