每日出拳老爷子的博客

在自动化与数据驱动应用的构建中，将 Dify 与企业级平台如明道云集成是常见需求。本文分享了使用 Dify 查询明道云数据时遇到的问题及解决方案，特别是在复杂查询场景下的实践经验。

✅ 安装开发工具，配置环境✅ 初始化插件项目，设定模板和权限✅ 编辑 YAML 配置和 Python 代码，添加依赖✅ 本地调试插件并在 Dify 中验证✅ 根据应用类型选择发布方式无论你是想构建一个自动处理任务的工具，还是集成在自己的 Web 应用中，Dify 插件开发为你提供了灵活而强大的支持。

本文展示了如何在 Dify 平台中构建一个完整的AI 驱动新闻编辑助手，通过模块化的节点组合，实现从内容获取到成品输出的全过程自动化。

遇到 ComfyUI 报错禁用 CUDA：如果你的硬件不支持 CUDA，使用命令运行 ComfyUI，跳过 CUDA 相关的计算。安装支持 CUDA 的 PyTorch：确保安装了支持 CUDA 的 PyTorch 版本。检查并安装 NVIDIA 驱动和 CUDA：如果你的设备支持 CUDA，检查并安装合适的 NVIDIA 驱动和 CUDA 库。通过这些方法，你应该能够解决报错并顺利运行 ComfyUI。如果你有其他问题，欢迎随时提问！

升级了OpenWebUI，在离线环境下补足了很多需要的Package后终于成功启动了Backend的服务，但是一旦上传文件，就会报ChromaDb错误

如果有visual studio，那么直接安装c++桌面应用组件

OpenWebUI的版本升级频率很高，并会修改旧版本的Bug，不过对于已经在使用的系统，升级后现有用户信息都会丢失，于是研究如何在升级后将现有的用户信息移植到升级后版本。

RAG是一种结合检索技术和生成技术的问答方法。其核心是通过从知识库中检索与用户问题相关的信息，辅助生成更精确的回答。它广泛应用于企业知识库管理、在线客服系统等领域，尤其适用于需要高专业性和上下文关联的场景。RAG是一个高效构建专业问答体系的工具，其在WebUI中的应用更是大大降低了部署难度。部署方法：通过WebUI上传知识库文件，并设置标签管理。两种范围：根据需求选择会话范围或系统范围的RAG。效果优化：注重数据清洗、文档切分与分类，确保中文文档质量。

总体而言，人工智能的威胁并非来自于“超级智能”式的统治，而是其脆弱性和伪造内容的滥用。特定智能系统的脆弱性：AI在面对极端事件时缺乏应对灵活性，可能导致严重后果。因而在高风险场景中应用AI时，始终需要人类监督和应急预案。深度伪造带来的社会信任危机：AI生成伪造内容的真实度高，传播速度快，需要技术和政策的双重手段共同应对，以减少虚假信息对社会信任体系的破坏。持续推进技术规范与伦理建设：在AI技术快速发展的背景下，构建严格的技术规范和伦理框架是必不可少的。这需要社会各界合作，探索安全、负责任的AI发展路径。

在探讨AGI之前，回顾“计算机”一词的历史意义不无裨益。早在20世纪初期，“computer”指的是人工计算数据的人，尤其是那些使用台式机械计算器执行精密任务的女性。她们在第二次世界大战期间帮助士兵计算导弹轨迹，发挥了关键作用。这一时期的“计算机”不仅要进行大量计算，还需根据经验和常识进行调整。然而，随着20世纪40年代电子计算机的出现，计算领域发生了颠覆性变化。电子计算机在速度、精度和存储容量方面迅速超越了人类，成为“超级人类”般的工具。这种“超级人类”虽然在特定计算任务中效率惊人，但仅限于特定领域。

计算机在艺术、音乐和写作等创造性领域的应用，为人类提供了强大的辅助工具，能够帮助人类生成素材、模拟风格、探索创作边界。计算机的本质是机械性，缺乏理解与审美判断。人机协作的模式中，计算机的生成过程需要人类的判断和引导。尽管AI的生成能力不断增强，但在本质上，生成内容并不具备情感和理解力。未来，人工智能技术或许会在更广泛的创意领域中得到应用，但它们仍然是辅助工具。只要AI不具备自我意识，人类在创造性过程中的主导地位就无法被替代。

总的来说，人工智能的推广在带来效率提升的同时，确实会对部分传统工作岗位产生冲击。然而，技术的替代效应并不意味着“完全失业”，而是需要社会对未来的职业结构进行适应性调整。职业培训和再教育：政府和企业需要加强员工的职业培训，为员工提供技能再提升的机会，帮助他们适应新技术环境。例如，可以通过职业培训帮助员工掌握数据分析、AI系统使用等新技能。政策支持和社会保障：对于受AI影响较大的群体，政府应制定相关政策，加强社会保障，减缓职业转换期间的经济压力。促进人机协作。

