手动更新

wiki/sources/llms-rag-ai-agent-三个到底什么区别.md

@@ -0,0 +1,54 @@
+---
+title: "LLMs、RAG、AI Agent 三个到底什么区别？"
+type: source
+tags: [ai-agent, llm, rag]
+date: 2025-11-19
+sources: []
+last_updated: 2025-04-23
+---
+
+## Source File
+- [[AI/LLMs、RAG、AI Agent 三个到底什么区别？]]
+
+## Summary（用中文描述）
+- 核心主题：LLM、RAG、AI Agent 三者的定义、作用层面及相互关系
+- 问题域：AI 应用开发入门者对这三个核心概念的混淆与误用
+- 方法/机制：分层对比——LLM=思考（天才大脑），RAG=认知（记忆系统），Agent=执行（行动系统）；三者非竞争技术，而是在不同层面互补
+- 结论/价值：未来不在于选择其一，而在于将三者结合架构设计
+
+## Key Claims（用中文描述）
+- LLM、RAG、AI Agent 不是竞争技术，而是在三个不同层面满足不同实际场景的能力展示，大部分人的使用方式都是错误的
+- LLM 全称大语言模型，是 AI 应用的"天才大脑"，在思考方面非常出色，但对当前情况一无所知——知识有截止日期
+- RAG（检索增强生成）是记忆系统，将静态的 LLM 知识链接到外部实时知识库，降低幻觉、提供可引用来源
+- AI Agent 是围绕 LLM 构建的循环控制系统，具备感知目标、规划步骤、执行动作、反思结果的行动能力
+- 真正的生产系统需要叠加三者：用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性
+
+## Key Quotes
+> "LLM 在思考方面非常出色，但对当前情况却一无所知" — 核心局限
+> "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理" — RAG 的比喻
+> "LLM 和 RAG 都不具备行动能力，有脑，有手，但是不知道怎么走路" — Agent 的必要性
+> "未来不在于选择其一，而在于将三者结合起来进行架构设计" — 核心结论
+
+## Key Concepts
+- [[Large Language Model]]：大语言模型，AI 应用的"天才大脑"，负责推理与生成，但知识有截止日期
+- [[RAG]]：检索增强生成（Retrieval-Augmented Generation），将 LLM 链接到外部知识库，提供实时信息和可引用来源，降低幻觉
+- [[AI Agent]]：AI 智能体，围绕 LLM 构建的循环控制系统，感知→规划→执行→反思，实现真正的自主行动能力
+- [[ReAct Pattern]]：AI Agent 的推理-行动模式，通过观察结果迭代优化下一步行动
+
+## Key Entities
+- [[shenwei]]：微信公众号作者，本文原创发布于 2025-11-19
+
+## Connections
+- [[Large Language Model]] ← 核心引擎 ← [[AI Agent]]
+- [[RAG]] ← 提供准确性 ← [[AI Agent]]
+- [[AI Agent]] ← 扩展能力 → [[ReAct Pattern]]
+- [[Large Language Model]] ← 知识局限 → 需要 [[RAG]] 补充实时信息
+
+## Contradictions
+- 无已知冲突
+
+## Related Sources
+- [[rag从入门到精通系列1-基础rag]] — RAG 基础入门教程
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]] — LLM/RAG 相关术语总结
+- [[designing-for-agentic-ai]] — Agentic AI 设计原则
+- [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]] — AI Agent 构建入门

