IT

当我们使用模型, 例如Google Gemini 1.5 Pro，它有多种使用方式，适用场景有所不同： 1. Vertex AI Studio： 适用场景： 主要面向开发者和企业用户，用于构建和部署生成式 AI 应用。 提供丰富的工具和 API，支持模型微调、部署和管理。 适合需要高度定制化和集成到现有工作流程的用户。 使用方式： 通过 Vertex AI Studio 的控制台界面进行交互。 通过 Vertex AI 的 API 进行编程调用。 优点： 强大的定制化能力。 与 Google Cloud 生态系统的深度集成。 适合商业应用和大规模部署。 缺点： 需要一定的技术基础。 是付费服务。 2. Gemini官网： 适用场景： 面向普通用户，提供简单易用的交互界面。 适合日常使用，如信息查询、内容生成、创意启发等。 使用方式： 访问 Gemini官网，直接在对话框中进行交互。 优点： 简单易用，无需编程基础。 适合快速体验和日常使用。 目前一部分功能免费使用。 缺点： 定制化能力有限。 不适合大规模部署和商业应用。 3. 通过程序调用 API： 适用场景： 面向开发者，需要将 Gemini 1.5 Pro 集成到自己的应用程序或系统中。 适合需要高度灵活性和定制化的用户。 使用方式： 通过 Google Cloud 的 Gemini API，使用编程语言（如 Python、Java 等）进行调用。 优点： 高度灵活性和定制化。 可以集成到任何应用程序或系统中。 缺点： 需要一定的编程基础。 需要处理 API 调用和数据处理等技术细节。 总结： ...

由于各家平台上的模型系列太多了，必须根据任务选择最适合需求或最强大的模型。 我决定使用Google AI，辅助解决编程和数学问题，找到以下选项： 1. Gemini 1.5 Pro： 优势： Gemini 1.5 Pro 在复杂推理、逻辑和编码方面表现出色。 它拥有强大的上下文窗口，能够处理大量的代码和数学公式。 非常适合解决复杂的编程问题、算法设计和数学证明。 适用场景： 复杂的算法和数据结构问题。 数学证明和符号计算。 代码调试和优化。 软件架构设计。 使用方式： 通过 Vertex AI Studio 访问 Gemini 1.5 Pro。 通过 Google Cloud 的 Gemini API 进行编程调用。 2. Gemini 2.0 Flash： 优势： Gemini 2.0 Flash 专注于提供快速、高效的响应。 它在处理日常编程和数学问题时，能够提供快速的解决方案。 适合需要快速迭代和原型设计的场景。 适用场景： 快速的代码片段生成。 简单的数学计算。 日常编程问题解答。 快速原型设计。 使用方式： Gemini官网。 Vertex AI Studio。 选择建议： 如果您需要解决复杂的编程和数学问题，或者需要处理大量的代码和数据，Gemini 1.5 Pro 是更好的选择。 如果您需要快速的解决方案和高效的响应，或者需要进行快速原型设计，Gemini 2.0 Flash 更适合。 您也可以根据实际使用情况，对比两个版本的输出结果，来选择更合适自己使用的版本。 如果您是开发人员，那么通过Vertex AI Studio 平台，或者API调用，会更有利于您的工作。 额外提示： ...

针对批量网页文章翻译，参考说明文档Translation AI Cloud Translation API 使用 Google 的神经机器翻译技术， Google 预训练的自定义模型或翻译专用大型语言模型 (LLM) 通过 API 动态翻译文本。 它有基础版和高级版，两者都提供快速和动态翻译，但高级版提供自定义功能，例如特定领域的翻译、格式化文档翻译和批量翻译。 每月发送到 API，使用NMT模型处理的前 500,000 个字符（基础版和高级版合计）是免费的（不适用于 LLM）。 2种翻译模型 NMT (神经机器翻译) 模型: translate_v2: 早期版本的 NMT v2模型，现已弃用，不建议使用。 translate_v3: 目前推荐使用的 NMT v3模型，提供比v2更高的翻译质量、更多语言支持和更丰富的功能。可以直接通过 Cloud Translation API 调用。 Translation LLM (大型语言模型): 这是 Google 基于大型语言模型技术的翻译模型，能够更好地理解上下文和生成更流畅自然的译文。尤其适合处理博客文章等复杂文本。 更高的翻译质量： Translation LLM 在处理博客文章等复杂文本时表现更出色，因为它在理解上下文和生成流畅译文方面更胜一筹。 更好的格式保留： 结合 mime_type: text/html 设置，Translation LLM 和 translate_v3 都能够更好地保留 Markdown 格式。 更强大的功能： Translation LLM 和 translate_v3 都支持词汇表等功能，可以帮助您更好地控制翻译结果。 可以通过以下两种方式调用： 通过Vertex AI SDK 调用 Translation LLM 安装 Vertex AI SDK: pip install google-cloud-aiplatform ...

