👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

🤖 AI全流程动画「剪刀石头布2」，以及幕后制作解析

BV1oV41137Vr

BV1SG411Z77M

油管知名博主 Corridor Crew 用AI工具 Stable Diffusion、虚幻引擎（制作场景）等工具制作了动画电影「剪刀石头布2」，并释放出了非常详细的幕后制作解析。视频在B站已经获得了将近50万的播放和近千条评论 ⋙ B站 | 幕后制作解析

🤖 字节推出首个大模型独立 App「豆包」

https://www.doubao.com

8月16日，字节推出了首款AI对话类应用「豆包」，用户可以在线体验，也可以下载安装安卓客户端使用。据悉，这款产品是字节内部代号 Grace 项目的落地成果，目前具有文本生成和图像生成的能力。用户可以与默认的几个AI角色开展问答、聊天，还可以训练出自己的自定义AI伴侣。

总体来说，「豆包」的出现标志着字节正式进军AI生成内容领域。在百度、阿里等科技巨头纷纷推出自家AI产品的今天，字节终于迎头赶上 ⋙ 了解解读

🤖 钉钉推出面向个人用户的AI工具「钉钉个人版」

https://workspace.dingtalk.com/welcome

8月16日，「钉钉个人版」正式启动内测，所有人都可以访问上方链接申请加入测试，并可以快速通过。获得体验资格的用户可以免费体验「钉钉个人版」的各类AI服务，比如文生文、文生图、角色化对话以及AI创作等。

据悉「钉钉个人版」没有已读/打卡等功能，而是以人工智能为核心的一站式AI工具合辑，让用户通过自然语言对话，能够完成提问、绘画、制作数字分身等目标，类似于 ChatGPT + Midjourney + Notion AI 等各类大模型能力的 ⋙ 了解详情

🤖 系统论述：构建高性能 Prompt 之路 - 结构化 Prompt

「结构化 Prompt」是一种组织 Prompt 的新方法，它使用层级结构来组织 Prompt 中的内容和形式。通过这种结构化的方式，可以让 Prompt 的逻辑更加清晰，上下文信息更加一致，也更容易激发语言模型的深层理解能力。

这是一篇非常优秀的长文，完整地介绍了「结构化 Prompt」是什么，主要的优势，以及如何写出一个高质量的结构化 Prompt。尤其值得肯定和收藏的是，文章最后给出了一些结构化 Prompt 的模板示例，供大家参考借鉴。以下是文章结构，感兴趣可以阅读原文：

1. 什么是结构化 Prompt

2. 结构化 Prompt 的优势

• 优势一：层级结构：内容与形式统一

• 优势二：提升语义认知

• 优势三：定向唤醒大模型深度能力

• 优势四：像代码开发一样构建生产级 Prompt

3. 如何写好结构化 Prompt

• 构建全局思维链

• 保持上下文语义一致性

• 有机结合其他 Prompt 技巧

4. 结构化 Prompt 对不同模型的适用性

• 结构化 Prompt 的开发工作流

• 结构化 Prompt 的局限性

• 结构化 Prompt 的相关文章汇总

5. 结语

6. 【附录】结构化 Prompt 高质量模板

• LangGPT 中的 Role (角色) 模板

• LangGPT 中的 Expert (专家)模板

• 即友 李继刚 的公文笔杆子模板

• AutoGPT Prompt 模板参考

• Mr.-Ranedeer-AI-Tutor Prompt 模板参考 ⋙ GitHub | 知乎

🤖 llm-action：大模型实践总结

作者自己在探索大模型相关的一些技术，在这篇文章中进行了比较系统的总结，并计划按照季度进行更新【GitHub更新很频繁】。目前是23年7月版本，内容涉及AI集群、AI集群通信、大模型训练（参数高效微调）、大模型推理加速、大模型评估、大模型生态相关技术等相关内容，并对之前写过的一些大模型相关的文章进行了汇总。

注意！相关文档及配套代码均整理并放置在GitHub！以下是内容框架，长文值得收藏和仔细阅读研究：

LLM训练

• LLM训练实战

• LLM参数高效微调技术原理综述

• LLM参数高效微调技术实战

• LLM分布式训练并行技术

• 分布式AI框架

• 分布式训练网络通信

LLM推理

• 模型推理加速

• 模型推理服务化

LLM压缩

• LLM量化

LLM算法架构

LLM应用开发

LLM国产化适配

LLM生态相关技术

服务器基础环境软件安装 ⋙ 知乎阅读 | 微信阅读

🤖 妙鸭相机的爆火，带给想做产品的技术人员的一些启示

这篇文章的视角很新颖！作者早于「妙鸭」做出了类似产品并因为技术原因搁置了。妙鸭的爆火给了技术出身的作者非常大的冲击，也因此有了这篇回顾和复盘文章。

所有的故事起源于去年底 Lensa 推出的新功能——根据用户上传的自拍照，生成不同风格艺术形象的魔法肖像功能。Lensa 的瞬间爆火给原本专注技术研发的作者带来了启发，并用了不到一周的时间开发出了类似的小程序。

但是因为发现产品存在很多难以解决的问题，大概率不会成功，因此搁置了。但是，仅仅三两个月后，国内出现的类似产品「妙鸭相机」瞬间火爆全网，达到了令人难以想象的用户规模。以下是作者复盘的三个要点，值得至少认真读三遍：

