这是网信中心第一期知识分享与培训的最后一篇文章啦！时间过得真快，在这几周里，我们一同探索了诸多有趣且实用的内容，非常感谢大家一路相伴，坚持跟着完成了这天的学习之旅。今天是最后一天，我们想给大家提供一个自由发挥创造力的空间，希望大家能够结合之前所学到的内容，进行综合性的实践运用。你可以尝试将多个知识点融合起来, 来解决自己的实际问题. 例如: 将期末…

之前我们所做到的都十分简单, 用户给出输入, 我们得到 AI 输出的文字内容. 但很多情况下我们需要利用 AI 输出的内容进行多次操作 今天我们尝试使用 Dify 来搭建一个简单的工作流, 让 AI 能够根据用户给出的简单提示生成一张图片 确定需求和流程 首先我们先确定好我们的需求: 我们需要获取到用户的输入 将用户的输入进行处理, 剔除掉无用的指…

注意: 此小节可能会需要你的电脑有较高的配置 我们之前所使用的是在线的大模型，通常情况下这需要我们给这些模型提供商支付费用，并且需要稳定的网络连接。而本地部署大模型则可以解决这些问题，让我们能够在没有网络的环境下使用大模型，同时也能更好地保护数据隐私。今天我们将介绍如何使用 LM Studio 来本地部署大模型。 简介 LM Studio LM S…

提示攻击是一种利用 LLM 漏洞的攻击方式，通过操纵输入或提示来实现。与传统黑客攻击（通常利用软件漏洞）不同，提示攻击依赖于精心设计的提示，欺骗LLM执行非预期的操作。 提示攻击的主要类型 提示攻击主要分为三种类型：提示注入、提示泄露和越狱。 提示注入 (Prompt Injection)：是将恶意或非预期内容添加到提示中，以劫持语言模型的输出。提…

Adversarial prompting是提示工程中的一个重要主题，它可以帮助我们了解LLMs的风险和安全问题。同时，它也是一个重要的学科，可以识别这些风险并设计技术来解决这些问题。 社区已经发现了许多不同类型的对抗性提示攻击，这些攻击涉及某种形式的提示注入。我们在下面提供这些攻击的示例列表。 在构建LLMs时，保护免受提示攻击非常重要，因为这些…

传统的 LLM 模型存在着局限性，它们犹如被困在 “知识孤岛” 上，依赖静态训练数据，无法获取实时信息，尽管存在 RAG 这样的知识库，也难以执行具体操作，这在很大程度上限制了其实际应用价值。为了突破这一瓶颈，一种创新的解决方案应运而生 -- Model Context Protocol，即 MCP（模型上下文协议）。它宛如一座连接 AI 与现实世…

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与生成式AI的技术，旨在解决大语言模型（LLM）在知识时效性、准确性和领域专业性上的不足。其核心逻辑是：在生成回答前，先从外部知识库中检索与问题相关的信息，再将这些信息作为“参考资料”输入模型，辅助生成更精准、可靠的内容。 通用模型对垂直领域（如医…

链式思考（CoT）提示 图片来源：Wei等人（2022） 在 Wei等人（2022） 中引入的链式思考（CoT）提示通过中间推理步骤实现了复杂的推理能力。您可以将其与少样本提示相结合，以获得更好的结果，以便在回答之前进行推理的更复杂的任务。 提示： 这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。A：将所有奇数相加（9、15、1）得到2…

零样本提示 如今，经过大量数据训练并调整指令的LLM能够执行零样本任务。我们在前一节中尝试了一些零样本示例。以下是我们使用的一个示例： 提示： 将文本分类为中性、负面或正面。文本：我认为这次假期还可以。情感： 输出： 中性 请注意，在上面的提示中，我们没有向模型提供任何示例——这就是零样本能力的作用。 指令调整已被证明可以改善零样本学习Wei等人（…

我们已经在昨天了解了在线大模型的一些参数的意义, 接下来我们要真正开始写代码来调用了. 使用普通客户端 我们这边使用 Cherry Studio 来作为客户端 我们下载后进行安装, 如果出现了下面的提示, 我们点击 Yes/是 之后如果出现这个页面, 现勾选, 再点击红框 我们全程下一步, 安装 之后我们需要去申请一个 API Key 前往 链接地…