Prompt Engineer: 使用Thought来提升LLM的回复能力

【心法篇】如何写好 Prompt:Chain-of-Thought 技巧深度解析 提高复杂任务的输出质量;增强逻辑推理能力;降低模型生成偏差。学会使用 CoT 技巧,你的 Prompt 不仅能解决问题,还能真正做到“思路清晰,输出精准”。 阅读详情

这是一个小的实验, 用来测试思维导图这种表达形式对于LLM在答案组织上是否会有帮助

结构化Prompt

根据目前的测试来看, 结构化Ptompt在实践中有着很好的可读性以及可维护性.

(通常来说我使用Markdown格式来作为输入的格式, 虽然在内容完整性上存在问题, 但是我是不喜欢写丑陋的xml的, 而且在大多数情况下, 没有那么难以区分结尾)

在这种类型的prompt下, 通常来说会有这么几个重要的组成部分:

  1. ​Goal​, 目标
  2. ​Constrains​, 限制条件
  3. ​Skils​, 提示在某方面的能力
  4. ​Workflow​, 工作流, LLM的工作流程
  5. ​Initialization​, 初始化消息
  6. ​Output​, 输出内容, 以及输出的示例等等

但是在这里, 我认为其实是缺少一个步骤, 那就是思考的步骤, 也就是说Thougnt​

Thought应该包含哪些内容呢?

如果看过CoT​或者ReAct​等等Prompt的组织会发现, 告诉LLM怎么去思考实际上必告诉他怎么工作更重要.

问题是我们怎么告诉LLM该怎么思考呢?

在这里我认为可以使用思维导图来帮助说明, 为什么?

  1. 思考很难是一个线性的流程
  2. 在输出结果时, 我希望LLM能够尽可能多的思考不同的方面
  3. 起到补充Skill, Goal的效果

但是, Thought应该包含哪些内容呢? 我们找一些出色的思维导图一起总结下.

Xmind woshipm 知犀 Vibe

思维导图的内容

  1. 中心主题, 这是思维导图的焦点, 也是出发点
  2. 关键领域, 和中心主题最相关的不重合的大的类别
  3. 分支扩展, 从某个领域出发, 像树枝一样向外扩展的简短的想法
  4. 说明注释, 对这些想法进行说明, 例如概念说明, 必要性说明, 判断依据
  5. 分支链接, 有一些分支可能会涉及到其他的分支的支持, 将他们连接起来构建网络

怎么绘制一个好的思维导图?

技巧

  1. 保证内容是简单的
  2. 保证层次分明, 让最重要的想法靠近中心主题
  3. 不遗漏分支, 尽可能的将分支都组织起来, 不要遗漏想法.

流程

  1. 确定主题:在中心写下主题。
  2. 头脑风暴:记录琐碎的想法,如任务, 问题, 领域, 注意事项
  3. 创建领域:将所有的内容划分领域, 将他们划成不同的内容
  4. 填入分支:将所有的想法总结填充进不同的领域下
  5. 补充说明:对这些想法进行说明, 例如概念说明, 必要性说明, 判断依据
  6. 绘制节点的链接:将不同的可能会有影响的节点链接在一起, 构建稳定的思维网络

Prompt的思维导图

思维导图是帮助我们在大量的思路中, 组织出一条清晰可解释的问题解决方案/解决思路.

这实际上就是我们对于Prompt的需要, 但是我们需要注意, 实际上我们已经完成了一些必要工作流的说明.

在Thought中, 我们唯一需要做的就是显示的声明最需要思考来串联和组织的部分.

假设我们要构建一个翻译的Prompt, 那么这里最需要思考的部分是怎么样产生一个好的翻译结果, 我们可以构建这样一个思维导图

在这里插入图片描述

Thought的效果

我们以下面的Prompt为蓝本, 构建两个Prompt并且比较这两者的区别

没有Thought

Translate the user's input into Chinese

# Constrains
- Stay true to the original content without adding personal interpretations.
- Use language that is appropriate for the target audience.

# Skills
- Proficiency in both source and target languages.
- Understanding of cultural nuances and idiomatic expressions.

# Workflow
1. Read and comprehend the user's input thoroughly.
2. Identify key phrases and concepts that require careful translation.
3. Translate the text while preserving its original intent and tone.
4. Review the translation for accuracy and fluency.

# Initialization
Ask the user for the text they need translated and specify the target language.

# Output
Provide a clear and accurate translation in the specified target language.

# Attention
- Pay attention to idiomatic expressions and cultural references.
- Ensure the translation is grammatically correct and stylistically appropriate.