1. 太重视技术门槛，想做别人没法复制的东西

技术人员做产品时，总是首先考虑技术门槛，想要做一些别人难以复制的东西。但这往往导致忽视用户需求，在技术死胡同里越走越远。像妙鸭这样轻应用，其技术实现相对简单，但却能火爆全网。这说明真正的核心竞争力不在技术本身，而在产品设计。

2. 想要的太多太全，不懂 less is more

技术人员倾向于开发大而全的产品，实现各种功能。但作者认为这反而表明没有清晰的目标用户和定位。产品应该简单直接，解决一个核心痛点。妙鸭只做了一个功能，但恰恰因此打穿用户需求。

3. 不会产品运营和流量增长

技术人员最缺乏的就是产品运营思维。光有好的技术和产品还不够，如果不懂流量运营，很难取得爆发式增长。作者认为技术团队需要配备产品和运营人员，这也是后续的发展 ⋙ 知乎阅读 (评论区很棒) | 微信阅读

🤖 Cohere LLM University：大语言模型 (LLM) 系列教程

LLM University (LLMU) 是一个由 Cohere 创建的在线课程平台，专注于教授自然语言处理和大型语言模型 (LLM) 的知识和技能，旨在为学习者奠定NLP的坚实基础，培养开发自己应用程序的能力。

LLMU提供了理论和实践相结合的完整学习体验，适合任何对NLP感兴趣以及想利用语言AI构建应用的学习者，包括ML初学者、开发者、有经验的NLP从业者等。

第一模块 - 大型语言模型

• 文本嵌入 (Text Embeddings)

• 相似性计算 (Similarity Between Words and Sentences)

• 注意力机制 (The Attention Mechanism)

• Transformer模型 (Transformer Models)

• 语义搜索 (Semantic Search)

• 大型语言模型总结 (Conclusion - Large Language Models)

第二模块 - 文本表示

• 文本分类模型 (Classification Models)

• 评估指标 (Classification Evaluation Metrics)

• 设置 (Setting up)

• Classify接口 (The Classify Endpoint)

• Embed接口 (The Embed Endpoint)

• 数据可视化 (Visualizing Data)

• 使用嵌入进行语义搜索 (Semantic Search Using Embeddings)

• 使用嵌入进行聚类 (Clustering Using Embeddings)

• 使用嵌入进行分类 (Classification Using Embeddings)

• 自定义表示模型 (Creating Custom Representation Models)

• 语义搜索深度剖析 (A Deeper Dive Into Semantic Search)

• 话题建模 (Topic Modeling)

• 多语言语义搜索 (Multilingual Semantic Search)

• 多语言情感分析 (Multilingual Sentiment Analysis)

• 文本表示总结 (Conclusion - Text Representation)

第三模块 - 文本生成

• 什么是生成式AI (What is Generative AI?)

• 提示工程 (Prompt Engineering)

• 使用案例构思 (Use Case Ideation)

• Generate接口 (The Generate Endpoint)

• 自定义生成模型 (Creating Custom Generative Models)

• 链式提示 (Chaining Prompts)

• Cohere的Command模型 (Cohere’s Command Model)

• 文本生成总结 (Conclusion - Text Generation)

第四模块 - 部署

• 使用Streamlit部署 (Deploying with Streamlit)

• 使用Databutton部署 (Deploying with Databutton)

• 使用Amazon SageMaker部署 (Deploying with Amazon SageMaker)

• 使用FastAPI部署 (Deploying with FastAPI)

• 使用Google表单部署 (Deploying on Google Sheets with Google Apps Script)

• 部署Chrome扩展 (Deploying as a Chrome Extension)

• 部署总结 (Conclusion)

第一附录 - NLP和机器学习基础

• NLP历史 (History of NLP)

• NLP应用 (Applications of NLP)

• NLP中的文本预处理 (Text Pre-Processing in NLP)

• 文本转向量 (How to Convert Text Into Vectors)

• NLP的过去机器学习方法 (Past Machine-Learning Methods of NLP)

• 构建分类器 (How to Build a Classifier)

• 评估分类器 (How to Evaluate a Classifier)

• NLP总结 (Conclusion - NLP)

第二附录 - 构建应用

• 应用案例 ⋙ LLM University

🤖 收藏！这应该是目前最全的 LangChain 资源库 (之一)

本文主要内容是一个LangChain资源库，里面罗列了大大小小很多个基于LangChain框架的优秀项目，包括低代码、服务、代理、模板等工具类，还有像知识管理、聊天机器人等开源项目，还包括像视频、文章等AI学习资源。

GitHub仍在建议持续更新中，目前已经 4500 Star~ 非常值得收藏！以下是内容板块，内容非常丰富：

LangChain框架 (LangChain Framework)

其他语言的移植 (Ports to other languages)

工具 (Tools)

• 低代码 (Low-code)

• 服务 (Services)

• 代理 (Agents)

• 模板 (Templates)

• 平台 (Platforms)

开源项目 (Open Source Projects)

• 知识管理 (Knowledge Management)

• 其他 / 聊天机器人 (Other / Chatbots)

学习 (Learn)

• 笔记本 (Notebooks)

• 视频播放列表 (Videos Playlists)

其他LLM框架 (Other LLM Frameworks) ⋙ GitHub

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！