1.gpt 4Դ??
2.Auto-GPT 完全体，全部功能（联网、文本、语音、图像）安装教程
3.AI驱动的前端UI组件生成器（Next.js，GPT4，指标公式组合源码Langchain和CopilotKit）
4.[新年快乐/AI永不眠]利用任务提升Agent游戏玩法；本地 RAG 手册开源；CogCoM 新模型增强视觉推理能力
5.GPT-Engineer一夜爆火！一个提示生成整个代码库，GitHub狂飙19k星
6.开发 Web App 的智能体 gptengineer.app

gpt 4Դ??

       深入分析Dify源码：大模型调用异常定位

       在使用Dify服务与Xinference的THUDM/glm-4-9b-chat模型部署时，遇到了知识库检索节点执行时报错大模型GPT3.5不存在的问题。异常出乎意料，因为没有额外信息可供进一步定位。

       通过源码和服务API调用链路的分析，我们发现问题的关键在于知识库检索的实现。该功能在api/core/rag/datasource/retrieval_service.py中，其中混合检索由向量检索和全文检索组成。我们关注了关键词检索、向量检索和全文检索这三个基础检索方式：

       关键词检索：仅使用jieba进行关键词提取，无大模型介入。

       向量检索：通过向量库直接搜索，如Milvus，无大模型调用。

       全文检索：使用BM，大部分向量库不支持，实际操作中返回空列表。

       问题出现在知识库检索节点的多知识库召回判断中，N选1召回模式会调用大模型以决定知识库。在配置环节，前端HTTP请求显示配置错误，使用了不存在的GPT3.5模型。

       经测试，手工创建的知识库检索节点使用了正确的glm-4-9b-chat模型，问题出在默认模板的配置上，即N选1召回模式默认选择了GPT3.5。本地部署时，如果没有配置相应模型，会导致错误出现。

       总结来说，解决方法是修改默认模板，将知识库检索的默认模式改为多路召回，这样可以避免新手在本地部署时遇到困扰。建议Dify官方在模板中改进这一设置，以简化用户部署流程。

Auto-GPT 完全体，全部功能（联网、白色文字源码文本、语音、图像）安装教程

       Auto-GPT 是一种新型 GPT 框架，具备自主迭代、联网查询、自我提示等功能。它能在第一轮对话中接收需求后，自主分解任务并完成，无需人工干预。未来，Auto-GPT 将能调用更多工具和插件，甚至桌面应用，从而极大解放人力。本教程将指导新手如何安装 Auto-GPT 的全部功能。

       一、安装环境

       1. Git 和 Anaconda（Python）安装

       （1）如果已安装 Python，可跳过此步骤。

       （2）安装 Git：访问 git-scm.com/download/wi...

       （3）安装 Anaconda：访问 anaconda.com/，下载并安装

       （4）安装 Python：访问 python.org/downloads/，下载并安装

       二、Auto-GPT 安装

       1. 下载项目

       （1）访问 github.com/Significant-...，复制项目地址

       （2）新建文件夹，按住 Shift 键右键选择“在此处打开 Powershell 窗口”，输入项目地址下载源代码

       （3）解压项目到新建文件夹

       2. 安装依赖库

       （1）打开 Auto-GPT 源码文件夹

       （2）在空白处按住 Shift 键右键选择“在此处打开 Powershell 窗口”，输入命令下载依赖库

       3. 更名与新建

       （1）将 .env.template 改名为 .env

       （2）创建 auto-gpt.json 文件

       三、API-key 获取

       1. OpenAI API-key

       （1）进入 platform.openai.com/acc...

       （2）复制 key，粘贴到 .env 文件中

       2. Pinecone API-key（可选）

       （1）打开 app.pinecone.io/，注册并复制 key

       （2）粘贴 key 到 .env 文件中

       3. Google API-key（可选）

       （1）打开 console.cloud.google.com...

       （2）创建项目，创建 API 密钥，复制 key

       （3）打开 programmablesearchengine.google.com...

       （4）点击“添加”，填写信息，复制搜索引擎 ID

       （5）将 key 和搜索引擎 ID 粘贴到 .env 文件中

       4. HuggingFace API-key（可选）

       （1）打开 huggingface.co/settings...

