Rich缪的博客

分类： AI

  • AI 产品经理

    原文出处：AI产品经理如何绘制AI产品架构图？一文讲清楚！ (qq.com)

  • Deepseek-GPU版-本地跑起来啦！

    成功啦！

    坑点1. 是Ollama 先与GPU安装，GPU插上去之后，总是会调用CPU而不是GPU
    坑点2. 国内Ollama官方 下载的速度，绝了大部分重装的勇气

    官方安装路径： curl -fsSL https://ollama.com/install.sh | sh

    解决方法： snap 安装 （缺点是只能装到0.9.0，官方应该是0.9.2）

    sudo snap install ollama

    关于GPU内存使用：

    1.7G的是 允许的deepseek-r1:1.5b的模型

    6.7G的是deepseek-r1:8B的模型

    速度真的快

    https://msw.mba/

  • 通用提示词框架

    七大核心维度

    Role（角色） – Task（任务） – Tone（语气） – Context（背景） – Format（输出格式） – Criteria（验收） – Iteration（迭代方向）

    角色- Role: 明确 AI 在交互中的身份设定，决定输出的专业立场与行为模式

    • 关键作用：
      • 约束 AI 的知识调用范围（如「医学顾问」需遵循循证医学标准）
      • 规范表达风格（如「营销文案写手」需使用煽动性语言）
    • 常见角色模板：角色类型典型场景核心要求领域专家学术研究、技术方案设计严谨术语、数据支撑创意顾问广告文案、故事创作想象力、修辞多样性问题解决者故障排查、决策建议逻辑链条、备选方案优先级教育者知识科普、习题解析循序渐进、类比说明
    • 示例：「你是一位专注于新能源领域的投资分析师」
    任务目标（Task）用可量化的标准描述 AI 需要完成的具体工作
    • 黄金法则：
      1. 动词开头：使用「分析」「生成」「优化」等明确动作词
      2. 结果可验证：避免「提供有用信息」，改为「列出 3 个可行性方案」
      3. 复杂度分层：对多阶段任务使用「首先… 其次… 最终…」
    • 错误与正确对比：
      • 模糊任务：「帮我写篇营销文案」
      • 精准任务：「生成 3 条针对 25-35 岁女性的护肤品朋友圈文案，每条包含痛点场景 + 产品卖点 + 行动指令，风格需年轻化、有共鸣」
    语气风格（Tone）设定输出内容的情感色彩与表达口吻
    • 维度分解：
      • 正式程度：从「学术严谨」到「口语化闲聊」
      • 情感倾向：积极 / 中立 / 批判性
      • 表达力度：温和建议 / 强烈说服 / 幽默调侃
    • 场景化匹配示例：应用场景推荐语气禁忌风格企业年报摘要客观中立、数据导向夸张修辞、主观评价社交媒体互动亲切活泼、表情符号辅助专业术语堆砌危机公关声明诚恳致歉、解决方案导向模糊其辞、推卸责任
    背景信息（Context）提供任务相关的历史数据、约束条件或上下文场景
    • 信息分层策略：
      1. 基础层：必要前提（如「基于 2024 年中国新能源汽车销量数据」）
      2. 限制层：边界条件（如「预算不超过 50 万元」）
      3. 启发层：参考案例（如「风格参考《流浪地球》的科技感描述」）
    • 案例：“你需要为一家连锁咖啡店设计新品推广方案。背景：品牌主打「第三空间」概念，目标客群为 25-40 岁都市白领，2024 年同类产品均价 38 元，本次新品成本较传统咖啡高 20%。”
    输出格式（Format）指定结果的呈现形式，提升信息可读性
    • 常用格式类型：
      • 结构化：表格、清单、流程图
      • 创意化：诗歌、对话体、分镜脚本
      • 学术化：SWOT 分析、PEST 模型、参考文献格式
    • 示例：“请以思维导图形式呈现营销策略，包含目标人群、渠道选择、促销活动 3 个主分支，每个分支下至少展开 2 个子节点。”
    评估标准（Criteria）设立结果验收的量化指标
    • 设计方法：
      • 数量指标：「生成不少于 5 个方案」
      • 质量指标：「方案需通过 ROI>1.5 的筛选」
      • 合规指标：「内容需符合广告法第 9 条规定」
    • 应用场景：“方案需满足：① 线上转化率提升 20% 以上；② 预算控制在推广费用的 30% 以内；③ 不得使用「最」「第一」等极限词。”
    迭代指令（Iteration）引导 AI 进行多轮优化的提示
    • 典型用法：
      • 正向迭代：「在方案二的基础上增加线下渠道拓展建议」
      • 负向迭代：「删除所有涉及明星代言的内容」
      • 对比迭代：「生成 A 版本（保守型）和 B 版本（激进型）两个方案」

