 +> ICL：
 ICL 为输出增加惯性 > 可以简单认为，通过 ICL Prompt，能强化人类输入到机器输出的连贯性，借以提升输出的确定性。
在经过“回答”的 finetune 之前，大模型的原始能力就是基于给定文本进行接龙，而 ICL 的引入则在“回答”这一前提条件下，降低了机器开始接龙这一步骤中的语义跨度，从而使得输出更加可控。
-COT：
 +COT：
 COT 为输出增加关联 @@ -240,7 +240,7 @@ COT 为输出增加关联 （需要注意的是，TaskMatrix.AI 更大程度上是一个愿景向的调研案例，尚未正式落地生态） - + TaskMatrix 的生态愿景 @@ -275,7 +275,7 @@ TaskMatrix 的生态愿景 - Usage Example：API 的调用方法样例 - Composition Instruction：API 的使用贴士，如应该与其它什么 API 组合使用，是否需要手动释放等 -> 样例：打开文件 API
 +> 样例：打开文件 API
 基于此类文档内容和 ICL 的能力，LLMs 能从输入中习得调用 API 的方法，依此快速拓展了其横向能力 @@ -287,11 +287,11 @@ COT for TaskMatrix 在 TaskMatirx 中，通过该模式，让 MCFM 将任务转化为待办大纲，并最终围绕大纲检索并组合 API，完成整体工作 -> 样例：写论文
构建完成工作大纲
 +> 样例：写论文
构建完成工作大纲
 TaskMatrix 自动围绕目标拆解任务 -> 自动调用插件和组件
 +> 自动调用插件和组件
 TaskMatrix 自动为任务创建 API 调用链 @@ -313,7 +313,7 @@ TaskMatrix 自动为任务创建 API 调用链 Decomp 的核心思想为将复杂问题通过 Prompt 技巧，将一个复杂的问题由 LLMs 自主划分为多个子任务。随后，我们通过 LLMs 完成多个任务，并将过程信息最终组合并输出理想的效果 - + 几种 Prompt 方法图示 @@ -321,7 +321,7 @@ Decomp 的核心思想为将复杂问题通过 Prompt 技巧，将一个复杂 而对于 Decomp 过程，则又是由一个原始的 Decomp Prompt 驱动 - + Decomp 方法执行样例 @@ -347,7 +347,7 @@ Decomp 的原始功能实际上并不值得太过关注，但我们急需考虑 通过问题的分解和通过“专用函数”的执行，我们可以轻易让 LLMs 实现自身无法做到的调用 API 工作，例如主动从外部检索获取回答问题所需要的知识。 - + Decomp 方法调用外部接口样例 @@ -359,7 +359,7 @@ Decomp 方法调用外部接口样例 [HuggingGPT](https://arxiv.org/abs/2303.17580) 一文也许并未直接参考 Decomp 方法，而是用一些更规范的手法完成该任务，但其充分流水线化的 Prompt 工程无疑是 Decomp 方法在落地实践上的最佳注脚 - + HuggingGPT @@ -407,7 +407,7 @@ Generative Agents 构建了一套框架，让 NPC 可以感知被模块化的世 - 一方面，其包含场景中既有对象，包括建筑和摆件等的基础层级信息 - + Generative Agents 的场景信息管理 @@ -635,7 +635,7 @@ AutoGPT 主要特性如下： 其提醒我们，就连我们的意识主体性，也只是陈述自我的一个表述器而已。我们是否应当反思对语言能力的过度迷信，从而相信我们能通过训练模型构建 All in One 的智能实体？ - + 全局工作空间理论 @@ -905,7 +905,7 @@ AutoGPT 的核心记忆设计依赖于预包装的 Prompt 本体，这一包装 Generative Agent 通过自动化评估记忆的价值，并构建遗忘系统、关注系统等用于精准从自己繁杂的记忆中检索对于当前情景有用的信息。 - + Generative Agents ：基于 Reflection 构建记忆金字塔 diff --git a/4.人工智能/4.12本章节内容的局限性.md b/4.人工智能/4.12本章节内容的局限性.md index ada5f72..f4f1424 100644 --- a/4.人工智能/4.12本章节内容的局限性.md +++ b/4.人工智能/4.12本章节内容的局限性.md @@ -60,4 +60,4 @@ ZZM 曾经尝试过投入大量时间去钻研数学以及机器学习相关的 联系 ZZM，我努力改 - + diff --git a/4.