放弃RAG，这才是知识库助手的终极玩法

大家好，我是老渡。
最近偶然发现，智谱AI的大模型开放平台（http://bigmodel.cn）默默上线了一个长文本大模型 GLM-4-Long，赶紧拿来试了一番，还顺手开发了2个大家使用频率很高的AI应用，跟朋友们分享下（完整代码见评论区）。
先来小试牛刀，阅读一本长篇电子书，看看效果

这是一本 Python 编程书，让 GLM-4-Long 总结下核心内容。

这可是 500 多页电子书！GLM-4-Long 能够做到全面、准确的总结。

从上面截图中，可以看到用的是 Python API 调用的智谱长文本大模型，模型名称是 GLM-4-Long。

• 接口文档：https://bigmodel.cn/dev/api#glm-4
• 体验中心：https://bigmodel.cn/console/trialcenter

GLM-4-Long 模型专为处理超长文本和记忆型任务设计，极大提高了模型的上下文理解能力。支持 1M 上下文，约 150-200 万汉字，大约相当于2本《红楼梦》或 125 篇论文的。
支持API调用最大的好处是可以通过编程开发出更强大的AI应用。这里分享两个大家比较感兴趣的——知识库助手和代码阅读助手。用上 GLM-4-Long 后都起飞了。

知识库助手目前的方案大都是用 RAG 来实现，即搜索引擎。但对于大部分人来说，没有能力优化搜索引擎，所以，助手的效果也就会打折扣。
这时候，长文本大模型的优势就来了，不需要再搭建搜索引擎，直接把资料一股脑丢给大模型。

有了GLM-4-Long 以后再精读论文或者任何资料可就太方便了。
并且开发这个知识库助手简单到只需要两步。
第一步，读取上传的本地资料

第二步，本地资料送入GLM-4-Long大模型，进行问答

基本上跟调用普通大模型差别不大。
另一个项目是代码阅读助手，很多朋友之所以喜欢这个项目，是因为它可以一键阅读整个 project 下的所有源代码，比较快捷。

开发这个项目的时候，用到的大模型上下文普遍比较小，所以需要一个文件、一个文件地总结，然后再递归汇总。这个过程难免损失一些关键信息。
最糟糕情况的是，单个文件代码量超过模型上下文限制，这时候就要再对单个文件再拆分，工作量+n。
有了长文本大模型，就可以把整个项目代码拼在一起，一次性获取所有结果。

既节省工作量，还能利用大模型上下文理解能力，保证回答的质量。

除了总结整个项目，查找具体代码、修改代码，也不在话下。

以后再也不惧阅读别人的“屎山”代码了。
推荐大家都试试智谱AI的这个 GLM-4-Long 大模型，尤其是经常需要开发智能体和AI应用的朋友。