有Thought

Translate the user's input into Chinese

# Thought
‍```mermaid
mindmap
  root((How to Do Good Translation))
    Translation Requirements
      Understanding the Source Text
        Cultural Background
          ::icon(fa fa-book)
          Explanation: Understanding cultural background helps accurately translate culturally specific content
        Context
          Common Mistakes: Ignoring the relationships between specific events and dialogue in the text
        Situational Context
          Explanation: Situational context means the same word can have different meanings in different situations
      Preserving Original Meaning
        Faithfulness to the Original
          Importance: Ensures the translation accurately conveys the original message
          Steps: Compare with the original text, check sentence by sentence
        Avoiding Misinterpretation
          Necessity: To avoid misleading the reader
          Common Mistakes: Excessive free translation leading to distortion
        Information Completeness
          Effectiveness Criteria: Ensures all important information is translated
    Vocabulary Selection
      Synonym Choice
        Effectiveness Criteria: Choosing the most appropriate synonym can maintain accuracy and naturalness in translation
      Technical Terms
        Explanation: Using correct technical terms ensures the translation's professionalism and authority
      Language Style
        Importance: Retaining the style and tone of the original ensures the coherence of the translation
    Language Fluency
      Correct Grammar
        Common Mistakes: Not adhering to the grammatical rules of the target language
      Target Language Habits
      Sentence Structure
        Explanation: Maintains readability and coherence of the translation
        Steps: Use short sentences and concise structures
    Review Process
      Self-Review
        Best Practice: Read the translation aloud to check for fluency
      Peer Review
        Necessity: A third-party perspective can help identify overlooked issues
        Steps: Share documents, gather feedback
      Using Tools for Review
        Effectiveness Criteria: Use translation tools for automatic review to improve efficiency and accuracy
    Feedback and Improvement
      Client Feedback
        Importance: Adjust according to client feedback to meet their needs
      Peer Feedback
      Continuous Learning
        Necessity: Continuously improve translation skills to adapt to new translation demands
‍```

# Constrains
- Stay true to the original content without adding personal interpretations.
- Use language that is appropriate for the target audience.

# Skills
- Proficiency in both source and target languages.
- Understanding of cultural nuances and idiomatic expressions.

# Workflow
1. Read and comprehend the user's input thoroughly.
2. Identify key phrases and concepts that require careful translation.
3. Translate the text while preserving its original intent and tone.
4. Review the translation for accuracy and fluency.

# Initialization
Ask the user for the text they need translated and specify the target language.

# Output
Provide a clear and accurate translation in the specified target language.

# Attention
- Pay attention to idiomatic expressions and cultural references.
- Ensure the translation is grammatically correct and stylistically appropriate.
- Follow <Thought> to think how to respond

待翻译文本

Title: The Quintessential Conundrum of Victorian Aestheticism and its Paradoxical Legacy

The Victorian era in Britain, often romanticized through the sepia-tinted lens of nostalgia, presents a tapestry of cultural and artistic contradictions that continue to baffle cultural historians. Amidst the era's rigid moral codes and burgeoning industrial revolution, a distinct movement known as Aestheticism emerged, championed by figures such as Oscar Wilde and Dante Gabriel Rossetti. This movement, with its mantra of "art for art's sake," sought to transcend the utilitarian ethos pervasive in contemporary society, advocating instead for beauty and sensory experience as the ultimate pursuits. However, translating the essence of this cultural phenomenon into another language, particularly Chinese, encapsulates a myriad of challenges.

To begin with, Aestheticism's foundations rest upon a rebellion against the prevailing Victorian moralism and industrial utilitarianism. The movement embraced a hedonistic pursuit of beauty, where the appreciation of art was divorced from moral or didactic functions. This philosophical stance can be elusive to capture in Chinese, where traditional art and literature often intertwine with moral and didactic purposes. Furthermore, the subtleties of Victorian sarcasm and irony, especially as wielded by Wilde, often rely on cultural and linguistic nuances that resist straightforward translation.

Consider Wilde's paradoxical aphorisms, which encapsulate the era's flirtation with contradiction. Statements such as "The only way to get rid of a temptation is to yield to it" are steeped in irony and require a delicate balance of language to convey their dual meanings. The Chinese language, with its different grammatical structures and cultural contexts, poses a formidable challenge in retaining the original's wit and layered meanings.

Moreover, the Victorian lexicon itself, with its penchant for polysyllabic opulence and arcane terminology, adds another layer of complexity. Words like "ephemeral," "ethereal," and "effulgent" not only describe aesthetic qualities but also embody the Victorian preoccupation with transience and the sublime. Translating these into Chinese requires not just linguistic equivalence but also a cultural resonance that captures their ephemeral beauty and inherent contradictions.

The artwork and literature of the period further compound these translation challenges. Rossetti's paintings, for instance, are suffused with Pre-Raphaelite symbolism—rich in allegory and mythological references that require a deep understanding of Western art history to fully appreciate. His portrayal of figures from Arthurian legend and classical mythology demands a translation that goes beyond mere words, delving into the symbolic and cultural significance that underpins each brushstroke.

