正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

微软推出了 GitHub Spark：一种原生 AI 工具，可以完全用自然语言构建应用程序。Spark 是功能完备的微应用，能够集成 AI 功能和外部数据源，而无需管理云资源。用户通过一个创造性的反馈循环，从初始的提示词开始构建，实时预览应用开发过程，轻松查看每项请求的不同选项，并自动保存每个迭代版本，方便在过程中进行版本比较。需要申请waitlist：

宝玉

195,402 subscribers

63,998 次观看 • 1 年前 •via X (Twitter)

科学技术教育新闻政治

Anya Rossi• Live Now

Private livecam show

5 条评论

Tony出海号的头像

Tony出海号1 年前

Github事实上有很大的空间，比如学习velcel那样把部署环节补上，能带动aws。另外AI微应用（Claude artfacts）的开发和部署有很多想象。

Shawn 的头像

Shawn1 年前

想问一下宝玉老师，视频的字幕是用啥工具做的？

宝玉的头像

宝玉1 年前

FYI

Roy 的头像

Roy1 年前

Github 开始追赶了。马上申请

zzzzzzoo00oo 的头像

zzzzzzoo00oo1 年前

@readwise save thread

相关视频

这个人展示了如何在短短 8 分钟内使用 Claude 创建移动应用。这是一个非常直观的教程，他演示了如何利用 AI 从零开始构建出一个功能完备的应用，过程循序渐进，毫无复杂之处。如果你正在学习 AI，这一定会让你感兴趣。

这个人展示了如何在短短 8 分钟内使用 Claude 创建移动应用。这是一个非常直观的教程，他演示了如何利用 AI 从零开始构建出一个功能完备的应用，过程循序渐进，毫无复杂之处。如果你正在学习 AI，这一定会让你感兴趣。

Bill The Investor

57,924 次观看 • 5 个月前

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 次观看 • 2 年前

哈佛CS50课程节选：如何构建基于GPT-4的应用上一节介绍了什么是GPT-4，这一节则是基于GPT-4可以构建什么样的应用，以及如何构建。这部分课程介绍了GPT-4可以构建的各种类型的应用，包括不限于： - 助手应用：GPT可以用于创建AI助手，帮助完成写作、编程或回答问题等任务。通过结合专业领域知识和用户的喜好，还可以对这些助手可以进一步定制。 - 文档问答系统：GPT可以用于构建基于上下文、对文档的问答系统。 - 实用功能：GPT可用于自动化需要基本语言理解的任务，如生成单元测试、查找文档、重写功能或检查品牌一致性。 - 创意创作：GPT可以用于在各个领域生成想法、可能性或建议，包括写作、营销和研究。通过将GPT的生成能力与专业领域的知识相结合，用户可以创建更有针对性和相关性的输出。 - Baby AGI或多步计划机器人：GPT可以放入一个循环中，与自己对话并指导自己的行动，从而创建一个基于一组工具和目标的自主执行任务或生成结果的自主代理。通过这个教程，可以大概了解GPT能做一些什么事情，以及背后的原理是什么。上一节什么是GPT-4：完整课程视频地址： edX:

哈佛CS50课程节选：如何构建基于GPT-4的应用上一节介绍了什么是GPT-4，这一节则是基于GPT-4可以构建什么样的应用，以及如何构建。这部分课程介绍了GPT-4可以构建的各种类型的应用，包括不限于： - 助手应用：GPT可以用于创建AI助手，帮助完成写作、编程或回答问题等任务。通过结合专业领域知识和用户的喜好，还可以对这些助手可以进一步定制。 - 文档问答系统：GPT可以用于构建基于上下文、对文档的问答系统。 - 实用功能：GPT可用于自动化需要基本语言理解的任务，如生成单元测试、查找文档、重写功能或检查品牌一致性。 - 创意创作：GPT可以用于在各个领域生成想法、可能性或建议，包括写作、营销和研究。通过将GPT的生成能力与专业领域的知识相结合，用户可以创建更有针对性和相关性的输出。 - Baby AGI或多步计划机器人：GPT可以放入一个循环中，与自己对话并指导自己的行动，从而创建一个基于一组工具和目标的自主执行任务或生成结果的自主代理。通过这个教程，可以大概了解GPT能做一些什么事情，以及背后的原理是什么。上一节什么是GPT-4：完整课程视频地址： edX:

宝玉

172,688 次观看 • 3 年前

Replit 发布Replit Agent AI应用开发助手 0 基础编程用户也能开发程序 Replit Agent ，可以让你即使你不会编程，也可以快速创建应用。你只需要描述你想要的应用，AI 就会帮你自动处理复杂的步骤，从设置开发环境、编写代码、甚至部署到网上。一气呵成... 而且，你可以随时查看和修改 AI 生成的代码，学习编程的过程。它还支持手机使用。详细：

