211 分钟深入解析ChatGPT等LLM
充分理解现代大语言模型架构,能够分析token、训练、工具和故障。
精选库
无需一次性浏览所有内容,即可观看最清晰的配套视频。选择一条路径,从上次停止的地方继续,或在知道需要什么时使用筛选器。
156 个结果
没有符合这些筛选条件的内容尝试不同的类别或级别,或清除筛选条件以查看所有内容。
211 分钟充分理解现代大语言模型架构,能够分析token、训练、工具和故障。
40 分钟在构建之前,评估实现模式、失败模式和防护措施。
190 分钟你可以使用类型化状态、条件路由、检查点和工具调用构建LangGraph智能体,并体会显式设计在哪些地方带来价值。
66 分钟你可以用“角色—目标—背景故事”风格搭建CrewAI团队,并判断其隐藏的执行循环与显式图结构相比如何。
15 分钟设计更简单的智能体循环,设置明确的停止规则、任务边界和人工控制点。
18 分钟在添加多个智能体、复杂提示或隐藏状态之前,识别常见的智能体构建陷阱。
66 分钟了解使用Cursor构建小型项目的完整新手工作流,包括设置、提示、调试、Git基础和AI辅助编程的局限。
5 分钟你可以说出让AI为你编写代码之前需要设定的三项防护措施,并理解每一项为何能防止特定故障。
31 分钟你可以搭建一个n8n支持工作流,使用基于RAG的回复回答工单,并将已解决工单反馈到知识库中。
231 分钟了解客户支持智能体在投入生产环境并进行强化之前,如何结合检索、升级处理与工作流工具。
37 分钟将工作流程转化为一个小型实用实验,并设置明确的质量检查。
10 分钟你可以根据真实职位描述,使用多提示词工作流程调整求职信开头并改写简历要点。
9 分钟使用AI准备联络沟通、面试和后续跟进,同时确保你的经历具体而真实。
17 分钟将主动回忆、练习题和AI讲解结合成一套可重复使用的学习流程。
22 分钟根据你的目标、日程和限制生成切实可行的学习计划,并随着学习进展进行调整。
13 分钟设计一套会议工作流程,在保留人工审核的同时,获取转录文本、摘要和行动项。
4 分钟将工作流程转化为一个小型实用实验,并设置明确的质量检查。
18 分钟使用ChatGPT解释公式并迭代调整电子表格逻辑,同时在Excel中验证每一项结果。
12 分钟了解电子表格AI如何将杂乱文本结构化并对数据进行分类,然后仔细核对公式和标签。
23 分钟了解一个长期延续的ChatGPT对话如何协助处理膳食计划、跑腿事项、旅行准备,以及其他低风险的生活事务。
48 分钟培养使用Midjourney编写提示词的直觉,同时分清经久不变的提示词概念和不断变化的界面控件。
48 分钟根据任务适配度、失败模式和成本比较图像生成器,而不是死记一份固定排名。
24 分钟设计一套由AI起草并流转工作、同时由人掌控策略、品牌语调和发布的营销工作流。
30 分钟在决定哪些工作流值得自动化之前,梳理当前营销工具的整体格局。
17 分钟建立一套具有明确审查边界的多智能体编码工作流,使生成的改动保持小规模、经过测试且责任明确。
90 分钟把AI用作针对结构、论证和修改的批判性编辑,同时不把自己的声音外包出去。
18 分钟你可以把Perplexity和NotebookLM串联成一套研究流程,先查找来源,再阅读并综合来源内容。
26 分钟你可以设置一个NotebookLM笔记本,并用它总结、提问和交叉参照自己来源中的长文档。
56 分钟为一项AI工作流建立投资回报率论证,其中包含基线、直接与间接收益、质量关卡和明确的停止决策。
26 分钟评估语音智能体适合嵌入销售工作流的哪些环节,以及信息披露、同意和升级处理会在何处成为阻碍。
30 分钟理解AI辅助对外销售背后的数据补全与个性化流水线,同时避免把自动化误当作质量。
11 分钟了解创建克隆声音之前需要重视哪些录音质量要求和同意边界。
16 分钟了解AI音频的主要工作流程类别:旁白、语音转语音、声音设计和声音克隆。
10 分钟根据是否需要来源、信息新鲜度和出错代价,在搜索、答案引擎与聊天机器人之间做出选择。
23 分钟研究多智能体新闻简报流水线,并确定来源、审批和故障处理应该放在哪些环节。