美国国家公路交通安全管理局（NHTSA）将自动驾驶技术分为0至5级，共六个等级。0级：完全由人类驾驶员执行所有驾驶任务。1级：车辆可辅助控制方向盘或车速，但不能同时完成两者。2级：在特定情境（如高速公路）下，车辆能同时控制方向盘和车速，但需要人类驾驶员监控周围环境。3级：在某些特定情境下，车辆可以完全执行驾驶行为，但人类需保持注意力，以便在紧急情况接管。4级：在特定情境下车辆可以完全自主行驶，人类不必关注驾驶。5级：车辆在任何情况下都可完成驾驶行为，人类仅作为乘客。

构建庞大的事实和逻辑规则库：通过显性知识集合帮助AI在特定领域获得基础推理能力。克服深度学习的局限：研究如何让深度学习模型具备抽象和类比推理能力，以增强其跨领域能力。探索类比与抽象推理：赋予AI从一个情境迁移到另一个情境的能力，以更好地应对复杂问题。发展具身智能：让AI通过实体与物理世界互动，累积直觉经验，接近人类的智能水平。尽管实现具备直觉知识的AI仍然面临重重挑战，但这些探索将有助于推动AI从“专才”向“全才”发展，最终实现更为通用和灵活的智能。

人类的常识和理解力是我们与生俱来的核心优势。人工智能要达到人类水平的智能，必须突破“意义障碍”，真正实现对复杂情境和抽象概念的理解。尽管AI在图像识别和语音识别等领域取得了快速进展，但在常识和理解力方面依然面临巨大的挑战。未来的研究方向将包括构建更加完善的常识库、增强类比与隐喻推理、实现自我反思机制等，从而使AI在真实场景中展现出更强的适应能力和智能水平。

威诺格拉德模式 (Winograd Schema) 是 NLP 中的一个微型语言理解测试，旨在评估机器对语言的理解能力。它由 NLP 领域的先驱特里·威诺格拉德提出，设计的目标是让机器判断句子中的代词指代关系，这在理解语言含义时至关重要。从《星际迷航》中的“进取号”计算机到当代 NLP 系统，机器语言理解已取得显著进展。然而，实现真正理解人类语言的终极目标仍面临多重挑战。威诺格拉德模式测试、对抗样本的威胁，以及缺乏常识的瓶颈揭示了当前系统的局限性。

自动翻译技术的发展从早期基于规则的符号系统，逐步演化到统计机器翻译，最终在深度学习时代达到了新的高峰。每一代方法都有其优缺点，但深度学习的引入无疑推动了机器翻译系统在准确性和自然性上的质变。未来，随着多模态模型的成熟，自动翻译的应用场景将进一步拓展，从而让人机交流变得更加自然和高效。自动翻译的发展仍在继续，其未来将更加智能化和人性化，为全球沟通带来无限可能。

深度学习在自然语言处理领域取得了显著的进展，尤其是在语音识别、情感分析、机器翻译等任务上。尽管如此，语言的复杂性、歧义性和依赖性仍然使得完全理解语言成为一个远未解决的难题。从情感分类到词向量，NLP技术不断发展，但机器与人类对语言的理解仍有巨大差距。未来，随着技术的不断进步，特别是在多模态学习和跨领域知识融合方面，NLP系统的能力有望进一步提升。无论是语音识别中的噪声处理，还是情感分析中的上下文理解，NLP领域的研究人员将继续攻克难关，让机器更加智能地理解和生成自然语言。

自然语言理解和使用是AI发展中面临的最大挑战之一，随着深度学习和预训练模型的发展，AI在文本分析、情感识别等方面取得了重要进展。然而，构建能够实时、灵活地与人类进行交流的AI，仍需在语境感知、逻辑推理和个性化方面取得更大突破。

通用人工智能的目标在于构建一种能够在不同任务和环境中自主学习和适应的智能体。迁移学习作为跨任务迁移的重要方法，帮助AI实现更强的泛化性和灵活性。在AlphaGo等成功案例的基础上，强化学习与迁移学习的结合为实现AGI提供了坚实的路径。尽管目前AI尚未完全掌握人类特有的抽象能力和泛化能力，但这些挑战正在逐步推动人工智能技术的进化，为实现通用智能的未来奠定了基础。

从早期的象棋程序到AlphaGo与AlphaGo Zero，人工智能在游戏中的表现已经从规则驱动转向了自我学习和策略优化。强化学习、深度Q学习、蒙特卡洛树搜索等技术在游戏中的成功验证了AI自主学习的潜力，也为其在现实世界中的应用提供了重要启示。随着AI技术的不断发展，我们有理由相信，AI将在跨领域迁移和复杂环境适应方面取得更多突破，逐步实现从游戏到现实世界的全面扩展。

