日志

科研论文配色选择器

作者

在科研论文写作过程中，图表的视觉呈现对于有效传达研究结果至关重要。一套精心选择的配色方案不仅能够增强数据的可读性，还能为您的论文增添专业气息。有鉴于此，我开发了这款科研论文配色选择器，旨在帮助研究人员轻松获取高品质的学术配色方案。

访问方式：www.linchaoran.com/F
或从聚合搜索入口进入：www.linchaoran.com/s

这款配色工具的设计灵感来源于顶级学术期刊中的优秀论文图表。通过分析Science、Nature等知名期刊中发表的高质量图表，我收集并整理了一系列专业、和谐且具有视觉吸引力的配色方案。无论您是准备投稿到顶级期刊，还是希望提升日常学术汇报的视觉效果，这款工具都能满足您的需求。

当您首次访问这个配色选择器网页时，您可能需要稍等片刻，因为系统需要加载大量的配色数据。在页面完全加载后，您将看到一个简洁明了的界面，其中展示了多种来自顶级期刊的配色方案。每个配色方案都以色块的形式展示，并标注了颜色数量。这些方案按照不同的颜色数量（从2-3色到14-16色不等）进行了分类，以满足不同类型图表的需求。无论是简单的折线图还是复杂的多维数据可视化，您都能找到适合的配色方案。

在使用过程中，您可以通过顶部的控制面板切换视图模式和筛选颜色数量。标准视图为您提供较大的色块展示，便于您仔细观察每种颜色；而网格视图则更加紧凑，让您能够一次性浏览更多的配色方案。通过颜色数量筛选功能，您可以快速找到符合您当前需求的配色方案，例如，如果您需要绘制一个包含5个数据系列的柱状图，可以直接筛选”4-5色”配色方案。

对于每种颜色，工具提供了完整的HEX代码和RGB值，方便您在各种绘图软件中使用。当您看中某个颜色时，只需点击色块，系统会自动将该颜色的HEX代码复制到您的剪贴板。如果您需要RGB值，只需点击显示的RGB数值即可复制。此外，每个颜色下方还标注了”适合白色文字”或”适合黑色文字”的提示，帮助您在使用这些颜色作为背景时选择合适的文字颜色，确保最佳的可读性。

随着您浏览页面，您可能会注意到右下角有一个向上箭头按钮，当您向下滚动一定距离后，该按钮会显示出来。点击此按钮可以快速回到页面顶部，这在浏览大量配色方案时特别有用。此外，当您更改筛选条件时，页面会自动滚动到顶部，让您从头开始浏览新的筛选结果。

值得一提的是，本工具中的配色方案全部来源于一系列优质的知乎专栏文章，包括”跟着顶刊学科研绘图——science配色篇（一）”、”跟着顶刊学科研绘图——nature配色篇（一/二/三）”以及”分享 | 顶刊高质量论文插图配色（含RGB值及16进制HEX码）”系列和”论文配色：跟着顶刊学配色（Nature篇）”。对这些文章的作者表示诚挚的感谢，正是他们的分享让更多研究者能够接触到专业水准的学术图表配色知识。

使用本工具时，请记住配色只是图表设计的一个方面。虽然美观的配色能够提升图表的专业感，但内容的准确性和清晰度始终是最重要的。建议您在选择配色时，考虑数据的特性、期刊的偏好以及读者的阅读体验。例如，对于展示变化趋势的图表，使用渐变色可能更为合适；而对于分类数据，则应选择对比度适中的离散色彩。同时，也请考虑色盲友好的配色方案，确保您的研究成果对所有读者都同样清晰可辨。

随着学术出版的数字化趋势，越来越多的论文将在电子媒介上阅读，这使得合适的配色显得更加重要。本工具中的配色方案经过精心选择，不仅适合传统印刷出版物，也同样适合数字显示设备。您可以放心使用这些配色方案，无论最终的呈现媒介是什么。

我希望这款科研论文配色选择器能够成为您学术写作过程中的得力助手，为您节省在配色选择上的时间和精力，让您能够更专注于研究内容本身。虽然工具加载可能需要一点时间，但我相信，这些经过精心收集和整理的配色方案将为您的学术图表增添专业光彩，帮助您更有效地传达研究成果，提升论文的整体质量。