Replit 发布Replit Agent AI应用开发助手 0 基础编程用户也能开发程序 Replit Agent ，可以让你即使你不会编程，也可以快速创建应用。你只需要描述你想要的应用，AI 就会帮你自动处理复杂的步骤，从设置开发环境、编写代码、甚至部署到网上。一气呵成... 而且，你可以随时查看和修改 AI 生成的代码，学习编程的过程。它还支持手机使用。详细：

小互

13,346 次观看 • 2 年前

拿到了 GPTEngineer 的内测权限测试了下确实很牛P GPTEngineer：AI 开发工程师几秒钟内创建一个网站并可一键部署发布你只需输入简单的文本提示，应用程序便能在几秒钟内生成网页应用的原型。支持与 GitHub 的双向同步。并且支持一键将程序部署到生产环境中。可以在开发过程中即时修改和调整代码。AI 会自动检测并修正开发中的错误。详细介绍：

拿到了 GPTEngineer 的内测权限测试了下确实很牛P GPTEngineer：AI 开发工程师几秒钟内创建一个网站并可一键部署发布你只需输入简单的文本提示，应用程序便能在几秒钟内生成网页应用的原型。支持与 GitHub 的双向同步。并且支持一键将程序部署到生产环境中。可以在开发过程中即时修改和调整代码。AI 会自动检测并修正开发中的错误。详细介绍：

小互

39,785 次观看 • 2 年前

兄弟们，这个好啊吴恩达 Andrew Ng 推出了一个AI 编程入门课程不需要你有任何AI或者编程知识纯小白、傻白甜也行... 这是一门面向零编程基础学习者的入门课程，帮助你通过最简单的“自然语言提示”与 AI 协作从想法出发，在 30 分钟内完成以后可运行的 Web 应用 ✅ 学会无需编程构建可运行的 Web 应用 ✅ 掌握与 AI 协作开发的基础方法 ✅ 理解AI 生成代码的最佳实践 ✅ 即时成果：学员能在课程中直接看到运行结果 ✅ 框架可迁移：学完后能用于构建其他类型应用 ✅ 还能获取课程结业证书

兄弟们，这个好啊吴恩达 Andrew Ng 推出了一个AI 编程入门课程不需要你有任何AI或者编程知识纯小白、傻白甜也行... 这是一门面向零编程基础学习者的入门课程，帮助你通过最简单的“自然语言提示”与 AI 协作从想法出发，在 30 分钟内完成以后可运行的 Web 应用 ✅ 学会无需编程构建可运行的 Web 应用 ✅ 掌握与 AI 协作开发的基础方法 ✅ 理解AI 生成代码的最佳实践 ✅ 即时成果：学员能在课程中直接看到运行结果 ✅ 框架可迁移：学完后能用于构建其他类型应用 ✅ 还能获取课程结业证书

小互

70,215 次观看 • 8 个月前

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Kuse Workflow：AI生成工作流操作简单，功能强大。能力覆盖n8n的全部能力，有丰富的应用生态。但使用比n8n简单的多的多，不需要接触复杂的节点配置，通过语言描述需求，AI就能自动创建稳定可复用的工作流。工作流支持定时执行，支持事件触发执行。下方视频是我的一个自动化工作流：每天早晨8点自动从Reddit AI相关板块采集用户对AI产品的吐槽和诉求，从中提炼AI产品的需求点，并且自动写到我的Notion文档里。

Gorden Sun

10,160 次观看 • 3 个月前

$🚀Anthropic 悄无声息地推出了一项功能：Agent Teams 让 Claude 在 Claude code 内构建自己的 AI 代理团队! 该功能改变了传统的上下级 AI 架构，允许 Claude 构建一个同级代理团队。这些代理可以共享任务列表、直接互相发送消息并审查彼此的工作，实现类似于真人团队的协作模式。在演示中，一个由 QA 工程师、前端开发者和后端开发者组成的 3 人团队展示了这一能力。 QA 代理发现 3 个错误后，直接向前后端开发者发送反馈。开发者修复问题后，应用程序在一轮测试中即成功上线。该功能在 Claude Code v2.1.32 及更高版本中可用。以下是开启方法与运行规则： 1. 启用方法确保版本符合要求。在 settings.json 中添加以下配置： "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } 或者将此内容粘贴给 Claude 并说明“添加到我的设置中”，随后重启。 2. 提示词设定使用纯英文进行提示。开始时需要设定一个明确的目标（代理启动时没有上下文）。提示词示例："使用 Sonnet 创建一个 3 人团队"，并详细描述每个角色的职责、交付物以及完成后需要联系的下一个代理。 3. 运行规则 - 每个代理拥有自己的独立文件。 - 必须定义确切的输出。 - 指定明确的通信链路（谁与谁交谈）。 - 团队规模建议保持在 3-5 个代理。 4. 适用场景与限制该功能适用于有独立部分且可以并行运行的复杂工作。对于简单或顺序任务，不建议使用该功能，因为团队协作会消耗 3-4 倍的 Token。$