wiki/sources/nano-banana-提示词框架.md

@@ -0,0 +1,49 @@
+---
+title: "Nano Banana 提示词框架"
+type: source
+tags: [ai, google, nano-banana, prompt]
+date: 2026-03-15
+---
+
+## Source File
+- [[AI/Nano Banana 提示词框架]]
+
+## Summary（用中文描述）
+- 核心主题：AI 图像生成的标准化结构化提示词框架（Nano Banana Prompting Framework）
+- 问题域：解决 AI 图像生成中提示词不规范、不完整、难以复现的问题
+- 方法/机制：提供两套 JSON Schema 模板（物件描述框架 + 人物描述框架），将提示词结构化为 shot / subject / environment / lighting / camera / color_grade / style / quality / negatives 等可填字段
+- 结论/价值：将艺术总监级别的摄影描述语言转化为可结构化填写的模板，降低 AI 图像生成的门槛，提升输出一致性和专业度
+
+## Key Claims（用中文描述）
+- Nano Banana 框架通过标准化 JSON Schema 将专业摄影描述语言结构化，使 AI 图像生成输出更可控、更专业
+- 物件描述框架与人物描述框架共用核心参数（shot / lighting / camera / color_grade / style / quality / negatives），仅 subject 字段有差异化定义
+- negatives（负向提示词）字段用于主动排除不需要的元素，是保证输出纯净度的关键机制
+- 示例中的手表描述展示了如何将具体材质、工艺、光影条件数字化填入模板
+
+## Key Quotes
+> "shot: Macro close-up shot, square aspect ratio (1:1), centered composition." — 镜头类型与构图规范
+> "negatives: no scratches, no dust, no logos or brand names, no human hands, blurry watch face, unrealistic lighting." — 负向提示词排除清单
+> "Hyper-realistic CGI render, commercial product photography, luxury and precision." — 风格定义示例
+
+## Key Concepts
+- [[Nano Banana Prompting Framework]]：AI 图像生成的结构化提示词框架，提供物件和人物两套 JSON Schema 模板
+- [[Structured Prompt Engineering]]：将自然语言描述转化为结构化 JSON 字段的提示词工程方法，提升 AI 输出的可控性和可复现性
+- [[Negative Prompting]]：通过 negatives 字段主动声明不想要的元素，是提升 AI 图像质量的重要机制
+- [[Shot Composition]]：镜头类型与构图规范的标准化定义（如 Macro close-up shot）
+- [[Photography Lighting Description]]：专业布光描述语言（key light / fill light / rim light 三灯布光法）
+- [[Camera Parameter Specification]]：相机参数化描述（focal_length / aperture / angle）
+
+## Key Entities
+- [[Google]]：Nano Banana 框架的发布方（source 文件标签含 google）
+- [[Nano Banana]]：Google 发布的 AI 图像生成工具品牌
+
+## Connections
+- [[Nano Banana Pro 提示词指南]] ← 进阶版本 ← [[Nano Banana 提示词框架]]
+- [[文字生成视频网站推荐]] ← 同属 AI 内容生成工具领域 ← [[Nano Banana 提示词框架]]
+
+## Contradictions
+- 与 [[清华出的DeepSeek使用手册]] 冲突：
+  - 冲突点：文本生成领域强调"语义推理"能力，图像生成领域强调"结构化模板"规范
+  - 当前观点：Nano Banana 框架认为标准化模板是专业输出的关键
+  - 对方观点：DeepSeek 提示词强调"灵活性"和"自然语言表达"，避免框架约束
+  - 注：两者适用于不同模态（图像 vs 文本），框架 vs 灵活并非绝对对立

