- 综合排序
- 最热优先
- 最新优先
- 来自专栏Bug Engineer
3分钟学会给deepseek投喂数据训练模型！打造专属AI小助理
在上一篇博客中，我们已经安装了Ollma和Page Assist（如果没有安装请看上一篇花5分钟进行安装），这时候我们就可以给deepseek投喂数据了，让它更好的为我们自己服务！ 第二步：设置Page Assist 打开我们已经安装的谷歌插件Page Assist，点击右上角设置 按图点击RAG设置，并选择文本嵌入模型nomic-embed-text，点击保存 第三步：投喂模型 点击管理知识，可以上传自己的数据，等待数据处理完成！ 第四步：使用知识 数据上传成功后，可以在问答页面选择你上传的知识库进行属于问题！ 示例 上传数据为 选择知识库后，进行问答
6.7K11编辑于 2025-02-21 - 来自专栏kali blog
龙虾自我投喂实战 接入HomeAssistant
如何将HomeAssistant中实体数据接入到龙虾中呢？本文我们将借助Skills完成。 首先，我们来看看效果吧！ 从微信Claw Bot中获取实时数据 HomeAssistant数据 01 实验原理 我们可以通过HomeAssistant的API接口，获取对应实体数据。通过Skill访问API接口，并处理数据。
35810编辑于 2026-04-15 - 来自专栏开源项目搭建
基于Ollama+DeepSeek+AnythingLLM轻松投喂打造本地大模型知识库
基于Ollama+DeepSeek+AnythingLLM轻松投喂打造本地大模型知识库大家好，我是星哥，上一篇文章星哥介绍了本地部署DeepSeek的方法：《简单3步部署本地国产DeepSeek大模型》 今天继续讲利用Ollama+DeepSeek+AnythingLLM轻松投喂打造本地大模型知识库OllamaOllama简介Ollama 是一款提供本地部署和管理大模型的工具，可以轻松将不同的 AI 模型集成到本地环境中 1.打开软件get started2.选择模型这里选择Ollama并且选择 deepseek-r1:7B,这里选择你的已经安装的模型。然后再点击向右的箭头，下一步。3.下一步点击下一步，这里不用配置。 、Line、youtube等所有中外app的优点 3.文档不少于5000字 4.这个app的名字叫“宙斯app”，写一篇文档介绍它文档名《宙斯APP：全能社交与支付平台的未来.docx》投喂知识1.点击上传按钮 对比使用没有投喂文档的回答这是投喂了文档的回答。结束通过将 Ollama、DeepSeek 和 AnythingLLM 三者结合，你可以轻松地构建一个本地大模型知识库。
22.8K912编辑于 2025-02-08 别再给 AI 投喂整个代码库了，喂它真正执行过的代码
instrumentor-log-recorder——进程内日志实现；以极低延迟记录代码块ID和同步事件instrumentor-log-monitor——一个守护线程，管理日志生命周期，并为每个场景提供独立的刷新/清理API3. 如果每次请求时，高吞吐量服务中每个代码块的进入都被记录下来，数据量将变得无法管理。一个每次请求迭代一万次的紧凑循环，会产生一万条相同的日志记录——但对于理解该场景的因果路径，却没有增加任何额外信息。 结果是：数据量从无法管理的爆炸状态转变为该场景的压缩、无噪音的结构化签名。最后，场景边界本身充当了天然的垃圾回收机制。"场景"在机制上被定义为从外部刺激（请求或触发器）到最终响应的完整过程。 场景一结束，收集到的数据就被打包，进程内的追踪状态立刻清空——确保场景之间无交叉污染，且无内存无限增长之虞。 案例3—SpringBoot#49854（属性解析/绑定）运行时证据展示了实际的Environment状态，以及在属性绑定过程中采取的确切回退分支——这些信息从静态文件分析中是完全不可见的。
37500编辑于 2026-04-14- 来自专栏嵌入式项目开发
基于STM32设计的宠物投喂器
文章介绍的宠物智能投喂装置是以STM32为核心,多个模块协调配合,共同完成针对不同年龄段的宠物进行定时定量投喂及实时环境监测与高温报警、以及主人随时可以通过智能设备了解宠物生活环境、为宠物加餐等功能。 设计了一个宠物投喂器，支持手动控制粮食投喂，设置恒温阀值，定时投喂、温度、湿度实时显示、剩余粮食重量等功能。 2. 需求 做一个基于STM32的宠物投喂器，可以用来主要养鸟或者小黄鸭这种宠物。 定时投喂、每次投喂量(若没吃完，则下次补充到设定好的量，补充量不需要那么准确) 2、记录每天宠物的食量(已经食用粮食的重量) 3、屏幕显示当前盒子/鸟笼内的温度，粮食的重量 4、温控：当温度低于多少度时候 （5）宠物投喂采用28BYJ4 4相5线步进电机+ULN2003驱动板实现，步进电机转动指定的圈数或者度数模拟粮食的投喂。 （6）投喂粮食的重量采用HX711称重传感器电子秤称重模块完成检测。 3. 所需元器件 3.1 ESP8266 WIFI ESP8266是一款无线WIFI模块,可以通过配置,和单片机上的串口进行通信,利用WIFI传输数据。
