前一段时间吴恩达教授开源了一个专注于翻译的 AI Agent——translation-agent。
这个 translate-agent 主要以 AI 大模型为翻译引擎,再通过在工作流中增加一些针对性的建议和反思,辅以:
-
提示词设定输出风格
-
处理习语和特殊术语
-
指定语言使用或方言等
使之更易于翻译出比较符合当地语言的内容。
https://github.com/andrewyng/translation-agent
我们今天在 Dify 中通过可视化工作流的方式来复刻一下这个 AI Agent~
准备工作
-
AI 应用——Dify,可以本地部署也可以使用官方提供的地址
-
AI 大模型:工作流中使用的大模型深度求索家的 deepseek-chat,我们下面会大概介绍一下
注册 deepseek
访问 deepseek 的官网:https://www.deepseek.com/,选择接入 API(新用户会免费获取 500w 的 token 哦~)。
在 API Keys 页面,创建一个名为 dify 的 key:
这里要记得保存下生成的 Key 哦,Key 的值只在创建时展示一次!
绘制工作流
回到 Dify 中,我们先要将 deepseek 接入到模型供应商中:
这里不需要设置代理地址,deepseek 国内直连~
然后新建一个工作流,起名就叫 translate-agent,它需要 7 个步骤,一共 8 个节点:
-
开始节点:需要用户提供——目标语言、原始内容、原始语言、国家(可选);
-
LLM 节点:用来将用户输入的内容翻译为目标语言;
-
条件分支节点:判断用户是否有输入 country 的变量;
-
LLM 节点-建议:如果没有 country 的变量,AI 大模型会根据翻译后的结果再给出一次优化建议;
-
LLM 节点-根据输入的 country 进行建议:译文的最终风格和语气都会与目标语言所在的国家口语风格相符;
-
变量聚合器:上面两个 LLM 节点的输出最终都会聚合到这个节点上进行输出
-
LLM 节点:根据建议,优化一次翻译内容
-
结束:最终输出到用户
测试
我们节选一段《小王子》中的内容来测试一下这个工作流:
原文:
“Just that,” said the fox. “To me, you are still nothing more than a little boy who is just like a hundred thousand other little boys. And I have no need of you. And you, on your part, have no need of me. To you, I am nothing more than a fox like a hundred thousand other foxes…”
看!翻译得多好~和我看过的译文一模一样:
“当然了,”狐狸说道,“对我来说,你与其他成千上万个小男孩没什么区别。我不需要你,你也不需要我。对你来说,我与其他成千上万只狐狸毫无差别。但是,如果你驯服了我,我们就谁也离不开谁了。那时候,对我来说,在这个世界上你就是独一无二的。而对你而言,我也是这个世界上独一无二的……”
但是这样我反而觉得这可能是模型数据中有这些内容,所以试试将诗词翻译成英语看看:
原文:
君不见黄河之水天上来,奔流到海不复回
译文翻译:你没有看到黄河的水从天上降下来,冲向大海,永不返回吗?
😂对不起,难为你了
但是反着把这个英文再让它翻译时,输出的结果倒是有点原诗词那味儿了!
你没看到黄河之水从天倾泻而下,奔流入海不复返,浩浩荡荡,势不可挡?
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。