人工智能/4.1前言.md b/4.人工智能/4.1前言.md index fc05421..f8a429c 100644 --- a/4.人工智能/4.1前言.md +++ b/4.人工智能/4.1前言.md @@ -13,7 +13,7 @@ 计算机视觉旨在用计算机模拟人类处理图片信息的能力，就比如这里有一张图片——手写数字 9 - + 对我们人类而言，能够很轻松地知道这张图片中包含的信息（数字 9），而对计算机来说这只是一堆像素。计算机视觉的任务就是让计算机能够从这堆像素中得到‘数字 9’这个信息。 @@ -21,15 +21,15 @@ 图像分割是在图片中对物体分类，并且把它们所对应的位置标示出来。下图就是把人的五官，面部皮肤和头发分割出来，效(小)果(丑)图如下： - + - + - + 图像生成相信大家一定不陌生，NovalAI 在 2022 年火的一塌糊涂，我觉得不需要我过多赘述，对它(Diffusion model)的改进工作也是层出不穷，这里就放一张由可控姿势网络(ControlNet)生成的图片吧： - + 三维重建也是很多研究者关注的方向，指的是传入对同一物体不同视角的照片，来生成 3D 建模的任务。这方面比图像处理更加前沿并且难度更大。具体见[4.6.5.4神经辐射场(NeRF)](4.6.5.4%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA(NeRF).md) 章节。 @@ -39,9 +39,9 @@ 这就更好理解了，让计算机能够像人类一样，理解文本中的“真正含义”。在计算机眼中，文本就是单纯的字符串，NLP 的工作就是把字符转换为计算机可理解的数据。举个例子，ChatGPT(或者 New Bing)都是 NLP 的成果。在过去，NLP 领域被细分为了多个小任务，比如文本情感分析、关键段落提取等。而 ChatGPT 的出现可以说是集几乎所有小任务于大成，接下来 NLP 方向的工作会向 ChatGPT 的方向靠近。 - + - + ## 多模态(跨越模态的处理) @@ -53,7 +53,7 @@ 具体的任务比如说图片问答，传入一张图片，问 AI 这张图片里面有几只猫猫，它们是什么颜色，它告诉我有一只猫猫，是橙色的： - + ## 对比学习 diff --git a/4.人工智能/4.2机器学习（AI）快速入门（quick start）.md b/4.人工智能/4.2机器学习（AI）快速入门（quick start）.md index 77eb764..8b488fb 100644 --- a/4.人工智能/4.2机器学习（AI）快速入门（quick start）.md +++ b/4.人工智能/4.2机器学习（AI）快速入门（quick start）.md @@ -26,7 +26,7 @@ 甚至深度学习，也只是机器学习的一部分，不过使用了更多技巧和方法，增大了计算能力罢了。 - + # 两种机器学习算法 @@ -42,11 +42,11 @@ 近三个月来，每当你的城市里有人卖了房子，你都记录了下面的细节——卧室数量、房屋大小、地段等等。但最重要的是，你写下了最终的成交价： - + 然后你让新人根据着你的成交价来估计新的数量 - + 这就是监督学习，你有一个参照物可以帮你决策。 @@ -66,7 +66,7 @@ 这其实就是一种经典的聚类算法 - + 可以把特征不一样的数据分开，有非常多的操作，你感兴趣可以选择性的去了解一下。 @@ -139,7 +139,7 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 第二步把每个数值都带入进行运算。 - + 比如说，如果第一套房产实际成交价为 25 万美元，你的函数估价为 17.8 万美元，这一套房产你就差了 7.2 万。 @@ -168,13 +168,13 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 为了避免这种情况，数学家们找到了很多种[聪明的办法](https://link.zhihu.com/?target=http%3A//en.wikipedia.org/wiki/Gradient_descent)来快速找到优秀的权重值。下面是一种： - + 这就是被称为 loss 函数的东西。 这是个专业属于，你可以选择性忽略他，我们将它改写一下 - + θ 表示当前的权重值。 J(θ) 表示「当前权重的代价」。 @@ -182,7 +182,7 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 如果我们为这个等式中所有卧室数和面积的可能权重值作图的话，我们会得到类似下图的图表： - + 因此，我们需要做的只是调整我们的权重，使得我们在图上朝着最低点「走下坡路」。