论文评审意见综合器：教师评审助手

作者

作为高校教师或论文评审人，每到毕业季总要面对大量学位论文的评审工作。如何高效地为不同学生提供有针对性的修改建议，同时保持评审质量和规范性，是一项不小的挑战。我最近开发的这款”论文评审意见综合器”正是为解决这一问题而生。

访问方式：https://www.linchaoran.com/e
可以通过 聚合搜索主页跳转访问：https://www.linchaoran.com/s

这款工具的设计初衷很简单：帮助教师快速组织、筛选并生成规范的论文评审意见。使用过程中，您只需三个简单步骤就能完成以往需要反复编辑的工作。

首先，教师可以将常见的评审意见库粘贴到工具的输入框中。这些意见可以按层级组织，例如使用”#”开头标记主要问题类别（如”# 研究方法问题”），用”##”标记具体问题（如”## 实验设计缺陷”），再在下方列出细节性建议。这样的组织方式特别适合建立个人的评审模板库，覆盖从文献综述、研究方法到实验设计等各个方面。

当您需要评审一篇新论文时，只需点击”生成可勾选列表”按钮，系统会将您的意见库转换为层级清晰的复选框列表。根据当前论文的具体情况，勾选适用的问题和建议，跳过不相关的内容。这种筛选机制确保了评审意见的针对性，避免了”一刀切”的模板化评审。

如果遇到意见库中没有覆盖的特殊问题，您可以在”其他建议”区域直接补充个性化意见。这些临时添加的建议会被自动整合到最终文档中，形成完整的评审反馈。

点击”生成编号列表”后，系统自动将您选择的意见整合为规范的评审文档，采用标准的层级编号格式。主要问题类别使用”一、二、三”等中文数字编号，具体建议则使用阿拉伯数字序号。生成的文档可以一键复制，直接粘贴到评审系统或返回给学生的邮件中。

这款工具特别适合以下几种场景：批量评审多篇学位论文时，可以快速调用相似问题的标准表述；指导多名研究生时，确保评审标准的一致性；外审或盲审论文时，提高评审效率的同时保持专业水准。

一位使用该工具的教师分享道，以往评审一篇硕士论文需要半小时来整理意见，而使用这款工具后，在已有评审库的基础上，只需5-10分钟就能完成一篇论文的评审意见撰写。更重要的是，标准化的表述和清晰的层级结构使得学生更容易理解和执行修改建议。

工具的另一个优势是帮助教师逐步建立个人的评审知识库。常见问题和修改建议可以积累沉淀，随着评审经验的增加不断丰富和完善。这种积累不仅提高了评审效率，也让评审质量更加稳定和专业。

使用建议：可以按不同学科或论文类型（实验类、调研类、理论类等）建立多套评审模板；评审前先将常见问题整理好，减少重复输入；可以与同领域同事共享评审库，提升整个团队的评审效率。

这款工具的操作界面简洁明了，无需安装任何软件，通过浏览器即可访问使用。无论您是需要评审一两篇论文的兼职评审人，还是面对几十篇毕业论文的导师，这款工具都能为您节省宝贵的时间和精力，让评审工作变得更加高效和专业。

使用 Cherry Studio 和 API 来调用大模型的优势（2025-04-13更新）

作者

在人工智能领域，大模型的应用越来越广泛，但如何高效、经济地使用这些模型，是许多开发者和用户关注的问题。今天，我想简单介绍一下 Cherry Studio 和通过 API 调用大模型的方式，并说明为什么这种方式比直接订阅大模型服务更具优势。

1. 更经济实惠

许多大模型服务提供按月订阅，比如某些服务的月费高达 20 美元，而且当你需要使用若干付费服务时，需要花费更多美元（写程序用 claude 3.7 、网络检索用 Perplexity Pro 都需要充值）。而通过 Cherry Studio 和 API 调用大模型，成本可以大大降低。API 调用通常按使用量计费，这意味着你只需为实际使用的资源付费，避免了固定订阅费用的浪费。对于使用频率不高的用户来说，这种方式尤其划算。

2. 使用灵活，随时切换模型

通过 API 调用大模型，你可以根据需要随时切换不同的模型。比如，你可以在需要高精度时使用 Claude 3.7，而在需要快速响应时切换到其他模型。这种灵活性是固定订阅服务无法提供的，因为订阅通常只能使用特定的模型。

