如果 ai 可以自主浏览网页,会怎样?从新工具中学习,甚至在 read it 中滚动查看不良信息?这听起来可能有些疯狂,但是现在有一个全新的 ai 模型出现了, 它被称为格瑞拉。它或许是迄今为止我们离通用人工智能奥迪最接近的东西。格瑞拉可以根据你提供的任务或问题,为你找到合适的 a p i 调用。 首先,在生成 a p i 调用方面,格伊拉要比其他语言模型更加准确可靠。它超越了 g p t 四在编写 a p i 调用方面的性能, 并且它还可以联网。这是 g p t 思索不具备的。比如说,如果你告诉 girlila, 你想预定从纽约到巴黎的航班,并且希望知道八月份最便宜的日期。它会使用 api 与像 expedia 或皮华艇这样的旅游网站进行联系。这只是 girlila 可以帮助你的一些基本 事情,但他可以做的远不止如此。如果你是开发人员或研究人员,想在自己的项目中使用格瑞拉,你会发现他非常容易上手。此外,你还可以使用格瑞拉的 spotlight 搜索功能。这是一个基于 web 的界面,允许你搜索任何任务或问题, 并得到相应的 api 调用,而且错误也明显减少了。可以说,格瑞拉就像是教 ai 如何钓鱼。他不是直接给 ai 鱼, 而是赋予 ai 使用工具解决问题的能力。这种创新的方式无疑为我们带来了更多探索人工智能的可能性。引人入胜又令人着迷。想象一下 ai 在未来可能会做些什么,这真是令人兴奋。
粉丝96获赞856

我们现在呢是可以在 oppo ai 的官网上看到全部的啊可用的这一些大模型组了啊。那么这个 ppt 当中是给出了一个连接,大家直接点进去啊,就能够看到目前 oppo ai 提供的全部的可用的啊大模型或大模型组 相关的一些说明。比如说啊,他会告诉你啊,有 gpt 四这样的一个模型。当然这个模型呢,后面有一个啊,这个内侧啊,有这个系有限制的这样的内侧的这样这个标志。那么它代表的含义是目前呢 gpt 四这个模型你要么是付费啊,可以使用 chat gpt plus 这个版本来进行对话,或者是你通过申请可以获得 gpt 四 api 啊来进行使用啊,它呢是这样的一个情况。 下面还有 g p t 三点五啊,这个呢是一个模型组啊,它有一系列这样的模型。再往下呢,有达利大模型, whisper 大模型, embeddings 模型对吧?啊, moderation 审查模型, gpt 三还有 codex 模型啊, codex 模型后面还有一个这个七用这样的标志。总的来说,对 oppo n i 来说,现在呢总共它的这个模型呢,是可以划分成这么多些类啊,你会发现确实这个在线大模型组非常的丰富啊。 那么同时呢,我们说这些模型大多数只是一个模型组的这样的一个标志。真正的如果你想去看你能够调用哪一些模型的话,那么啊你可以 在个人账户的啊这个全部可用的 api 的那样的个页面能够看到你现在总共有多少种不同的模型啊,可以来进行使用。大家同样也可以点击啊,我们现在这个 ppt 在这个右下方这个链接进去看一看。 那么啊,呃,你点到这个页面之后,你会发现现在可用的 open ai 的 api 呢,会非常非常的多啊,有 几十个不同的 a p i 啊。那么为什么 a p i 会如此之多啊?其实也是因为我们上面看到的这些模型呢,很多呢都是一些模型组,那么一组模型背后呢,可能会有非常非常多的一些 执行细分功能的模型在它背后。那么这个时候呢,如果你要去调用某一个模型的话,它一那么一般来说,一个模型背后呢就会有一个 a p i。 所以基本上你看到这么多不同的 a p i, 你就可以把它 类似的理解成为 open i。 实际上现在对用户开放的或者你能使用的就有这么多种啊,不同类型的模型。