如果我们不断微调权重，一直向最低点移动，那么我们最终不用尝试太多权重就可以到达那里。 @@ -194,7 +194,7 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 当你使用一个机器学习算法库来解决实际问题时，这些都已经为你准备好了。但清楚背后的原理依然是有用的。 - + 枚举法 @@ -225,7 +225,7 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 我们换一个好看的形式给他展示 - + 箭头头表示了函数中的权重。 @@ -233,17 +233,17 @@ def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): 所以为了更加的智能化，我们可以利用不同的权重来多次运行这个算法，收集各种不同情况下的估价。 - + 然后我们把四种整合到一起，就得到一个超级答案 - + 这样我们相当于得到了更为准确的答案 # 神经网络是什么 - + 我们把四个超级网络的结合图整体画出来，其实这就是个超级简单的神经网络，虽然我们省略了很多的内容，但是他仍然有了一定的拟合能力 @@ -318,17 +318,17 @@ print('y_pred=',y_test.data) 我们试着只识别一个数字 8 - + - + 我们把一幅 18×18 像素的图片当成一串含有 324 个数字的数组，就可以把它输入到我们的神经网络里面了： - + 为了更好地操控我们的输入数据，我们把神经网络的输入节点扩大到 324 个： - + 请注意，我们的神经网络现在有了两个输出（而不仅仅是一个房子的价格）。第一个输出会预测图片是「8」的概率，而第二个则输出不是「8」的概率。概括地说，我们就可以依靠多种不同的输出，利用神经网络把要识别的物品进行分组。 @@ -349,7 +349,7 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 当数字并不是正好在图片中央的时候，我们的识别器就完全不工作了。一点点的位移我们的识别器就掀桌子不干了 - + 这是因为我们的网络只学习到了正中央的「8」。它并不知道那些偏离中心的「8」长什么样子。它仅仅知道中间是「8」的图片规律。 @@ -365,9 +365,9 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 当然，你同时也需要更强的拟合能力和更深的网络。 - + - + 一层一层堆叠起来，这种方法很早就出现了。 @@ -377,7 +377,7 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 作为人类，你能够直观地感知到图片中存在某种层级（hierarchy）或者是概念结构（conceptual structure）。比如说，你在看 - + 你会快速的辨认出一匹马，一个人。 @@ -387,7 +387,7 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 有人对此做过研究，人的眼睛可能会逐步判断一个物体的信息，比如说你看到一张图片，你会先看颜色，然后看纹理然后再看整体，那么我们需要一种操作来模拟这个过程，我们管这种操作叫卷积操作。 - + ## 卷积是如何工作的 @@ -395,13 +395,13 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 当然也有最新研究说卷积不具备平移不变性，但是我这里使用这个概念是为了大伙更好的理解，举个例子：你将 8 无论放在左上角还是左下角都改变不了他是 8 的事实 - + 我们将一张图像分成这么多个小块，然后输入神经网络中的是一个小块。每次判断一张小图块。 然而，有一个非常重要的不同：对于每个小图块，我们会使用同样的神经网络权重。换一句话来说，我们平等对待每一个小图块。如果哪个小图块有任何异常出现，我们就认为这个图块是「异常」 - + 换一句话来说，我们从一整张图片开始，最后得到一个稍小一点的数组，里面存储着我们图片中的哪一部分有异常。 @@ -413,7 +413,7 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 让我们先来看每个 2×2 的方阵数组，并且留下最大的数： - + 每一波我们只保留一个数，这样就大大减少了图片的计算量了。 @@ -435,7 +435,7 @@ model.add(Activation('relu'))# 激活函数，你可以理解为加上这个东 你猜怎么着？数组就是一串数字而已，所以我们我们可以把这个数组输入到另外一个神经网络里面去。最后的这个神经网络会决定这个图片是否匹配。为了区分它和卷积的不同，我们把它称作「全连接」网络 - + 我们的图片处理管道是一系列的步骤：卷积、最大池化，还有最后的「全连接」网络。 diff --git a/4.人工智能/4.3.1.1程序示例——maze迷宫解搜索.md b/4.人工智能/4.3.1.1程序示例——maze迷宫解搜索.md index d3c0838..2afd41e 100644 --- a/4.人工智能/4.3.1.1程序示例——maze迷宫解搜索.md +++ b/4.人工智能/4.3.1.1程序示例——maze迷宫解搜索.md @@ -5,7 +5,7 @@ ::: ::: tip 📥 -本节附件下载
而SRSs则是将用户和商品的交互建模为一个动态的序列并且利用序列的依赖性来活捉当前和最近用户的喜好。 - + diff --git a/4.人工智能/4.6.6.2推荐系统.md b/4.人工智能/4.6.6.2推荐系统.md index 6fa4dd1..967e47e 100644 --- a/4.人工智能/4.6.6.2推荐系统.md +++ b/4.人工智能/4.6.6.2推荐系统.md @@ -4,7 +4,7 @@ 如下图是阿里巴巴著名的“千人千面”推荐系统 - + 还有短视频应用用户数量的急剧增长，这背后，视频推荐引擎发挥着不可替代的作用 diff --git a/4.人工智能/4.6.7.1VIT.md b/4.人工智能/4.6.7.1VIT.md index ef5c653..1203809 100644 --- a/4.人工智能/4.6.7.1VIT.md +++ b/4.人工智能/4.6.7.1VIT.md @@ -18,7 +18,7 @@ ## 模型详解 - + ### 模型主题结构 @@ -51,9 +51,9 @@ 例如 - + - + 其中该张图片的编码为[0.5，0.6，0.3，....] diff --git a/4.人工智能/4.6.7.2BERT.md b/4.人工智能/4.6.7.2BERT.md index b28e205..5d3b8e1 100644 --- a/4.人工智能/4.6.7.2BERT.md +++ b/4.人工智能/4.6.7.2BERT.md @@ -30,13 +30,13 @@ mlp 的重点和创新并非它的模型结构，而是它的训练方式，前 BERT 模型的输入就是上面三者的和，如图所示： - + ## 模型结构 简单来说，BERT 是 transformer编码器的叠加，也就是下图左边部分。这算一个 block。 - + 说白了就是一个 多头自注意力=>layer-norm=> 接 feed forward(其实就是 mlp)=>layer-norm，没有什么创新点在这里。因为是一个 backbone 模型，它没有具体的分类头之类的东西。输出就是最后一层 block 的输出。 diff --git a/4.人工智能/4.6.7.3MAE.md b/4.人工智能/4.6.7.3MAE.md index 45f7ac5..3533bf9 100644 --- a/4.人工智能/4.6.7.3MAE.md +++ b/4.人工智能/4.6.7.3MAE.md @@ -28,7 +28,7 @@ cv 领域，其实预训练模型早已推广，一般是在 imagenet 上进行 在这里，作者为了加大任务的难度，扩大了被 mask 掉的比例，避免模型只学到双线性插值去修补缺的图像。作者把 75% 的 patch 进行 mask，然后放入模型训练。从下图可以看出，被 mask 的块是不进行编码的，这样也可以降低计算量，减少成本。 - + 在被保留的块通过编码器后，我们再在原先位置插入只包含位置信息的 mask 块，一起放入解码器。 @@ -38,7 +38,7 @@ cv 领域，其实预训练模型早已推广，一般是在 imagenet 上进行 下面是原论文给的训练结果，可以看到效果是很惊人的。（有些图我脑补都补不出来） - + # 相关资料 diff --git a/4.人工智能/4.6.8.1前言.md b/4.人工智能/4.6.8.1前言.md index 697999b..20ddac7 100644 --- a/4.人工智能/4.6.8.1前言.md +++ b/4.