20 分钟你将掌握一套简明的提示词清晰度与迭代框架,以及适用于电子邮件、摘要和分析任务的完整模式。
25 分钟逐层加入角色、任务背景、示例、约束和输出格式,构建更有效的提示词。
42 分钟你将能够应用提示词编写的核心最佳实践,并在自己的工作中区分零样本提示与少样本提示。
20 分钟你将掌握由五部分组成的TCREI结构,并能把它作为一份可重复使用的检查清单,用于构建和完善自己的提示词。
24 分钟识别浏览器智能体的操作循环,了解它适合哪些场景,以及哪些环节仍需人工确认。
2 分钟在构建之前,评估实现模式、失败模式和防护措施。
11 分钟在构建个人文档助手前,了解NotebookLM基于资料来源的基本工作流。
26 分钟理解以个人资料来源为依据的工作流:收集文档、提出有明确范围的问题,并在信任回答前核实引用。
41 分钟围绕业务成果、数据控制、工作负载经济性、基础设施就绪度和运营责任,做出AI自研与采购决策。
29 分钟理解生成、评分、剪枝的推理模式,以及这些模式在实际工作中成本过高的情形。
25 分钟你可以在提示词中逐层加入角色、结构化章节和明确的思考步骤,而不会把思维链变成一种仪式。
11 分钟使用AI更快地起草电子邮件,然后从收件人的角度严格检验邮件的语气和清晰度。
26 分钟理解实时对话式语音为何与听写或传统语音助理给人的感受不同。
3 分钟快速了解多模态语音交互,尤其是打断、语气和能够感知摄像头画面的对话。
69 分钟在构建之前,评估实现模式、失败模式和防护措施。
24 分钟了解查询重写、混合检索、重排序和纠正循环如何融入同一条RAG流水线。
20 分钟在为敏感内部文档建立索引前,评估企业知识RAG的实用访问控制模式。
5 分钟理解与API原生自动化相比,基于截图的计算机操作为何既强大,又缓慢、昂贵且脆弱。
8 分钟判断浏览器或计算机操作智能体在承担运营风险的情况下,可能在哪些场景产生商业价值。
25 分钟使用OWASP LLM风险类别审查工具访问权限、输出处理和敏感数据暴露。
11 分钟区分直接提示词注入与间接提示词注入,并理解为何仅靠过滤还不够。
22 分钟应用写入、选择、压缩和隔离模式,有意识地管理智能体上下文。
8 分钟理解长上下文在存在歧义和干扰项时如何失效,并围绕这种风险设计测试。
19 分钟你可以根据真实工作负载,权衡缓存写入附加费与读取节省的成本,估算提示缓存何时划算。
56 分钟仅在稳定前缀、延迟和成本特征符合工作负载时使用提示缓存。
12 分钟将工作流程转化为一个小型实用实验,并设置明确的质量检查。
13 分钟了解项目级上下文,以及它在什么情况下比每次对话都重复相同背景更合适。
131 分钟将工作流程转化为一个小型实用实验,并设置明确的质量检查。
36 分钟有意识地配置个性化功能,避免把记忆、自定义指令和项目背景混为一谈。
22 分钟了解如何将深度研究和分析模式用于商业研究,而不只是学术文献研究。
14 分钟界定深度研究任务的范围,等待报告生成,再核实引用和来源质量后加以使用。
30 分钟将法案2025–2027年的分阶段期限映射到中小企业现在就必须安排的供应商证据和责任归属任务。
107 分钟掌握面向产品构建者的评估闭环:检查追踪记录、标注故障、定义标准、测试改动,并与人工判断进行比较。
3 分钟将工作流程转化为一个小型实用实验,并设置明确的质量检查。
55 分钟设计一套评估阶梯,在提示或模型变更触达用户之前捕获回归。
19 分钟了解生产团队如何分层结合断言、人工审核和大语言模型评判,让回归在发布前暴露出来。
42 分钟了解示例如何改变模型的行为,并学会判断何时值得投入额外准备来使用少样本提示。
25 分钟你将能够把示例放入更完整的提示词结构中,并预判它们会如何改变模型的输出。
157 分钟你将能够在大多数开发者已有的硬件上,端到端完成量化、LoRA和QLoRA微调。
59 分钟理解微调在完整训练流程中的位置,并判断它何时优于提示或RAG。
26 分钟构建第一个n8n AI智能体工作流,同时了解工具访问、记忆功能和防护边界各自应放在何处。
92 分钟将简单智能体扩展为包含记忆、错误处理和真实业务集成的多步骤工作流。
29 分钟你可以从头到尾创建自己的第一个Custom GPT,并判断哪些现有GPT真正值得加入你的工具箱。