也是介绍过啊,阿里的这个通一千万的这个模型,他啊,他这个最大的特色呢,就是他对这个 api 的这个调用,他的这个能力啊,他要超过 gd 四的这样的一个能力 啊,它对工具的这个选择的这个能力,它要超过啊,超过一些一些主流的一些模型,你可以看到它这个 g p t 四,它的工具选择的准确性,它只有百分之九十五, 但是通一千分这个七 b 的模型的话,他准确性可以上升到百分之九十九,他大概率都是会对的啊,那而且他错误选择之不到百分之十啊,那像 gd 四的话要百分之十五啊, gg gpd 三点五的话要达到百分之七十五啊,所以这个通一千分这个模型,他对这个工具的使用 选择,让那个大模型跟其他的 a p i 结合,这个方面的能力是非常强的啊,所以我们今天来讲一下这个方面的一些功能啊,好,我们看看啊。啊,这个代码我已经已经用了 一下啊,这个也是通过他的这个,他的这个商铺的这个例子啊,啊,稍微改了一下啊,给大家看一下啊,他这个例子里面呢,他的工具的话呢,他会有四个啊,四个啊,有一个搜索啊,有一个数学方程式计算啊,数学公式计算的这样的一个工具的增强 啊,还有一个啊,查询论文的这个 api 啊,还有一个是拍审这个代码的这个自我的运行啊,他有这样四个工具啊,我主要是测一下这个啊,因为其他这个两个,这两个是要有 api 的这个支持的,就像你要有一,他是有收费的 api 的 key 啊,如果你没有的话,你可能就做不了啊,他这个事情啊, 拍摄他因为他这个环境要拍摄三点九版本啊,所以我这个也没跑起来啊,我这个是三点八的,所以我主要撤几个给大家看一下啊,他大概是怎么跑的?首先呢肯定还是要定义这个工具啊,这个定义这样一个工具,你要 告诉他这个工具是干嘛的啊?这个这个工具的名称是什么啊?他这个里面会讲啊,如果你要去,你要去回答一些,要去搜索到里面要去搜索一些 ai、 a, r x i v 的这样一个文档的话,你就可以利用这样一个工具啊,它的这个参数啊,它主要是输入一个字符串的这样一个参数啊。 啊?他的 a p i 主要是这样的啊,他会介绍一下,他的 a p i 主要是这表这个函数,他等于是这样。好,我们可以看一下是他的这个工具的模板啊,因为他用一个 reaction 的这样的一个提示的工程啊,他这个提示工程,他主要是经历这四个阶段,就是问题要去思考,要去行动,要去观察,再要去思考 啊,最后去回答这个问题啊,他要经过这几个步骤啊,他要经过这样几个步骤,要去判断这个模型目前是处于什么样的一个阶段, 然后要做一个什么样的动作,他在这个里面循环,循环完了之后,他最后去根据你这个问题去回答,他主要是做这个啊,这个主要是 beau 的这个提示工程的啊,这个里面会讲啊,你用些什么工具,对吧?你要回答一些什么问题?你要做一些什么事啊?他这个这个里面 提示工程,提示工程的话就把这个里面前面那些东西把它给录入进来,他主要做这样一件事情,他只要做一个 reaction 的这样一个提示模板,他的核心就是 构建这个提示模板这部分代码,他主要是装载啊通一千万的这样的一个七币的这样一个模型啊,因为我本地已经下载了,所以我要他要下载一下啊,啊,装载模型完了之后,这个地方的话呢,他主要是要去就要去调用啊,调用这样的一个帕拉格印的这样的一个 api 啊,然后他调用完了之后 要去分析分析这个 plug in 的那个参数到底是什么?掉哪个 plug in, 然后掉的参数是什么?它主要是做这样一件事情, 那么他会根据这个反馈这个模型反馈的这个 action 和 action input 和观察到的这个数据去调这个,调这个参数,调这个 plug in 的一些参数啊,这个地方就用这个 plug in 啊,就调用这个 a p i, 它主要是, 那么这个是主函数的话呢,它主要是把上面所有的这些东西给串起来啊,那么首先他会根据你这个问题和你选择的工具,他首先要去做一个计划啊,要做前面这个东西就做啊,问题思考、观察行动,对吧?观察最终答案,他要做这样一个 计划,计划完了之后,他会根据他的这个观察到的这个情况去做这样的一个反馈,他会把这个结论会拿到啊,他会根据这个反馈的这样的一个东西是最终去回答输出这个啊,那么我呢,就简单的,他这个问题,就是编号是这样的一个论文,他讲了些什么啊?如果你用大 模型的话,因为他是缺乏这个方面的知识的啊,他是不知道这篇论文的啊,所以的话呢,他会选择这样一个工具啊,备选的工具注视,把它注入进去啊,这个是他的反馈的情况啊,你可以看到啊,这个 answer for in question for best you, 这个就是提示工程,然后 他会把这个工具给输入进去啊,然后这个参数到底是什么,对吧?返回的是一个 jason 的格式,他会跟你讲的啊,然后 follow some, 这个是 format, 他是根据这个问题输入的这个问题,思考这个就是提示模板前面的提示模板,提示工程里面 啊,他这个问题是这个,他的反馈又来了,他思考这个模型,思考是我需要调这样的 a p i 来获取这个论文的信息,他就去调了啊,调的这个参数,他也准确的捕捉到了啊,他观察到的这个信息啊,那他的这个 publish 的时间对吧?他的这个标题 对吧?他的作者,他的 summary, 他的摘要是什么?他拿到这个信息了之后,他认为他可以去回答这样一个问题了,所以他最终的答案是啊,这篇论文是研究的是一个什么东西,对吧?他的摘要是什么?这个 还是蛮蛮好的,假设我的问题就是输入一个,你好啊,他会不会会用这个工具呢?那么这也是一样的,他这个提示工程,提示模板啊,他会看一下啊,他会告诉你 啊,这个回答概问题的帮助比较小,我将不使用这个工具直接回答,然后他的最终的回答是,你好,很高兴见到你他的事情啊,所以这个我们也可以反映出啊,他他的这个工艺千万的这样的一个模型啊,他可以通过这些工具的定义, 他可以通过工具去增强他的这个模型的这种能力啊。他,呃,如果他觉得他需要有必要用工具的时候呢,他就会去用啊,去把这个利用这个工具的这个能 把一些内容,能够能够获取到这个 contex 这个上下文里面,他根据大模型的这个上下文里面的内容去最终去回答你这个问题啊,他只是一种方式,另外一种的方式,他可能觉得,呃,回答这个问题不用这些工具也是可以的,那么他就不不会用这些工具就直接的去回答你这些问题啊 的话,这个通一千分的这个能力,我,我上次也是介绍过啊,他这个能力就会非常强,他这个模型是七 b 的一个模型,但他可以通过工具的这个使用的这个工具的赋能, 可以干更大模型的事啊。在这个 luncheon 里面,它其实也定义了啊,各种各样的工具啊,你可以把这个工具跟这个模型 集成在一起,然后去告诉他,当然你可以定制开发一些你自己的工具,用这些工具跟这个模型的结合,能够做出一个非常智能的这样的一个机器人出来啊,他不但可以回答你各种各样的问题,对吧?他也可以结合你的本地知识库啊,去做这样一些事情啊, 当然他也可以去做,就是是呃,利用你这个工具去拓宽他各种各样的能力,他等于说,呃,你这个工具他比如说是环境控制啊,你这个工具是调用一些 api, 你这个工具是那个查询数据库里面的一些结构化的一些数据啊,他其实都是可以作为一些增强的, 你这个模型跟其他的这个外部的工具能够做到一个非常好的支持啊,这样我们清楚之前恰的 g p t 它是有这方面的能力的啊,它是可以调用外部工具啊,它会可以去告诉你,你可以去调一些外部工具去增强恰的 g p t 的这个能力的。那么目前看这个独立部署的像 通一千问的这样一个模型,它也能去掉这个 a p i, 去掉外部工具去增强这方面能力啊,它也是非常强的啊,好吧,好。

科大讯飞也放大招了啊,近期,讯飞星火认知大模型 vr 版本上线了,不仅上线了三款星火插件,文档问答、 ppt 生成、简历制作,而且呢,现在全部开放了,直接注册就可以使用了。现在呢,你只需要描述一下你自己, ai 便能为你打造一份专业的个人简历,或者呢,你也可以让他制作精美的 ppt 看看这个效果啊,比我自己做的都好很多倍。讯飞星火呢,还涵盖了职场生活、创作、编程、学习等十五大场景的住宿中心啊,无论你是文案写作、方案策划还是旅游攻略,都可以轻松的搞定。不仅于此,啊讯飞还将自己的老本行语音生成的能力融合到了大模型里,你可以轻松的让 ai 帮你生成一段音频, 又或者生成一段数字人视频。最重要的是啊,讯飞不仅在大模型上下足了功夫,整个生态链打磨的相当完善, 现在呢,还允许开发者或者企业直接去调用讯飞星火的 api, 打造更具有价值的 ai 应用,还可以申请为插件开发者,与讯飞星火共建插件市场,相信国产 ai 未来发展会越来越好。

