我一般用文心一言，kimi，豆包，主要用來當搜索引擎使用，另外用來編報告，非常方便

AI只是大方向的幫助，提供標準也好，工藝流程也好，以及加工的G代碼都是可以生成的。但只是一個方向性的，具體的根據不同的機臺設備、材料以及產品的公差要求，作相應的微調。但AI對機械加工來說還是有很大幫助的。
當AI想更進一步發展機器人，還必須和傳統的機械行業相結合

但首先要知道AI喜歡編造，所以它給你的標準很多是編造的，這時候你怎么辦？

受教了，感謝樓主

有點不理解

僅作參考

學者11 發表于 2024-12-25 14:43
但首先要知道AI喜歡編造，所以它給你的標準很多是編造的，這時候你怎么辦？

你可以再問一句，在多少頁找到的，它會給你頁數，到時候自己看

拽詞裝B失敗的典型，那叫使用rag向量化文檔。
"RAG" 是 "Retrieval-Augmented Generation" 的縮寫，它是一種結合了信息檢索（Retrieval）和生成模型（Generation）的技術。
在傳統的文本生成任務中，模型僅基于其訓練數據進行預測或生成新的文本。然而，在某些情況下，我們希望模型能夠訪問最新的、特定領域的或者更加廣泛的信息來增強其生成的內容。這時，RAG 就可以派上用場。
首先，需要將文檔庫中的文檔轉換為向量表示。這一步驟通常使用預訓練的編碼器（比如 BERT 或其他類似的模型），將每個文檔編碼成一個固定長度的向量。這些向量隨后被存儲在一個高效的索引結構中，如 FAISS 或 Annoy，以便快速搜索相似的文檔。
當有一個查詢或者需要生成內容時，該查詢會被相同的編碼器轉化為向量形式。
接下來，查詢向量會與文檔庫中的文檔向量進行比較，以找到最相關的文檔。這個過程通常是通過計算余弦相似度或其他距離度量完成的。
檢索到的相關文檔會被作為額外的信息提供給生成模型。這涉及到直接附加到查詢之后，或者以某種方式融入到生成模型的輸入中。
最后，生成模型利用查詢以及檢索到的相關文檔的信息來生成更準確、更豐富的響應。

問題這些騒操作是普通人能做的了的嗎，他必須在自家電腦上下載個LLM，然后還用高級顯卡來訓練這個模型。
并且在需要的時候使用RAG向量文檔，這不是發燒友就根本做不到。
所以我說要講人話，你應該知道普通人只可能聯網使用公有云上的大模型。

學者11 發表于 2024-12-25 14:43
但首先要知道AI喜歡編造，所以它給你的標準很多是編造的，這時候你怎么辦？

當搜索引擎用，使用rga向量化文檔，直接給你原文的