3. API 供应商的优惠

目前，市场上有很多 API 供应商，它们各有特点，用户可以根据自己的需求选择合适的供应商。以下是两个推荐的 API 供应商：

  • DMXapi：价格较高，赠送的额度较少，但速度非常快。适合对响应速度要求较高的用户。（支持 Claude 3.7 Sonnet、支持 DeepSeek）注册链接
  • 硅基流动：价格较为便宜，赠送的额度较多，但有时速度较慢。适合预算有限且对速度要求不高的用户。（不支持 Claude 3.7 Sonnet、支持 DeepSeek）注册链接
  • OpenRouter.ai：OpenRouter.ai 是一个智能化的AI模型路由平台，通过统一的API接口集成GPT-4、Claude、Llama等主流模型，帮助开发者摆脱多模型独立对接的繁琐。平台采用智能路由引擎，根据任务复杂度、成本预算和延迟要求自动分配最优模型，既能将轻量级任务调度至高性价比模型，也能为关键业务保留高性能算力。（支持几乎全部模型，费用略高）注册链接

4. 联网能力与模型性能

通过 Cherry Studio 和 API 调用的大模型，具备一定的联网能力，可以获取网络资料。虽然这种能力比不上像 Kimi 这样的专业搜索引擎，但大模型的整体能力（如理解、生成文本等）要比 Kimi 强很多。对于需要结合网络资料和模型能力的任务，这种方式是一个不错的选择。

此外，新版本的 Cherry Studio 可以通过内建的 tavily.com 检索，或通过直接访问 Google 检索（推荐）。

5. 自建资料库与文档提问

Cherry Studio 还支持自建资料库，你可以上传自己的文档，并对这些文档进行提问。这对于需要处理大量私有数据的用户来说非常有用，比如项目内部的文档管理、知识库构建等场景。比如我把全部笔记都做了向量化处理，我使用 OpenAI 的 text-embedding-3-large 完成一次向量化大概需要 1 人民币，这样我可以随时很方便的对笔记提问。

6. 推荐使用 Claude 3.7 编程

对于编程爱好者来说，Claude 3.7 是一个非常强大的工具，尤其是在代码生成和调试方面。通过 Cherry Studio 和 API，你可以轻松调用 Claude 3.7，享受其强大的编程辅助功能。

通过 Cherry Studio 和 API 调用大模型，不仅经济实惠，而且使用灵活，能够根据需求随时切换模型。此外，API 供应商提供的优惠和不同特点，也为用户提供了更多选择。无论是需要联网能力、自建资料库，还是使用 Claude 3.7 进行编程，这种方式都能满足你的需求。如果你正在寻找一种高效、低成本的大模型使用方式，不妨试试 Cherry Studio 和 API 调用。

具体使用流程 B 站有很多介绍，可以自行摸索。

主页：https://cherry-ai.com/
基础教程：https://docs.cherry-ai.com/pre-basic/installation

提示词组合器

作者

工具地址：https://www.linchaoran.com/wp-content/uploads/s.html 中选择「提示词组合器」
或直接访问：https://www.linchaoran.com/wp-content/uploads/D.html

提示词生成器是一款精心设计的工具，旨在简化提示词的创建和管理过程。这个工具的核心理念是将提示词分解为三个主要部分：前缀（A部分）、中间内容（B部分）和后缀（C部分）。这种模块化的设计让用户能够灵活地组合不同的内容，从而快速生成所需的提示词。

让我们深入了解这个工具的设计思路和使用方法。首先，在界面顶部，你会看到一个实时预览区域，它会显示当前组合的完整提示词。紧接着是三个主要的操作区域。在左侧，你可以设置提示词的前缀，这通常是你的提示词中较为固定的开头部分。在右侧，你可以设置后缀，这是提示词的结束部分。而在中间部分，你可以添加和管理多个可选的内容块。

工具的一大特色是其灵活的中间内容管理系统。你可以通过多种方式添加内容：可以直接在输入框中输入单条内容后点击添加，也可以使用批量导入功能一次性添加多条内容。使用批量导入时，只需要用双回车（空行）将不同的内容分隔开即可。每添加一条内容，它就会变成一个可点击的选项，当你需要使用某个选项时，只需点击一下，系统就会自动将其与前缀和后缀组合，并立即复制到剪贴板，这大大提高了工作效率。