承包你所有 a p i 的两个开源项目想要成为造轮子的高手,就要熟练地调用 a p i。 给大家推荐两个开源项目,承包你所有的 a p i。 第一个 get up 上最大最全的公共免费 a p i 聚合列表项目已经二百二十四个 star, 涵盖了各式各样的 a p i, 大部分你感兴趣的内容都可以在这里找到。第二个同样包含了种类多样的 a p i, 并且还有中文化,我的天哈哈哈!同时也囊括很多国内的公共 api 接口,实用性更好。还在苦苦寻找免费 api 的同学赶快点赞收藏,扣一领取吧!

can ai learn to use tools well maybe not physical ones, but based on this research now ai can learn to use digital tools like apis large language models show impressive capabilities even in few or zero shot settings when it comes to natural language processing tasks, and they have also been observed to have emergent capabilities, but one of the struggles with using llms is their limitations that hinder they are used day to day for example, what's medical reasoning inability to access latest information and understanding the progression of time one of the solutions that was offered to overcome this problem has been to use external tools for example apis to cover these limitations, but so far this solution has been implemented manually and through human annotation, which makes the solution basically unscalable tool former which is a model that is developed at meta ai research is a model that has trained to understand which api to use when for tool former researchers made a question answering api the wikipedia api a calculator and a machine translation api available tool former was trained on the specially made datasets the statuset consisted of sentences that was annotated with api calls here are some examples the name derives from la tortuga, the spanish word for turtle as you see here before the turtle, the machine translation api is called mt pointing to the machine translation api input is tortuga and the result turtle is also annotated this dataset was made using incontext learning capabilities of language models to generate datasets from scratch to make this dataset given each sentence the researchers made the language model determine where in this text an api call can be made or a question can be asked for example in the example, sentence out of one thousand four hundred participants, four hundred or twenty nine percent past the test an api coal can be made before 29 percent for a calculator to come up with the percentage this annotation is done by instructing the mortal to find places in the text where a question can be placed to train the model to do that the instruction that has given to the model is like this your task is to add calls to a question answering api to a piece of text the question should help you get information required to complete the text you can call the api by writing qa question where question is the question you want to ask bye bye。

大家好,这里是 show me code t t。 上一节课我们介绍了蓝叉的三个主要模块,第一个是 promote tablet, 第二个是大模型通用接口,第三个是 opt put up passer。 我们 jack 这这一节课继续一个 lanchet 官网的一个视力来继续来讲解这三个模块在这一个视力中的使用方便。我们日后可以结合这三个模块去构建自己的 lantchet 大模型应用。 这是一个基于天气 a p i 文档回答用户问题的一个视力。我们的问题是北京现在天气怎么样?请使用摄氏度说明气温。我们看 蓝菜内部是如何实现这一个问答的。他在这里面首先使用的 a p i t 可以看第十二行,他是基于 api 称的 from l l m and api dos 这么一个方法。然后处置化了一个 api 称的一个对象。第一个参数 l l m 就是我们 model l 里面介绍的大墨镜通用接口的一个实力,它是 open ai 的一个实力。 第二个就是 api dogs, 其实就是我们本节课本本节视力使用的天气 api 的一个到词,我们可以点去看一下。 进来之后我们看到它主要是分了三个部分,第一个是贝斯 u i r, 其实就描述了这个 a p i 文档的一个贝斯 u i l 是什么。下面是这个 a p i 的 underpoint, 就是我们本次失利要使用的它。 他的一个接口描述了描述了他会接收一个地理坐标点和一系列天气 a p i 的一些参数。然后他会返回什么?返回最近七天的一个天气,他是按小时维度进行返回的。 下面就是详细介绍了这个 a p i 需要的一些参数,比如最上面的是经纬度就是代表了,比如我们在这个问题里问的是北京, 那么大模型就会转化成将北京转化成实际的一个经纬度坐标。 再回到 a p i 文档里面,我们可以找 对应的两个单位,比如经纬度就是最上面的需要传递的。然后还有下面的一个气温的单位,比如是传传入的是华摄氏度还是摄氏度,我们这里要求的是摄氏度。 我们从 api dolls 回到我我们的代码里面,我们进入到 from lm and api dolls 这一个方法里面, 我们注意到它上面有两个主要的 a p i pro mod, 第一个是 a p i u i l pro mod, 第二个是 a p i response pro mod。 我们来分别看的看这两个默认的 a p i promote 的一个作用。我们用第一个 a p i u i l promote 初始化了一个 get request chain, 就是一百三十五行。然后使用 api response promote 出入了出入化的一个 get answer change, 是一百三十七行。然后我们进入到 api uil promote 里面,看它具体的一个 内容是什么。他其实是向大明星下发了一个指令,说你要根据下面的一个 api 文档,然后使用这一个我给你的这个文档来生成一个完整的 apiuuil, 用于来回答用户的问题。 下面呢就是 question, 其实就是填充用户的问题。 a p i double 是用来填充 a p i 文档。 然后我们继续回到代码里面,我们再看一下 api response promote, 它里面的内容是什么。我们进到文档里面可以看到 api response promote, 其实就是在 api ui promode 上面,后面又添加了一些内容,说我们基于 这个 a p i response 来总结这一个问题,来回答用户,这个就是一个这两个 a p i promote 的一个完整的内容。 我们再回到大码里面,我们看 a p i chain 这么一个类,它是其实继承于 chain 这个积累的,然后它自定义其实封装了一个,靠这一这么一个方法。其实这一个方法里面它实现了和 a p i 交互的 一个能力。我们可以看他下面的一个介绍,说这个称是可以请求 a p i 请求的,然后用于回答这一个 a p i spons 来回答用户的问题。 我们在上面的 from l m n a p a dos 里方法里面看到了它封装了初始花了两个 chain 的实力,一个是 required chain, 还有一个是 answer chain。 然后我们在具体的 api chain 里面,它的主业务逻辑里面看它是如何使用这两个 称的。第一个它使用 a p i request change 来进行跟大明星的一个交互,传入了用户的问题和 a p i double s, 然后让 当不起返回的是是什么?是一个 api uil。 然后我们继续看代码,然后可以看到第八十行他 其其实就打印的这一个大模型返回的 ui 啊,是用绿色字体返回的。这个我们之前进行了执行,我们可以直接看一下它的一个输出, 在这个里面可以看到大,这个就是大木星返回的一个输出,然后里面可以看他的一个参数,他里面大木星把北京这一个位置转换成相应的地理位置坐标, 也就是上面的精美度。然后可以看一下后面我们要求他是按设置度来表示一个气温的单位的,那么这里大部分也相应的把这个设置度转化成相应的一个 单位参数,然后进最终拼接成了这么一个 u i 啊。接下来难拆使用他自己的一个 h d p 请求工具去请求这么一个 u i 啊,然后去拿到一个 a d i response 这个结果。然后可以看八十三号 在这里打印的这一个 a p i expons 是用黄色的字体一个打印的。我们在下面可以看到它的一个打印结果,其实就是包含了一些信息,比如说这个地区的精美度,还有 比如当前的一个天气状况,比如当前的气温,还有当前的风力,还有当前的一些气温相关的信息。 然后最下面其实就是按时间纬度的返回的一个列表,到最下面还有这个每一个时间他对应的一个当前的一个气温,他这个时间是按小时纬度进行返回的, 这把时间和下面的气温结合起来,就是当前时间的一个温度。然后 接着蓝菜使用 api 安色菜进行跟大门型最后一次交互, 它传入了大模型上一次访问的 api url 和蓝钗请求这一个 url 拿到的 api response 进行和大模型的一个交互,让大模型根据 api response 做一个总 节的回答。其实在这个 api response promote 里我们我们可以看到 难拆给大模型的一个制定,其实就是对 a p i 与 spons 的一个总结,我们可以在下面的输出里面可以看到,看到大模型的一个回答, 可以在这里看到大目晴最终的一个回答说北京当年气温是二十六度。 然后这样我们就通过这段逻辑实现了基于 a p i doc 和大明星的一个交互的回答。其实这个里面就是 a p i change 他自己实现的一个逻辑。我们可以基于这样的一个业务逻辑,其实去可以复用或者去实现自己的一个方法, 比如我们刚才看到的 api request promote, 还有还有 api response promote, 我们都可以进行相应的改写,然后传入自己的 api promote。 另外我们可以我们刚才看到了 a b i 称的整体的一个交互逻辑,其实就是在靠的那段代码。 在这一段代码里面,他其实实现了两个部分和大门型的一个交互。首先我要记住 api dos 和用户的问题,让大模型帮我拼接成一个 api uil, 接下来我烂菜去请求这一个 api uil 拿到 api response。 接着再和大模型进行最后一次交互,让大模型去回答这一个 api response 返回的一个内容返回给用户。 其实我们可以在后面去继承这一个 api 称,去参参考这段业务代码,去实现自己的一个业务逻辑。比如说,比如说我的业务逻辑里面可能需要多次和 api 做一个救救,可以在这里面去添加相应的一个自己的业务逻辑。 接下来我们再回到我们上一节讲到三个主要的模块,一个是 promote, 另外一个是大模型通用接口,另外最后一个是 output passer, 我们看这三个模块在这个视力中是怎么被使用的。 第一个 pro mod, 其实就是我们刚才有讲到的两个主要的 pro mod 来指示大模型如何更好的回答。第二个大模型通用接口,在这个里面其实就是 open ai 这个里面 其实我们可以到这个方法里面可以看一下,其实这个当 可以看一下,其实这个就是大模型通用接口的一个积累,只要是我们的大模型一个方法继承自这个大模型接口的一个积累,就可以实现自己的一个大模型,我们就可以传入自己的大模型的实力,使用基于自己大模型的一个交互的问答。 最后我们看 output passer 在这个视力中是怎么样被使用的。它其实主要是用来解析大模型的一个输出,所以它一般会用在 l m chain 里面。 然后在这里面它其实使用了一个默认的 up to prote passor, 它其实没有对大模型的输出做任何的解析,可以在它 他的描述文档里可以看出,他直接就返回了大步行的输出,不做任何的操作。 那么那么本节课分享就到这里,我们通过两节课介绍了蓝湛里面比较重要的三个模块,第一个是 promote taminate, 第二个是大模型通用接口,第三个是 up to up to the passer。 我们基于这三个模块就可以快速的去构建自己的大模型应用。 我们后面还会介绍一些 lantai 好玩的一些势力,或者是我们继续去剖析 lantai 的代码。这里是 show me code t t 我们下会再见。