🚀Anthropic 悄无声息地推出了一项功能：Agent Teams 让 Claude 在 Claude code 内构建自己的 AI 代理团队! 该功能改变了传统的上下级 AI 架构，允许 Claude 构建一个同级代理团队。这些代理可以共享任务列表、直接互相发送消息并审查彼此的工作，实现类似于真人团队的协作模式。在演示中，一个由 QA 工程师、前端开发者和后端开发者组成的 3 人团队展示了这一能力。 QA 代理发现 3 个错误后，直接向前后端开发者发送反馈。开发者修复问题后，应用程序在一轮测试中即成功上线。该功能在 Claude Code v2.1.32 及更高版本中可用。以下是开启方法与运行规则： 1. 启用方法确保版本符合要求。在 settings.json 中添加以下配置： "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } 或者将此内容粘贴给 Claude 并说明“添加到我的设置中”，随后重启。 2. 提示词设定使用纯英文进行提示。开始时需要设定一个明确的目标（代理启动时没有上下文）。提示词示例："使用 Sonnet 创建一个 3 人团队"，并详细描述每个角色的职责、交付物以及完成后需要联系的下一个代理。 3. 运行规则 - 每个代理拥有自己的独立文件。 - 必须定义确切的输出。 - 指定明确的通信链路（谁与谁交谈）。 - 团队规模建议保持在 3-5 个代理。 4. 适用场景与限制该功能适用于有独立部分且可以并行运行的复杂工作。对于简单或顺序任务，不建议使用该功能，因为团队协作会消耗 3-4 倍的 Token。

Lonely

19,888 次观看 • 3 个月前

#AI开源项目推荐：photoshot 开源 AI 头像生成器 Web 应用程序，包含了完整的网站、AI的API调用、支付等功能，即使你不做同类应用，如果你想做类似的收费AI项目，可以帮你节约很多前期开发工作。技术栈： ▲ Next.js： Web 应用程序 🖼 Chakra UI ：UI 组件的 📦 Prisma：数据库 ORM 🧠 Replicate：一个运行机器学习模型的云平台 💰 Stripe：Stripe 支付 👩‍🎨 Stable Diffusion：开源文本到图像生成模型

#AI开源项目推荐：photoshot 开源 AI 头像生成器 Web 应用程序，包含了完整的网站、AI的API调用、支付等功能，即使你不做同类应用，如果你想做类似的收费AI项目，可以帮你节约很多前期开发工作。技术栈： ▲ Next.js： Web 应用程序 🖼 Chakra UI ：UI 组件的 📦 Prisma：数据库 ORM 🧠 Replicate：一个运行机器学习模型的云平台 💰 Stripe：Stripe 支付 👩‍🎨 Stable Diffusion：开源文本到图像生成模型

宝玉

128,566 次观看 • 3 年前

介绍一个AI图表生成和美化应用Graphy。生成的图表非常漂亮，而且不用自己手动创建，用自然语言输入需求之后他会自动创建对应的图表。同时也支持对你上传的数据进行分析，给出对应的结论。做PPT必备家人们。这里使用：

介绍一个AI图表生成和美化应用Graphy。生成的图表非常漂亮，而且不用自己手动创建，用自然语言输入需求之后他会自动创建对应的图表。同时也支持对你上传的数据进行分析，给出对应的结论。做PPT必备家人们。这里使用：

歸藏(guizang.ai)

108,777 次观看 • 3 年前

卧槽，以后开发原生 App，可能真的不需要先准备移动设备了。 Dactyl 让你直接在浏览器里用自然语言描述需求，AI 生成 SwiftUI 代码，并通过 WASM 模拟器实时预览和操作。从界面开发、功能调试，到摄像头、登录、支付等能力验证，都可以在浏览器中完成。确认效果后，再扫码安装到真实设备，或提交到应用商店。这一切打开浏览器就能开始。

卧槽，以后开发原生 App，可能真的不需要先准备移动设备了。 Dactyl 让你直接在浏览器里用自然语言描述需求，AI 生成 SwiftUI 代码，并通过 WASM 模拟器实时预览和操作。从界面开发、功能调试，到摄像头、登录、支付等能力验证，都可以在浏览器中完成。确认效果后，再扫码安装到真实设备，或提交到应用商店。这一切打开浏览器就能开始。

Vince 聊开发

55,656 次观看 • 25 天前