在使用过程中，你不必担心数据丢失的问题。工具采用了完善的数据保存机制，会自动保存你的每一次操作。你还可以通过界面右上角的保存按钮手动保存，系统会显示最后保存的时间，让你清楚地知道数据的状态。即使刷新浏览器，你的内容也会安全保留。

对于初次使用的朋友，建议先花一点时间熟悉这个工具的基本功能。你可以先设置一个简单的前缀和后缀，然后添加几个测试用的中间内容，试试点击不同的选项，体验自动组合和复制的功能。随着使用次数的增加，你会发现这个工具极大地提高了工作效率。

如果你经常需要处理大量的提示词，批量导入功能会特别有用。你可以提前准备好一系列常用的内容，然后通过批量导入一次性添加到工具中。这些内容会被保存下来，方便你随时使用。而且，当你在项目进行过程中发现需要调整某些内容时，可以随时添加新的选项或删除不需要的选项。

工具的界面设计考虑到了不同设备的使用场景，无论是在电脑还是手机上使用，都能获得良好的体验。在移动设备上，界面会自动调整为更适合触摸操作的布局，确保你随时随地都能高效地使用这个工具。

在日常使用中，建议养成定期整理的习惯。你可以删除一些不再使用的选项，保持内容的整洁和条理。如果你是在团队中使用这个工具，建议和团队成员商定一个统一的使用规范，比如前缀和后缀的格式，这样可以保持团队输出的一致性。

这个工具的价值在于它能够显著减少重复性工作，让你把更多精力放在创造性的内容上。通过合理使用这些功能，你可以建立起一个高效的工作流程，让提示词的管理变得更加轻松和有序。随着使用经验的积累，你会发现这个工具能够很好地适应你的个人使用习惯，成为提高工作效率的得力助手。

多搜索引擎关键词搜索工具——巢叟

作者

简介

最近开发了一个便捷的多搜索引擎关键词搜索工具——巢叟，现已部署在 linchaoran.com/s 。这个工具旨在提高搜索效率，让用户能够快速在多个平台上进行关键词搜索。

初衷

在日常学习、工作和生活中，我们经常需要在不同的平台上搜索同一个关键词。切换网站、重复输入关键词不仅耗时，还影响工作效率。因此，这个一站式搜索工具，旨在简化这个过程。

主要特点

  1. 多平台集成：包括常用搜索引擎、学术网站、购物平台、社交媒体等。
  2. 一键多搜：输入一次关键词，即可在多个平台上同时搜索。
  3. 分类清晰：搜索选项按类别分组，方便快速定位。
  4. 界面简洁：设计简约直观，易于使用。
  5. 响应式设计：适配各种设备，包括手机和平板。

使用方法

  1. 访问 linchaoran.com/s
  2. 在搜索框中输入您想搜索的关键词
  3. 点击相应的平台按钮，即可在新标签页中打开搜索结果

包含的搜索类别

  • 搜索引擎（Google、Bing等）
  • 学术搜索（Google Scholar、Scopus等）
  • 购物平台（京东、淘宝等）
  • 社交媒体（微博、豆瓣等）
  • 资源搜索（GitHub、Z-Library等）
  • 在线词典

希望这个工具能够提高您的搜索效率，节省宝贵的时间。

专利数据库资源查询

作者

HEU 校园网 IP 访问

智慧芽全球专利检索数据库 （需使用个人邮箱申请：地址）
incoPat专利数据库-旗舰版 （用户名: HRBEULB2，密码: 595443）
中国知网-专利数据库
万方数据-中外专利数据库

公共免费平台

国家知识产权局
国家知识产权公共服务网
PATENTSCOPE（世界知识产权组织专利数据库）
United States Patent and Trademark Office（美国专利与商标局）
The European Patent Office（欧洲专利局）
日本专利—特許実用新案公報DB
韩国专利—KIPRIS
CIPO—Canadian Patents Database（加拿大专利数据库）
中国专利信息中心专利之星检索系