open 内 i 升级翻译 tono, 用界面无需代码训练大模型 opennai 官网最近升级了翻译 tono 用户界面,使得用户可以更加方便的进行模型训练,无需编写代码,只需上传训练数据即可。微调大模型翻译 toonapr 可以让你更好地利用往 pi 中提供的模型,提供比提示更高质量的结果,能够训练更多的视力,减少提示长度,降低延迟请求。 发音通通 vpr 目前支持的模型有 gpt 随意、 province five, 但是 double o s x、 one c 打 p g 零零二和德文女贴零零二二。如果你想了解更多关于发音通通的信息,可以参考 open ai 官网提供的发音通通指南。快去微调属于自己的专属大模型吧! nice!

同学们是调试 api 接口的非常方便的有利工具之一,现在演示通过 http 跟 htvs 去调试一个 api 接口,把地址放在这里,这里选择一个 方法,一般都是选透视玻璃,这里选 iw 格式,然后再选择 j 损,然后把 j 损参数内容填在这个位置,这点发送 啊,调用完成之后,这个状态两百就是调用成功,这个是耗时,这个是返回的大小,返回内容就在这里。 再再调用一个 h t t b s 的一样,把 a b i 地址放在这里,这里选,也选择 pose body 也是同样选择 iw, 选这一审格式,把这一审内容填在这里,点击发送,这时候就会报错,我们看一下这个报错信息,是证书已经过期了,我们可以设置,跳过证书验证,再设置这里把这个去掉, 然后再点发送去调用,这时候就可以调用成功了,调用成功,这里状态也是否有两百,一样的法人内容也是在这个。