人工智能/4.6.8.1前言.md @@ -24,7 +24,7 @@ 直观来讲，我们把特征的向量进行一下归一化，它们就分布在一个超球面上。简单起见，我们先看 3 维向量 - + 我们通过正样本（跟拿到的特征应当相近的另一个特征）与负样本（反之）的对比，使得 diff --git a/4.人工智能/4.6.8.2Inst Disc.md b/4.人工智能/4.6.8.2Inst Disc.md index 3d6e134..88ad2c4 100644 --- a/4.人工智能/4.6.8.2Inst Disc.md +++ b/4.人工智能/4.6.8.2Inst Disc.md @@ -8,7 +8,7 @@ 作者团队认为，让这些猎豹，雪豹的标签相互接近（指互相在判别时都排名靠前）的原因并不是它们有相似的标签，而是它们有相似的图像特征。 - + ## 个体判别任务 @@ -16,7 +16,7 @@ 于是他们把每一个图片当作一个类别，去跟其他的图片做对比，具体模型如下 - + 先介绍一下模型结构： @@ -48,11 +48,11 @@ A 是起始点，B 是第一次更新后的点，C 是第二次更新后的点 - + 而在我们刚刚提到的动量更新里，它的公式可以概括为： - + m 表示动量，k 是新的特征，q 是上一个特征，只要设置小的动量就可以使改变放缓。 diff --git a/4.人工智能/4.6.8.3定义正负样本的方式.md b/4.人工智能/4.6.8.3定义正负样本的方式.md index c62f67d..04af727 100644 --- a/4.人工智能/4.6.8.3定义正负样本的方式.md +++ b/4.人工智能/4.6.8.3定义正负样本的方式.md @@ -4,7 +4,7 @@ # 1.时序性定义（生成式模型） - + 这是处理音频的一个例子，给模型 t 时刻以前的信息，让它抽取特征并对后文进行预测，真正的后文作为正样本，负样本当然是随便选取就好啦。 @@ -24,4 +24,4 @@ （这篇论文我准备开个新坑放着了，因为说实话不算对比学习，算多模态） - + diff --git a/4.人工智能/4.6.8.4MoCo.md b/4.人工智能/4.6.8.4MoCo.md index 1d633dd..e048089 100644 --- a/4.人工智能/4.6.8.4MoCo.md +++ b/4.人工智能/4.6.8.4MoCo.md @@ -24,7 +24,7 @@ NCE 把所有负样本都视作一样的，但实际上负样 右边就是 memory bank 啦 - + # MoCo 做出的改进 @@ -38,7 +38,7 @@ NCE 把所有负样本都视作一样的，但实际上负样 动量编码器是独立于原编码器的一个编码器，它的参数是根据原编码器动量更新的，k 和 q 就是指代全部参数了 - + 这样的话就是解码器在缓慢更新，比对特征使用动量更新要更有连续性。 @@ -48,7 +48,7 @@ NCE 把所有负样本都视作一样的，但实际上负样 [（什么？你看到这了还不会交叉熵？戳这里）](https://zhuanlan.zhihu.com/p/149186719) - + q·k 其实就是各个特征（因为那时候用的都是 transformer 了，这里就是 trnasformer 里的 k 和 q） @@ -56,9 +56,9 @@ q·k 其实就是各个特征（因为那时候用的都是 transformer 了， T 越大，损失函数就越对所有负样本一视同仁，退化为二分类的 NCEloss；T 越小，损失函数就越关注一些难分类的特征，但有时候会出现两张其实都是猫猫的图片，你硬要让模型说猫猫跟猫猫不一样，这也不太好，这个参数要根据数据集情况适中调整。 - + - + 上面那张是 T 较大的情况，下面是 T 较小的情况（x 轴是各个类别，y 轴是分类得分） diff --git a/4.人工智能/4.6.8.5SimCLR.md b/4.人工智能/4.6.8.5SimCLR.md index 07c49fa..7721627 100644 --- a/4.人工智能/4.6.8.5SimCLR.md +++ b/4.人工智能/4.6.8.5SimCLR.md @@ -6,7 +6,7 @@ x 是输入的图片，它经过两种不同的数据增强得到 xi 和 xj 两个正样本，而同一个 mini-batch 里的所有其他样本都作为负样本。
- 
+ 
+
HDU计算机科学讲义
@@ -51,7 +51,7 @@ zzm 花费了一年的时间动员了大伙对讲义进行修缮和完备，不得不说这确实不是一个小的工作，不过在2023年3月，在计院领导的支持下，计算机学院科协成立了。我们将在学院的支持下继续完善这个内容，同时也欢迎大伙加入我们，共同参与到讲义的学习与撰写中来！
