昆明建设局网站号码海报

昆明建设局网站号码,海报,798艺术区个人拍照图片及价格,校园网站psd在大模型应用开发领域#xff0c;支持特定知识问答的聊天机器人是极具实用价值的方向之一。这类应用能够精准应答特定数据源相关的问题#xff0c;其核心依赖的技术便是检索增强生成#xff08;RAG#xff09;。 本文将以实操为核心#xff0c;带大家从零开始基于文本数据…在大模型应用开发领域支持特定知识问答的聊天机器人是极具实用价值的方向之一。这类应用能够精准应答特定数据源相关的问题其核心依赖的技术便是检索增强生成RAG。本文将以实操为核心带大家从零开始基于文本数据源构建一个简易问答应用过程中完整拆解RAG系统的经典架构兼顾理论讲解与代码实践无论是刚入门大模型的小白还是想拓展技术栈的程序员都能轻松跟上节奏。一、先搞懂什么是RAG简单来说RAG是一种为大模型“补充专属知识”的增强技术。我们知道主流LLM大语言模型虽然具备强大的通用推理能力但知识边界受限于训练数据——不仅无法覆盖私有数据也无法获取训练截止日期之后的新信息。而实际开发中我们常需要构建能理解企业内部文档、最新行业数据或个人专属资料的AI应用这就需要把这些特定信息“喂给”模型。这种先检索所需信息、再将信息融入提示词供模型生成答案的过程就是检索增强生成Retrieval Augmented Generation简称RAG。LangChain作为大模型应用开发的主流框架提供了一系列专门用于搭建问答应用和RAG系统的组件极大降低了开发门槛。注意本文聚焦非结构化数据如PDF、文档文本的RAG实现若你关注结构化数据如数据库表的RAG应用后续会更新基于SQL数据的问答教程可关注收藏不迷路二、RAG系统的核心架构两大核心组件任何一个完整的RAG应用都离不开两个核心模块整个流程分为“离线准备”和“在线服务”两个阶段索引模块离线执行负责从原始数据源中提取信息、处理并建立索引为后续检索做准备检索与生成模块在线执行接收用户实时查询从索引中检索相关信息再传递给大模型生成精准答案。从原始数据到最终答案的完整流程可拆解为以下5个关键步骤配合图示更易理解一索引阶段3步搞定数据准备索引阶段的核心目标是把原始数据处理成可高效检索的格式具体分为加载、拆分、存储3步数据加载通过文档加载器DocumentLoader读取原始数据如PDF、TXT、网页等将其转化为LangChain可处理的Document对象文本拆分用文本拆分器将长文档拆分成短文本块——既适配大模型的上下文窗口限制也能提升检索精准度向量存储通过嵌入模型Embedding Model将文本块转化为向量再存入向量数据库完成索引构建。索引阶段流程图示二检索与生成阶段2步实现精准问答检索接收用户查询后先将查询转化为向量通过检索器从向量数据库中匹配出最相关的文本块生成将用户查询和检索到的相关文本块一起传入大模型让模型基于限定上下文生成答案确保准确性。检索与生成阶段流程图示三、实操前置环境与工具准备开始搭建前先完成基础工具配置这里兼顾“低成本”和“易上手”选用开源工具为主1. 配置大模型LLM首先初始化我们要用到的大模型代码示例如下2. 配置嵌入模型Embedding Model嵌入模型用于将文本转化为向量为了节约成本这里选用开源的BGE系列模型性能优异且免费配置代码3. 向量数据库选型Qdrant本文选用Qdrant作为向量存储工具——它是用Rust编写的开源向量数据库支持高效的相似性搜索部署和使用都很简便。如果不熟悉Qdrant可参考这篇文章快速入门《Qdrant使用Rust编写的开源向量数据库向量搜索引擎》工具准备完成后我们就按照“索引→检索→生成”的流程一步步搭建完整的RAG系统。四、分步搭建完整RAG系统实现第一步索引阶段——数据加载Document LoadingLangChain官方提供的DocumentLoader数量有限对于常见的PDF文件推荐使用社区贡献的PDF DocumentLoader需提前安装对应依赖。代码实现如下可直接加载本地PDF文件执行后会得到一个Document对象列表每个Document对象包含两个核心属性page_content字符串类型存储对应页面的文本内容metadata字典类型存储文档元信息如页码、文件路径等。我们可以通过打印列表长度快速确认PDF的页数每页对应一个Document对象示例如下实用拓展除了PDFLangChain还支持加载TXT、Word、网页、数据库等多种数据源官方集成的DocumentLoader清单可参考https://python.langchain.com/docs/integrations/document_loaders/第二步索引阶段——文本拆分Text Splitting为什么要拆分文本核心原因有两个一是多数LLM的上下文窗口有限常见8k-32k tokens长文本无法直接输入二是即使是超长上下文模型也难以在海量文本中精准定位关键信息。拆分后能大幅提升检索效率和答案精准度。本文选用LangChain推荐的RecursiveCharacterTextSplitter——它会使用换行符、逗号等常用分隔符递归拆分文本直到每个块的大小符合设定要求适配大多数通用文本场景。拆分配置说明chunk_size1000每个文本块的字符数限制为1000可根据模型上下文窗口调整chunk_overlap200相邻文本块保留200字符重叠——避免拆分时割裂语句的上下文关联add_start_indexTrue保留每个文本块在原始文档中的起始字符索引存入元数据方便后续追溯来源。代码实现如下第三步索引阶段——向量存储Vector Storage文本拆分完成后需要将这些文本块转化为向量并存储才能实现后续的相似性检索。核心逻辑通过嵌入模型前文配置的BGE模型生成每个文本块的向量将文本块内容、向量、元数据一同存入Qdrant向量数据库建立索引。首先初始化Qdrant向量存储代码如下初始化完成后调用add_documents方法将拆分后的文本块存入数据库每个文本块会自动生成唯一ID用于关联第四步检索阶段——构建检索器Retriever检索器是连接向量数据库和生成模块的关键负责根据用户查询精准匹配相关文本块。LangChain提供了统一的Retriever接口简化了开发流程。最常用的检索器是VectorStoreRetriever它基于向量数据库的相似性搜索功能实现检索。任何VectorStore都可以通过as_retriever()方法快速转化为Retriever代码极简通过调整检索器的参数如search_kwargs{k:3}可控制返回的相关文本块数量k值越大覆盖信息越全但可能引入冗余信息建议根据实际场景调试。第五步生成阶段——构建完整链路Retrieval Chain最后一步是将“检索”和“生成”串联起来形成完整的问答链路。LangChain提供了两个核心函数简化链路搭建create_stuff_documents_chain定义上下文拼接逻辑——将检索到的相关文本块融入提示词模板传递给大模型create_retrieval_chain添加检索步骤自动将用户查询传递给检索器再将检索结果传入生成环节最终返回查询、上下文、答案三部分内容。完整链路搭建代码关键优化显示答案来源提升可信度在实际问答应用中向用户展示答案的来源即检索到的文本块至关重要既能提升可信度也方便用户追溯核对。我们可以通过解析链路返回的context字段提取元信息并展示代码实现如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】