       （2）点击“Access Tokens”，复制 key

       （3）粘贴 key 到 .env 文件中

       5. ElevenLabs API-key（可选）

       （1）打开 beta.elevenlabs.io/

       （2）复制 key 和 voice ID

       （3）将 key 和 voice ID 粘贴到 .env 文件中

       四、运行 Auto-GPT

       1. 打开命令行，cd 到 Auto-GPT 目录下，或打开 Powershell 窗口

       2. 输入命令运行 Auto-GPT，设置任务、目标等参数

       五、解决 APIConnectionError 错误

       在 Python 安装目录下的 site-packages\openai\api_requestor.py 代码中，添加红框内容，并在使用到该函数的地方增加接受 proxy 的变量

AI驱动的前端UI组件生成器（Next.js，GPT4，Langchain和CopilotKit）

       构建AI驱动的前端UI组件生成器，以帮助您生成Next.js Tailwind CSS UI组件，分时线背景源码是一个兼具高效与便捷的开发方法。本教程将引导您通过几个关键步骤，构建一个集成有AI功能的UI组件生成器，从项目设置与包安装，到前端界面设计与AI功能集成，最终实现生成及使用UI组件的全过程。以下内容将具体介绍如何完成这一构建过程。

       首先，确保您的开发环境已准备就绪。为了能充分理解接下来的教程，您需要对React或Next.js有基本了解。本项目将利用Ace代码编辑器、Langchain包及其依赖项，以及CopilotKit工具。您需要在终端中运行以下代码片段以创建Next.js应用程序：`bash npx create-next-app@latest aiuigenerator`。接下来，安装Ace、Langchain及其依赖，以及CopilotKit，这将为添加AI功能做好准备。

       在项目结构中，我们将创建一个名为`components`的文件夹，并在其中包含`Header.tsx`与`CodeTutorial.tsx`两个文件。`Header.tsx`负责定义导航栏，`CodeTutorial.tsx`则展示生成的UI组件、嵌入式代码编辑器及实现教程。在`page.tsx`文件中，导入并定义`Home`函数组件，用于整合`Header`和`CodeTutorial`组件。在完成上述步骤后，删除`globals.css`中的CSS代码，并添加自定义CSS以优化界面外观。运行`npm run dev`命令，然后访问`/AntonOsika/g...。

       GPT-Engineer的特色包括：一个提示就能生成一个代码库，提出需要澄清的问题，生成技术规范，编写所有必要代码，易于添加自己的推理步骤、修改和实验，项目开源，分分钟让你完成编码。这预示着未来软件创造将是一个人机共话的时代。

       项目主要作者Anton Osika在6月日首次推出GPT-Engineer，营销通appw源码并介绍了这款AI工具最大的特点：简单易用，能够为用户提供价值；灵活且易于添加新的「AI步骤」；支持高级提示，可以记住用户反馈；能快速在AI和人类之间快速切换；所有计算都是「可恢复的」，并持久地保存到文件系统。这个项目独特地方在于，开发者在文本文件中提交需求，GPT-Engineer不是无条件接受这些要求，而是提出许多详细的问题来让程序员澄清缺失的细节。

       GPT-Engineer的工作流程分两个阶段：需求细化促进阶段和软件构建阶段。在需求细化阶段，用户提供的包含软件需求的文本文件被提交给GPT-Engineer，并被放置在OpenAI的GPT的初始消息中，同时还包括确定澄清问题的指示。GPT-Engineer系统接收来自OpenAI GPT-4的反馈，了解哪些需求需要澄清，并回应提示用户澄清的问题。整个过程循环，直到所有问题澄清到OpenAI GPT-4满意为止。在软件构建阶段，前一阶段提炼的需求被打包，并与OpenAI的GPT指令（即系统提示）和另外一套GPT-Engineer希望看到的输出指令（即用户提示）一起包装起来。GPT-Engineer收到来自OpenAI GPT-4的响应，然后创建源代码文件。

       使用GPT-Engineer，你可以创建一个多人可玩的贪吃蛇网页版游戏。你只需要输入一些关键提示，GPT-Engineer就会让你继续回答一些细节的问题，例如游戏规则和机制、玩家互联、游戏状态更新、用户界面、游戏控制、游戏结束状况和代码结构。具体步骤唰唰唰地来了，最后一款完美的贪吃蛇游戏代码就完成了。

       用户反馈显示，「澄清问题」是真正使GPT-Engineer脱颖而出的原因，因为修复生成代码中的问题往往比编写代码本身需要更多的时间。然而，这个项目火虽火，一位网友测试了GPT-Engineer，给出了体验：难设置，实际上不是创建文件，只是asong盲盒源码让你从命令行中运行一次（即不能调试），与ChatGPT4的能力相当。还有网友对基准指出了问题，GPT-Engineer做了几个简单的编程任务，并将它们作为基准，可以为你快速开发一个currency_converter，但不能正确编码一个pomodoro_timer。

       安装方法：对于稳定版本，使用pip install gpt-engineer；对于开发版，git clone git@github.com:AntonOsika/gpt-engineer.git，cd gpt-engineer，make install，source venv/bin/activate。设置使用GPT4访问权限的API密钥运行：export OPENAI_API_KEY=[your api key]。运行：创建一个空文件夹，如果在repo中，可以运行cp -r projects/example/ projects/my-new-project，在新文件夹中填写 main_prompt，运行gpt-engineer projects/my-new-project。检查 projects/my-new-project/workspace 中生成的文件。

       项目主要作者Anton Osika是Depict.ai的首席技术官，创建了机器学习推荐系统，通过尖端的机器学习、计算机视觉和自然语言处理来理解产品。就在4小时前，他还发了一条动态称，GPT-Engineer已经跃升到k星，一点也没有减速迹象。

参考资料：

github.com/AntonOsika/g...