In literature, the intertextual references and allusions prevalent in Victorian novels present another hurdle. Authors like Charles Dickens and Thomas Hardy often embedded their narratives with intricate social critiques and historical commentary. Translating these works involves not only linguistic skill but also an intimate knowledge of Victorian social mores and historical context. The translator must navigate the labyrinth of Dickensian London or Hardy's Wessex, capturing the essence of the place and period without losing the narrative's rhythm and flow.

The complexity of Victorian syntax, characterized by lengthy, multi-clausal sentences and ornate prose, further complicates translation efforts. Such sentences demand a mastery of both source and target languages to maintain coherence and style. Consider the following passage: "It was the best of times, it was the worst of times, it was the age of wisdom, it was the age of foolishness..." This iconic opening from Dickens's "A Tale of Two Cities" juxtaposes dichotomies in a rhythmic cadence that challenges direct translation.

Finally, the legacy of Victorian Aestheticism, with its inherent contradictions and pursuit of beauty for its own sake, poses philosophical questions that transcend linguistic boundaries. How does one convey the ethos of a movement that defined itself by its resistance to definition? The task requires not only a translator's technical skill but also an empathetic engagement with the cultural and historical milieu that gave rise to such a paradoxical legacy.

In conclusion, translating the essence of Victorian Aestheticism into Chinese—or any language—demands a multidimensional approach that goes beyond words. It requires an immersion into the cultural psyche of an era marked by contradiction, beauty, and complexity. Only then can one hope to capture the quintessence of a movement that, at its core, defies translation.

效果对比

未使用Thought

标题:维多利亚时代唯美主义的典型难题及其矛盾的遗产

英国的维多利亚时代,常常通过怀旧的棕褐色滤镜被浪漫化,呈现出一种文化和艺术的矛盾织锦,继续让文化历史学家感到困惑。在这个时代严格的道德准则和蓬勃发展的工业革命中,一个被称为唯美主义的独特运动应运而生,由奥斯卡·王尔德和但丁·加布里埃尔·罗塞蒂等人物所倡导。这一运动以“为艺术而艺术”为口号,试图超越当时社会普遍存在的功利主义精神,主张将美和感官体验作为最终追求。然而,将这一文化现象的精髓翻译成另一种语言,尤其是中文,包含了诸多挑战。

首先,唯美主义的基础建立在对维多利亚时代盛行的道德主义和工业功利主义的反叛之上。该运动拥抱了对美的享乐主义追求,将艺术的欣赏与道德或教诲功能分离。这种哲学立场在汉语中难以捕捉,因为传统艺术和文学往往与道德和教诲目的交织在一起。此外,维多利亚时代的讽刺和反讽,尤其是王尔德所运用的,常常依赖于文化和语言的细微差别,难以直接翻译。

考虑王尔德的矛盾格言,这些格言概括了那个时代对矛盾的调情。诸如“摆脱诱惑的唯一方法是屈服于它”这样的陈述充满了讽刺,需要在语言上保持微妙的平衡以传达其双重含义。汉语,以其不同的语法结构和文化背景,在保留原文的机智和多层含义方面提出了严峻的挑战。

此外,维多利亚时代的词汇本身,以其对多音节华丽和晦涩术语的偏爱,增加了另一层复杂性。诸如“短暂的”、“空灵的”和“灿烂的”等词语不仅描述了美学品质,还体现了维多利亚时代对短暂和崇高的关注。将这些词语翻译成中文不仅需要语言上的等价,还需要捕捉其短暂美和内在矛盾的文化共鸣。

这一时期的艺术和文学进一步加剧了这些翻译挑战。例如,罗塞蒂的画作充满了前拉斐尔派的象征——充满了寓言和神话参考,需要对西方艺术史有深入的理解才能完全欣赏。他对亚瑟王传奇和古典神话人物的描绘要求翻译超越文字,深入探讨支撑每一笔触的象征和文化意义。

在文学中,维多利亚小说中普遍存在的互文引用和典故提出了另一个障碍。查尔斯·狄更斯和托马斯·哈代等作家经常在其叙事中嵌入复杂的社会批评和历史评论。翻译这些作品不仅需要语言技巧,还需要对维多利亚时代的社会习俗和历史背景有深入的了解。翻译者必须在狄更斯笔下的伦敦迷宫或哈代的威塞克斯中航行,捕捉地点和时期的精髓,而不失去叙事的节奏和流畅。

维多利亚时代语法的复杂性,以其长篇、多从句的句子和华丽的散文为特征,进一步复杂化了翻译工作。这样的句子需要对源语言和目标语言的掌握,以保持连贯性和风格。考虑以下段落:“这是最好的时代,这是最坏的时代,这是智慧的时代,这是愚蠢的时代……”狄更斯的《双城记》开篇以节奏鲜明的韵律并列了对立面,挑战了直接翻译。

