Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

您可以提示 Copilot 在提供响应之前执行有针对性的搜索。 例如: "Search the internet for the most recent updates from Google Bard and summarize them in concise bullet points that are easy to understand." (“在互联网上搜索 Google Bard 的最新更新,并用易于理解的简明要点进行总结。”)

29,276 görüntüleme • 2 yıl önce •via X (Twitter)

9 Yorum

AI Will profil fotoğrafı
AI Will2 yıl önce

别管 ChatGPT 了,它的使用费用高达 20 美元/M。 使用 Microsoft Co-Pilot,您可以免费做更多事情。 接下来教您如何使用它🧵。(1/4)

AI Will profil fotoğrafı
AI Will2 yıl önce

1. 在 Edge 中访问 Copilot 您可以在笔记本电脑和手机上免费使用: - Windows → 打开默认安装的 Edge。 - macOS → 在 macOS 上安装 Microsoft Edge。 - Android → 从 Google Play 获取 Microsoft Edge。 - iOS → 从 App Store 获取 Microsoft Edge

AI Will profil fotoğrafı
AI Will2 yıl önce

要打开 Copilot,请单击笔记本电脑右上方或移动设备中央下方的图标。 您还可以选择最适合自己的模式。 下面教你如何操作。

AI Will profil fotoğrafı
AI Will2 yıl önce

2.免费使用GPT-4 Edge Copilot 由 Bing Chat 提供支持。 通过选择"Creative" mode(“创意”模式),您可以免费使用 GPT-4。 输入您的提示,Copilot 会将来自互联网的数据与 GPT-4 相结合,为您提供答案。

AI Will profil fotoğrafı
AI Will2 yıl önce

3. 总结和解释网页 Copilot 擅长将冗长的网页浓缩为简明扼要的摘要。 此外,它还是澄清陌生术语或概念的绝佳工具。

AI Will profil fotoğrafı
AI Will2 yıl önce

- 转到您想要的网页 - 点击 Copilot 图标 - 输入您的提示,指定您正在谈论的网页 提示: "Summarize this web page in 5 short bullet points, then explain the technical terms in simple words". ("用 5 个简短的要点概括该网页,然后用简单的词语解释技术术语"。)

AI Will profil fotoğrafı
AI Will2 yıl önce

4. 使用 Dall-E 3 生成图像 以 "创建图像:"开始提示,免费使用 Dall-E 3。 Prompt (e.g.): Create an image: a futuristic office room. (提示: 创建图像:一个未来派的办公室。) 您还可以对刚刚生成的图像进行修改。 Example: "Add AI in the office." (例如 "在办公室中添加人工智能"。)

AI Will profil fotoğrafı
AI Will2 yıl önce

Edge 还能让你打开 PDF 文件并在其中使用 Copilot。 您可以用它为AI提供数十页的上下文。

AI Will profil fotoğrafı
AI Will2 yıl önce

以上就是全部,原作者@eyishazyer 关注我@FinanceYF5,我每天都在探索和分享 AI。 点赞、评论和转发第一篇文章与您的朋友分享。

Benzer Videolar

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统,值得跟大家分享一下。 该系统每天帮我们筛选出几十个潜在客户,理论上能支撑一个 $30K+/月 的 B2B 业务。 在这个系统的工作流中,采用的是 Scrapeless 进行数据处理,它不仅能抓取 Google 数据,还能爬取指定网站并检索其子页面。 目前 Scrapeless 已在 n8n 平台上正式集成 ,搜索并选择相关节点即可配置使用。 工具地址: 以下是完整工作流步骤: ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索(Scrapeless Google):用行业关键词(如「软件公司」)发起 Google 搜索 2. 处理搜索结果:用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl: 提取每个公司网站的详细信息,确保数据全面。 4. 数据清洗 + 结构化:通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析:将清洗后的信息送进 Claude,分析并评分(如潜力评分、行业匹配度) 6. 线索筛选:利用 Filter 节点设定条件,只保留高评分、数据完整的客户。 7. 即时通知:配置 Discord 通知,团队第一时间接收到新线索推送。 大家可通过最下方链接查看此工作流的详细教程,或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具,以帮助优化数据采集过程。其中,Deep SerpApi 支持 20 多种 Google SERP 类型,如 Google Search、Google Trends、Google 航班/酒店等。 此外,基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力,支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用,能够大大节省成本。 详细教程:

GitHubDaily

73,758 görüntüleme • 1 yıl önce

Claude Code 最佳实践 | Code w/ Claude 大会 在 2025 年 5 月于旧金山举行的 Code w/ Claude 大会上,Anthropic 的技术团队成员 Cal Rueb 深入探讨了 Claude Code 的强大功能与最佳实践。 无论您是初次接触 AI 编程助理,还是希望将工作流程提升到新水平的资深开发者,本次演讲都将为您提供宝贵的见解。Cal 分享了他从一名重度用户到核心贡献者的亲身经历,并揭示了 Claude Code 背后 “行之有效的简单方案” 的设计哲学。 观看本次演讲,您将学习到: - 心智模型:如何像理解一位精通终端的同事一样理解 Claude Code。 - 内部工作原理:了解 Claude Code 作为一个纯粹的 AI 智能体,如何通过 “智能体式搜索” (Agentic Search) 来探索和理解您的代码库,而无需预先索引。 - 核心应用场景:从探索新项目、与 AI 结对编程、从零到一构建应用,到添加单元测试、撰写提交信息,甚至是进行大规模的代码库迁移。 - 最佳实践: - 如何利用 ` 文件为 Claude 提供关键上下文与指导。 - 高效管理权限,安全地加速您的工作流程。 - 通过集成 CLI 工具 (如 Git, Docker) 来释放 Claude 的全部潜力。 - 使用 `/compact` 等命令巧妙地管理上下文窗口。 - 高级技巧:学习如何同时运行多个 Claude 实例、善用 Escape 键进行干预,以及通过无头模式 (Headless Mode) 将 AI 智能体整合到您的 CI/CD 等自动化流程中。 - 最新功能:现场演示模型切换、工具调用间的 “深度思考” (Deep Thinking) 以及与 VS Code 和 JetBrains 的深度集成。 演讲者: Cal Rueb,Anthropic 技术团队成员 (Paul Jankura-ai)

宝玉

28,028 görüntüleme • 1 yıl önce

讲真的,现在的提示词网站都还有很大的优化空间: 大部分提示词网站以“堆量”为主,靠着上千上万的提示词数量来堆砌价值,内容很丰富,但也存在大量重复、低质的提示词出现 如果是自动爬取的帖子,还会出现提示词空档的情况,因为并不是每一个作者都会把提示词直接写在正文中,所以识别不到 在这样的网站想要使用提示词,往往需要经历以下几个步骤: 1️⃣翻了很久,终于找到自己想要的图片效果 2️⃣点进去后会出现几种情况 - 没有提示词,只能放弃或者去原帖中找 - 语言不通,看不懂提示词 - 复制的文本里有其他文案,需要手动删除 3️⃣折腾十分钟,终于把提示词处理好了 4️⃣打开gemini/第三方生图网站 5️⃣复制提示词进行生图 6️⃣运气不好,发现提示词效果根本不是作者提供的那样,卒 想要丝滑的把中意的提示词变成图片,基本做不到 直到我用了MeiGen,一个开源的项目,它可能是今年使用体验最丝滑的提示词网站 因为MeiGen不是传统的提示词网站,它不只是收录,而是解决了从提示词源到创作的整条链路 想要什么效果,只需要轻轻拖动画面到右侧,点击生成就结束了,从查看到生成,只需要两步 「拖动-生成」结束 1. 对于AI创作来说,保持心流状态是非常重要的,在MeiGen,你可以先收藏喜欢的提示词,不用担心找不到,在素材收集完成后进行统一的创作 2. 你可以上传参考图,或者把提示词翻译成中文再进行修改,这些都可以在MeiGen中一站式完成 3. 精选热门 AI 图片提示,这些都是已被证实能够生成高质量图片的提示词,由开发者亲自把关 4. 网站采用周更的节奏,保证提示词可用性和质量 想要享受丝滑的创作体验,来试试MeiGen吧:

骑司Chase

30,759 görüntüleme • 6 ay önce

我在MIT看到的Agent 新范式 今天在麻省理工学院的EmTech大会上,看到了一个让我重新思考整个AI agent领域的演示。 演示方是TinyFish,一家相当低调的公司。创始团队里有两位华人,获得了ICONIQ领投的近3.5亿元人民币融资,但在今天之前从未公开展示过他们的核心产品。 而他们正在做的事情,已经在为Google和DoorDash运行超过千万级别的web agent操作... 不是实验室demo,是真实的生产环境。 TinyFish产品能让 AI 能够像人类一样自动操作网页、完成企业级任务... 它可以在没有 API 的情况下,让 AI 自动跨网站读取、理解、操作网页,执行业务流程、采集数据、提交信息、监控变化。 从抓数据、比价格、做填表、查库存,到合规审查与动态定价,都能完成... 可以在几千个网站间实时操作、执行任务。 也就是可以以同时运行一千个ChatGPT Atlas ,然后不间断的,同样的答案运行一千万次... 一个被所有人忽视的事实 TinyFish的CEO Sudheesh在演示中分享了一个震撼的洞察: 现在市面上所有的AI agent,都只能操作5%的网络。 不是因为开发者技术不行,而是因为所有人都在基于搜索引擎构建agent。 而搜索这个范式,早就失效了。 搜索是怎么失效的? 我们来看一个最简单的例子:Amazon。 Amazon的每个产品页面都被Google完整索引,完全可以爬取。这是搜索引擎最理想的场景。 但当你在Amazon搜索"笔记本电脑"时会发生什么? 你会看到上万个结果。赞助商品、虚假评论、AI生成的描述铺天盖地。你翻了几页就放弃了,最后随便点一个"看起来还行"的,结账走人。 这不是Amazon的问题。这是搜索范式本身的问题:当数据量太大时,排名就失效了。 Google成功地索引了数百万Amazon页面,但这并没有让搜索变得更有用。Amazon自己建了搜索引擎,也没有解决问题。 网络变得太大了。即使是已经被索引的那部分,排名也已经无法工作。 搜索假设你想"找到"某样东西。但如果你需要"检查所有"东西呢?比较所有供应商?验证每一个选项?** 这时候,整个范式就崩溃了。 那剩下的95%呢? 更糟糕的是,刚才说的还只是那5%被索引的网络。 剩下95%的网络藏在哪里? - 需要登录的供应商门户 - 有身份验证的医疗系统 - 只能通过表单提交访问的政府数据库 - 需要多步骤导航的竞争情报 搜索引擎根本接触不到这些。不是技术问题,是架构问题。你无法爬取需要交互才能访问的内容。 所以我们面临两个问题: 1. 被索引的5%网络因为太大而失效 2. 95%的重要数据根本没被索引 两个问题的根源都一样:搜索这个范式假设人类会手动评估结果。当你需要全面的情报而不是排名选项时,它就失效了。 为什么现有方案都解决不了 你可能会想:RAG呢?更好的embedding呢?Browser agents 呢? 它们都解决不了 因为它们都继承了搜索的核心局限:假设你想"找到"某样东西,而不是"检查所有"东西。 当一个采购团队需要检查200个供应商门户的竞争定价时,排名帮不了你。 当制药公司需要在数千个研究站点匹配临床试验的患者资格时,检索帮不了你。 这不是"这项工作很繁琐我们想自动化"的问题。这是"这种分析在我们需要的规模上根本不可能完成"的问题。 从可读Web到可执行Web Sudheesh解释了他们的解决方案: 不是更好的搜索,而是操作性基础设施。 TinyFish构建的系统可以: - 登录认证系统 - 导航多步骤工作流 - 提取结构化数据 - 同时运行数十万个并行会话 这就是从"可读Web"到"可执行Web"的转变。 浏览器代理(比如OpenAI的Atlas)帮助个人更快地导航网站:一次一个会话,一个浏览器。 TinyFish 的 Mino: 👉 就像一个“AI工厂”,让公司自己创建、部署和管理这些“网页机器人(Web Agents)”。 Mino可在基础设施规模上运行数十万个并行会话,在需要人类团队数周时间完成的复杂工作流中保持准确性。 这不是自行车和摩托车的区别。这是自行车和货运网络的区别。 规模化的证明 这不是理论 TinyFish已经在为ClassPass、Google、DoorDash等公司每月运行3000万次操作。 ClassPass的例子很典型:他们需要聚合数万家健身工作室的课程。大部分工作室没有API,只有手动更新的预订网站。课程安排每天变化,价格因时间、地点和等级而异。 传统方法全部失败: - 人工录入:无法规模化,数据永远过时 - 爬虫:网站一改版就崩溃 - API对接:长尾永远不会开发集成 使用TinyFish后,他们的场馆覆盖率增加了3-4倍,成本降低了50%。 更具体的实际落地案例: 🏨 Google Hotels 日本许多酒店使用老旧系统,无法接入 Google 聚合平台 TinyFish 的代理能自动获取这些酒店的库存与价格; 无需 IT 改造,让 Google Hotels 实现实时更新。 实现 99% 的实时覆盖率 更新频率提升 20 倍 运行量超过 每月 1,000 万+ 操作 🛵 DoorDash 为每个城市部署 AI 代理,自动抓取竞争网站菜单、价格、促销 每小时更新、自动去重与异常检测; 与 DoorDash 内部数据系统自动对接。 每月收集数百万个定价变量; 用于动态调整价格、优化市场响应; 自动化 95% 市场数据采集; 提高预测模型精度 30%; 大幅降低人工调研成本(原来每月人工工时 1200+ 小时)。 这意味着什么 搜索在过去25年里运行得很好,因为网络足够小,人类可以手动评估排名结果。 现在网络太大了。即使是被索引的部分也变得无法管理。而95%的网络从来没被索引过。 接下来的范式不是更好的搜索或更智能的排名。而是能够在整个网络上导航、推理和提取的操作性基础设施:公开的和私密的,被索引的和未被索引的。 Agent功能的发展速度远超预期。短短36个月,我们就从"AI起草邮件"发展到了"AI运行完整工作流"。 TinyFish可能在企业规模的实际落地上已经领先了。 他们正在向开发者开放这个基础设施。如果你在构建需要大规模可靠性的agent产品,这可能是一个值得关注的早期信号。

小互

43,043 görüntüleme • 9 ay önce