DeepSeek凭借其创新的技术和卓越的性能，迅速崭露头角，成为行业内备受瞩目的力量。DeepSeek的应用不仅在国内外各大社交媒体平台上取得了显著的用户增长，还在AI技术的多项评比中名列前茅，展现了其强大的市场竞争力。 DeepSeek R1模型引入了不依赖监督微调的强化学习技术，使得模型在微调后的性能大幅提升。例如，在数学能力方面，基础模型的得分为100分，而经过微调后，得分可达到450分。本文基于对DeepSeek-V3和R1论文的研究，解析 DeepSeek-R1 的训练过程以及其核心技术原理。

虽然我很早就开始使用 Stable Diffusion了，但基本是浅尝辄止：搭建好本地环境，画了一些图片图，然后看了下 API 接口，并接入到了 GeekAI 创作助手，然后。。。就没有然后了。我平常的工作也很少用到 AI 绘图，偶然要用的话一般也用 MidJourney 解决。

上周，为了满足工作需求，我尝试用ComfyUI创建AI换装流程，并设置了本地运行环境。然而，我发现ComfyUI比之前用过的Stable Diffusion WebUI复杂。后者操作简单，只需输入提示、选模型、调参数就能生成图片。而在ComfyUI中，除了选模型，还需加载Clip模型、VAE等，这些我以前只是听说过名字而已。

由于跳过很多基础的原理性东西，以至于现在在操作上遇到很多问题。于是打算花点时间把 Stable Diffusion 的基础知识重新学习了一遍。学完之后我的感受是，基础知识远远比技巧重要，不懂原理，你学习技巧会很吃力，即使你通过大量的练习掌握了一些 AI 绘画技巧，等换一个软件，你之前学的技巧可能就不适用了。 比如，如果两个 AI 绘图软件使用的 clip 模型不一样，那么它们所用到的提示词技巧可能 就会不一样。如果你掌握了底层原理和基础知识，那么你的技能迁移也会比别人快很多。

Docker相关的网络环境问题一直是困扰开发者的难题，尤其是近半年以来，拉取 Docker 官方镜像仓库的镜像都变得非常麻烦，运气好的话，超时十来次之后你也许能拉取下来，运气不好的话，你一晚上都下载不完一个镜像。

本文介绍如何通过设置代理的方式，解决 Docker 使用过程遇到的各种网络问题。

这一讲，我们讲讲如何使用 ChatGPT 进行对话式学习。

自从有了 ChatGPT 之后，我基本很少用传统的搜索引擎了，考虑到 ChatGPT 最新的模型 GPT-4 的训练数据也只是截止到 2021 年 9 月，在调研一些最新的研究报告的时候我会用一下 Bing Chat。其他的搜索问题我都基本用 ChatGPT 来解决，我实在是太喜欢 ChatGPT 这种直指问题本质的回答了。

# 一、学习原本的样子

OpenAI的CEO山姆·阿尔特曼（Sam Altman）在一次访谈中提到，他现在宁可通过ChatGPT——而不是读书——学习一个东西。对此我深有启发，ChatGPT 是一个强大的自然语言处理工具，能够理解和生成各种类型的文本。既然这样，那我们为什么不让 ChatGPT 先帮我们去帮我们把书读一遍，然我再通过向 ChatGPT 提问来获得我想要的书中的知识。事实上在古代书籍没有大量普及之前，人们就是通过这种对话式的方式学习的，比如孔子和苏格拉底他们就是通过这种问答式的对话方式把知识传递给学生的。也许这才是[学习]原本的样子。

今天课程的主要内容，我们来学习一些 ChatGPT 的初级技巧。首先我会带大家认识 ChatGPT。然后会通过一些例子来告诉大家一个合格的 ChatGPT Prompt（提示词）应该包含哪几个要素。

上一讲我们们已经快速地了解了 AI 生成的文本的基本原理，我们还一起学习了一个跟 AI 沟通的万能公式：

角色设定 + 背景信息 + 任务目标 + 任务描述

有了这个万能公式我们已经能确保 AI 的生成质量基本在可控的范围之类，不会提供一个太差的答案。 但是【不太差】并不是我们的目标，我们的目标是让 AI 生成符合我们预期甚至超出我们预期的答案。这一讲我们来继续探讨如何进一步提升 AI 的生成质量。

今天我们会介绍 4 种提高 AI 输出质量的方法，分别是：添加参照示例，提供输出模板，融入个人见解，引导 AI 思辨。

你好，从今天开始我将连载一门 ChatGPT 入门小课程。这门课程脱胎于我今年在公司开设的内部培训课程《AI助力工作学习》内部课程。 这里我将部分课程做了数据脱敏处理，免费分享给大家。