44 分钟了解Custom GPT的指令、操作和知识文件如何相互配合,再将简单助手扩展到入门工作流程之外。
30 分钟在将AI加入业务流程前,理解触发器、操作和简单的自动化流程。
12 分钟判断何时应由AI智能体负责触发、推理和操作,而不是使用包含AI步骤的普通Zap。
15 分钟根据你当前的工作量判断ChatGPT付费方案是否有用,而不是购买听起来最令人印象深刻的档位。
131 分钟观察经验丰富的用户如何切换工具、模式和上下文策略,同时始终把验证纳入流程。
60 分钟建立一个去除神秘色彩的LLM思维模型,将其理解为具有上下文窗口、训练数据、采样机制和失败模式的预测系统。
17 分钟学会设计能够暂停、恢复、请求人工判断,并将业务状态与模型猜测分离的AI工作流。
18 分钟了解如何将审批关卡实现为明确的工作流检查点,而不是等问题发生后再进行非正式人工审核。
13 分钟了解集成式助手如何将电子邮件、会议和任务连接成一套可复核的工作闭环。
14 分钟找出实用的AI电子邮件操作:总结对话串、起草回复、调整语气并整理后续工作。
32 分钟运行一套项目优先的学习闭环,让AI只呈现完成真实成果所需的知识。
10 分钟把一个主题转化为包含讲解、练习题和可验证反馈闭环的学习计划。
14 分钟安装本地模型运行器,拉取一个小型模型,并在投入实际工作前理解隐私与性能之间的权衡。
6 分钟通过图形界面尝试本地AI,并比较小型模型与托管式前沿模型的表现。
20 分钟理解协议中的各项角色:宿主、客户端、服务器、工具、资源、提示词和传输机制。
16 分钟用浅显语言解释MCP带来的变化,并判断工具连接应该采用MCP还是更简单的集成方式。
104 分钟理解MCP如何融入智能体系统,而不仅仅是一个本地演示服务器。
75 分钟构建第一个MCP服务器,并理解工具、Schema、提示、资源和传输如何协同工作。
19 分钟在构建之前,评估实现模式、失败模式和防护措施。
29 分钟在构建之前,评估实现模式、失败模式和防护措施。
7 分钟区分短期记忆与长期记忆的设计决策,并判断智能体应在何时写入记忆。
44 分钟你可以用代码将情景记忆、语义记忆、工作记忆和程序性记忆接入智能体,而不只是说出这些类别的名称。
19 分钟比较旗舰、轻量、中档和专用模型,让路由决策基于任务适配度、成本和延迟,而不是品牌偏好。
9 分钟在增加编排复杂度前,评估模型路由在质量、成本和可靠性方面的权衡。
30 分钟确定每个工作流步骤应使用哪款AI工具,而不是强行用同一个聊天机器人完成所有任务。
14 分钟看完后,你会积累一批具体的使用场景构想,并了解每种场景最适合哪款工具,而不再默认把所有任务都交给同一个聊天机器人。
32 分钟学会在不削弱人对含义、语气、术语和最终审批的责任前提下,将AI引入本地化流程。
4 分钟理解多语言嵌入对私有内部搜索的重要性,以及本地检索可在哪些方面降低数据暴露风险。
10 分钟根据托管方式、AI智能体适配度、集成能力和维护方面的取舍选择自动化平台,而不是受产品炒作影响。
28 分钟将NotebookLM从摘要工具扩展为可重复使用的研究与学习工作流程。
35 分钟创建一个基于来源的研究笔记本,并将其转化为简报、学习指南或工作笔记。
9 分钟你将能够在LangSmith中浏览追踪、项目和数据集,并读取token成本、延迟、错误率和每个Span的详细信息。
154 分钟将追踪、评估、反馈和生产审核串联为大语言模型系统的运营循环。
93 分钟了解与聊天机器人的对话不会自动获得隐私、特权或安全保障,因此不适合透露敏感的业务细节。
13 分钟你可以说出生成式AI在工作中增加的三个风险面——数据、模型和使用方式——并说明每个风险面所需的管控措施。
11 分钟解释个人AI账户为何会带来职场数据风险,以及如何设定更安全的边界。
37 分钟将私有AI作为基础设施和治理决策来评估,而不是凭直觉在SaaS与自托管之间二选一。
69 分钟识别你自己的智能体最先可能遇到的失败模式,并提前为每一种模式规划测试、降级方案和停用标准。
17 分钟理解RAG进入受监管、高风险的企业场景后会出现哪些问题。