- 
+ 
## 学习原则
diff --git a/components/Parallax.vue b/components/Parallax.vue
index 9056c31..4f135e3 100644
--- a/components/Parallax.vue
+++ b/components/Parallax.vue
@@ -39,13 +39,13 @@ const containerStyle: CSSProperties = {
const layer0 = computed(() => ({
...layerBase,
- content:'url(https://pic-hdu-cs-wiki-1307923872.cos.ap-shanghai.myqcloud.com/hdu-cs-wiki_main.png)',
+ content:'url(https://cdn.xyxsw.site/hdu-cs-wiki_main.png)',
transform: `translateX(${parallax.tilt * 10}px) translateY(${parallax.roll * 10
}px) scale(1)`,
}))
const layer1 = computed(() => ({
- content:'url(https://pic-hdu-cs-wiki-1307923872.cos.ap-shanghai.myqcloud.com/sparkles.gif)',
+ content:'url(https://cdn.xyxsw.site/sparkles.gif)',
userSelect: 'none',
"-webkit-user-drag": "none",
transform: `translateX(${parallax.tilt * 20}px) translateY(${parallax.roll * 20
diff --git a/wiki史.md b/wiki史.md
index bacff61..f36c150 100644
--- a/wiki史.md
+++ b/wiki史.md
@@ -32,7 +32,7 @@
在那一轮培训的过程中，晓宇来改作业，我来组织大伙开会和讲一些内容，我们看着很多原本电脑都不会用的同学有机会能接触到世界相较而言很前沿的任务，心里还是很有成就感的。
-
+
（图一：最早的SRT社团培训）
@@ -60,20 +60,20 @@
于是我当时的计划是，先尽自己所能，将自己在学习过程中踩得坑，走的错误道路都记录下来，然后借鉴南京大学和上海交大的思想，先写一些有指导意义的软文，然后把自己学的 AI 和编程的内容写下来，并且吸取一些国外优质的课程内容。争取做一些更新手友好的内容。写了两个月，将 AI 和编程部分自己的入门经验写出来了，估计输出了数万字。
-
+
（早期Wiki）
不过问题很快暴露出来，我作为一个个体是渺小且无力的，而计算机科学的世界是宏伟且庞大的，凭借我一个人，我这辈子写完是没戏了。不过没关系，我在冥冥之中仿佛与战国时期翻手为云，覆手为雨的纵横学家有了心灵感应，是时候发动人民群众的力量了！
在新生到来前的那个暑假，我先后联系了杭电技术最强的几个技术团体的同学，一起参与到 Wiki 的完善工作去，尽可能补齐计算机技术的方方面面，甚至我们找到了杭电最受欢迎的老师之一韩健夫老师为我们写了一篇文章。随着 22 届新生的到来，Wiki 已经初具雏形了，我们依靠新生的反馈，循序渐进地修改内容，并且鼓励新生可以根据自己的学习心得对 Wiki 进行修正。
-
+
（图三：超大规模的22届）
在这个时候，我觉得也许仅仅靠校内的视角，是远远不够的，我们需要一些更为先进的生产力的帮助！这个时候我想到了之前看到过的 Datawhale 的教程，于是我去联系了他们的开源项目负责人和创始人，甚至去了他们在杭州的总部。
-
+
在与他们的沟通过之后备受振奋，有种酒逢知己千杯少的快乐，感觉 Datawhale 这样的社区就是一群我这样的聚集在了一起。我们的理念和思考完全相同，并且他们传递给了我一种力量，一种可以让理想真正落地的力量，一种靠人与人之间互相关怀，互相帮助，通过信任和感情把大伙联系起来。
diff --git a/简介.md b/简介.md
index c90c8aa..2145990 100644
--- a/简介.md
+++ b/简介.md
@@ -31,7 +31,7 @@
想必在这里，你或多或少都能得到自己的答案！
+
-
+
欢迎加群与学长交流！我们也可以针对你的喜好为你定制一个方案！
+