如今,翻译已成为日常工作中不可或缺的一部分。无论是出国旅游、阅读外文资料,还是在跨国企业中工作,翻译都无处不在。
因此,拥有一个准确且高效的翻译工具至关重要。它不仅能帮助你避免误解,还能显著提升工作效率。
最近,吴恩达提出 “AI Agentic Workflow(AI 智能体工作流)”将引领人工智能新趋势之后,昨天他基于这一理念构建了一个「AI 智能体翻译工作流」,并在 GitHub 上开源。
GitHub:https://github.com/andrewyng/translation-agent
该工作流旨在利用人工智能技术,简化和加速翻译过程,为企业和个人带来更加高效和精确的翻译解决方案。
主要分为如下三个步骤:
-
通过指定大语言模型(LLM)进行语言之间的翻译;
-
对翻译结果进行反思,并提出改进建议;
-
再根据这些建议进行优化翻译。
同时这也是一套高度可控的翻译工作流,你只需通过修改提示词,就可以指定语气(正式或非正式)、地区等,甚至你还可以提供专业术语表来确保术语翻译的一致性。
下面一起来看下如何安装部署使用该工作流。
- 首先需要安装 Poetry 包管理器:
pip install poetry
- 拉取项目源码到本地:
\# 克隆项目到本地
git clone https://github.com/andrewyng/translation-agent.git
\# 进入项目文件夹下
cd translation-agent
- 安装相关依赖及激活环境:
\# 安装 Poetry 相关依赖包
poetry install
\# 激活虚拟环境
poetry shell
- 将项目文件夹下的 .env.sample 文件去掉后缀 .sample,并填入 OPENAI_API_KEY:
OPENAI\_API\_KEY\="sk-xxxxx" \# replace "sk-xxxxx" with your secret OpenAI API key
- 运行项目提供的示例:
\# 在 examples 文件夹下提供相关示例
python example/example\_script.py
- 其他相关用法说明:
import translation\_agent as ta
source\_lang, target\_lang, country \= "English", "Chinese", "China"
translation \= ta.translate(source\_lang, target\_lang, source\_text, country)
通过以上步骤,如无问题可正常运行工作流,来看下我测试得到的结果:
吴恩达表示在他们的测试中,这套翻译 Agent 工作流在翻译质量上有时甚至可以媲美领先的商业翻译工具。
不过,吴恩达也表达了这是一个并不完善的翻译工具,仍有很大的优化空间,呼吁开源社区一起来完善它。
项目是以 MIT 许可开源的,你可以自由使用、修改和分发该代码,无论是商业用途还是非商业用途。
最后,吴恩达还分享了几点继续优化该智能体的想法,如尝试其他大语言模型、常用的专业术语表应用以及在不同语言上的表现评估等。
可预见的,在各种大语言模型逐渐发展成熟后,机器翻译的流程将会越来越简化。
以视频字幕为例,我们可以基于 Whisper 模型来快速生成视频字幕文本,将字幕文本拆分后,转而提交给 GPT-4o 或其他大语言模型进行翻译。此前我翻译吴恩达老师的《ChatGPT 提示工程》教程时,便是采用的这种方式。
能够熟练将各种 AI 工具进行配套组合,进而让个人能力发生质变,这是我认为当下人工智能时代,作为普通人最需要掌握的核心技能。
文中所提到的所有开源项目与工具,已收录至 GitHubDaily 的开源项目列表中。
该列表包含了 GitHub 上诸多高质量、有趣实用的开源技术教程、开发者工具、编程网站等内容。
从 2015 年至今,累计分享 3500+ 个开源项目,Star 增长 24000+,有需要的,可访问下方 GitHub 地址自取:
GitHub:https://github.com/GitHubDaily/GitHubDaily
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。