19 分钟在构建之前,评估实现模式、失败模式和防护措施。
13 分钟将提示词注入建模为不可信数据混合问题,并围绕工具调用设计边界。
17 分钟评审提示词注入防御措施,例如污点分析、输出形态限制、用户隔离、确定性设置,以及针对关键路径的冗余检查。
3 分钟在构建之前,评估实现模式、失败模式和防护措施。
28 分钟理解推理模型的提示词为何应明确问题、约束条件和成功标准,而不是要求模型展示思维链。
9 分钟将本文作为决策上下文,用于采用、风险、治理或投资选择。
13 分钟根据实际故障模式,在提示工程、RAG、微调或组合方案之间作出选择。
77 分钟了解生产环境提示工程师如何在真实压力下修改指令、示例和行为约束,而不是把提示当作一次性文本。
25 分钟观察一条模糊的保险理赔提示如何转变为结构化、可测试的提示,并获得更清晰的示例、输出规则和拒绝行为。
39 分钟在构建之前,评估实现模式、失败模式和防护措施。
16 分钟理解Microsoft风格的GraphRAG流程:实体抽取、社区、摘要与面向查询的综合。
10 分钟将C.R.A.F.T.结构用作可复用的元提示词,在整个团队提示词库中生成更加一致的提示词。
20 分钟将一次性提示词转化为可复用模式,并配上评估说明和迭代规则。
131 分钟学会在快速、低成本、深度推理和基于来源的工具之间分配任务,而不是凡事都使用同一个模型。
17 分钟了解一套可重复使用的结构化比较方法,以判断某个模型是否足以胜任任务。
7 分钟理解在基于PDF和混合文件格式构建RAG前,文档解析、结构保留和摄取质量关卡为何重要。
32 分钟理解为什么推理服务引擎、批处理和KV缓存内存主导着自托管推理的经济性。
14 分钟选择几个低风险的日常AI任务来测试提示词,并将结果与你自己的判断进行比较。
4 分钟你可以把摄像头用作输入,向ChatGPT展示手写作业,并获得辅导而不是被直接告知答案。
42 分钟评估垂直AI智能体何时能建立真正的防御力,何时只是一层薄薄的封装。
34 分钟围绕可衡量的成果而不是席位数量,评估AI产品的定价和专业化方向。
131 分钟以真实的日常用法为参照,学会判断何时应该追问、何时应该切换模型,以及何时应该开始一段新对话。
41 分钟你将能够解释严格模式提供哪些保证、它与旧JSON模式有何不同,以及拒绝处理如何融入结构化输出契约。
18 分钟理解为何Schema优先的大语言模型调用需要类型化对象、验证器、重试机制,以及对格式错误或虚构字段的显式处理。
8 分钟运用多种AI未来情景来规划应用,而不把公司的命运押在单一预测上。
60 分钟围绕工作流变革、能力建设和现实的组织风险来构建AI应用框架。
34 分钟更清楚地了解生成模型的实际工作方式,从而能够反驳把它们描述成垃圾内容制造器、魔法或偷窃工具的说法。
12 分钟你可以在AI争论中的末日论与乌托邦论之间提出清醒理性的中间立场,并知道哪些问题真正重要。
9 分钟你可以将任务、上下文、范例、人设、格式和语气组合成适用于日常办公任务的有效提示词。
26 分钟识别可复用的提示词模式,并将它们组合成更清晰的指令、示例和评估步骤。
6 分钟识别语音智能体的核心架构,以及真实通话中会影响客户信任的故障点。
36 分钟看完后,你会对当今AI擅长什么、局限在哪里,以及哪些机遇值得认真对待形成切合实际的认识。
8 分钟你能够用通俗语言解释大语言模型(LLM)如何预测下一个token,以及为什么把它称为加强版自动补全虽有道理,却并不完整。
19 分钟充分了解产品和模型系列的整体格局,从而选定一个起步工具,不再无休止地来回比较不同标签页。
10 分钟你能够说出四种幻觉,并在聊天机器人出错时辨认自己看到的是哪一种。
36 分钟无论模型的表达多么精致,你都能解释为什么一个经过训练、以预测看似合理的文本为目标的模型有时会编造事实。
90 分钟使用AI辅助研究、搭建结构和修订,同时由人掌控最终措辞和判断。
36 分钟认识ChatGPT的主要功能界面,从而有意识地探索,而不是随意点击。
39 分钟熟悉ChatGPT的使用方式,同时不把侧边栏中的每个新项目都当作第一天必须掌握的内容。
近期审核的视频以及 AI Expert 内容库中的配套推荐。