那么对于啊,这个学习大模型的课程的这样的一个硬件方面的这样的要求啊,这个内容,这个讨论其实就会轻松很多了啊,因为其实主要啊就是围绕着计算机当中的一些这个硬件的一些配置呢,来给大家提供一些参考。 首先啊,我们需要说明一点的啊,是对于大模型的这个技术啊,他的这个应用落地,其实这个软件跟硬件是同等重要的啊,就是很多时候你可能不仅要有技术啊,你不懂,要不仅要懂这些软件要如何进行操作啊,你还必须得有啊,一套完整的硬件功能支持,你才能够跑得出结果,对吧? 就像这个老黄啊,对吧,他说的一句呃,非常有名的一句话叫做算力,即全力啊。很多时候,其实如果你有充足的算力呢,很多问题呢,嗯,解决起来会更加方便一些啊。当然我们在课程当中啊,我们接下来要介绍的这样的一个 关于硬件的一些配置啊,其实不仅仅是适用于我们课程当中这样的个学习,同样同时呢,也会适用于说如果你是高校的这个团队,想做一些科研项目或者企业里面呢,想进一些前,想进行一些前期的一些技术探索的话啊,其实我都会给出不同的一些硬件配置这样的一个方案。 当然啊,我们说如果哈哈你是去使用一些这个在线大模型啊,比如说我权限啊,使用这 open ai 的这个在线大模型的话, ok, 那这个时候呢,硬件呢,你肯定不不 不用这个担心,也不用考虑了。因为啊,如果你是去使用 gpt 的这个在线大模型的话,那么全程对吧,从模型的调用啊,到模型的这个推理啊,到这个模型的微调, 全部呢都可以在线完成。你只需要啊这个呃给 open ai 支付一定的费用就可以了啊。所以我们说,如果你全程是使用在线大 模型来完成一系列的这科研和这个实践应用落地的话,那么其实是不需要考虑本地的这样的硬件成本的。而我们说如果你是采用一些开源大模型来进行本地的安装布置和微调的话,那这个时候啊,硬件呢,可能就是你不得不去考虑啊的一个问题了。 当然我们说不同的啊,这个呃,框架啊,不同的开源大模型,你的不同的使用这个层次呢,可能会对硬件要求层次呢,也会不太一样啊。但总的来说呢,啊,我们有这么几点 是这个总则第一个呢啊,是大多数情况下啊,我们的硬件的核心的瓶颈啊,可能在于我们的显卡,也是在于我们的 gpu, 具体来说就是我们显卡的显存 啊。大家其实呃,如果了解深度学技术的话,应该是能够明白这一点啊,就是大多数深度学习的这个算法呢,是需要放到显卡上啊来跑。 尽管我们说很多的啊,一些开源大模型的框架,他们也提供了啊在 cpu 上运行的一些方法啊。但是呢,呃,整个过程呢,可能会比较繁琐,长期来看,他的这个运行稳定性呢,也是不如在 gpu 上来进行运行的。 比如说啊,这个 chat j m 六 b 对吧,它呢实际上是提供了可以在英特尔的 cpu 啊和这个 max 上来进行运行的一些方法啊,但是呢,这 整个的这个安装部署流程会非常繁琐,并且他需要占用比较大量的这样的内存。所以啊,这个出于业内通用的啊这样的一个安装部署的这个流程来看,我们还是更加推荐大家啊,是在 gpu 上来进行运行。 那么刚刚我们也说了不同的开源大模型,他呢对这个显卡这样的要求其实不一样的。当然我们说每个大模型他对显卡有多大的这个要求啊,硬件门槛有多高,实际上跟他模型本身的参数量呢,是很大 的关系。但对于六 b 这样的模型来说啊,他的整个的这个显醇的这个占用占用呢,是相对来说回避会比较低的。稍后我们会给出一个完整的啊对吧,这个 chai 这样六 b 在不同的模式运行下, 我们所需要要的这个最低的这个硬件配置这样的资源。但是啊,我们需要说声明一点的是,课上我们对硬件要求最低的这样的门槛是根据啊这个 chat jam 六 b 这个模型来确定的。 那么第三个啊,就是关于啊我们这个除了这个硬件之外啊,一个操作系统方面这样的一个说明啊。就是呃,对于大多数的开源大模型来说啊,他们其实 在相关的一些说明文档上都会强调啊,说他们会更加推荐在 linux 系统上呢,来进行一个安装部署和使用啊。相比于 windows 或者是 mac os 来说, linux 的这个操作 系统呢,它会更加稳定啊,同时它也它的背后的一些计算库的这个支持啊哈也是远比 windows 或者 mac 要更加丰富的。所以啊,大多数大模型的这样的安装部署的使用都会更加推荐啊。使用 linux 这样的一个操作系统啊。这个呢,是事先啊进行的一些说明。

好,我们先把这个 settlement 初始化给它跑出来给大家看一下啊。来, settlement, 我是放在这个 view 的框架里面跑的,不影响不影响我们这个展示的这么一个效果,来,把它拿过来。 好,我先注视一些东西啊。好,幺二七点零点零。 好,这个地球就已经出来了。这是我们 c 什么?说实话,如果说你去 c 什么,这就是他最开始的这么一个页面状态啊。好,他有什么自带的空间呢?来,你看上面是不是有个搜索框?来,来个武汉 点一下,他是不是给你跳过来了啊?这个也不用你自己去写啊,他这是他自带的啊,还有一个 home 键。 home 键什么?你原来的手机上是不是都有那种 home 键啊?你点一下是不是回到主页啊?跟我们这是一样的,点一下他就回到我们 刚加载进来的这么一个状态,他还在干干干嘛呢?我们 c 什么不只是可以开发这个三维啊,他也可以把它变成一个二维地图,也是没有问题的,甚至说二点五维他也是可以的。你看 在这呢,我们可以手动的选一个图层在这里面啊,也可以手动的选一个图层,也是没有问题的啊,只不过这些影像图层呢,都是在线的,在国外的,有可能网络加载不出来,有可能网络加载不出来。好,如果说你这里面都不想用,那我们可以干嘛?我们可以来一个 alt g s 的影像图层,手动的给他指定一个影像图层也是可以的。来,把这一行放开 啊,我们用一个 alex 的影像图纸是不是就有了?跟之前还是有点区别的吧,这个应该是偏蓝一点,对不对? 好,来,我们这个 c 怎么怎么去操控它呢?放大缩小,不用说了,肯定是用这个滚轮去滚,对吧?用这个滚轮去滚,那怎么把它放平呢?啊?注意啊,用这个滚 轮按住这个滚轮去把它放平,你看把它放平啊,有的问了,这不是个三文吗?你不逗我吗?这什么都没有对吧?还是个平面对不对啊?那我们这为什么没有这个地形呢?因为我们没有加这个什么地形图层啊? c 字母里面它是有一个地形图层的,来,我们把它加进去啊,在这来把它加进去啊。 啊,再再来看一下,还是一样的,跑到我们这个台湾,台湾来看一下啊,是不是现在就有这个地形了,效果还是很明显的,你看地形就已经出来了啊,这是个三维地球了,对不对?好,有的说,你这有山好像没有水,这个水怎么是死的啊?也可以开啊,来,我们把这个水的特效给它打开啊,一个参数的事啊。嗯? 我没保存吗?我再看一下,说明特效应该是被我开了的呀,我再刷一下啊, 应该是有了, 你看这个水面特效是不是就已经出来了啊?水在流动对不对?这个海在流动啊,但是这个东西还是比较耗我们这个电能电脑的这个性能的,跟你打游戏一样,你把这个游戏画质开的越高,你这个帧数是不是就越低啊?对不对啊?还是比较影响我们这个电脑性能的,如果说你这个电脑性能不行,那你就不要开它嘛,对不对?