其他 HEU 数据资源

  1. 馆藏资源检索

学习路线——Python

作者

好的大语言模型具有强大的代码输出能力（AI 模型选择见 此处），使得掌握 Python 能够极大的扩展个体能力边界。适用于经济管理类科研活动的 Python 学习路线具有「需深度结合大模型」以及「面向算法复现而非底层创新」等特点，与科班计算机程序语言学习流程区别较大。

建议的学习思路如下：

  1. 学习时间不足、希望快速上手可跟随这个流程练习：廖雪峰的 Python 教程 ，学习其中的 1~7 章即可。
  2. 有相对充足的学习时间：跟随书籍《Python 编程 从入门到实践》（Eric Matthes），学习其中 1~8 章。电子版书籍 点击这里下载。
  3. 上述信息了解后，需将工作平台转向 Anaconda，下载地址。以便你在多项科研活动项目间保持 Python 环境独立。可粗略参考此书籍《Python Tools for Scientists An Introduction to Using Anaconda, JupyterLab, and Pythons Scientific Libraries》(Lee Vaughan) ，主要学习其中的 1~3+5 章，电子版书籍去 这里 寻找。
  4. Anaconda 中，掌握使用 Jupyter Notebook 来调试和执行代码。可使用 Anaconda 中的网页版 Jupyter Notebook，或使用 VScode 中的 Jupyter Notebook 插件。后者功能更强，但也略微增加学习成本。

学成这样就够了：

  1. 如果某算法开放了 Python 代码，你能够正确执行它，得到想要的结果；
  2. 你能够粗略地解读这些代码的逻辑，无需有能力重写它们；
  3. 遇到代码报错，你能够通过 经验/AI 修复错误，在此过程中知道自己在干什么；
  4. 如果你需要应用多种算法，你可以编写「胶水」代码串接这些算法；
  5. 能将算法输出结果以恰当的方式可视化呈现，并把结果存储到计算机中。

学成这样就到头了：

  1. 你能用 Python 完成 论文/项目 中的所有数据处理、分析、可视化呈现过程，使得复现你的 论文/项目 只需要若干次点击；
  2. 你能够将 梳理/拼接/修正错误 后的代码与你的原始数据解耦，使得他人可以较为轻松地复现你的老结果、用新数据便捷地计算新结果；
  3. 代码中有清晰的注释，需要根据实际情况调整的参数以变量形式暴露，以直观、便于修改的方式陈列；
  4. 当你需要学习一种新的算法时，内心充满平静而自信的期待。

如何找到书籍的电子版

作者

书籍本体下载：

书配资源下载（光盘、云资源）：

  • 畅想之星
  • 另外：可在书籍所在出版社的官网查找

上述搜索引擎均已集成在 巢叟 功能页面中。

学习路线——自然语言处理

作者

基础知识

  • 《自然语言处理综论》Jurafsky

与研究的结合

  • 作为工具黑盒
  • 位于数据处理的前端
  • 本身不构成研究意义

书籍下载

  • 《Natural Language Processing with Python and Spacy》点击下载
  • 《NLTK基础教程 用NLTK和Python库构建机器学习应用》点击下载
  • 《Python和NLTK自然语言处理》点击下载

Bert

  • Bert 论文
BERT Pre-training下载

如何应对研究中的随机性和复杂性

作者

在经济管理和社会科学的研究中，我们经常需要分析和建模不同类型的系统。这些系统有时表现出简单的规则性，有时则充满了随机性和复杂性。那么，如何根据不同系统的特征选择合适的分析方法呢？本文将探讨解析方法和统计方法的区别，并结合一张图表的解释，帮助大家更好地理解这两种方法在处理复杂社会系统时的适用性和局限性。

图源：书籍《系统化思维导论》——杰拉尔德·温伯格 [阅读笔记]

图表将系统分为了三个区域：

  1. 有序的简单（机械）系统
  2. 无序的复杂（聚合）系统
  3. 有序的复杂（系统）系统

这些系统分别对应不同程度的复杂性和随机性，可以用不同的分析方法处理，具体如下：

I. 有序的简单（机械）系统

特点：有序的简单系统通常表现为规律性强、确定性高，系统的行为可以通过精确的理论模型或方程描述。这类系统的复杂性较低，随机性较小。可采用解析方法（Analytical Methods）是通过数学公式、理论模型或定理对问题进行精确求解的过程。这种方法适用于确定性系统，即系统行为可以被精确预测和描述。