开发 Web App 的智能体 gptengineer.app

       gptengineer.app

       gptengineer.app是一个专注于为非技术人员生成Web应用程序的项目。提供直观的界面，连接到Git控制的代码库，支持开源社区。

       项目提供多样化的技术栈选择，包括Chakra UI、Simple HTML、JS和CSS文件生成、Tailwind Daisy UI、以及Tailwind等，满足不同需求。

       选择多种模型名，如claude-3-opus-、claude-3-haiku-、gpt-4--preview、gpt-3.5-turbo等，以适应不同的生成场景。

       创建网站：只需稍等片刻，网站即可建立完成。用户可通过编辑器查看生成的页面。

       优化需求：通过自然语言对话，用户可以轻松修改网页内容，如删除或增加特定段落。如："关于我们"字样删除，并扩展介绍内容至字。

       发布网站：完成修改后，用户可以直接发布网站。

       设置功能：关联GitHub账号，管理项目，查看生成的初始化代码。点击“Code”链接直接跳转至GitHub仓库，查看源代码。

       预览网站：使用“Live”选项预览最终效果。

       付费计划：gptengineer.app提供付费服务，用户可根据需求选择相应计划。服务内容涵盖网站生成、优化、发布及管理。

9个用于测试自动化的最佳AI测试工具（）

       选择优质的AI测试工具能确保测试流程的准确性和效率，加速软件测试周期。相反，设计不佳的工具可能无法发现错误，并可能引发安全问题，导致误报或漏报，误导开发与测试团队，引发潜在软件故障。以下是九款用于测试自动化的AI测试工具，它们在不同方面表现出色，为软件开发和测试团队提供了强大的支持。

       1. testRigor

       testRigor是一个基于AI的测试工具，简化了测试用例的编写过程，让开发人员和测试人员能够轻松操作。它通过AI自动化维护过程，确保测试的高准确度。testRigor提供顺畅的Web或移动应用测试体验，包括自我修复和真实设备测试功能，且能完美集成到CI/CD流程中。

       2. Global App Testing

       Global App Testing是一种用于复杂功能和用户体验测试的AI驱动工具，适合产品主管和QA专业人员使用。它通过与后端服务连接，帮助用户更好地理解软件和AI输出，被多家企业采用，包括谷歌、微软和Facebook。

       3. LambdaTest

       LambdaTest是一个AI驱动的测试执行平台，支持在云基础架构上进行大规模手动和自动化测试。它利用AI增强的HyperExecute功能，优化测试流程，提供RCA以快速解决问题，并进行高级片段测试检测。

       4. BlinqIO

       BlinqIO是一种AI驱动的测试工具，提供强大的测试框架，简化软件开发流程。它帮助用户在开发阶段识别错误，优化和改进软件解决方案。

       5. Roost.ai

       Roost.ai是一个AI驱动的测试工具，利用Vertex AI和GPT-4等LLM进行自动化软件测试。它提供%的测试覆盖率，加速测试过程，通过源代码、用户故事和其他输入自动创建测试用例，实现过程自动化和准确结果。

       6. MagnifAI

       MagnifAI是一个AI驱动的测试平台，自动化不同行业软件测试流程。它集成LLM和AI自动创建测试脚本，加速测试周期，提高软件质量，减少测试时间和自动化重复任务。

       7. ContextQA

       ContextQA是一种支持AI的软件测试工具，提供自动测试解决方案，增强软件QA过程。它是由Deep Barot创建的Selenium的替代品。

       8. Relicx

       Relicx利用生成AI简化软件测试，提供无代码测试编写、自我修复测试和可视化回归检测功能。它的强大API和CLI使其无缝集成到CI/CD流程中，支持可靠软件版本的高效端到端测试和用户验收测试。

       9. Momentic

       Momentic是一个低代码、AI驱动的测试平台，帮助开发人员快速高效地创建端到端测试。它与CI/CD工作流无缝集成，加速开发流程。

gpt既不开源,又不允许蒸馏,跟openai这个名字还相符吗?

