STORM AI：使用人工智能在几分钟内生成完整的维基百科页面

斯坦福大学的突破性AI项目STORM,提供了一项令人难以置信的功能 - 能够生成全面的维基百科式文章,涵盖任何给定的主题。只需提供一个主题,STORM就会进行研究、综合并呈现一篇详细、结构良好的文章,并附有指向源网站的参考资料。

这个由AI驱动的系统是一个游戏规则改变者,让用户能够快速轻松地创造出各种主题的信息丰富的内容。这个过程非常高效,STORM会有效地搜索网络,识别相关信息,并将其组织成一篇连贯、深入的文章。

STORM的一大亮点是它能够引用用于收集信息的源网站。这种透明度确保了内容的可靠性,并使用户能够通过访问原始来源更深入地探索该主题。

这项技术的潜在应用非常广泛,从教育和研究到内容创作和知识共享。STORM能够按需生成高质量、信息丰富的文章,可以节省时间、简化工作流程,并使用户更有效地探索和分享知识。

随着STORM不断发展,包括即将推出的"人机协作模式"在内的新功能,这个出色的AI系统的可能性只会越来越大。探索STORM的力量,开启一个高效、全面的内容创作新纪元。

要在您的计算机上本地安装和设置STORM AI,请按照以下步骤操作:

1. 打开Visual Studio Code (VSCode),并导航到您想要存储项目的目录。
2. 通过在终端中运行以下命令克隆STORM GitHub存储库:

   git clone https://github.com/stanford-crfm/storm.git
   

3. 进入 storm 目录:

   cd storm
   

4. 使用您喜欢的环境管理工具(如conda、venv)创建一个新的Python环境:

   conda create -n storm python=3.11
   

5. 激活环境:

   conda activate storm
   

6. 通过运行以下命令安装所需的依赖项:

   pip install -r requirements.txt
   

7. 在项目根目录中创建一个 secrets.toml 文件,并添加您的OpenAI API密钥和Bing搜索API密钥:

   open_ai_api_type = "openai"
   open_ai_api_key = "your_openai_api_key"
   bing_search_api_key = "your_bing_search_api_key"
   

8. 将 secrets.toml 文件复制到 frontend/streamlit 目录:

   cp secrets.toml frontend/streamlit/
   

9. 进入 frontend/streamlit 目录:

   cd frontend/streamlit
   

10. 启动Streamlit服务器:

    streamlit run storm.py
    

STORM AI应用程序现在应该在 http://localhost:8501 上运行。您可以通过输入主题并单击"Research"按钮开始您的第一次研究。

您可以在不本地设置的情况下测试STORM AI系统。该项目在 storm.genie.stanford.edu 提供了一个演示页面,您可以在其中查看预先研究的页面。

演示页面已经有几个页面是由STORM AI系统完全研究过的。您可以探索这些页面,以了解该系统的功能。

即将推出的一个值得注意的功能是"人机协作模式

看起来很有前景

将允许用户以更协作的方式与AI系统互动。\n\n总的来说

演示页面提供了一种体验STORM AI系统的好方法

无需经历安装过程。它展示了该系统出色的研究能力

以及未来人机协作发展的潜力。

根据提供的信息,斯坦福大学的STORM AI项目目前正在开发一个即将推出的"人机协作模式"功能。这个功能看起来将允许人类和AI系统以更互动、协作的方式进行交互。

虽然这个即将推出的功能的细节还不完全清楚,但该文稿表明,它将使用户能够以更动态的方式参与AI,可能允许实时反馈、研究过程的细化,以及人类专业知识和AI能力的更无缝集成。

人机协作模式的可用性是一个令人兴奋的发展,因为它可能增强STORM AI系统的实用性和多功能性,让用户能够利用AI的研究能力,同时保持在知识生成过程中更积极的作用。

要排查和优化STORM AI的本地设置,请考虑以下步骤:

1. 验证环境设置: 确保您的Python环境已正确配置。运行 pip freeze 并将输出与 requirements.txt 文件进行比较,以验证所需的依赖项是否已安装。

2. 检查 secrets.toml 文件: 确保 secrets.toml 文件中正确填写了OpenAI和Bing(或您选择使用的任何其他搜索提供商)的API密钥。仔细检查语法和值,以确保没有拼写错误或错误。

3. 检查日志: 仔细检查STORM AI应用程序生成的日志。查找任何可能提供问题洞见的错误消息或警告。

4. 探索替代搜索提供商: 如果您在使用Bing API进行网页抓取时遇到问题,请考虑探索其他搜索提供商,如Google或Wolfram Alpha。STORM AI项目可能支持这些提供商,或者您可能需要实现自定义的网页抓取解决方案。

5. 研究本地LLM集成: 正如文稿中提到的,STORM AI项目支持集成本地大型语言模型(LLM),如LLaMA或Vicuna。探索文档和GitHub问题,看看您是否可以让这些本地LLM选项工作,这可能提供一个更自包含、离线友好的解决方案。

6. 保持更新: 密切关注STORM AI GitHub存储库,了解任何可能解决您所面临问题的更新、bug修复或新功能。该项目正在积极维护,开发人员可能在录制该文稿之后引入了改进。

7. 寻求社区支持: 如果您继续遇到困难,请考虑在GitHub或其他相关论坛上联系STORM AI社区。开发人员和其他用户可能能够提供指导和帮助,以帮助您解决设置问题。

请记住,本地设置STORM AI可能涉及一些技术复杂性,但只要您耐心和勤奋,就应该能够在您的本地机器上顺利运行该系统。

在本地运行STORM AI提供了几个优势,而不仅仅依赖于OpenAI API:

1. 离线功能: 在本地运行STORM AI时,您可以在没有互联网连接的情况下进行研究和生成文章。这使该工具更加可访问和独立于外部API的可用性。

2. 隐私和安全: 在您自己的机器上运行STORM AI,您可以更好地控制数据,并确保它保留在您的私有环境中,从而增强隐私和安全性。

3. 定制和灵活性: 在本地托管STORM AI允许您根据自己的特定需求定制该工具,例如将其与您自己的数据源集成或修改底层算法。

4. 成本节省: 虽然OpenAI API提供了一种方便访问STORM AI功能的方式,但在本地运行它可能会为您节省成本,特别是如果您有较高的使用需求。

5. 延迟降低: 在您的本地机器上执行研究和文章生成可以相比依赖OpenAI API获得更快的响应时间,后者可能会受到网络延迟和API请求队列的影响。

要本地部署STORM AI,请按照介绍中提供的详细说明操作。通过利用本地部署选项,您可以释放这个强大的AI研究工具的全部潜力,并将其定制为满足您特定需求。

这份文稿中介绍的斯坦福项目是一个令人印象深刻的AI驱动工具,可以生成涵盖任何给定主题的全面维基百科式文章。这个系统的关键亮点包括:

• 它可以深入研究一个主题,涵盖商业、行业、医疗保健、教育和安全等各个方面。
• 对于文章中呈现的每个事实,它都提供了指向原始网页来源的参考,确保内容的透明度和可信度。
• 该系统可以在本地运行,除了依赖OpenAI API的网络搜索功能之外。
• 用户可以访问storm.genie.stanford.edu上的演示页面,无需本地设置即可测试该系统。
• 该项目是开源的,在GitHub上已经获得了近62,000颗星。

总的来说,这个AI研究工具展示了AI驱动内容生成的潜力,可能是研究人员、教育工作者以及任何希望快速深入了解某个主题的人的宝贵资源。