博客网站的文章翻译，选择哪个模型比较好？ 我们测试一下Google Cloud Vertex AI Studio - Translation，可以直接在对话框中使用，无需调用代码。 其专业的翻译模型的种类主要有： NMT (modal used for translation modality) Translation LLM (modal used for translation modality) gemini-2.0-flash-001 (next generation gemini flash, super speed, multimodal generation, 1M token context window) 当我们写了一个程序调用以上模型，可能看到类似如下的报错。 % python translation-llm.py 2025-03-17 17:48:30,421 - ERROR - Translation API error: 400 Cloud AutoML API has not been used in project 1***0 before or it is disabled. Enable it by visiting https://console.developers.google.com/apis/api/automl.googleapis.com/overview?project=1***0 then retry. If you enabled this API recently, wait a few minutes for the action to propagate to our systems and retry.; The model projects/1***0/locations/us-central1/models/TRL*** is not found or is deleted.; codes = [SERVICE_NOT_ACTIVATED (3), NOT_FOUND (5)]. 2025-03-17 17:48:30,421 - ERROR - Translation failed for ~/sandbox/de/about.md after attempts. 翻译失败，为何它要调用的 Cloud AutoML API ？这才发现 Vertex AI 是一个机器学习 (ML) 平台，用于训练和部署 ML 模型和 AI 应用程序。 ...

项目需求 最近我在整理过去的历史档案，有超过100篇文章需要添加到hugo的文档库中，每篇都要加一个类似如下的头信息front matter： --- title: "AI代理和工具" date: 2025-03-09 description: categories: - IT tags: - 互联网 - 数学&计算机 - AI weight: 1 --- 每个文件都是个性化的“标题、日期”，甚至“分类、标签”和排序“weight:”也不同。 这么多文章一个个手动，我觉着一下子就懒癌发作了，但是我又特别对这些文章感兴趣并想分享出来。我突然灵机一动想到的，或许可以试一下AI代理。 解决方案： 批量处理工具：有一些工具可以帮助你批量处理文件并添加或修改文件中的特定部分。例如，Python 中的 frontmatter 库可以帮助你处理 Markdown 文件的头信息。结合 glob 库，你可以一次性处理多个文件。 定制化脚本：你可以编写一个简单的脚本，读取每篇文章的标题、日期、分类、标签等信息，然后生成符合 Hugo 规范的头信息。使用 Python 和 YAML 库，可以轻松实现这一点。 AutoGPT 或类似工具：你可以探索使用 AutoGPT 或其他 AI 代理工具，它们可以帮助你自动化处理这些任务。你可以提供特定的任务描述和示例，然后 AI 代理会按照你的要求生成代码或执行任务。 AI代理 也就是模拟人的手，去批量操作，告诉它规则就好了，这么简单的任务应该轻松松就干完了。 查看了一下，有以下这些选择： Manus Claud, computer use OpenAI, AutoGPT Lovable, Github - Anton Osika, GPT Engineer 目前国产的Manus很火爆，刚刚在前几天发布了，但是处于测试阶段，需要获得邀请码才能试用； 而Anthropic大厂computer use 似乎也是测试状态，需要开发者的终端工作环境中才能用，所以也不算是成熟的产品。 而GPT Engineer 主要用来写代码的，非用于日常通用的任务。 所以，就只剩下AutoGPT可以试用一下， 体验报告 - AutoGPT 有待补充 。。。 ...