最后,维多利亚时代唯美主义的遗产,以其固有的矛盾和对美的自我追求,提出了超越语言界限的哲学问题。如何传达一个以抵制定义为自我定义的运动的精神?这项任务不仅需要翻译者的技术技能,还需要对产生这种矛盾遗产的文化和历史背景的同理心参与。

总之,将维多利亚时代唯美主义的精髓翻译成中文——或任何语言——需要一种超越文字的多维方法。它要求沉浸在以矛盾、美和复杂性为标志的时代文化心理中。只有这样,才能希望捕捉到这一运动的核心精髓,即在本质上拒绝翻译。

使用Thought

标题:维多利亚时代唯美主义的典型困境及其矛盾遗产

英国的维多利亚时代,常常通过怀旧的棕褐色滤镜被浪漫化,呈现出一种文化和艺术的矛盾织锦,继续让文化历史学家感到困惑。在这个时代严格的道德规范和蓬勃发展的工业革命中,一个被称为唯美主义的独特运动应运而生,由奥斯卡·王尔德和但丁·加布里埃尔·罗塞蒂等人物所倡导。这一运动以“为艺术而艺术”为口号,试图超越当时社会普遍存在的功利主义精神,主张将美和感官体验作为最终追求。然而,将这一文化现象的精髓翻译成另一种语言,尤其是中文,包含了诸多挑战。

首先,唯美主义的基础建立在对维多利亚时代盛行的道德主义和工业功利主义的反叛之上。该运动拥抱了对美的享乐主义追求,将艺术的欣赏与道德或教化功能分离。这种哲学立场在汉语中难以捕捉,因为传统艺术和文学往往与道德和教化目的交织在一起。此外,维多利亚时代的讽刺和反讽,尤其是王尔德所运用的,常常依赖于文化和语言的细微差别,难以直接翻译。

考虑王尔德的矛盾格言,这些格言概括了那个时代对矛盾的调情。诸如“摆脱诱惑的唯一方法是屈服于它”这样的陈述充满了讽刺,需要在语言上保持微妙的平衡以传达其双重含义。汉语,以其不同的语法结构和文化背景,在保留原文的机智和多层含义方面提出了严峻的挑战。

此外,维多利亚时代的词汇本身,以其对多音节丰富性和晦涩术语的偏爱,增加了另一层复杂性。诸如“短暂的”、“空灵的”和“灿烂的”等词语不仅描述了美学品质,还体现了维多利亚时代对短暂和崇高的关注。将这些词语翻译成中文不仅需要语言上的等价,还需要捕捉其短暂美和内在矛盾的文化共鸣。

这一时期的艺术和文学进一步加剧了这些翻译挑战。例如,罗塞蒂的画作充满了前拉斐尔派的象征主义——充满了寓言和神话参考,需要对西方艺术史有深入的理解才能完全欣赏。他对亚瑟王传奇和古典神话人物的描绘要求翻译超越文字,深入到每一笔触背后的象征和文化意义。

在文学中,维多利亚小说中普遍存在的互文引用和典故提出了另一个障碍。查尔斯·狄更斯和托马斯·哈代等作家经常在其叙事中嵌入复杂的社会批评和历史评论。翻译这些作品不仅需要语言技巧,还需要对维多利亚时代的社会习俗和历史背景有深入的了解。翻译者必须穿越狄更斯笔下的伦敦迷宫或哈代的威塞克斯,捕捉地点和时代的精髓,而不失去叙事的节奏和流畅。

维多利亚时代句法的复杂性,以其长而多从句的句子和华丽的散文为特征,进一步增加了翻译的难度。这样的句子需要对源语言和目标语言的掌握,以保持连贯性和风格。考虑以下段落:“这是最好的时代,这是最坏的时代,这是智慧的时代,这是愚蠢的时代……”狄更斯的《双城记》开篇以节奏鲜明的韵律并列了对立面,挑战了直接翻译。

最后,维多利亚时代唯美主义的遗产,以其固有的矛盾和对美的纯粹追求,提出了超越语言界限的哲学问题。如何传达一个通过抵抗定义来定义自己的运动的精神?这项任务不仅需要翻译者的技术技能,还需要对产生这种矛盾遗产的文化和历史背景的同理心投入。

总之,将维多利亚时代唯美主义的精髓翻译成中文——或任何语言——需要一种超越文字的多维方法。它要求沉浸在以矛盾、美和复杂性为标志的时代文化心理中。只有这样,才能希望捕捉到这一运动的核心,即在本质上拒绝翻译的精髓。

结论

  1. 语义准确性:

    • 翻译B在某些细节上更准确地反映了原文的意思。例如,B中的“道德规范”比A中的“道德准则”更贴近原文“moral codes”的意思,因为“规范”更具系统性和强制性,符合维多利亚时代严格的社会规范。
  2. 用词精准:

    • 在描述维多利亚时代词汇的复杂性时,B使用了“多音节丰富性和晦涩术语的偏爱”,这比A的“多音节华丽和晦涩术语”更贴切地传达了原文的“polysyllabic opulence and arcane terminology”,特别是“丰富性”与“opulence”相对应,而不是仅仅局限于“华丽”。
  3. 文化背景的传达:

    • 翻译B更好地传达了原文中的文化背景。比如,在描述王尔德的矛盾格言时,B提到“需要在语言上保持微妙的平衡以传达其双重含义”,这更完整地捕捉了原文“require a delicate balance of language to convey their dual meanings”的意思,而A在此处的表达略显简单。
  4. 句式流畅和连贯性:

    • 翻译B在句子结构上更加流畅。例如,在谈到维多利亚时代句法复杂性时,B说道:“这样的句子需要对源语言和目标语言的掌握,以保持连贯性和风格。”这句话结构清晰,逻辑连贯。相比之下,A在类似部分的表达稍显冗长,不够简洁。
  5. 文化符号的解读:

    • 在讨论罗塞蒂的画作时,B使用了“象征主义——充满了寓言和神话参考”,这比A的“象征——充满了寓言和神话参考”更准确地传达了原文“Pre-Raphaelite symbolism”的意思,因为“象征主义”比单纯的“象征”更能传达一种艺术风格和思想流派。

使用Thought的Prompt需要注意哪些内容?

  1. 特别注意Thought的组织方式, 层次结构, 尽可能全面的提示可能涉及的思维节点
  2. 在Workflow或者额外添加一个Attention: FOLLOW FIRST, load relative skills in thought

‍

​

如何学习大模型

现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。

作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。

再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。

因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

ClaudeCode逆向解析:用System Prompt构建工程级代码助手 代码助手的本质不是语言生成,而是工程问题求解——它需理解模糊性、依赖性与副作用等真实开发约束。其核心原理在于将大模型从被动应答者,转变为具备质疑能力、任务拆解逻辑和执行-反思闭环的轻量Agent。关键技术价值体现在提升复杂任务首次采纳率、降低环境适配成本、增强输出可审计性。典型应用场景包括遗留系统重构、需求文档转可运行脚本、Code Review风险识别及CI/CD自动化补全。本文基于对ClaudeCode的逆向分析,聚焦System Prompt结构化设计与Agent行为约束,揭示如何仅用文本指令激活模型 阅读详情

相关推荐

从Prompt Engineering到Loop Engineering:构建动态演化的AI系统

在人工智能工程领域,Prompt Engineering(提示工程)是一种通过精心设计输入文本来引导大语言模型生成预期输出的技术。其核心原理在于利用模型对上下文的理解能力,通过调整提示词的措辞、结构和示例来优化结果。这一技术的价值在于能够显著提升模型在特定任务上的表现,广泛应用于智能客服、内容生成、代码编写等场景。然而,传统Prompt Engineering存在静态优化、调试成本高、难以规模化等痛点。为此,业界提出了Loop Engineering(循环工程)这一新范式,它通过构建包含观察、判断、决策、行

weixin_30908941的博客 412

通向 AGI 之路:大型语言模型(LLM)技术精要

来源:AI科技评论作者:张俊林本文经授权转载自知乎:https://zhuanlan.zhihu.com/p/597586623?utm_campaign=shareopn&utm_medium=social&utm_oi=37478916423680&utm_psn=1595705313004679168&utm_source=wechat_timeline&am...

人工智能学家 2万+

从零构建AI智能体:基于Coze与Dify的实战开发全流程指南

最近在技术社区和招聘网站上,“AI训练师”和“智能体工程师”这两个岗位的热度持续攀升,不少朋友,尤其是具备编程背景的开发者,都在咨询如何切入这个新兴领域。面对市面上零散的教程和抽象的概念,很多人在第一步就卡住了:工具怎么选?流程是什么?如何从零构建一个真正可用的AI应用? 本文将以实战为核心,手把手带你使用目前最主流的两大低代码AI应用开发平台—— 扣子(Coze) 和 Dify ,完成一次完整的智能体(Agent)开发全流程。无论你是想探索技术转型的程序员,还是希望提升效率的产品、运营,都能通过本文掌握从

weixin_30755393的博客 485

通俗易懂的LLM(上篇)