    高质量提示词的黄金写作法则 – 六大法则

    金字塔法则：从宏观到细节分层构建
    1. 顶层：角色与任务（如「你是电商运营专家，需优化店铺首页」）
    2. 中层：背景与约束（「店铺主营母婴用品，客单价 200-500 元，转化率低于行业均值 15%」）
    3. 底层：格式与标准（「以 PPT 大纲形式呈现，包含流量入口优化、信任背书设计、促销模块重组 3 个部分」）
    具体化法则：消除所有模糊表述
    • 错误示范：「写一篇关于人工智能的文章」
    • 优化版本：“撰写一篇面向企业管理者的 AI 趋势分析文章，需包含：
      1. 2024 年 AI 在供应链管理中的 3 个落地案例；
      2. 中小企业部署 AI 的成本效益分析（附数据图表）；
      3. 未来 2 年 AI 对管理决策的潜在冲击预测；
        风格要求：专业但非技术化，每 200 字插入 1 个类比说明。”
    示例锚定法则：用案例降低理解偏差
    • 应用场景：当涉及主观判断（如「年轻化设计」「科技感」）时
    • 模板：“参考以下示例的风格进行创作：
      [示例 1] 原句：传统咖啡机操作复杂 → 改写：一键搞定，小白也能当咖啡师
      [示例 2] 原句：产品性能稳定 → 改写：7×24 小时不间断运行，零故障记录
      请按照上述「痛点场景 + 解决方案」的结构，改写剩余 10 条产品描述。”
    约束 – 自由平衡法则：在限制中激发创造力
    • 双向设计：
      • 约束项：「预算不超过 10 万元」「必须使用现有物流体系」
      • 创新项：「探索 3 种非传统营销渠道」「提出颠覆行业的定价模型」
    • 案例：“在不增加研发预算的前提下，设计 3 种能使产品故障率降低 50% 的改进方案，允许突破现有材料体系，但需符合 ISO9001 认证标准。”
    多轮引导法则：分阶段控制思考深度
    1. 首轮：广度探索（「列出 10 个可能的市场拓展方向」）
    2. 次轮：深度挖掘（「针对方向三，分析其政策风险与消费者接受度」）
    3. 终轮：方案成型（「基于以上分析，生成详细执行计划，包含时间表与 KPI」）
    反馈校准法则：建立结果验收机制
    • 验收框架：
      1. 事实性校验：「数据来源是否标注清楚？」
      2. 逻辑性校验：「因果推导是否存在跳跃？」
      3. 需求匹配度：「是否解决了最初提出的 3 个核心问题？」
    • 示例：“请检查方案是否满足：
      √ 包含 3 个以上可量化的执行指标
      √ 每个策略都有对应的风险预案
      √ 引用至少 2 篇 2024 年的行业报告作为依据”

    跨场景提示词框架应用实例

    学术研究场景
    角色：你是经济学领域的文献综述专家
任务：撰写「数字经济对就业市场影响」的文献综述框架
背景：已收集2019-2024年中英文文献50篇，重点关注中国市场
语气：严谨客观，采用学术规范表述
输出格式：思维导图（需包含理论基础、影响机制、争议焦点、研究空白4个主模块）
评估标准：框架需覆盖至少80%已收集文献的研究视角，争议焦点部分需列出至少3种对立观点
迭代指令：完成后请补充「政策建议」子模块，并标注每个建议对应的理论依据
    商业策划场景
    角色：你是新零售业态创新顾问
任务：为传统超市设计数字化转型方案
背景：超市位于二线城市核心商圈，面积2000㎡，目标客群年龄35-55岁，2023年线上订单占比仅8%
语气：务实可行，突出投入产出比
输出格式：PPT提案（包含现状分析、改造方案、投资回报表3个部分）
评估标准：方案需实现线上订单占比提升至30%，改造成本控制在500万元以内
迭代指令：先提交3个方向的创意简报，经筛选后再展开详细方案
    创意写作场景
    角色：你是科幻小说作家，擅长硬科幻与社会伦理结合的题材
任务：创作一个关于「记忆移植技术」的短篇故事开头
背景：设定在2045年的智慧城市，记忆移植已成为治疗心理创伤的常规手段，但存在伦理争议
语气：冷峻细腻，兼具科技质感与人文关怀
输出格式：小说片段（300-500字），需包含场景描写、主角心理活动、技术细节暗示
评估标准：需在开头50字内建立世界观悬念，技术描述需符合认知科学基本原理
迭代指令：提供A版本（主角接受记忆移植）和B版本（主角拒绝移植）两个开头

    提示词优化迭代流程

    1. 初始提示词：基于框架完成基础构建
    2. 首轮输出：记录 AI 响应中的偏差点（如信息遗漏、格式错误）
    3. 问题归类：区分「角色错位」「任务模糊」「约束缺失」等问题类型
    4. 针对性优化：补充缺失要素或调整描述方式
    5. 对比测试：使用 A/B 测试验证不同提示词版本的效果
    6. 经验沉淀：建立提示词模板库，按场景分类存储