3.3K30编辑于 2022-06-28 拒绝代码“投喂”：Gemini隐私设置与数据防泄露工程实践
对于开发者和企业架构师而言，模型智商固然重要，但数据边界才是生命线。近期，关于 Gemini 隐私设置，数据不泄露 的讨论在各大技术社区持续发酵。 一、 为什么开发者对“数据投喂”如此敏感？在探讨具体配置前，我们需要厘清一个概念：当你把一段包含硬编码密钥、未脱敏用户数据或核心算法的代码片段扔给AI时，发生了什么？ 此外，企业数据不会与 Google 的广告系统产生任何交叉。3. 这相当于在客户端切断了数据回流的通道。 Step 3：API 调用的工程侧脱敏即便 API 协议承诺不训练数据，作为成熟的工程师，也不应将明文敏感数据直接发给云端。
50710编辑于 2026-06-18- 来自专栏Excel催化剂
【实测有点东西】使用IMA知识库投喂影刀RPA开发文档后让DeepSeek帮忙写代码
理想很丰满，现实也还行，实测了一下腾讯的IMA的知识库功能，投喂影刀RPA开发文档后，让它帮我写点代码，初看错误率不算大，当然要稳定运行，肯定还要作一些调整，这足以走向提升效率的路上。 from xbot import web, app from xbot import sleep import xbot def main(args): # 1.读取Excel中的关键词（假设数据在 # 控制翻页20次 # 5.提取本页搜索结果（示例：获取所有结果标题） results = browser.find_all('//h3[ "n"]', by='xpath') # 下一页按钮[1](@ref) next_btn.click() sleep(3) 3、AI永远不能给我们做设计器的工作，但编码版就很擅长。
84500编辑于 2025-02-26 - 来自专栏内容营销专家刘鑫炜
驾驭AI为品牌服务，从成为卓越投喂师开始！
数据分析的深度挖掘收集到数据后，接下来的工作是对其进行深度挖掘与分析。这要求投喂师具备强大的数据分析能力，能够运用统计学、机器学习等方法，从海量数据中提炼出有价值的信息。 因此，投喂师需要定期更新用户画像，确保其始终保持精准与有效。这要求投喂师保持对数据的敏感度，及时发现并处理新产生的数据，同时根据市场趋势、竞品动态等信息，对用户画像进行适时调整。 AI模型的优化与应用构建精准的用户画像后，投喂师还需将这些数据投喂给AI模型，以指导其进行内容创作与分发。 这些数据如同一面镜子，反映了当前内容策略与AI投喂策略的实际效果。通过对比不同内容主题、形式、渠道以及AI模型参数下的数据表现，可以精准地评估哪些策略有效，哪些需要改进。 灵活调整策略，快速响应变化在获得数据反馈后，重要的是要具备快速响应和灵活调整的能力。这意味着投喂师需要根据数据分析结果，及时对内容策略、AI模型参数乃至整个营销流程进行调整。
40100编辑于 2024-09-07 - 来自专栏CVer
Facebook改进换脸术：无需“投喂”图片，从视频里直接变脸
本周，Facebook还联合微软和亚马逊，提供Deepfakes换脸挑战数据集，希望能够提高识别换脸视频算法的鲁棒性，以控制假视频的传播。 此举颇有些以彼之矛攻彼之盾的意味。
1.7K20发布于 2019-12-31 - 来自专栏三掌柜的技术空间
DeepSeek 部署后，如何用好它？AI 数据体系的优化秘籍
Part.3 （三）数据存储与管理 大模型训练需要处理海量数据，因此需要高效的数据存储和管理系统。分布式存储系统（如 HDFS、Ceph）可以提供大规模数据的存储和快速访问。 Part.3 （三）投喂与模型优化 为了进一步提升 DeepSeek 的性能，企业可以通过数据投喂的方式，对模型进行针对性训练。 通过下载 nomic-embed-text 和安装 AnythingLLM 等工具，用户可以将企业内部数据导入模型，进行定制化训练。数据投喂不仅可以优化模型的性能，还可以使其更好地适应特定业务场景。 案例分析 Part.1 （一）金融领域 北京银行率先实现了 DeepSeek 全栈国产化金融应用，通过部署 DeepSeek V3 和 R1 模型，优化了金融数据处理和风险预警能力。 通过数据投喂和模型优化，北京银行在信贷审核、风险评估等业务场景中取得了显著成效。
