默拉智能AI系统
【建站扶持计划】 
任务1：
要求sku这一列数字后面的字母全部删除，保留数字前面的字母D L S等。
我不是excel高手，肯定有公式可以轻松解决这个问题。我们今天尝试用AI解决这个问题！
提示词：帮我把数字后面的字母去掉，并输出给我，请保留数字前面的字母：
把需要处理的数据，复制粘贴到冒号后面，输入给AI系统
输出结果如上，复制回去excel表格，即可搞定！
任务2：
查重和去重任务，交给AI，轻松完成。(此任务消耗了9000+ token，还好是GPT 3.5-16k模型，才能顺利完成这样的长任务)
提示词：Please help me summarize. There are repeated asin in the following, and calculate the number of repetitions：
任务3：
批量写小说功能
任务4：
批量内容改写和缩写，扩写！
备注：批量任务和长文小说功能，VIP不可用（3.5模型按照次数付费），4.0模型 按照字数付费！
GPT Token 的概念！
在GPT计算机语言处理中，Token 是一个基本的概念。它指的是文本中可以被视为一个单独单位的元素，比如单词、数字或符号。例如，在句子“我爱北京天安门”中，每一个词“我”、“爱”、“北京”、“天安门”都可以被视作一个 Token。Token 是 NLP（自然语言处理）中数据预处理的重要步骤，它帮助模型理解和分析文本。Token 分为以下几种类型，不同类型的词汇对照的内容也不一样：
词汇 Token（Word Tokens）：这是最常见的 Token 类型，代表文本中的单词。例如，“猫”、“跑”等。
符号 Token（Symbol Tokens）：包括标点符号和特殊字符，如逗号、“？”等。
数字 Token（Number Tokens）：代表数字，例如“2023”、“100”等。
每种类型的 Token 在文本处理中扮演不同的角色:
词汇 Token 帮助模型 理解文本的语义内容；
符号 Token 通常用于理解文本的结构和语法；
数字 Token 则在处理包含数字信息的文本时显得尤为重要。
通过将文本分解为不同类型的 Token，NLP 模型如 GPT模型 能更准确地分析和理解语言，从而在回答问题、生成文本或执行其他语言相关任务时，表现出更高的效率和准确性。对于 8K Token，需要进行大约 6400 万次（8000 乘以 8000）的注意力计算。而对于 32K Token，则需要进行高达 10.24 亿次（ 32000 乘以 32000 ）的计算。这就解释了为什么处理 32K Token 的模型要比处理 8K Token 的模型难得多，而处理更大规模的 Token（如 128K ）更是难上加难。