继阿尔法狗之后, chat gbt 再次引发了 ai 的全民热潮。可以说,如果没有 open ai、 stability ai 这些模型层公司的持续耕耘,就没有如今生城市 ai 或 ai gc 火爆的局面,大规模商业化更是无从谈起。 深度学习的生成算法、预训练模型、多模态模型等 ai 技术的发展,为 aigc 模型创造了条件。在整个产业生态中,模型层承担了通用的预训练大模型的开发智能, 最后通过专用的 a、 p、 i 或开源的方式赋能应用层。应用层服务商会根据应用场景对模型进行工程化微调, 使 ai 在文本生成、图像生成等具体任务中发挥作用。当然,构建在模型基础上的应用,随着其用户数据的快速积累,也能够反补和优化模型的质量和性能。如此以来,模型 性能和应用规模之间就形成了飞轮,有助于持续强化竞争优势。模型层目前主流的商业模式是构建碧源的预训练大模型,再通过开放 api 接口向外赋能和创收, 或者是直接基于自由模型开发应用。碧源模型能够使公司打造更深、更具差异化的护城河。但这也意味着所有的开发和训练成本都要由自己承担。 这类玩家的代表有推出 gpt、 三点五和大力模型的 openai, 以及拥有 lamda 模型的谷歌,还有完全对外开源的 aigc 模型, 例如文本生成图像模型 stable diffusion。 良好的开源社区使其拥有相当高的关注度和用户广度,能够有效调动外部资源来优化模型,促进应用落地,追赶 openai 和谷歌等头部 玩家,但盈利变现会成为这类公司的一大难题。此外,还有开源模型的托管平台,例如 hotting face, 它的模式类似 get up, 实现 ai 模型和数据级的共享和协作,正逐渐成为方便分享和集成模型的枢纽。总而言之,开源和碧源的模式各有长短, 开发大模型需要高额的成本投入,并且中短期内难以见到回报。因此,往往只有像谷歌这样的大公司,以及像 openai 这样起点极高的明星初创公司才能入场。 有机构测算, chad g、 b t 的底层模型 g、 b、 t 三的训练成本高达千万美元级别,这还不包括日常运营消耗的能源成本。再例如模型 stable diffusion 及木公司 stability。 ai 拥有一个由四千块英伟达 a 幺零零组成的 g、 p u 级群企业,运营 和维护成本就超过五千万美元。尽管背后有微软和一批投资人撑腰, open ai 创始人 sam 奥特曼依然忍不住吐槽 chat gbt 的运营成本高得令人难以置信,这迫使他们必须在某种程度实现 chat gbt 的商业化。 虽然短时间内,像 openai 这样的模型层公司还无法填平巨额的亏损,但其未来的回报是超乎想象的。当模型性能和用户数据的飞轮高速转起时,他们或将成为新时代的谷歌和微软。 复刻互联网巨头赢者通吃的格局,坚持投自于科技驱动的创新,投自于持久真实价值的创造。源码资本是中保持对前沿科技的关注。下一期 ai gc 系列节目,我们将聚焦应用层,看看这项技术的商业化进展如何。

那么我们这地方来详细讲解一下,调用 a p a 函数呢,我们经常用 embok, 对吧?那么我们调用 a p a 函数呢,是温度系统给我们封装的动态内衣库里面的磁性函数。 ip 函数默认的钓牛方式是 sdco 钓鱼令啊,我们常用的这个温度超系统给我们提供的三个核心的迪奥呢,是看到三二点迪奥啊,基地啊,三二点迪奥,他负责图形设备接口的。看到三二呢,是负责系统服务,包括内存管理啊,任务管理啊,动态连接。 那么有的十二点调呢,是负责啊窗口见面的啊,消息传送的,这个都是我们在之前课程学习过的。那么我们在具体调的时候呢,我们要使用 emoke 一句啊,因为简单,实际上你用靠也可以的啊,当然写的要麻烦吗?这是高级会面写法啊, emoke, 那么 ip 函数呢,他有 他的返回值,这个就是用微能超系统给我们提供的函数的证明呢,是放在投孽里的,所以说我们必须要包含投孽哈,嗯, include 的一句包含投念 include 的立本啊,他这是伪指令啊,他是包含这个投入库。

我们提供标准的 a p i 对接接口,对接过全球众多的客户,比如说 amazon, alexa, 科大讯费等公式。我们审核完客户的公司资格以后呢,我们就会提供标准的 a p i 对接手册了,主要的版本是英文版,中文版,我们附带了参考案例和 demo。 一般的情况下呢,您和贵公司可以通过我们的 api 标准的手册自行完成数据的对接。 api 对接的数据几乎涵盖了我们公司所有能够在 app 上呈现的数据,包括报警信息、识别身份的名称,目标对象的活动数据等等。 我们也支持您和贵公司对数据进行二次开发。这里呢,我要聊一下我们对 api 的理解,虽然我们公司的算法模型并没有开源,但是我们提供了标准的 api 调用。在这个过程中,我们实际上希望和零和贵公司和合作伙伴建立真实的用户调用和模型叠 带之间的飞轮。我们非常重视真实世界数据的调用,以及这些数据对我们训练模型的迭代。当然,在这个过程中,我们也希望能够建立一个生态帮助我们呢和您和贵公司以及我们所有的合作伙伴来发展,用数据为贵公司,为您赋能 并最终建立一个完整的人工智能生态。我们一起拓展市场,我们并不会像很多竞争对手一样,我们做大模型小模型的研究,你做一个我做一个,打个广告就完了,你们爱用不用,我们不是的。我们希望呢,和您和贵公司一起把数据和模型的飞轮完整的赚起来, 就像训练菜的 g p t 这样大模型一样,通过我们的 a、 p、 i 之间的调用呢?对真实世界数据的调用,我们一起来迭代这个模型,我们一起来创造人 工智能在居家养老服务中的革命性的产品,为社会创造价值,解决用户的痛点。