       ChatGPT 的流行引发了对开源的热烈讨论。一些人认为，只要OpenAI 开放源代码，全球就能迅速获得ChatGPT。然而，这实际上是一种误解。开源是指公开源代码，过去我们常将其理解为免费获取软件项目的原始代码，例如 Linux 操作系统。拿到 Linux 源码后，理论上可以在本地编译相同的系统内核。但实际上，编译过程可能会因编译方法的不同而产生差异，这通常会使人们误解开源的力量，以为开源能带来广泛且快速的普及。然而，大语言模型的开源概念与此完全不同。

       如果 OpenAI 真的开放了GPT-4的源代码，那也只是其中的一部分。大语言模型的开源实际上涉及三个主要对象：源码、算法以及数据。算法的核心部分包括模型结构和训练方法，这通常是开源的。然而，要实现与 ChatGPT 类似的模型，还需要高算力和大数据。算法、算力和数据是人工智能时代的三大要素，缺一不可。仅拿到源码并不意味着能构建出类似 ChatGPT 的模型。

       高算力是一个关键门槛，但并不是所有企业都能跨越。然而，数据的获取和质量则是另一个巨大的挑战。数据对于人工智能的重要性无需赘言，无论是人工智能时代还是人工智障时代，数据的规模和质量都是影响模型表现的关键因素。数据标注需要投入大量的人力、财力和时间，这使得数据集的建设成为一项艰巨的任务。即使是财力雄厚的企业如 OpenAI，也会在数据标注上寻求成本效益。

       开源意味着共享和协作，它对人工智能的快速发展起到了重要作用。学术论文通常是研究成果的一部分，许多作者选择免费公开论文，为研究社区提供了宝贵的知识资源。源码并非必需，有些研究者仅发布论文而不提供源码，可能出于对成果的保护、对源码质量的担忧，或是担心复现效果的问题。大公司和机构在使用开源模型时更为谨慎，他们可能出于社会责任、安全伦理等考虑，选择仅公开模型而不公开所有细节。

       就开源数据集而言，其重要性往往被忽视。中文大语言模型面临多种需求，开源数据集的建设是推动这一领域发展的关键。虽然存在诸多挑战，但已有项目开始致力于开源数据集的建设，这些努力如同星星之火，正逐渐点亮中文大语言模型发展的道路。

小游戏出海！势在必行！（内含出海工具推荐）

       今天，整个游戏行业都被一条爆炸性新闻点燃了激情：

国家新闻出版署的最新公告，无疑对国内游戏市场产生了深远影响，引发了一波股价动荡，各大游戏公司的股价在短短时间内大幅下跌，游戏圈和投资圈的讨论热度飙升。</在这样的背景下，出海似乎成为游戏行业的一剂良药，尤其对于面临挑战的小游戏开发者来说，海外市场的探索显得尤为重要。

       让我们聚焦于年小游戏的严峻环境，其中买量成本的飙升和政策变化是关键因素。《寻道大千》、《咸鱼之王》和《疯狂骑士团》等爆款的崛起，让内购付费(IAP)小游戏主导了市场，这不仅提高了买量成本，也使得长线广告变现(IAA)愈发艰难，比如像《动物餐厅》这样长期的商业模式几乎难以复制。

       另一个不容忽视的问题是，软著申请门槛提升和小游戏备案新政策的实施，使得游戏上线周期延长至至少两个月，这对于依赖快速试错的轻度超休闲游戏来说，无疑是一场生存考验，竞争压力急剧增大。

       在这一片红海中，老菜喵诚挚建议新入行的休闲游戏开发者审慎考虑海外市场，那里隐藏着尚未被充分挖掘的蓝海机遇。尤其从手机流量增长的态势来看，海外市场正经历爆炸式增长，H5游戏市场年已达到亿美金规模，预计年将达到惊人的亿美金，为IAA游戏提供了广阔空间。

       Google的最新研究显示，全球%的玩家在过去一个月里玩过H5游戏，这表明海外用户基础庞大。尽管本地化成本一度被视为难题，但随着AI技术的进步，借助ChatGPT等工具，开发者可以轻松实现游戏内容的本地化，我也会分享一些实用的工具和案例。

       小游戏出海的有利因素与策略

       个人独立站：H5游戏盒子作为品类集合，可借助Cocos Creator开发，这个引擎拥有《疯狂骑士团》等热门作品背书，其商店提供丰富的游戏源码，便于快速定制和分发，且内置Google AdSense，一键变现。

       运营策略：选择优质域名，如.cc或.top，注重游戏数量（至少款，拳头产品优先）和品类多样性，从T1国家起量，用GPT4进行低成本的高质量翻译，利用激励视频广告等手段提升用户体验。

       内置流量：与手机厂商和大应用合作，避免同质化，选择国内信誉良好的发行/厂商，确保海外结算顺利。

       门户网站流量：合作超过家主流平台，确保游戏的多元化分发。

       最后，出海投放策略也不容忽视，一个高效的情报工具——广大大(SocialPeta)凭借其丰富的素材库和竞品分析功能，能极大提升广告营销的效率，成为游戏开发者出海路上的得力助手。