强化学习作为一种通过奖励机制引导智能体自主学习的技术，在游戏中已展现出巨大的潜力。其核心在于通过状态、动作和奖励的交互关系，实现智能体在特定环境中的策略优化。然而，RL在现实世界应用中仍面临跨域迁移的挑战，尤其是当环境复杂度提高时，模拟学习的局限性愈加明显。尽管如此，随着技术的进步，RL在机器人、自动驾驶、金融市场等领域依然拥有广阔前景。未来，通过不断改进算法和优化智能体的适应性，强化学习或将实现其在现实世界中的更大突破。

随着人工智能技术在全球范围内的迅猛发展，人们在享受其积极影响的同时，也对其可能被滥用和缺乏透明度的问题日益关注。如何在保持人工智能的高效与积极用途的同时，保证其可信赖性与道德性，已成为不可回避的议题。本文将探讨人工智能伦理中核心问题的平衡，包括AI替代人类工作带来的利弊、当前人脸识别技术的偏见问题、AI研发是否应受到监管以及由谁来监管等，并分析如何在机器中建立符合人类伦理的价值观，从而构建值得信赖、有道德的人工智能。

近年来，深度神经网络（DNN）在从数据中学习的能力上取得了巨大的突破，在许多任务上甚至超过了传统的规则驱动型人工智能。然而，与一些媒体的夸大宣传不同，现有的深度学习模型距离真正的自主学习还有很大差距。深度学习与人类学习的方式截然不同，面临着对大量标注数据的依赖、过拟合和对抗样本的脆弱性等一系列难题。本文将探讨深度学习的局限性，分析其与人类学习的差距，并展望未来人工智能实现通用智能的可能路径。

令人意外的是，即便是顶尖的模型，识别盆栽植物依然是一个艰难的挑战，展现了视觉识别的某些独特难点。随着卷积神经网络在视觉和其他领域的成功，杨立坤也被Facebook挖走，成为Facebook人工智能实验室的负责人，推动了该公司的深度学习研究。这一现象反映了深度学习与计算硬件之间的相互促进关系，硬件的进步为深度学习的突破提供了基础，而深度学习的广泛应用又极大推动了硬件的发展。从LeNet到AlexNet，再到如今的各种深度学习应用，卷积神经网络不仅推动了计算机视觉的革命，也点燃了整个人工智能领域的“淘金热”。

卷积神经网络（Convolutional Neural Networks, ConvNets）尽管在近年来成为人工智能领域的一个重大突破，其实它的起源可以追溯到20世纪80年代，由法国计算机科学家杨立昆提出。杨立昆被誉为"ConvNets之父"，作为纽约大学的终身教授，同时也是深度学习三巨头之一，杨立昆为ConvNets的发展奠定了基础，并将它带入了人工智能和计算机视觉的核心位置。

在库兹韦尔的愿景中，人工智能的发展不仅限于计算能力的提升，还包括纳米技术、虚拟现实和“大脑上传”等领域的突破。他认为，大脑的复杂性主要源于其与复杂世界的互动，因此，人工智能也需要接受教育，以适应和理解复杂的环境。这表明，AI的发展不仅需要技术上的进步，还需要在教育和训练方面投入大量资源。库兹韦尔的思想在科技产业中产生了深远影响。然而，在追求技术突破的同时，我们也需要谨慎思考其潜在的社会和伦理影响，以确保科技进步真正造福全人类。这意味着，随着技术的不断积累和突破，进步的速度将越来越快，最终达到奇点。

因此，当人们期待超越人类水平的人工智能时，我们必须意识到，这样的目标远不只是技术突破的堆叠，而是一种更深层次的转变——从狭义智能到具有意识与理解的通用智能。想象一下，如果一台机器能够写出一首十四行诗或一段优雅的协奏曲，但它之所以能做到，是因为它感受到了人类的思想与情感，而不仅仅是符号的随机组合，那么我们才会真正承认它等同于大脑的能力。通用人工智能的实现不仅依赖于各项能力的存在，还在于如何将这些能力整合成一个有机的整体，让机器真正具备理解和学习的能力，而不仅仅是完成某个特定任务的能力。

反向传播的核心理念是，通过观察网络的输出结果与目标值之间的误差，算法能够从输出端向输入端反向追溯错误的源头，为每个网络中的权重分配合适的调整责任，从而优化整个网络的表现。联结主义认为，智能的关键在于构建一个合适的计算结构，而这种计算结构的核心在于单元之间加权连接的强弱关系。在神经网络中，知识并不像传统的符号人工智能方法那样，存在于明确的规则和符号中，而是“隐藏”在这些加权连接之中。在接下来的文章中，我将继续探讨深度网络和反向传播的更多细节，以及它们如何助力我们理解和应对现实世界中的复杂问题。