59310编辑于 2025-04-09 投喂3000篇个人文章让AI总结-我眼中的人月聊IT
[引用] 中兴通讯时期为某省电网设计的SOA服务目录库，如今变成指导职场转型的方程式：当你在焦虑35岁危机，他建议用服务化思维重建能力矩阵——把写代码的能力封装成“服务总线”，让管理经验沉淀成“主数据治理 他将项目管理中的“五大过程组”（《主题阅读IT项目管理五大过程组》）与个人成长相类比，认为“目标驱动、风险意识、数据量化”同样适用于人生决策。 3. CherryStudio+DeepSeek V3 接着我们再测试下DeepSeek V3模型的输出情况。感觉V3模型实际在推理上会更加严谨，而且玄幻风少很多。 他的技术文章往往从实际问题出发，比如他详细分析过企业信息化规划的核心逻辑3，也分享过SOA和大数据平台建设的实践经验4。这些内容不是纸上谈兵，而是来自真实项目的积累。 从最终的输出来看，DeepSeek R1效果最差，太玄幻而基本没法用。我个人比较倾向于DeepSeek V3模型的输出。
64400编辑于 2025-06-24- 来自专栏腾讯位置服务
养🦞也得有“料”，手把手教你“投喂”技巧，让你的🦞玩转地图！
OpenClaw示例 WorkBuddy示例 场景三：数据可视化 用户指令： “帮我在地图上可视化这份轨迹数据https://mapapi.qq.com/web/claw/trail.json。” Skill 响应：解析轨迹数据，生成轨迹可视化网页链接，渲染出轨迹图，支持缩放查看。 OpenClaw示例 WorkBuddy示例 完整版演示视频可以移步视频号查看： 快来投喂你的Map技能小龙虾！ ✅只需两步，即刻get同款“投喂”技巧！ 1. 立即体验： 在您的OpenClaw、WorkBuddy等平台中，搜索并启用 “腾讯地图” 相关Skills。 开始投喂： 像文章里那样，直接向你的AI助手发出指令，坐等它为你奉上专业的地图服务！ ➡️别再让你的小龙虾饿肚子了，快来投喂Map技能，让你的虾成为朋友圈最靓的“地图小能手”！
48810编辑于 2026-04-09 - 来自专栏geo
100万token上下文 + 2.8万亿参数：Kimi K3会如何重塑RAG式GEO投喂逻辑？
当模型能一次性"读完"一个企业官网全部内容、甚至整个代码库时，过去为适配小上下文窗口而设计的RAG式GEO投喂逻辑——分块（chunking）、向量检索、Top-K召回——是否会被架空？ 本文从K3的架构创新（KDA混合注意力+Attention Residuals）出发，结合2026年最新的长上下文与RAG技术对比数据，给出一个明确判断：长上下文不会取代RAG，但会重新定义RAG式GEO 3.3 图文双轨，别让关键数据只活在表格里向量检索吃的是文字，K3虽然原生支持视觉理解（图片、视频），但检索阶段依然以文本为主。 核心参数、结论性数据，务必在表格/图片前后用文字复述一遍，这条原则在长上下文时代同样成立，甚至因为K3多模态能力的引入，"图文对照"的内容会在多模态检索场景中获得额外优势。 GEO应对 - 保哥笔记RAG、微调与长上下文对比 - 腾讯云检索增强与窗口数据的互补性 - 腾讯云Kimi K3发布：全球首个3万亿级开源模型 - 新浪财经
58310编辑于 2026-07-20 OpenClaw 人工智能自主进化专属投喂资料包 V1.0
已配置强代码&逻辑能力的大模型API（推荐GPT-4o、Claude 3.5 Sonnet、DeepSeek V3），弱模型无法支撑自主进化逻辑4. 已为API Key设置消费上限与预警，避免自主进化过程中Token消耗失控二、核心进化资料投喂顺序（严格按序号依次投喂）每个模块一次性投喂完整内容，等待它完全响应、确认理解并完成初始化后，再投喂下一个模块 基于当前能力，梳理3个用户高频需求、且现有技能无法完美覆盖的场景，给出对应的技能开发初步方案Plain Text ### 模块三：自我反思与执行闭环优化体系投喂（越用越稳的核心） 【投喂目的】让它建立完整的自我反思 基于最近执行的3次任务，完成一次完整复盘反思，输出结构化报告Plain Text ### 模块四：长期记忆与个性化适配进化体系投喂（越用越懂你的核心） 【投喂目的】基于OpenClaw官方vector-memory 月度进化升级指令（每月最后一天投喂）基于本月全量进化数据、任务执行情况、能力迭代内容，严格遵循自主进化核心规则，完成完整的月度全局进化升级，输出以下结构化内容：1.