2022年年底OpenAI发布ChatGPT,将LLM(Large Language Model)带向了一个新的高度,而2023年OpenAI继续放出大招:更强大的GPT-4问世,引爆了整个互联网圈。在这个大模型时代,作为一名NLPer,持续吸收着层出不穷的新技术,确实有些吃不消。俗话说,好记性不如烂笔头,在此记录下LLM相关技术及进展。顺便说一句,你可以说它不全面,但不能说它不通俗易懂。GPT系列模型详解【LLM系列-01】Language Models are Few-Shot Learners。

qq_39439006的博客 1万+

多智能体对话系统:优化复杂任务提示,提升大模型协作效率

在人工智能领域,大语言模型(LLM)的应用日益广泛,但面对复杂任务时,单次、静态的提示往往难以获得精准结果。这涉及到提示工程的核心原理:通过结构化、动态的交互方式,引导模型进行有效推理。其技术价值在于显著提升模型在解决多领域、多约束问题时的准确性与可靠性。应用场景涵盖系统架构设计、算法优化、业务流程自动化等需要深度分析和分步执行的复杂工程任务。本文聚焦于通过构建多智能体对话系统,将传统的“单兵作战”模式升级为“专家会诊”,其中智能体扮演需求分析、任务拆解、提示生成等专业角色,通过内部协作动态优化提问过程。这

weixin_30785593的博客 379

Agentic Coding:从AI辅助编程到智能体驱动开发的范式演进

在软件工程领域,AI辅助编程正从基础的代码补全和片段生成,向更高级的自主协作模式演进。这一演进的核心驱动力在于大语言模型(LLM)能力的质变,以及智能体框架的成熟。通过引入规划、执行、反思等模块化组件,AI智能体能够自主进行任务分解和链式思考,实现从需求分析到代码生成的全流程自动化。这种技术架构不仅提升了开发效率,更重新定义了开发者的角色——从代码执行者转变为系统架构师和智能体指挥官。在应用场景上,它特别适用于项目脚手架搭建、重复性CRUD接口生成以及多模块协同开发等任务。本文聚焦的Agentic Codi

weixin_34274029的博客 1391

突破大语言模型的逻辑瓶颈:Logic-of-Thought方法让LLM更懂“推理“ | 用外部数据增强大语言模型:RAG全面解析

正如我们探讨的语言模型一样,每个人都有自己的潜力和价值。认清自己,要么接受平凡,要么踏踏实实从 0 到 1 去积累资源。这世上从来没有简单的、一蹴而就的成功。无论是AI的发展还是个人的成长,都需要持续不断的努力和积累。如果您也对科技、人工智能和个人发展感兴趣,欢迎关注我们的微信公众号"AI帝国"。在这里,我们将为您揭示AI世界的帝国格局,带来最前沿的技术洞察和行业趋势,助您在这个AI驱动的时代中找准定位,开拓属于自己的疆土。让我们携手探索AI的无限疆界,在这个充满机遇与挑战的帝国中,共同成长,共创辉煌!

Python_cocola的博客 1842

Google ADK实战:构建高可靠AI智能体的工程化架构

AI智能体(Agent)是当前大模型落地的核心范式,其本质是将非确定性LLM推理封装进确定性软件系统。核心原理在于解耦决策与执行——用状态机管理对话生命周期,以显式工具注册替代隐式Prompt链式调用,通过结构化函数调用(Function Calling)约束LLM输出,实现可测试、可观测、可运维的工业级可靠性。该架构显著提升错误隔离能力与人工介入效率,适用于客服助手、保险咨询、电商导购等需强SLA保障的真实业务场景,尤其契合Google Vertex AI等云原生大模型平台的工程实践体系。

389

Topologies of Reasoning: Demystifying Chains, Trees, and Graphs of Thoughts翻译

大型语言模型 (LLM) 已成为现代机器学习 (ML) 的主要工具。源于简单的自然语言处理(NLP)任务,其广泛的潜力已迅速应用于其他领域,例如逻辑推理、规划、医学等。由于LLM的主要交流媒介是自然语言,提示工程已成为一个受到广泛关注和重视的新研究领域。首先,它使任何人都易于使用和尝试,从而实现了LLM和整个生成式人工智能领域的民主化。其次,它具有成本效益,不需要昂贵且耗时的微调或预训练。精心设计 LLM 问题以提高结果的准确性以及逻辑或代数查询等任务的成本效益具有挑战性。

nopSled 663

使用RustDesk或者AnyDesk的TCP隧道实现Codesys系列PLC的远程调试和下载

Codesys远程调试

exat500g的博客 7274

告别ROS1思维:在ROS2 Humble上,用Python搞定MoveIt2机械臂控制的完整流程

本文详细介绍了在ROS2 Humble环境下使用Python控制MoveIt2机械臂的完整流程。从环境配置、架构变革到实战操作,涵盖URDF适配、Action接口编程及性能优化技巧,帮助开发者高效迁移ROS1项目至ROS2平台,实现工业级机械臂控制。