适用方法：解析方法

例子：

  • 市场需求和供给模型：在经典的经济学中，市场均衡价格可以通过需求曲线和供给曲线的交点精确计算。这种情况下，供需关系遵循特定的规律，适合用解析方法进行分析。
  • 投资回报的确定性分析：如果投资项目的现金流稳定，并且市场利率固定，可以用净现值（NPV）或内部收益率（IRR）等解析方法精确计算投资的收益。

II. 无序的复杂（聚合）系统

特点：这种系统表现为高度的随机性和不确定性，尽管可能存在某些局部规律，但整体上难以通过确定的理论模型描述。复杂性高，随机性显著。可采用 统计方法（Statistical Methods）通过对大量数据进行分析和处理，从中找出趋势和模式。它适用于随机性较强的系统，无法精确预测个体行为时。

适用方法：统计方法

例子：

  • 股市价格波动：由于股价受到多种经济因素、政策变化和投资者情绪的影响，表现出高度的随机性和波动性，因此需要使用统计方法（如时间序列分析、波动率模型等）来分析和预测市场趋势。
  • 消费者行为的聚合分析：消费者购买行为会受到多种因素的影响，如收入水平、广告效应和社会趋势。这些行为难以用简单的解析方法描述，通常需要通过问卷调查数据的统计分析，找出影响消费者决策的主要因素。

III. 有序的复杂（系统）系统

特点：这种系统介于有序的简单系统和无序的复杂系统之间，尽管复杂性较高，但系统的行为仍然呈现出一定的规律和秩序。系统的整体行为可以分解为多个部分，每个部分之间有一定的关联性。

适用方法：解析方法和统计方法结合

例子：

  • 宏观经济政策的影响分析：宏观经济系统虽然复杂，但可以通过经济模型（如IS-LM模型）结合统计数据来分析货币政策或财政政策对经济增长、失业率和通货膨胀的影响。
  • 组织行为中的激励机制分析：在企业管理中，员工的激励和绩效之间存在复杂的关系。可以通过行为经济学的理论模型进行解析，同时结合员工满意度调查的统计分析，揭示激励机制的有效性。

技术分析领域知识体系（2024-10-13 更新）

作者

一、关于技术本体的概念与现象

1. 关于技术的概念

2. 关于技术所呈现的现象

二、关于技术的载体——专利

1. 专利的检索方式

  • 德温特数据库检索方式，可参考这篇 [流程介绍]

2. 专利分析教程（研究报告类）

  • 推荐《专利分析——方法、图表解读与情报挖掘》马天旗
  • 推荐《专利分析实务手册》张娴

三、关于技术的发展脉络探索

1. 技术演化路径探测方法

  • 推荐《技术演化路径探测方法研究——专利引用网络主路径视角》
  • 推荐理由：采用学术性更强的方法分析技术演化。需要了解专利引用网络的弊端。
  • 京东链接：https://item.jd.com/12922550.html

2. 特定技术类目的识别和演化分析

  • 孔令凯.基于文本挖掘的产业关键共性技术识别及演化研究[D].哈尔滨工程大学,2022.
    • DOI:10.27060/d.cnki.ghbcu.2022.000089.
  • 林超然.基于专利数据挖掘的关键共性技术识别及预测研究[D].哈尔滨工程大学,2020.
    • DOI:10.27060/d.cnki.ghbcu.2020.000234.
    • 评价：是一种陈旧思路：在专利文本分析中未采纳语义分析方法、演化分析中未充分考虑基于网络的深度学习方案。

德温特数据库使用教程（李山岚）

作者

一、如何进入

（校园网、个人热点、图书馆账号登录均可进入）

1.哈尔滨工程大学图书馆→数据库→所有数据库

2.首字母D→Derwent Innovation（DI）专利数据库

3.点击链接地址

4. 点击“快速启动 | IP 身份验证登陆”，进入搜索页面 。

5.进入主页→点击“专利检索”