62400编辑于 2026-03-28- 来自专栏code 杂谈
ContextClip：为 LLM 投喂纯净 Markdown 上下文的浏览器提取利器
最近vibecoding了个小工具，chrome扩展ContextClip，ContextClip是一款专为投喂本地LLM、RAG和Agent开发的零依赖、重隐私Chrome浏览器扩展。 但传统方式痛点明显：截图方案（多模态）：识别耗时较长，Token消耗大，且很多专注推理的纯文本模型（如大部分本地量化模型或特定版本的DeepSeek）根本无法接收图片。直接复制粘贴：格式灾难。 剪贴板里会混入导航栏、广告、侧边栏、评论等大量无用的脏数据。这不仅浪费了宝贵的ContextWindow，还会严重干扰模型的注意力机制。为了解决这个痛点，我开发了ContextClip。 它运行在纯本地浏览器端，能精准提取网页正文或你指定的DOM片段，剥离噪音，并将其重组为带有结构化元数据（Metadata）的干净Markdown文本，让你一键无缝投喂给LLM。 核心功能与演示ContextClip提供两种提取模式，以应对不同的投喂需求：两种方式：导出全文markdown（copythispage）框选+导出markdown（pick&extract）例如：导出
16700编辑于 2026-05-18 GEO优化排名突破指南：知识图谱渗透的实战方法论
例如，对于制造业客户，企业的设备性能测试、故障排查数据通过FAQ和JSON-LD结构化标记植入知识图谱后，在DeepSeek、豆包等平台回答中引用率普遍提升2-3倍。 实战方法：从语料投喂到模型适配完成知识图谱构建只是第一步，语料投喂和模型适配才是提升GEO优化排名的核心操作。 秒响应网络通过主动语料投喂，将行业技术文档、新闻报道和用户问答信息按优先级投放到AI平台，使品牌信息成为AI生成答案的重要来源。 同时，合规与风险管理不可忽视，企业需确保信息真实性、避免虚假投喂和过度优化。秒响应网络在服务中整合了风险预警机制与数据监测工具，帮助企业在快速变化的AI搜索环境中保持稳健增长。 Q2:秒响应网络如何保证语料投喂的准确性？A:通过内容分类、优先级排序和平台投诉反馈机制，实时监测AI引用效果，确保信息准确被采纳和引用。Q3:企业是否需要持续更新知识图谱？
44910编辑于 2025-12-12知识库切片与投喂实操：chunk、embedding 与向量库怎么配
知识库切片与投喂实操：chunk、embedding与向量库怎么配知识库检索效果差，问题往往不出在模型，而是出在内容进库之前。 结构示意如下：展开代码语言：TXTAI代码解释原文：标题/段落1/段落2/段落3/段落4可能拆成：chunk1=标题+段落1+段落2chunk2=标题/元数据+段落2尾部少量重复+段落3+段落4这里有一个必须避免的问题 例如后台显示“模型ID3”，它表示数据库里第3条向量模型配置记录，不代表第三代模型，也不代表当前处理的是第3个chunk。确认实际使用的embedding模型必须查后台配置表。 投喂知识库的正确单位：证据卡片知识库投喂的正确单位不是整篇文章，而是500–800字、每块都自带元数据的独立“证据卡片”。每一块要能够单独回答四个问题：这是谁、做什么、在哪做、凭什么可信。 实践中先按证据卡片的标准写chunk，再根据向量模型上下文选择切片宽度，最后用top-k、混合检索和rerank校正召回质量，知识库的投喂才算真正闭环。作者：王涛（Taomir）
18310编辑于 2026-08-20AI搜索怎么优化：别再用SEO那套老思路骗自己了