直接向GPT要求：另外创建一个Canvas继承无法加载的Canvas的内容，成功！用canvas编写了很长的内容，今天忽然发现无法加载，总是呈现加载中的图条样式。觉得是否因为缓存过大，但是重启浏览器，甚至重启机器后无果，删除浏览器缓存也无果。

人工智能（AI）领域的发展历程充满了波折，研究者们早已熟悉这一循环模式：首先是“人工智能的春天”，即技术突破和乐观预期的高峰期；接着，现实与期望的差距导致“人工智能的寒冬”，即投资减少和研究停滞的低谷期。令人惊讶的是，许多对人类而言轻而易举的任务，如理解日常语言、识别简单物体或进行常识推理，对人工智能来说却比诊断复杂疾病、在国际象棋和围棋中击败人类冠军，甚至解决复杂代数问题更具挑战性。这揭示了人类心智的独特性和复杂性。人工智能的研究不仅推动了技术的进步，也帮助我们更深入地理解人类自身的心智结构和功能。

符号人工智能的典型代表就是专家系统，这些系统通过预定义的规则和逻辑关系来解决特定领域的问题，其知识由对人类来说容易理解的单词或短语—即“符号”—及处理这些符号的规则组成。然而，正如哲学家伏尔泰所言“定义你的术语，否则我们将永远无法相互理解”所展示的人工智能的困境，人工智能的核心概念“智能”仍然是一个尚未明确的定义。深度神经网络结合了感知机的思想和联结主义的理念，通过多层神经元的结构，在大量数据的训练中逐渐逼近人类的认知水平。符号人工智能之后是亚符号人工智能的崛起，旨在从神经科学的角度捕捉无意识的思考过程。

图灵派的想法是，AI的极限是LI，而LI的极限则是II；同时，II的局部和具体化是LI，LI的局部和具体化是AI。相比之下，歌德尔派则认为没有构建智能的一般规律和方法，现有的规律和方法也不应成为第一性的，真正的本质在于动因和信念。此外，计算机“机器取代人”的例子也说明了广义的杰文斯悖论的成立：技术进步提高了人力资源的利用效率，但结果却是增加了社会对人力资源的需求，因为效率的提高往往导致生产规模的扩大。这种观点从物理符号系统的逻辑智能延展到联结主义的计算智能，对人工智能的研究和开发起到了主导作用。

突破可能需要融合东方哲学中的因明、中国的名辩思想以及西方的逻格斯，在更大的框架下超越旧有的输赢束缚。正如硅谷所信奉的，预测未来的最好方式就是创造它——也许人工智能的下一步是建立对这个丰富多彩、充满隐喻的世界的更广泛、融合性的理解。DeepMind的研究员沙恩·莱格预测，超越人类水平的人工智能可能会在2025年左右出现，而雷·库兹韦尔则设想，到2029年，智能机器将通过图灵测试，并在2045年迎来“智能爆炸”。人工智能的真正限制在于其依赖人类定义的目标——它依然只是服务于人类需求的工具。

不过实际装下来可能需要解决网络问题，版本问题，以及unsloth的conda安装问题等，需要具体问题具体分析。最近有本地训练的需求，转载一下找到的代码，尚在验证中，看演示不错。

UI采用open-web-ui，模型用Ollama管理，在局域网做成SAAS服务。注意，之所以是最低配置，纯粹因为公司申请花钱麻烦，所以有条件的话当然直接双GPU，A100走起，320GDDR4走起。"技嘉（GIGABYTE）C102G全景式 机箱熏黑钢化玻璃侧透兼容360/240水冷散热器。一些基础的注意事项包括，主板看是否支持14代CPU，版型是ATX还是MATX等，机箱需要匹配。考虑数据安全，又想用AI赋能企业内部的日常工作，答案只有一个，本地部署。电源要看瓦数，目前这个配置至少要750W以上。

ollama在构筑AI应用时是用于统一管理模型库的核心组成部分。默认存放ollama模型库的位置是C盘的用户文件夹的.llama-》model下。但是这样C盘很容易占满。好了，有没有办法改变ollama的默认模型存放位置呢？插一句话，越来越觉得不分区有不分区的方便。

ollama的pull命令可以直接pull ollama列表中现有的模型，但是ollama可以直接pull的模型大都是英语偏好（llama2有直接可以pull的chinese版本），而hugging face上则有大量多语种训练的模型，如果能直接使用hugging face上的gguf开源模型，那就自由多了，本篇介绍方法。

openWebUI是一个非常好用的AI框架项目，既可以用API形式连接各类外部AI模型，也可以直接连接服务器硬盘上部署的离线大模型。

本地LLM通信的能力需要做成局域网SAAS服务才能方便所有人使用。所以需要安装WebUI，这样既有了用户界面，又做成了SAAS服务，很理想。