处理好数据之后,紧接着就需要去建模啊。建模的话,我这次要采用另外一种建模方式哈,我不用去那个 model 等。 carrace 点 c 坤手不不采用这种方式,采用一种函数 api 的方式进行节目,它更灵活啊。这种方式我来介绍一下这个呃,函数 api 的建模方式啊。我我的这个文档是整理引用的啊。 google 卡尔斯官方 google 发布的一个方式啊,就是把它转化成了汉汉化的方式。好,卡尔斯产生出 api 呢,是一种这个 sequentro api 啊,比这种 sequelapi 更加灵活的模型创建方。 那可以处理非线性的脱谱模型。还有共享层的脱谱模型。非线性的啊,比如这个两个输入的 l, s, t, m 吗?比如说共享层的一个模型。还有以及多输入或者多输出的模型。好,咱们来看看他的。呃建模建模的一个语法怎么来建? 先定义一个变量,呃,变量是音 pose。 这个呢, carouse 点儿 input, 这个是大写。 这个呢,只有一个参数,我只要把这个形状给输入就好。如果是一个 彩色图的话,三十二乘以三十二乘以三啊。我是一个这种嗯 minister 里外图的话三十二乘以,三十二乘以一。如果其他图的话,如果其他的数据的话,就 不需要去根据他这个数据的形状来,就不需要加上他的那个呃批次啊或者个数啊之类的。 如果是用普通的卷机的话,我还要需要加上那个这个 他的批次的大小啊。比如他是他解释的是由于呢,仅指定了每个样本的一个形状,忽略了批次的大小,不管来多少啊,都可以。如果你的形状是这个呢,就一个图片输入他反 回呢,就是返回这个音 pos, 就像函数一样,还有一个返回值。返回的是音 pos, 包含这个模型的输入数据的形状,还有这个 d type, 还有他的这一个输入的一个类型。 好,这是构建完。嗯,一层。然后第二层呢,如果我想添加一个凳子层啊,第一个输入,第二个输出, 我就用 dense 整个 listen, 这个我能就正常用,正常用啊,有六十四个输入啊。啊,激活缓数是 ridero, 然后这个是建立的单词,我怎么用呢啊,我就给他一个变量啊,直接单词点音 pose, 我把它当成一个函数值来用。 但死直接当成一个函数把它传过来。 x 就等一个他,我就可以把所有东西输入到但死场里面。 我又建了一层啊, x 的那个雷尔斯丁,但是后面呢,直接写上 x, 这个 x 呢,就是这个 x, 他们两个是一个值啊。把上一层的单词输入到这个地方, 再想一下,我给每一层加上一个标记,这时候我去做输入的话,就就非常的方便了。我就直接引用他的这个函数给连接起来。最后呢一个, 这中间层呢,他说可以通过音 pose 对象上上吊啊,对象上吊用 上调。嗯,调用层,通过这个音 pos 来调用这个层,调用它的上一层, 调用上层对,然后再层计算。图中呢,创建新的节点。层吊用,层吊用啊。 操作呢,就像从输入向内创建该层的一个箭头一样,传递到下一层。最后一个输出层输出。 输。输出完之后呢,这个简直是一个类人。 star dance 输出完之后呢,我这个猫都要等于一个 嗯音 pose, 就是这个,把输入放到这里,输出要 outpose 放到这个地方,把首尾相连接起来。内幕呢,可有可没有啊。哦,这就是普通的一个线性的一个模型。 然后他的好处呢,主要是在这些模型里面,如果有两个输入,一个 input, 这个地方还有一个 input, 我这个地方 嗯,怎么用?然后多多个输,多个输出,一个输入,多个输出,你像那个 ls tm 有一个多输入,多个输出,我怎么用,然后这个还有一个有效无关图啊,还有这种, 嗯,有线无环图啊。比如这个地方啊,他中间有隐藏层哎,我从这个地方输输入的时候,我可以直接回掉他上上一个啊,可以直接回掉他上一个。 然后还有共享层,多个输入,多个输出如何进行输入?我以一个多输入为例哈,来展示一下多个输入,我就把它写成多个输入零 pose 一,然后零 pose 二, 两个输入,如果大小还不一样,这是两个形状的输入,我这个 x 呢啊,就等于一个雷尔斯特。比如是传入音炮之一的, 放到这一层里面啊。这个呢,如果是放,假设是传入到阴风三二的, 放到这个地方,嗯, apple 四一,假如他是 apple 四二的啊,这时候我的两层啊,分别进行训练,然后最后输出的话,那我可以都是 x, 都是 x, 因为我的这个都放到这个里面进行输出去。最后我我的 inpose 应该怎么表达呢?啊,我应该表达的是嗯, inpose 一,他的输入冒号, inpose 二,放到括号里面传传给 inpose, 这是 mpose, 它是一个参数,然后奥特 pose 一个的话,我就直接写奥特 pose。 哎,这时候我就把它输出出来了。嗯,还有查看模型,这个咱们就用的非常熟练了,有保存 模型啊,我也讲,在之前视频里面也讲过。我需要去,如果 windows 的话,需要去添加一下那个黄金面料,然后单独装一下。啊,这个 这个这个可执行文件啊。最后的话我才可以把它转换成模型,转换成图片。好,废话不多说,我就 直接的来操作一下。

这期我们来分享十五种编程语言,三十种调用 a p i 写法,全网最全,点赞收藏,如有需要加群领取!一、 see rest sharp 二、 see lip cur 三、 dart h t t p 四 go native 五、 javo k h t t p 六、 java unarist 七、 javascript excels 八、 javascript fetch 九、 javascript jacquery 十、 javascript native 十一 javascript request 十二、 javascript unerast 十三、 javascript x h r 十四、 objective scene searching 十五 o c m o code 十六 p h p c u r l 十七 p h p gazo 十八 p h p h t t p request 二十九 p h p peculate t t p 二十 python at client 二十一 python requests 二十二 r h t t r 二十三 r r c l 二十四 ruby net 二十五 shell c u r l windows 二十六 shell c u r l 二十七 shell h t t pi 二十八 shell power shell 二十九 shell veget 三十 swift a session。