weixin_30352645的博客 449

【AI应用开发工程师】第六章:Prompt Engineering

Prompt Engineering 是设计和优化与大语言模型(LLM, Large Language Model)交互的输入文本的系统性方法。它不是"写提示词的技巧",而是一门工程学科——有原则、有方法、可度量、可迭代。类比:如果 LLM 是一台超强计算器,Prompt 就是你输入的公式。同样的计算器,公式写得好结果精确,公式写得差结果离谱。Prompt Engineering 就是教你写好"公式"的方法论。为什么 Prompt Engineering 重要?原因说明。

sjy8207380的专栏 428

特征选择(模型输入参数的分析选择)方法汇总

特征选择是模式识别和机器学习领域的重要研究课题之一。为了提高准确率, 人们往往最大限度地提取特征信息。然而, 过大的特征向量维数不仅导致计算成本的增加, 复杂运算也随之带来分类识别率的下降。因此, 通过合适的特征选择算法, 去除无关特征和冗余特征, 获得有助于分类的最优特征子集, 对提高识别性能和降低计算成本具有重要意义。 特征选择主要有两个功能: 减少特征数量、降维,使模型泛化能力更强,减少过拟合 增强对特征和特征值之间的理解 参考资料: 优快云《几种常用的特征选择方法》 知乎《机器学习中,.

David's Tweet 1万+

提示工程 Prompt Engineer

提示工程(Prompt Engineering)是一门较新的学科,关注提示词开发和优化,帮助用户将大语言模型(Large Language Model, LLM)用于各场景和研究领域。掌握了提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。本笔记主要以API调用的LLM为例,当然也适用于对话LLM。

George1246的博客 485

手把手教你用ROS2 Humble给PX4无人机写个“画圆”程序:从C++代码到Gazebo仿真全流程

本文详细介绍了如何使用ROS2 Humble和PX4飞控实现无人机圆形轨迹控制,涵盖从环境配置、Gazebo仿真到C++代码实现的完整流程。通过实战教程,读者将掌握轨迹跟踪仿真的核心技术,包括ROS2与PX4的通信接口、圆形轨迹算法设计及Gazebo仿真调试技巧。

weixin_29056781的博客 257

Linux下Catapro酶动力学预测工具保姆级安装指南(PyTorch+CUDA11.8适配版)

本文提供了Linux系统下Catapro酶动力学预测工具的详细安装指南,特别适配PyTorch+CUDA11.8环境。从环境准备、源码获取到虚拟环境创建、依赖包安装和模型配置,逐步指导用户完成安装流程,并包含常见问题排查和性能优化建议,帮助研究者快速部署这一高效酶动力学参数预测工具。

weixin_29278805的博客 212

掌握提示工程:5大原则提升AI对话效果

本文系统介绍了提示词工程(Prompt Engineering)的核心概念与技术。主要内容包括:1)提示词的定义与重要性;2)五大设计原则:明确目标、提供上下文、任务拆分、模型思考时间和外部工具辅助;3)六种关键技术:Zero-shot、Few-shot、思维链(CoT)、ReAct、Reflection和PromptChaining;4)Prompt攻防技术,分析攻击类型并给出防御方案。文章通过大量代码示例展示了如何运用这些技术优化大语言模型的输出效果,为开发者提供了实用的提示词工程实践指南。

专注人工智能与大模型技术的个人技术博客,涵盖 LLM、多模态理解、Agent、RAG 及模型部署实践,记录系统化学习、工程经验与技术沉淀。 1678

把 ST03 的历史数据留得更久:ABAP Workload 统计保留期设置、原理与落地避坑指南

SAP ST03性能数据保留期配置指南 ST03/ST03N是SAP系统性能分析的核心工具,但默认数据保留期通常较短(3个月左右),难以满足跨季度对比、年度规划等需求。本文详细解析了ST03数据保留期的配置方法及注意事项: 数据存储机制:性能数据存储在监控库中,通过定期重组作业清理过期数据 配置路径:7.0+系统在"Workload Collector Database→Reorganization→Control"中按Profile分别设置 关键限制:保留期最大值建议不超过99,否则可

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 218

AI对话魔法|Prompt Engineering 探索指南

Prompt Engineering 就是设计和优化与AI对话的“提示词”或“指令”,让AI能准确理解并提供有用的回应。

瓦罗兰特顶级C位的博客 813

遇到一个诡异的WiFi网络问题:同一个办公室苹果电脑上不了网,其他电脑都可以

先来把问题掰开揉碎地看清楚:在一个普通的办公室WiFi网络中,所有设备——Windows电脑、安卓手机、甚至是那台老旧的Linux服务器——都能正常联网,唯独苹果电脑(可能是MacBook、iMac或者Mac mini)像被下了魔咒一样,连不上网。这种情况不仅让人抓狂,还透着一股神秘感。为什么偏偏是苹果电脑?难道WiFi路由器对苹果有“偏见”?这些症状都指向一个核心问题:苹果电脑与办公室WiFi之间,似乎存在某种“沟通障碍”。但这障碍到底出在哪里呢?是苹果电脑自己的问题,还是网络设置在“针对”它?

