Kimi 高效使用技巧,80%的人都不知道(上)

简介: Kimi 高效使用技巧,80%的人都不知道

关注我, AI 学习之旅上,我与您一同成长!

一、引言

Kimi 作为国产之光,在过去的一个多月里成为国内大模型的香饽饽。据数据分析,Kimi 网页、APP、小程序等各端的日活已经突破 300 万,超过文心一言、通义千问、智谱清言,成为国内 AI 大模型的榜一大哥。

甚至很多相对要求较低的使用者,已经开始放弃 GPT-4 ,转投这款大模型。

不仅仅是被狂风暴雨般的广告效益所影响,更多的是因为它足够性价比,那它到底有什么神奇之处呢?

这篇文章,我带你走近 Kimi :

  • Kimi 的基本介绍和基础使用方式
  • Kimi 的使用技巧
  • Kimi 的官方提示词

二、为什么推荐使用 Kimi 呢?

就两个词:免费、好用。

GPT-4、Claude国外优秀大模型虽然功能强大,但是他们的网络门槛、和高昂的订阅费用,就已经将很多人拒之门外。而 Kimi 国内用户可以直接使用,而且也是免费。

不过要说的是,最近由于 Kimi 在网上爆火,导致用户大幅上升,于是官方采用了限流手段,如果你发现突然不能使用了,那再耐心等待一会即可。

那到底好用在哪里?

强大的信息处理能力:Kimi 大模型具备强大的数据处理和分析能力,能够迅速吸收和分析数据,对用户提出的问题做出及时且精确的回应,支持 20 万字超长无损上下文。最新版本已经支持 200 万字,不过,还没有完全开放。

广泛的知识领域:Kimi 的知识库覆盖了科技、文化、历史、教育等多个领域,能够满足用户对不同知识领域的需求。

支持多种文件处理:包含 TXT、PDF、Word 文档、PPT、Excel 等,用户可以轻松发送这些文件,Kimi 将阅读内容并提供相应的回答,极大地提升了资料管理和信息检索的效率。

安全的网络访问:大模型还具备 安全的网络访问能力,能够在保护用户隐私和数据安全的前提下,高效地从互联网上获取所需信息。虽然官方声明了保护用户隐私和数据安全,但,还是那句话,绝对隐私和重要的信息不要用 通用大模型~

友好的用户交互体验:Kimi 大模型设计了友好的用户交互界面,使得用户可以轻松地与其进行交流,操作简单,直接。

三、怎么高效使用 Kimi 呢?

一)支持设备

目前 Kimi 有手机 App、网页端、微信小程序, 可以满足不同使用者的需求。

不过用来用去,我个人感觉还是觉得网页端更加丝滑。

二)Kimi 提示词的编写方式

俗话说 知己知彼,百战百胜,掌握 Kimi 提示词的编写方式,是我们可以用好它的前提。

关于怎么用好 Kimi,我们结合几条 Prompt,让 Kimi 向我们汇报一下 ~

Prompt1请分析并总结我提供的 Kimi 常用提示词(Prompt),找出他们存在的共同特征

Prompt2: 在 Kimi 大模型上,编写提示词(prompt)时,如何正确编写适合自己的提示词(中文语境) ,请提供 3-5个具体思路,并展开说明。

Prompt 3: 请举例说明在Kimi 大模型上编写提示词(Prompt)的流程,以通俗易懂的方式向我解释。

最终,Kimi 以 笔记整理助手 的例子向我们解释了编写提示词的最佳流程,答案的质量很不错。

结合我过去所写的一篇:新手如何高效掌握提示词的编写流程。很多技巧在 Kimi上也同样适用,这边我再强调一下:

  • 工作流的步骤不要过长,要考虑大模型的上下文长度是否能承受。
  • 如果工作流步骤太长,可以考虑拆分成多个 prompt 来配合,即所谓的分治法。可以利用 FastGPT、Coze 等支持提示词工作流编排的工具。
  • 提示词是经验学科,同一套提示词,在不同的大模型上的表现的能力也有所不同,最重要的还是多尝试,多迭代优化。
  • 业务 know-how 很重要,提示词写的再多,过去写的提示词再牛,如果不懂某个领域的业务,照样无法写出有价值的提示词。不懂业务,就多问大模型,最好是问业务专家。

四、Kimi 与 GPT-4 的对比

我们简单对比下 Kimi 和 GPT-4:

1、Kimi的强项在于文件、网页解析能力以及搜索能力,这使得它在处理特定类型的任务时表现出色。同时,Kimi 擅长中文和英文对话,能够满足不同语言用户的需求。

2、**GPT-4则在理解和生成语言方面更加精准和高效,拥有更广泛的知识和理解能力。**通过 GPTs ,GPT-4 能够扩展其原始功能,可以访问最新信息和定制化专属的 GPT,满足不同的需求场景,

详细对比,如下表:

特性/模型 Kimi GPT - 4
文件和网页解析 更强 相对较弱,尤其是长文本解析。
搜索能力 持平,能够实时搜索,搜索领域覆盖国内外主流平台,如知乎、B站、百度等。 持平,通过 Webpilot 等插件可以搜索实时数据。
通用性 更弱,处理广泛领域的能力有限 更强,有万亿级别的知识库体量,覆盖范围更广。
上下文长度 更强,目前200K,未来将支持 200万字 目前 32 K ,128 K 在陆续开放中
推理能力 更弱 更强
Agent 有, GPTs
文生图
代码解释器

总体看起来,Kimi 不支持智能体的搭建、不支持文生图、文生视频,且在知识库的体量上明显落后于 GPT-4。不过没关系,术业有专攻, Kimi 只要在长文本领域上做到极致,相信未来大模型市场上,始终会有它的一方天地。

五、使用技巧

一)快捷调用常用语

最近,和很多同事或者朋友沟通下来,很多人忽略了这项功能:快捷调用常用语,可能还是不够显眼 ~

它相对于一个提示词(Prompt)库,我们可以把好用的提示词放进去,方便我们管理自己在 Kimi 上使用的提示词,从而可以呼之欲出。

我们先来看看它所处的位置在哪:

接下来,点击 添加常用语

输入自己高频使用的提示词,或者点击 右上角 随机一个 随机生成一个提示词。

再定义一个唤醒词,点击完成。

进入首页,输入总结,系统将自动唤醒对应的常用语,方便我们快速调用。

我们点击发送,并按照提示词的引导进行输入即可。

关注公众号:熊猫Jay字节之旅,了解更多 AI 技巧 ~

Kimi 高效使用技巧,80%的人都不知道(下)+https://developer.aliyun.com/article/1492328

相关文章
|
2月前
|
测试技术 API 数据处理
Python办公自动化:解锁高效工作流程,掌握文档处理的艺术
Python办公自动化:解锁高效工作流程,掌握文档处理的艺术
121 1
|
1月前
|
数据采集 存储 中间件
Scrapy,作为一款强大的Python网络爬虫框架,凭借其高效、灵活、易扩展的特性,深受开发者的喜爱
【6月更文挑战第10天】Scrapy是Python的高效爬虫框架,以其异步处理、多线程及中间件机制提升爬取效率。它提供丰富组件和API,支持灵活的数据抓取、清洗、存储,可扩展到各种数据库。通过自定义组件,Scrapy能适应动态网页和应对反爬策略,同时与数据分析库集成进行复杂分析。但需注意遵守法律法规和道德规范,以合法合规的方式进行爬虫开发。随着技术发展,Scrapy在数据收集领域将持续发挥关键作用。
69 4
|
1月前
|
人工智能 自然语言处理 机器人
[AI Google] 新的生成媒体模型和工具,专为创作者设计和构建
探索谷歌最新的生成媒体模型:用于高分辨率视频生成的 Veo 和用于卓越文本生成图像能力的 Imagen 3。还可以了解使用 Music AI Sandbox 创作的新演示录音。
[AI Google] 新的生成媒体模型和工具,专为创作者设计和构建
|
2月前
|
人工智能
Kimi 高效使用技巧,80%的人都不知道(下)
Kimi 高效使用技巧,80%的人都不知道
|
2月前
|
JavaScript 搜索推荐 前端开发
音乐发现平台:借助Python和Vue构建个性化音乐推荐系统
【4月更文挑战第11天】本文介绍了如何使用Python和Vue.js构建个性化音乐推荐系统。首先确保安装Python、Node.js、数据库系统和Git。后端可选择Flask或Django搭建RESTful API,处理歌曲数据。前端利用Vue.js创建用户界面,结合Vue CLI、Vuex和Vue Router实现功能丰富的SPA。通过Vuex管理状态,Axios与后端通信。这种前后端分离的架构利于协作和系统扩展,助力打造定制化音乐体验。
|
2月前
|
人工智能 搜索推荐 开发者
AI编程助手探索之旅:Amazon CodeWhisperer 提高编程效率的利器
AI编程助手探索之旅:Amazon CodeWhisperer 提高编程效率的利器
73 1
AI编程助手探索之旅:Amazon CodeWhisperer 提高编程效率的利器
|
11月前
|
数据采集 Web App开发 人工智能
便捷高效,Notion AI比ChatGPT更加香!
便捷高效,Notion AI比ChatGPT更加香!
291 0
|
2月前
|
数据采集 人工智能 数据挖掘
借助ChatGPT和Python,轻松实现办公自动化
借助ChatGPT和Python,轻松实现办公自动化
|
2月前
|
SQL 人工智能 JSON
JARVIS 变为现实:使用 Python、React 和 GPT-3 构建个人 AI 助理
JARVIS 变为现实:使用 Python、React 和 GPT-3 构建个人 AI 助理
119 0
|
10月前
|
人工智能 API Android开发
Mobile 开发轻松跨屏,高效构建
生成式 AI 解决方案利用一种称为 "模型蒸馏" 的技术对通用的大模型进行提取,以便创建可在设备端运行的小模型,并让其能够专门处理一定数量的任务。
44 1