企业官网建设流程全解析

施工程找工程做哪个网站好,盛大游戏优化大师,赤蚁网站建设,城乡建设与环保部网站RAG技术通过检索外部知识库增强大模型回答能力#xff0c;解决模型知识时限和空间局限导致的幻觉问题。分为检索#xff08;问题向量化与知识库匹配#xff09;和生成#xff08;结合相关知识提示大模型#xff09;两阶段。相比微调#xff0c;RAG成本更低且更新便捷。实…RAG技术通过检索外部知识库增强大模型回答能力解决模型知识时限和空间局限导致的幻觉问题。分为检索问题向量化与知识库匹配和生成结合相关知识提示大模型两阶段。相比微调RAG成本更低且更新便捷。实现包括数据准备、索引构建、检索和生成可通过dify等平台或langchain等框架编码实现。未来将向多模态检索和结合agent架构发展。前言大模型诞生之初伴随而来的就是和AI聊天对话但是要可以解决实际工作问题就得用到RAG也就是目前大模型应用普及率最高的知识问答场景。今天就讲下RAG相关的内容。RAG的概念与背景RAG即增强检索生成大模型就可以生成为啥还需要增强检索增强我们举一个很直观的例子你问大模型你们公司的管理制度他知道吗他不知道那么就需要用到RAG也就是你问了一个公司制度相关的问题不是直接调用大模型回答而且先去公司知识库检索相关内容再把这个检索内容作为参考加上提问让大模型参考着回答问题。RAG的过程RAG分为检索、生成两个阶段1、在线检索对用户输入进行向量化然后比较用户输入的向量与知识库向量计算语义相似性同时也可以结合关键词检索尽可能扩大召回率2、在线生成将召回的相关知识用户提问利用提示词工程调用大模型最终输出问题的答案说明1当然RAG离不开离线知识库构建将文档切片、向量化存储到向量数据库文本内容也会做存储同时标签、摘要、文件名这些元数据也可以存储丰富检索维度。2向量化是个啥简单理解就是通过向量化对文本内容做一个编码处理这样可以方便的比较文本之间的语义相似度也就是可以把和用户问题相关的文本内容给检索出来。为什么需要RAG1、大模型的知识是有时间限度的模型截止训练时间也是有空间限度的有些专业领域知识模型是没有的这些缺失的知识就会导致模型幻觉。这个时候就需要借助私有知识来弥补大模型知识的不足2、通过大模型微调也可以实现类似效果但是微调成本很高当基座大模型更新有更新或者私有知识有更新的情况又面临再次微调的问题而RAG可以随时更新知识内容RAG的改进由于生成阶段的输出依赖检索阶段的结果因此对于检索前后的优化就是RAG优化的重点。1、在检索前对问题进行改写检索后进行重排序保证最相关的结果排最前面2、Agentic RAG将RAG过程模块化可以灵活组合增加意图路由、问题的扩写、拆分上下文记忆、多路召回等复杂度更高RAG的挑战1、难于评估一个是召回率一个是生成质量2、未来方向目前主要是文本检索后续还会涉及多模态检索。以及结合agent架构的RAG比如可以在生成完成后自我评价结果根据情况进行改进。RAG的实现RAG的基础实现过程1、数据准备与清洗对word、pdf等文档进行解析并选择的合适的切片策略尽量避免不同分块语义的断裂 2、索引构建将分块后的文本调用嵌入模型embedding生成向量存入向量库可以关联元数据页码、作者、主题等信息方便后续引用、多维护检索 3、检索最基本的是向量检索同时也可以进行关键词检索从而实现混合检索检索之后还可以增加重排序 4、生成基于提示词模板让大模型基于参考文档、用户问题回答用户问题需要强调“依据参考文档无法回答则回复不知道”避免模型幻觉问题RAG具体实现方式1、dify、豆包、fastgpt、毕昇这些智能体平台直接创建知识库进行知识问答2、编码实现基于langchain、LLamaIndex等AI开发框架langchain是一个全面的AI应用开发框架相比较而言LLamaIndex主要是用于RAG应用开发。这里我们举一个langchain实现简单RAG过程的代码案例。import os# hugging face镜像设置如果国内环境无法使用启用该设置os.environ[HF_ENDPOINT] https://hf-mirror.comfrom dotenv import load_dotenvfrom langchain_community.document_loaders import UnstructuredMarkdownLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_huggingface import HuggingFaceEmbeddingsfrom langchain_core.vectorstores import InMemoryVectorStorefrom langchain_core.prompts import ChatPromptTemplatefrom langchain_deepseek import ChatDeepSeekfrom langchain_openai import ChatOpenAIload_dotenv()markdown_path test.md# 加载本地markdown文件loader UnstructuredMarkdownLoader(markdown_path)docs loader.load()print(load ok)# 文本分块text_splitter RecursiveCharacterTextSplitter(chunk_size512, chunk_overlap100)chunks text_splitter.split_documents(docs)print(split ok)# 中文嵌入模型embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-small-zh-v1.5, model_kwargs{device: cpu}, encode_kwargs{normalize_embeddings: True},)print(embedding ok)# 构建向量存储vectorstore InMemoryVectorStore(embeddings)vectorstore.add_documents(chunks)print(add doc ok)# 提示词模板prompt ChatPromptTemplate.from_template( 请根据下面提供的上下文信息来回答问题。请确保你的回答完全基于这些上下文。如果上下文中没有足够的信息来回答问题请直接告知“抱歉我无法根据提供的上下文找到相关信息来回答此问题。”上下文:{context}问题: {question}回答:)# 配置大语言模型llm ChatOpenAI( # modeldeepseek-chat, modelqwen3-max-2025-09-23, temperature0.7, max_tokens4096, api_keyos.getenv(DASHSCOPE_API_KEY), base_urlos.getenv(DASHSCOPE_BASE_URL),)# 用户查询question rag的过程是什么# 在向量存储中查询相关文档retrieved_docs vectorstore.similarity_search(question, k3)docs_content \n\n.join(doc.page_content for doc in retrieved_docs)answer llm.invoke(prompt.format(questionquestion, contextdocs_content))print(answer.content)通过以上代码可以看到RAG的几个主要过程1文档加载2文本分块3分块向量化4写入数据库5内容检索6利用提示词模板调用大模型生成回复如上代码只是示例真实场景中知识库构建和问答的分开的。知识库会提前构建好然后就可以随时问答而不需要每次问答都需要文档加载分块向量化入库等操作。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档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。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、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。6. 大模型面试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们将提供精心整理的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。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】