wiki/sources/openai-chatgpt-个性化定义.md

@@ -0,0 +1,49 @@
+---
+title: "OpenAI ChatGPT 个性化定义"
+type: source
+tags: [ai, chatgpt, customization, openai, personal-knowledge]
+date: 2026-04-23
+---
+
+## Source File
+- [[AI/OpenAI ChatGPT 个性化定义.md]]
+
+## Summary（用中文描述）
+- 核心主题：ChatGPT 自定义指令（Custom Instructions）的完整配置——定义用户身份、工作风格、交互偏好和输出格式要求
+- 问题域：如何将 ChatGPT 从通用助手塑造成符合个人需求的专业协作者
+- 方法/机制：通过 ChatGPT 的"自定义指令"功能，设置"高度有条理"的响应风格、"主动预判"的工作方式、以及对技术深度的具体要求
+- 结论/价值：系统性的 AI 个性化配置——把 ChatGPT 变成真正理解用户背景、专业领域和沟通偏好的专属助手，错误零容忍，提供详细解释
+
+## Key Claims（用中文描述）
+- ChatGPT 应保持"高度有条理"的响应风格，主动预判用户需求而非被动等待指令
+- 用户被定义为所有领域的专家，AI 无需简化技术细节
+- 错误会削弱信任，因此回复必须准确和详尽
+- AI 应重视合理论据而非权威，来源无关紧要
+- 推测性内容必须明确告知，不可伪装为事实
+- 内容政策冲突时，应提供最接近可接受的答复并解释问题所在
+- URL 引用应统一放在回复末尾，而非分散在正文中
+- 如因自定义指令导致回复质量下降，AI 应主动指出问题所在
+
+## Key Quotes
+> "Mistakes can erode my trust, so be accurate and detailed" — 错误零容忍原则
+> "Value sound arguments over authority, and sources are irrelevant" — 理性论据优先于权威
+> "If the quality of your response has dropped significantly due to my custom instructions, please explain the problem" — 主动反馈机制
+
+## Key Concepts
+- [[Personalization]]：AI 个性化配置——通过系统级指令塑造 AI 的响应风格和交互方式
+- [[Custom Instructions]]：ChatGPT 的个性化指令功能，允许用户定义 AI 的行为模式
+- [[Proactive AI]]：主动预判用户需求的 AI 交互方式，而非被动响应
+- [[Expert User Assumption]]：将用户视为所有领域的专家，无需简化技术细节
+- [[Error Accountability]]：错误反馈机制——AI 主动指出因配置导致的回复质量下降
+
+## Key Entities
+- [[OpenAI]]：ChatGPT 的开发商，提供自定义指令功能
+- [[ChatGPT]]：本配置的主体，OpenAI 开发的大语言模型
+
+## Connections
+- [[designing-for-agentic-ai]] ← informs ← [[Personalization]]
+- [[custom-morning-brief]] ← extends ← [[Proactive AI]]
+- [[Agent Personality Design]] ← relates_to ← [[Custom Instructions]]
+
+## Contradictions
+- （暂无发现与其他 Wiki 页面的内容冲突）

wiki/sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md

@@ -0,0 +1,51 @@
