【AIGC】AI工作流workflow实践：构建日报

优质文章学习记录

— 2 min read
【AIGC】AI工作流workflow实践：构建日报

workflow实践

  • 引言
  • 实现步骤分析
  • 实践
    • 创建 dify workflow 应用
    • 创建工作流内部节点
      • 1、设置输入字段
      • 2、创建两个LLM节点
      • 3、设置结束节点
    • 运行工作流
  • 结语

引言

工作流 workflow 是现在 LLM 很重要的一个概念，因为对于一个模型来说，非常复杂的问题很难一次性完美解决，而且可能需要很多别的辅助工具。而工作流就是将这些工具和模型组合起来，形成一个完整的解决方案。今天我们来做个工作流实践，帮助读者理解工作流。我们来构建一个帮助我们写日报的工作流。在帮助我们完成日报的填写的同时，我们需要它进行 AI 味的去除，免得出现别人一看就是 AI 写出来的文章的情况。

实现步骤分析

  1. 我们需要一个可以构建工作流的平台，这边我们选择 dify
  2. 我们需要模型根据我们提供的今天做的事情去自动生成日报

我们需要对刚才生成的文章进行 AI 味的去除

在这里插入图片描述

实践

创建 dify workflow 应用

进入 dify，创建一个 workflow，选择工作流，标题就写日报生成

在这里插入图片描述

创建工作流内部节点

1、设置输入字段

在开始节点设置一个字段接收用户的输入，这个节点我们设置为message

在这里插入图片描述

2

Read more

从GAN到ChatGPT：AIGC技术演进与实战应用指南

快速体验 在开始今天关于 从GAN到ChatGPT：AIGC技术演进与实战应用指南 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？ 这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。 从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验 从GAN到ChatGPT：AIGC技术演进与实战应用指南 技术背景：关键模型演进时间轴 2014年 - GAN横空出世 生成对抗网络(GAN)通过生成器与判别器的对抗训练，首次实现了高质量图像生成。核心突破在于：

GitHub Copilot学生认证指南：轻松获取两年免费Copilot Pro

快速体验 1. 打开 InsCode(快马)平台 https://www.inscode.net 2. 点击'项目生成'按钮，等待项目生成完整后预览效果 输入框输入如下内容 帮我开发一个GitHub Copilot认证辅助工具，帮助学生群体快速通过教育认证。系统交互细节：1.自动检测双重认证状态 2.生成标准化申请模板 3.模拟定位功能 4.材料预审提示，注意事项：需准备.edu.cn邮箱和有效学生证明。 认证核心要点解析 1. 双重认证是前提 2. 必须使用Authenticator应用完成2FA设置 3. 仅绑定手机号无法通过审核 4. 开发者工具显示Configured才算成功 5. 定位信息匹配技巧 6. 使用浏览器开发者工具修改定位 7. 需精确到学校建筑经纬度 8.

Intel GPU加速llama.cpp：SYCL后端完整配置与性能调优指南

Intel GPU加速llama.cpp：SYCL后端完整配置与性能调优指南 【免费下载链接】llama.cppPort of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 随着Intel Arc显卡在消费级市场的普及，越来越多的开发者希望利用Intel GPU来加速大语言模型的推理。llama.cpp作为当前最流行的开源LLM推理框架，通过SYCL后端为Intel GPU提供了强大的计算支持。本文将从实际使用角度出发，深入解析SYCL后端的配置要点和性能优化技巧。 为什么SYCL是Intel GPU的最佳选择？ 在llama.cpp的多后端架构中，SYCL相比传统的OpenCL具有显著优势。SYCL基于现代C++标准，提供了更简洁的编程模型和更好的编译器支持。对于Intel Arc显卡用户，SYCL能够充分利用Xe架构的硬件特性，在矩阵乘法等核心操作上实现更高的计算效率。 环境配置：避开常见的安装陷阱 正确安装Intel
【Model】【llm38】Llama API - 示例

【Model】【llm38】Llama API - 示例

案例目标 Llama API是一个托管的Llama 2 API服务，支持函数调用功能。本案例展示了如何通过LlamaIndex集成Llama API，实现基本的文本补全、对话交互、函数调用和结构化数据提取功能。Llama API为开发者提供了一个便捷的方式来使用Llama 2模型，无需本地部署，可以直接通过API调用模型服务，大大简化了使用流程。同时，该API支持函数调用功能，使得模型能够与外部工具和服务进行交互，扩展了应用场景。 环境配置 1. 安装依赖 安装必要的依赖包： %pip install llama-index-program-openai %pip install llama-index-llms-llama-api !pip install llama-index 2. 获取API密钥 要运行此示例，您需要从Llama API官网获取API密钥。 3. 导入库并设置API密钥 导入必要的库并设置API密钥： from llama_index.llms.llama_api import LlamaAPI