connectivity is an amazing thing by now, we're all used to the instant connectivity that puts the world at our fingertips from desktops or devices we can purchase post pin and pick anything anywhere we are connected to the world and each other like never before but how does it happen how does data get from here to there how do different devices and applications connect with each other to allow us to place an order make a reservation or book a flight with just a few taps or place the unsung hero of our connected world is the application programming interface or api it's the engine under the hood and is behind the scenes that we take for granted, but it's what makes possible all the interactivity we've come to expect and rely upon, but exactly what is an api it's a question everyone asks okay not really, but we're glad you did the textbook definition goes something like this in computer programming an application programming interface api is a set of routines protocols and tools for buildings appropriate and api expresses a super component in terms of operations inputs, outputs and underlying types okay to speak plainly an api is the messenger that takes requests and tells a system what you want to do and then returns the response back to you to give you a familiar example think of an api as a waiter in a restaurant imagine you're sitting at the table with a menu of choices to order from and the kitchen is the part of the system which will prepare your order what's missing is the critical link to communicate your order to the kitchen and deliver your food back to your table that's where the waiter or api comes in m the waiter is the messenger that takes your request or order and tells the system in this case the kitchen what to do do and then delivers the response back to you in this case food now that we've wedded your appetite let's apply this to a real api example you are probably familiar with the process of searching for airline flights online just like at a restaurant you have a menu of options to choose from a drop down menu in this case you choose a departure city and date, a return city and date tabbing class and other variables in order to book your flight you interact with the airlines website to access the airlines database to see if any seats are available on those dates and what the cost might be based on certain variables but what if you're not using the airlines website, which has direct access to the information? what if you are using an online travel service that aggregates information from many different airlines the travel service interacts with the airlines api the api is an interface that like your helpful waiter can be asked by that online travel service to get information from the airline system over the internet to book seats choose meal preferences or baggage options it also then takes the airlines response to your request and delivers it right back to the online travel service which then shows it to you so now you can see that it's apis that make it possible for us all to use travel sites the same goes for all interactions between applications, data and devices they all have apis that allow computers to operate them and that's what ultimately creates connectivity so whenever, you think of an api just think of it as your waiter running back and forth between applications databases and devices to deliver data and create the connectivity that puts the world at our fingertips。

openi 可以训练自己的模型了,你敢用吗?哈喽,大家好,最近 openi 公开了调优的 api, 基于该 api, 你可以用自己的数据训练出属于你自己的模型。 那么今天就想跟大家聊一聊,这个调优的 api 到底是个什么样的情况?这个 api 的调优是什么意思呢? gpt 是一个数据的盒子,那么 api 作为这个盒子的口子,他以前是封闭的,现在给他打开了,那么就可以根据你自己的需求来进行调用。 我们可以从官方公布的信息看到,目前只支持 gpt 三点五版本的调优,根据调优的步骤、价格,我们可以按需使用, 但 gpd 四版本的调由 api, 那就还得等。对于那些缺少 gpu 硬件资源,缺少基础模型的人来说,那肯定是好事儿,相当于我买个 api 的会员,日常工作 我就掏掏模板,这不就大大提高了我的工作效率。所以这个调优的 api 到底是真的好用,还是说只是个智商税呢?有网友就提出,至于说调优时需要将个人的数据上传给 opni, 那 opni 使用的上传数据进行训练, 岂不是会变相的造成数据泄露?这个担忧并不是没有依据,早前大部分公司就干过类似的操作,在本次官方发布的文中, opni 强调了不会使用客户的数据。先前山姆也发推文,陈俊说 opni 从来没有使用过任何客户通过 api 提交的数据来提升模型。 不可能,绝对不可能。你现在说不用,未来呢?那用户商传你这些书籍出力到那里去了你,嗯,听起来确实不太 还可能,我们也不能就这么不相信山姆是吧,毕竟人家是这么大一家知名度公司的 ceo 呢,嘿嘿嘿。前段时间视觉中国告了侵权的原创作者,一并将证据亲自送上了作者家门。哈哈哈,一个字,绝! 如果 opana 这样效仿一下,说不定这个骨架都得翻上一番呢。哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈。 opnai 这个大饼画的又大又圆,看起来确实很诱人。那还得是看大家愿不愿意吃了,毕竟这 api 的账还得是消费者来买单。 那么你会用 openi 的微调 adi 来训练自己的模型吗?咱们评论区见。

啊,大家好,我们这次呢就是来给大家做一个分享啊,就是关呃讲关于这个接口第二晚开播的一个小教程,现在我们会分为大概七个小节来去做分享,大概每一节是五分钟啊,他们呢去做一个碎片化的一个学习, 那么我们来讲第一块啊,做讲讲一个 at 的一个接口的一个入门思域,他都握的一个例子,那么这节课我们主要就是就是 几个关键词啊,就第一个做 a 拍的一个接口开发,第二个呢他是一个低代码的,也是一个比较,就是零基础,然后低代码的一个开发的一个工具跟一个学习,那么我会用到这个工具啊,那么可想去想做一个注册, 然后我们来做一个 hello word, 一个接口视力啊,先写一个 hello word, 一个第一次编程都会写一个 hello word 的接口 入门视力接口教程演示使用啊,然后就可以去做一个保存。那么这个时候呢, 我们的第一个 hallevent 的借口啊,就已经是就已经是穿越好的了,他正在做一个构建,可能要等一会,大概的话,呃 一分钟左右吧,那么这时候呢,我们就已经下了一个接口的,其实是比较简单的,就说我们只要开一个账号,然后在上面去填一个 新型,那么这么这一个接口呢,他就会他就可以出来了啊,然后这时候他已经是真的好了,那我们可以看看这个效果啊, 这个是我们刚刚写的第一个 word 这个接口,那么他这个名称啊,版本号,他的这个接口的请求的这个路径啊,在于哪里? 像这些都可以去去请求了,那么还可以看到他这些参数啊,一些呃返回的这个内容。那么到这里呢,我们的哈喽沃呢?这个这个就已经是写好了,那么我们再稍稍微来看一下这个哈喽沃的接口,他有什么样的一些特点呢? 那么他有些呃正式环境啊,有这个正式环境他可以有有这个名称,有这个说明版本号,也可以对他做一个编辑,因为我们刚刚刚刚 是生产一个基本的接口啊,那么他他写名称啊,路径说明,还有参数啊,跟这些呃与函数,跟这些返回的自动还有结果。那么我们也可以呢对他做一个导出啊,到本地去做一个备份, 到时候还可以对他导导致之后呢,他就是一个呃文件的一个这样的这个文件啊,就是那当哪天你要去给别人用的话,或者是自用的话,也可以再去做一个导入啊,这样就可以去导入这个 这个接口的,那么这一节我们的这个他的卧的话就介绍完了。