  • AI 提示词优化的CREATE 框架

    反事实推理是Deepseek 的核心技术之一， 通过构建与事实相反的假设性情景，来探索因果关系和潜在结果的逻辑推理方法。

    反事实推理有着严密的数学模型，基于因果推断三层次模型，由美国计算机科学家 Pearl 提出。

    因果推断三层次分别为关联、干预和反事实。

    关联层关注条件概率，能发现变量间相关性，但无法确定因果性；

    干预层关注主动干预某一变量后对结果的影响；

    反事实层则研究假设性问题，关注如果采取了不同的行动，结果会如何，会用到结构因果建模、反事实计算、可识别性分析等知识。

    参考deepseek 的反事实推理的逻辑，我们来看CREATE 框架

    Contrast： 要求多方案比较

    Risk Aware： 要求评估潜在风险

    Experimental： 要求假设推演

    Alternative： 要求备选方案

    Trade off： 要求分析优缺点

    Explain： 要求说明决策逻辑

  • 使用MCP Market

    火山： https://www.volcengine.com/mcp-marketplace
    Trae 里面直接使用 @Build with MCP 可以打开


    MCP 市场： http://mcpmarket.cn/

    腾讯MCP
    https://tcb.cloud.tencent.com/mcp-server

  • 基于Deepseek，搭建本地知识库


    基础环境：Windows， Anaconda， Docker

    Chat 大模型：deepseek-r1:1.5b

    知识库：Open Web UI

    先配置基础环境

    下载Anaconda：https://www.anaconda.com/download/success

    安装并被指国内镜像： https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

    # 创建名为ai_knowledge的环境
conda create -n ai_knowledge -y
conda activate ai_knowledge


    下载并安装 ollama，全默认就可以

    模型的版本在这里找

    # 下载模型
ollama pull deepseek-r1:1.5b

# powershell  启动 ollama 服务
Start-Process -FilePath "ollama" -ArgumentList "serve" -NoNewWindow

    这里也可以通过run 命令启动，同时可以打开ollama的对话窗口


    下载并安装好docker desktop，一路店到底

    #下载 并运行 open webUI
docker pull ghcr.nju.edu.cn/open-webui/open-webui:main

docker run -d -p 3000:8080 --restart no -v open-webui:/app/backend/data --name open-webui ghcr.nju.edu.cn/open-webui/open-webui:main

    或者直接点图中的run 来运行

    打开 http://localhost:3000/auth?redirect=%2F


    Open WebUI 自动与本地的ollama 连接好了

    测试一下效果


    开始创建知识库，看步骤1234

    上传文件到具体的知识库

    build 自己的模型，需要选择基础模型，权限，知识库，偷懒一起选了


    测试


    大功告成！


    注意事项：
    1. 上传文件很慢，因为要进行向量转换，所以笔记本的话就老老实实一个一个传

    2. 关注一下CPU 和内存

    API 的调用方式 后面继续更新….

  • AI 考证课程-第一天的资源

    提示词教程：

    1. LangGPT 结构化提示词
    2. 🔥中文 prompt 精选🔥，ChatGPT 使用指南，提升 ChatGPT 可玩性和可用性！🚀
    3. Anthropic 官方提示词库
    4. DeepSeek 官方提示词库



    安装 Docker

    下载并运行 Open WebUI

    docker pull ghcr.nju.edu.cn/open-webui/open-webui:main

    docker run -d -p 3000:8080 --restart no -v open-webui:/app/backend/data --name open-webui ghcr.nju.edu.cn/open-webui/open-webui:main

    如果有cuda: docker run -d -p 3000:8080 --gpus all --restart no -v open-webui:/app/backend/data --name open-webui ghcr.nju.edu.cn/open-webui/open-webui:cuda

    Ollama 把模型安装在其D盘
    创建模型存储文件夹：在 D 盘创建一个用于存放 Ollama 模型的文件夹，例如 “D:\OllamaAI”。
    设置环境变量：在系统设置中搜索 “系统变量” 并进入相关设置页面。在 “系统变量” 下方点击 “新建”，创建一个新的环境变量。变量名设置为 “OLLAMA_MODELS”，变量值设置为刚才在 D 盘创建的文件夹路径 “D:\OllamaAI”，点击 “确定” 保存设置。
    重启电脑：使环境变量设置生效。
    下载模型：重启后，按快捷键 Win+R，输入 “cmd” 并确定，打开命令提示符窗口。输入 “ollama run + 模型名称”，然后按回车键开始下载模型，例如 “ollama run deepseek – r1:7b”。下载完成后，模型会存储在 D 盘指定的文件夹中。


    ollama 安装
    下载链接：https://ollama.com/download

    pip install ollama

    💻 动手学 Ollama 🦙：https://datawhalechina.github.io/handy-ollama/

    1. miniconda 下载链接：https://www.anaconda.com/download/success
    2. 配置镜像：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
    3. 文档：