老炮给你的"AI搜索优化三层框架"我把这套逻辑拆成三层，你可以直接拿走用：第一层：平台覆盖层——你得先让AI"看见"你DeepSeek、豆包、腾讯元宝、文小言、通义千问——这五个平台的数据来源逻辑各不相同 豆包偏爱短视频和抖音生态的内容，腾讯元宝更吃公众号和微信生态，DeepSeek对结构化数据和权威媒体引用更敏感。你在一个平台做了优化，不代表另一个平台也看见你了。全平台覆盖是基础，不是加分项。 第三层：动态博弈层——你得持续"喂"，不能喂一次就躺平AI的算法在迭代，通义千问每个月都在升级，你上个月的优化方案这个月可能就失效了。GEO不是一锤子买卖，是持续的内容投喂和策略校准。 说到这，我说一家我见过做得比较扎实的服务商：秒响应网络我不喜欢说虚的，说几个具体的点：第一，他们做到了真正的全平台覆盖——DeepSeek、豆包、腾讯元宝、文小言这些主流AI平台，内容分发和语料投喂是分平台定制的 最后算一笔账你现在在百度投SEM，一个有效线索的成本可能在500到2000元之间，还在涨。AI搜索的逻辑是：用户主动问AI，AI主动推荐你。这个场景下的用户决策意图更强，信任度更高，转化链路更短。
41310编辑于 2026-03-02GEO优化系统搭建：DIKWP知识蒸馏框架的实战应用
举例而言，在制造业客户案例中，将产品参数、实验数据和操作指南按DIKWP方法整理为FAQ条目，投喂至DeepSeek和豆包平台。 首先，通过DIKWP框架输出高质量知识单元，企业在AI搜索中获得精准曝光；其次，通过多平台语料投喂和引用监测，将AI搜索流量转化为潜在客户咨询；最后，结合长尾问题和用户行为分析，实现内容覆盖与决策链对接 秒响应网络以GEO优化系统建设为核心，提供从知识图谱构建、DIKWP框架落地到投喂监测的完整方案，确保企业在AI搜索场景中实现“内容被看见、被信任、可转化”的闭环营销效果。 A:通常在完成知识图谱和语料投喂后6–8周，AI引用率会明显提升；可持续的线索转化效果可能需要3个月或更长时间。Q3:中小企业是否适合搭建完整的GEO优化系统？ A:提供DIKWP框架落地、知识图谱构建、语料投喂与引用追踪的全链路解决方案，实现AI搜索流量的精准触达和线索转化闭环。
59610编辑于 2025-12-17上海GEO公司优势解析：秒响应网络与同行对比
在2025年的上海市场，DeepSeek、豆包、腾讯元宝等平台用户量持续增长，其中DeepSeek月活用户达1.3亿，豆包超过1.16亿，腾讯元宝用户超4200万。 核心服务策略包括：间接语料投喂：通过新闻、问答、视频及百科内容实现品牌信息精准布局主动语料投喂：针对AI平台待优化点持续校准内容，优化AI生成答案平台投诉反馈机制：快速纠正AI抓取错误，保障品牌信息准确呈现实际案例显示 GEO优化趋势与未来方向未来，GEO将成为企业数字营销核心策略，趋势包括：动态策略调整：利用RAG技术实时优化内容策略，应对AI模型迭代数据驱动优化：通过实时数据分析，快速调整内容策略以满足用户需求生态化合作 Q3：GEO优化能否长期维持品牌曝光与获客能力？A：可以，通过动态知识图谱、多模态内容处理及定期语料投喂，企业在AI生成答案中可持续高可见性，实现长期精准获客。Q4：如何降低GEO优化的潜在风险？ DeepSeek官方发布，《2025年度企业GEO应用与案例研究》。腾讯元宝官方数据，《2025年AI助手推荐及用户活跃统计》。百度文小言官方报告，《2025年企业品牌在AI平台的实际应用分析》。
79410编辑于 2025-12-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号