wxaiway的博客

很多大学最近对 DeepSeek 相关研究比较多，大家可以通过阅读大学研究文档，学习AI知识及判断未来 AI 方面发展趋势。

清华和北大分别都有关于DeepSeek的分享文档，内容非常全面，从原理和具体的应用，大家可以认真看看。

这 3 份手册分别从 DeepSeek 大模型概念、技术与应用实践、DeepSeek 大模型赋能高校教学和科研、DeepSeek 大模型及其企业应用实践-企业人员的大模型宝典几个角度进行全面分析，可以结合着清华、北大系列相互对照着学习。

总体来说，Claude提示词在保持专业性的同时展现人文关怀；构建多层防护体系不影响对话流畅度；根据场景在引导对话与跟随需求间智能切换。是非常值得学习的Prompt。　

PDF深入探讨了AI幻觉的概念、原因、评测方法及其实用应用，特别是在金融领域的具体案例。首先介绍了AI幻觉的定义，主要包括数据偏差、泛化困境、知识固化和意图误解四种情况，以及这些因素导致AI产出不合理结果的原因。随后，通过音乐类比来解释AI为何会出现幻觉，以及音乐和文本幻觉的区别。进一步，文章详细讨论了DeepSeek这一大模型在金融行业的应用，包括其如何帮助银行识别小微企业违约的隐性因素并设计相应金融产品，以及国信证券如何利用DeepSeek进行风险管理。此外，文章还提出了评测AI幻觉的方法，并通过实例展

1. 大语言模型在学术研究中有重要应用，如知识管理、应用认同等价值，但也存在结构性与能动性局限，可能引发学术伦理不端与研究者关键技能退化等问题。2. Open AI o3mini 可以直接调用 DALLE，高效绘制各类可视化图表，但部分图表可能出现数据错误或无法生成。3. 元知 A I 综述工具可以自动生成参考文献列表，并确保引用格式的统一性，但在学术规范方面存在一定不足。4. 大语言模型在自然语言处理领域取得显著进展，尤其是模型设计、训练技巧以及优化算法方面。

太卷了！清华大学这几天连续搞了几份PDF，把DeepSeek给大家讲透，同时也讲了大模型的通识及应用场景，大家可以认真读一下。

今天体验一把本地跑大模型，仅体验安装流程，并不是用实际生产。实际生产还是用 API 或网页版。部署DeepSeek依赖 Ollama，它是一个开源的 LLM（大型语言模型）服务工具，用于简化在本地运行大语言模型。　

V3 vs R1：如果你需要的是一个通用性强、知识面广的 AI 模型，V3 更适合你；而如果你需要的是具备强大推理能力和自我学习能力的 AI 模型，R1 则是你的不二之选。蒸馏小模型：如果你预算有限，或者需要在资源受限的环境中部署 AI，蒸馏后的小模型无疑是最佳选择。

《DeepSeek：从入门到精通》100页PDF，文章从不同角度进行分析，非常全面，分享给大家。

现在的大模型识别率非常高，利用音频转文本技术，我们可以轻松地将绘本中的英文内容提取出来。我找到了阿里云的Paraformer实时语音识别API，它有免费的额度可以使用。说干就干，我用这个API，1个小时就完成了RAZJ级别所有绘本的英文文章提取工作。　

手动发布视频到多平台（到视频号、小红书、抖音）的过程繁琐且耗时，作为本身就非常忙的我，肯定用自动化工具来简化这一过程。经过对比多个自动操作浏览器的工具，如 Puppeteer、Selenium 和 Playwright，我最终选择了 Playwright，原因很简单：使用 Python 进行开发，而 Playwright 的安装和使用都非常方便。

先展示古诗原文，再逐句解读，然后是译文，最后来个赏析总结。每个部分都用不同的图或视频做背景，就像给视频画好“蓝图”，观众跟着这个“蓝图”一步步走进古诗的世界。　

通过重新编写程序调用LLM（大型语言模型），我们可以批量生成译文、图片提示词、音频文案等，为视频制作提供基础素材。

怎么样与大模型进行有效的对话？这就涉及到我们是否表达清楚，大模型是否理解我们的意图和需求。我们向大模型表达的内容叫 Prompt（提示词），通过优化交流方式，可以提升模型的响应质量，进而得到更可靠的结果。所以说 Prompt 是与大模型对话的基石。　

想踏入AI的世界，却不知从何开始？别担心，这份指南为你整理了一条清晰的学习路径，让我们一起探索AI的奥秘。

提示词工程是与大语言模型沟通的桥梁，它是一门艺术，需要深入理解模型的能力和局限性，并根据不同场景灵活调整提示词设计。避免常见误区，比如提示词工程可以解决一切问题、一套提示词适合所有场景和模型、提示词越复杂越好、提示词的示例越多越好，掌握核心技巧，重视用户输入的质量，并不断调优提示词，是提示词工程成功的关键。