+---
+title: "清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）"
+type: source
+tags: []
+date: 2025-12-18
+---
+
+## Source File
+- [[raw/AI/清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）.md]]
+
+## Summary（用中文描述）
+- 核心主题：清华大学发布的《DeepSeek从入门到精通2025》官方使用手册，104页全面指南
+- 问题域：如何高效使用 DeepSeek AI，包括模型选择、提示语设计、避免常见误区
+- 方法/机制：通过"授人以渔"方式讲解原理，手把手教会用户理解提示词底层逻辑，而非简单复制 GPT 提示词
+- 结论/价值：理论与实践结合紧密，适合不同层次读者；强调避免 AI 幻觉的技巧和设计超棒提示语的秘籍；体现了中国在 AGI 领域的实力
+
+## Key Claims（用中文描述）
+- 清华大学新闻与传播学院元宇宙文化实验室发布的《DeepSeek从入门到精通2025》手册，由余梦珑博士后及团队撰写
+- DeepSeek 开源的推理模型 DeepSeek-R1 在处理复杂任务方面表现出色，备受世界瞩目
+- 该手册不仅讲原理，还手把手教用户科学使用——告诉用户"怎么问"更告诉"为什么这么问"
+- 手册共 104 页，包含避免 AI 幻觉的小窍门和设计超棒提示语的秘籍
+- 文档适合不同层次读者，但对完全新手来说部分章节可能稍显复杂
+
+## Key Quotes
+> "以前我看了很多教程，都感觉特别花哨，没啥干货，大部分就是把GPT的说明书稍微改改，就拿来用在DeepSeek上了，没啥用。但清华这个手册完全不一样！它先是给你讲清楚原理，然后手把手教你怎么科学地使用。" — 来源评论
+> "这才是真正的'授人以渔'，太有用了！" — 来源评论
+> "清华的专家们毫无保留，分享了超多实用技巧，从避免 AI 幻觉的小窍门，到设计超棒提示语的秘籍，共104页，全是能直接上手的干货" — 来源介绍
+
+## Key Concepts
+- [[DeepSeek-R1]]：DeepSeek 开源的推理模型，以处理复杂任务见长，是 AGI 领域的重要里程碑
+- [[提示语设计]]：通过"授人以渔"方式讲解提示词底层逻辑，而非简单套用 GPT 提示词
+- [[AI幻觉]]：手册中包含如何避免 AI 产生幻觉内容（生成看似合理但错误的信息）的实用技巧
+- [[通用人工智能（AGI）]]：DeepSeek 的公司使命，专注于通用人工智能研究
+- [[推理模型]]：区别于普通语言模型，专注于复杂推理任务的模型类型
+
+## Key Entities
+- [[清华大学]]：新闻与传播学院元宇宙文化实验室，发布了该手册
+- [[余梦珑]]：博士后，清华大学新闻与传播学院元宇宙文化实验室研究员，手册主要作者
+- [[DeepSeek]]：专注于 AGI 的中国科技公司，开源了 DeepSeek-R1 推理模型
+- [[DeepSeek-R1]]：DeepSeek 开源的推理模型，在复杂任务处理方面表现出色
+
+## Connections
+- [[DeepSeek-R1]] ← 核心主题 ← [[清华出的DeepSeek使用手册]]
+- [[提示语设计]] ← 关键内容 ← [[清华出的DeepSeek使用手册]]
+- [[AI幻觉]] ← 涵盖主题 ← [[清华出的DeepSeek使用手册]]
+
+## Contradictions
+- 与 [[llms-rag-ai-agent-三个到底什么区别]] 存在互补关系：
+  - 冲突点：该手册聚焦 DeepSeek 单个模型的具体使用方法，后者聚焦 LLM/RAG/Agent 三层架构的宏观对比
+  - 当前观点：该手册从清华大学实践角度提供 DeepSeek 特定提示词技巧和避免幻觉策略
+  - 对方观点：从系统架构层面解释 LLM（思考层）、RAG（记忆层）、Agent（执行层）的协作关系

wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md

@@ -0,0 +1,86 @@
+---
+title: "详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1"
+type: source
+tags: []
+date: 2026-04-23
+---
+
+## Source File
+- [[AI/详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1.md]]
+
+## Summary（用中文描述）
+- 核心主题：如何在本地机器上离线部署和运行大语言模型（LLM），使用 Ollama + DeepSeek + Open WebUI 实现私有化 AI 服务
+- 问题域：国内网络环境下 LLM 部署面临的下载慢、无 API Key、数据隐私等挑战
+- 方法/机制：
+  - Ollama：跨平台（macOS/Windows/Linux/Docker）本地 LLM 运行框架
+  - DeepSeek-R1 系列蒸馏模型：1.5B~671B 参数多个版本
+  - Open WebUI：基于浏览器的开源 Web 界面，集成 Ollama API
+  - 离线方案：通过第三方（魔塔社区/HuggingFace Mirror/夸克网盘）下载模型文件后用 `ollama create` 导入
+  - 局域网访问：通过环境变量 OLLAMA_HOST=0.0.0.0 配置
+  - API 安全：通过 nginx 反向代理 + Bearer Token 保护云服务器部署
+- 结论/价值：提供完整的国内环境本地 LLM 部署实操指南，覆盖安装、下载、调优、安全配置的完整闭环
+
+## Key Claims（用中文描述）
+- Ollama 提供简洁的跨平台 LLM 部署方案，4GB RAM 跑 1.5B 模型，32GB RAM 跑 33B 模型
+- DeepSeek-R1:32b 及以下模型可在 Apple M2 Max Mac Studio 上流畅运行
+- 模型下载速度开始快后变慢可通过间隔重启下载进程解决
+- Docker 部署 Ollama 可实现 GPU 加速（`--gpus=all`）
+- 云服务器部署必须配置 API KEY 保护（nginx + Bearer Token）防止被恶意调用
+- Open WebUI 可通过 docker-compose 一键部署，集成 DeepSeek-R1:8b 和 bge-m3 嵌入模型
+
+## Key Quotes
+> "你应该至少有 4 GB 的 RAM 来运行 1.5B 模型，至少有 8 GB 的 RAM 来运行 7B 模型，16 GB 的 RAM 来运行 13B 模型，以及 32 GB 的 RAM 来运行 33B 模型。" — Ollama 硬件要求参考
+> "假若需要本地私有化部署具有实用性的模型，应至少有独立显卡并有 4G 以上显存。纯 CPU 模式虽然也可以运行，但生成速度很慢，仅适用于本地开发调试体验一下。" — 实用部署建议
+> "如果你是在云服务器等拥有公网IP的环境上部署，请谨慎做此设置（OLLAMA_HOST=0.0.0.0），否则可能导致 API 服务被恶意调用。" — 云服务器安全警告
+
+## Key Concepts
+- [[Local LLM Deployment]]：在本地机器上离线运行大语言模型，确保数据隐私，无需 API Key 费用
+- [[Ollama]]：开源本地 LLM 运行框架，提供简单命令行和 API 接口
+- [[Open WebUI]]：开源 Web 界面工具，为 Ollama 等 LLM 提供图形化交互体验
+- [[RAG]]：检索增强生成，Open WebUI 使用 bge-m3 嵌入模型构建本地知识库
+- [[Docker LLM Deployment]]：通过 Docker 容器化部署 Ollama 和 Open WebUI
+- [[Model Quantization]]：GGUF 格式量化模型，通过 `ollama create` 导入本地文件
+
+## Key Entities
+- [[Ollama]]：开源本地 LLM 框架，支持 macOS/Windows/Linux/Docker，官方站 ollama.com，中文站 ollama.org.cn
+- [[DeepSeek]]：深度求索 AI 公司，发布 DeepSeek-R1 系列开源推理模型（1.5B~671B），ollama 官方模型库支持
+- [[Open WebUI]]：开源大模型 Web 界面项目（ghcr.io/open-webui/open-webui），通过 Ollama API 集成多种 LLM，支持 RAG 知识库和联网搜索
+- [[HuggingFace Mirror]]（hf-mirror.com）：HuggingFace 国内镜像站，解决模型下载速度问题
+- [[魔塔社区]]（modelscope.cn）：阿里达摩院模型库，ollama 支持直接从魔塔下载模型
+- [[夸克网盘]]：第三方离线模型下载渠道，deepseek-r1 模型夸克链接共享
+
+## Connections
+- [[Ollama]] ← runs ← [[DeepSeek]]
+- [[Ollama]] ← hosts ← [[Open WebUI]]
+- [[Open WebUI]] ← uses ← [[RAG]]（bge-m3 嵌入模型）
+- [[Local LLM Deployment]] ← solved_by ← [[Ollama]] + [[DeepSeek]] + [[Open WebUI]]
+- [[Docker LLM Deployment]] ← extends ← [[Docker]]（Ollama 的 Docker 部署模式）
+
+## Contradictions
+- 无已知冲突页面
+
+## DeepSeek-R1 模型规格参考
+
+| 参数版本 | 模型大小 | 建议内存 | 建议显存 | 特点 |
+|---------|---------|---------|---------|------|
+| deepseek-r1:1.5b | 1.1GB | 4~8G | 4GB | 轻量级，速度快 |
+| deepseek-r1:7b | 4.7GB | 16G | 14GB | 性能较好，硬件适中 |
+| deepseek-r1:8b | 4.9GB | 16G | 14GB | 略强于 7b，精度更高 |
+| deepseek-r1:14b | 9GB | 32G | 26GB | 高性能，复杂任务 |
+| deepseek-r1:32b | 20GB | 64G | 48GB | 专业级，高精度 |
+| deepseek-r1:70b | 43GB | 128G | 140GB | 顶级模型，大规模计算 |
+| deepseek-r1:671b | 404GB | 512G | 1342GB | 超大规模，推理速度快 |
+
+## Ollama 常用命令
+
+| 命令 | 功能 |
+|------|------|
+| `ollama --version` | 验证安装 |
+| `ollama serve` | 启动服务 |
+| `ollama run <model:size>` | 下载并运行模型 |
+| `ollama pull <model:size>` | 拉取模型 |
+| `ollama create <name> -f <Modelfile>` | 从 Modelfile 导入本地模型 |
+| `ollama list` | 列出所有模型 |
+| `ollama show <model>` | 显示模型详情 |
+| `ollama ps` | 列出运行中的模型 |
+| `ollama rm <model>` | 删除模型 |

wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md

@@ -0,0 +1,51 @@
+---
+title: "谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版"
+type: source
+tags: [AI图像生成, 提示词工程, 专业内容生产, Nano-Banana-Pro]
+date: 2025-12-18
+---
+
+## Source File
+- [[AI/谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版]]
+
+## Summary（用中文描述）
+- 核心主题：谷歌发布的 Nano Banana Pro 模型官方提示词指南，聚焦如何将 AI 图像生成从"趣味性"升级为"功能性"专业内容生产
+- 问题域：AI 图像生成提示词编写方法论，适用于信息图、品牌资产、故事板、UI 设计等专业场景
+- 方法/机制：10 大提示词黄金法则 + 9 个实战章节，核心理念是"像创意总监一样思考，而非堆砌标签"
+- 结论/价值：提供可直接复用的提示词模板，覆盖文本渲染、角色一致性、信息锚定、高级编辑、2D/3D 转换等全流程
+
+## Key Claims（用中文描述）
+- Nano Banana Pro 通过意图理解引擎实现物理规则推演、构图美学理解和语义上下文推理，而非传统关键词匹配
+- 模型支持最多 14 张参考图像（6 张高保真），实现"身份锁定"确保角色在多场景中面部一致性
+- 该模型默认生成思考图像（不收费）后再输出最终结果，实现数据分析和视觉问题解决
+- 提示词应使用完整自然语言描述，而非标签堆砌；一张图 80% 正确时应编辑而非重新生成
+- 支持 1K 至 4K 原生高分辨率输出，适合大幅面打印和专业纹理细节
+
+## Key Quotes
+> "要获得最佳效果，请停止使用'标签堆砌'，开始像创意总监一样思考。" — 谷歌 Nano Banana Pro 官方指南
+
+> "如果一张图像有 80% 是正确的，不要从头开始生成新图像。相反，只需要求进行你需要的具体更改。" — 谷歌 Nano Banana Pro 官方指南
+
+> "Nano-Banana Pro 是一个'会思考'的模型。它不仅仅是匹配关键词；它能理解意图、物理原理和构图。" — 谷歌 Nano Banana Pro 官方指南
+
+## Key Concepts
+- [[提示词工程]]：本文的核心主题，通过系统化方法论指导 AI 生成专业级图像内容
+- [[Nano Banana Pro]]：谷歌发布的专业级 AI 图像生成模型，核心突破是意图理解引擎而非关键词匹配
+- [[身份锁定（Identity Locking）]]：通过参考图像确保角色在多场景中保持面部一致性的技术
+- [[思维推理模式（Thinking Mode）]]：模型在渲染前生成临时思考图像以优化构图，支持方程求解和视觉推理
+- [[信息图生成]]：将财报、数据、教程等文本内容压缩转化为可视化信息图表
+- [[2D/3D 转换]]：将平面图、线框图转换为 3D 可视化，支持反向操作
+- [[草图转成品（Sketch to Final）]]：上传手绘草图精确定义文本和对象位置，生成高保真广告/UI 资产
+
+## Key Entities
+- [[谷歌]]（Google）：Nano Banana Pro 的发布方和提示词指南的编写者
+
+## Connections
+- [[nano-banana-pro-prompting-guide-strategies-1]] ← related_to ← [[提示词工程]]
+- [[nano-banana-提示词框架]] ← related_to ← [[Nano Banana Pro]]
+- [[全网最全-nano-banana-2-使用指南-2025年12月更新-1]] ← extends ← [[Nano Banana Pro]]
+- [[如何写出完美的prompt-提示词]] ← related_to ← [[提示词工程]]
+- [[系统提示词构建原则]] ← related_to ← [[提示词工程]]
+
+## Contradictions
+- 暂无发现与其他 Wiki 页面的冲突内容