二、如何检索

步骤一：根据交底技术确定技术特征的中文关键词

步骤二：确定英文关键词及连接关系

  • 将中文关键词翻译成英文，同义词用or连接并且两边加上括号，不同的关键词之间用and连接。

步骤三：扩展关键词

同义关键词扩展越完全,检索的越全面，扩展关键词的方法有很多，常用的途径包括：

  • 百科类：百度百科、维基百科
  • 论文类：谷歌学术、知网
  • 技术手册
  • 工程师经验
  • 其他公开资料：词典、百度、谷歌、必应

步骤四：检索

1.将搜索字段改为Text→Title /Abstract /Claims

2.将检索式复制上去

3.检查语法并检索

如果语法正确会显示correct，如果语法不正确可根据提示进行修正。正确后点击搜索进行检索

4.结果显示

大语言模型资料汇总

作者 
在当前的生成式人工智能应用中，不同的任务需求决定了选择不同的平台和模型至关重要。根据网络条件、费用以及使用场景的不同，用户在访问和使用大语言模型时，需要根据任务的复杂性、推理需求以及具体的操作类型（如编程、文本生成等）做出相应的调整。

0. 一般原则

  • 使用 大模型 替代你的脑力活动中的重复性劳力，而不是创造性思考。
  • 使用 大模型 为你提供头脑风暴参考，但要确保你的判断力是可靠且理性的。
  • 时常想想，大模型弱化了你的哪种能力，以及你是否容许它弱化你的这种能力。
  • 代码是大模型和你的任务之间的重要桥接，能够很大程度上规避模型幻觉问题。与其让大模型为你提供处理结果，不如让它生成可复用的代码。
  • 模型回答结果不理想时思考：① 可否换用在这项任务上更强的模型？② 你的提示词是否逻辑清晰、明确，包含必要的解释和案例？大多数情况下，由于问题 ② 的普遍，使得问题 ① 的上限远未被触及。
  • 好的提示词长什么样的？可以参考这个 Github 仓库，它收集了 GPTs 泄露出的大量系统提示词。
  • 有时我们需要结果也需要过程，例如阅读文献的实际收益在阅读前是未知的，使用大模型对 PDF 提问往往舍弃了阅读文献带给你我的真正启发。

1. 在线平台选择

  • 免费：
    • 直接访问 OpenAi 官网使用免费 4o-mini 模型（需要有网络条件）
    • 访问 POE 使用免费模型（需要有网络条件）
  • 付费（订阅制）：
    • 如需 Openai 的高级模型（4o/o1-preview）需要付月费（安卓手机绑定外币信用卡支付）
    • 或使用 Claude 中的高级模型（Sonnet 3.5）需要付月费
  • 付费（按 Token 计费）：
    • NYai 包含很多高级模型，按量收费（最贵的模型一次问答 0.2元 左右），有免费额度。

2. 在线模型选择

  • 复杂推理：GPT-o1 preview
  • 轻推理重文字输出：GPT-4o
  • 代码编写与 Debug： Claude 3.5 sonnet = Cursor > GPT-o1 preview > GPT-4o （不要使用其他模型编程，比如 Kimi ）
  • 搜索结果归纳： 跃问 > Kimi >> 智谱清言 （不基于搜索结果的任何「知识性/逻辑性」问题都不建议问 Kimi，使用 智谱清言 的唯一场景是「这模型真的有说的那么差吗？我倒要看看。」）

3. 离线(本地)大语言模型选择

  • 中文模型：Qwen2.5 > GLM4
  • 英文模型：Llama3.1
  • 多种模型及参数量比较：本地语言模型个人推荐 （2024-07-09）
  • 离线大模型平台：Ollama （能被 Ollama 支持的模型，就不要自己搭建环境）

4. 离线(本地)模型硬件选择

5. 理论及原理学习

6. 提示词工程参考

Z. 总结

  1. 没有网络条件或需要少量且高质量的问答，使用 NYai 。
  2. 高质量问答指的是「需要复杂逻辑推理/生成准确代码」，前者使用 GPT-o1 preview 后者使用 Claude 3.5 sonnet。
  3. 代码输出仅推荐 Claude 3.5 sonnet，其次 Cursor、GPT-o1 preview，不要使用任何其他模型输出代码，它们往往给你带来的帮助和苦恼一样多。
  4. Kimi 大模型能力很弱，它强在基于搜索结果的答案整合，如果你确信你需要答案不在搜索结果中，那就别用 Kimi 。
  5. 慎重使用：xlchatbox.top，已被举报封禁。