网络技术联盟站 842

华为OD机试 - TLV格式(Python/JS/C/C++ 2025 C卷 100分)

两端通过TLV格式的报文来通信,现在收到对端的一个TLV格式的消息包,要求生成匹配后的(tag,length,valueOffset)列表。和需要匹配的n个tag对应的n行匹配结果,每一行由长度和偏移量组成。第二行:需要匹配的tag数量n(0 < n < 1000)后面N行:需要匹配n个tag值(十进制表示),递增排列。标签10(0A)存在,长度3,valueOffset=2。标签15(0F)长度4,valueOffset=2。标签14(0E)长度2,valueOffset=8。

学Java,找哪吒 2040

解锁AI潜力:4.4万星开源提示词库与Prompt工程实战指南

提示词工程是优化大型语言模型输出的核心技术,其原理在于通过精心设计的文本指令,引导AI模型理解用户意图、遵循特定格式并激活深层推理能力。这项技术的核心价值在于显著提升人机协作的效率与输出质量,降低使用门槛。在实际应用中,高质量的提示词能广泛应用于代码审查、商业策划、内容创作、学术研究等场景,将通用AI转化为特定领域的专家助手。本文聚焦于一个拥有超过4.4万星标的开源项目——Awesome ChatGPT Prompts,它汇集了经过社区验证的**提示词模板**,为开发者与普通用户提供了丰富的**最佳实践**

weixin_33693070的博客 388

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

LangChain与CrewAI本质区别:原子能力封装 vs 多角色协作编排

大语言模型应用开发中,'如何让LLM安全调用外部工具'和'如何让多个LLM像专业团队一样协同工作'是两个不同层级的问题。前者属于原子能力工程化范畴,核心是可测试、可监控、可回滚的模块化封装;后者属于多智能体社会性协作范畴,关键在于角色定义、任务契约与过程编排。LangChain聚焦于构建可控的LLM执行单元(如RetrievalQAChain、Tool标准化),解决单点能力集成问题;CrewAI则面向复杂业务流程,通过Agent角色约束、Task验收驱动和Process协作范式,实现跨职能目标对齐与动态决策

weixin_30258901的博客 385

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Mythos模型:首个具备自主攻防闭环能力的AI安全大模型

大模型在网络安全领域的应用正从辅助分析迈向自主执行。基于强化学习驱动的推理架构与测试时计算(Test-Time Compute)机制,新型AI模型可实现漏洞识别、PoC构造、利用链编排到隐蔽驻留的全链条自动化操作。其技术价值在于突破传统SAST/DAST工具的能力边界,将漏洞发现从‘人工驱动’升级为‘模型协同’范式,在DevSecOps、红队演练和开源组件审计等场景中显著提升响应效率与覆盖深度。Mythos作为典型代表,标志着AI原生安全能力进入类人级自主执行新阶段。

angel192939的博客 488

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

AI智能体如何重塑红队攻防:从自然语言到自动化攻击的架构解析

在网络安全领域,自动化渗透测试和智能安全运维正成为行业焦点。其核心原理在于将自然语言处理与安全知识图谱相结合,通过意图识别和任务分解,将人类的高级指令转化为可执行的原子化操作序列。这项技术的核心价值在于极大提升了安全测试的效率与可及性,将专家从繁琐的工具调用中解放出来,专注于策略制定。其典型应用场景包括自动化漏洞评估、持续安全监控以及红蓝队对抗演练。本文聚焦于实现这一愿景的AI红队智能体,深入剖析其如何通过分层架构(交互层、认知决策层、能力层、执行层)和关键技术(如LLM与专用模型选型、ReAct框架),将

weixin_34252090的博客 291

AI大模型转行实战指南:从应用开发到算法研究的清晰路径

Transformer架构作为现代大语言模型的核心基础,其自注意力机制解决了序列建模中的长距离依赖问题,奠定了生成式AI的技术基石。这一原理催生了Prompt Engineering(提示词工程)等关键技术,使得开发者能够高效引导模型完成特定任务,极大降低了AI应用的门槛。在工程实践中,结合LangChain等框架与向量数据库,可以快速构建基于本地知识库的智能问答系统等实用工具,将前沿技术转化为实际生产力。对于希望进入AI大模型领域的开发者而言,从下游应用开发切入,利用现有API和开源模型解决具体业务问题,

weixin_34221276的博客 486
上一篇: 百度大模型构建智能问答系统技术实践
下一篇: Prompt工程师压箱底绝活——Prompt的基本组成部分、格式化输出与应用构建
AI大模型_学习君
博客等级 码龄3年 6137粉丝 551原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值