Fabric 简介
Fabric[1] 是一个开源框架,目的是利用人工智能(AI)增强人类能力。
它通过一系列众包的 AI 提示(Patterns),提供了一个模块化的解决方案框架,以解决特定问题,并且可以在任何地方使用。
项目特点
-
模块化设计:
fabric
采用模块化设计,便于针对不同问题选择合适的解决方案。 -
众包 AI 提示:利用社区力量,收集并整合 AI 提示,形成强大的问题解决库。
-
易于集成:设计有用于简化集成流程的功能,让 AI 技术更易于融入日常生活。
使用场景
-
提取 YouTube 视频和播客中最有趣的部分。
-
根据一个想法用你自己的声音写一篇文章。
-
总结晦涩难懂的学术论文。
-
为一段文字创作完美的 AI 艺术提示。
-
评估内容的质量,以决定是否值得阅读或观看。
-
获取长而无聊内容的摘要。
-
解释代码。
-
将糟糕的文档转换为可用的文档。
-
从任何内容输入创建社交媒体帖子。
使用方法
安装
确保安装了 Go 语言环境,然后通过以下命令安装 fabric
:
go install github.com/danielmiessler/fabric@latest fabric --setup
环境变量配置
在 ~/.bashrc
或 ~/.zshrc
文件中添加以下环境变量:
export GOROOT=/usr/local/go export GOPATH=$HOME/go export PATH=$GOPATH/bin:$GOROOT/bin:$HOME/.local/bin:$PATH:
升级
使用安装命令升级到最新版本:
go install github.com/danielmiessler/fabric@latest
使用示例
安装完成后,可以通过以下命令使用 fabric
:
fabric -h
Patterns 使用示例:
- 基于标准输入运行
summarize
Pattern:
pbpaste | fabric --pattern summarize
- 使用
--stream
选项运行analyze_claims
Pattern 获得即时结果:
pbpaste | fabric --stream --pattern analyze_claims
- 从 YouTube 视频获取智慧并使用
--stream
选项:
yt --transcript https://youtube.com/watch?v=uXs-zPc63kM | fabric --stream --pattern extract_wisdom
Fabric提供了大量Patterns,帮助用户收集和整合AI提示,这些Patterns可用于提取YouTube视频和播客的有趣部分、写作、总结学术论文、创建AI艺术提示等。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。