【LLM大模型深度解析】LlamaIndex的高阶概念详解

最新推荐文章于 2024-11-09 21:51:58 发布

bagell

最新推荐文章于 2024-11-09 21:51:58 发布

阅读量750

点赞数 21

文章标签：数据库学习 prompt 语言模型自然语言处理大模型人工智能

本文链接：https://blog.csdn.net/bagell/article/details/141887773

版权

本篇内容为您快速介绍在构建基于大型语言模型（LLM）的应用程序时会频繁遇到的一些核心概念。

增强检索生成（RAG）

LLM 是基于海量数据训练而成，但并未涵盖您的具体数据。增强检索生成（Retrieval-Augmented Generation, RAG）通过将您的数据添加至 LLM 已有的数据集中，解决了这一问题。在本文档中，您将频繁看到对 RAG 的引用。

在 RAG 中，您的数据被加载并为查询做好准备，即“索引”。用户查询作用于索引，筛选出与查询最为相关的数据上下文。随后，该上下文连同查询一同传递给 LLM，并附带一个提示（prompt），LLM 根据这些信息提供响应。

即使您正在构建的是聊天机器人或智能代理，也应掌握 RAG 技术，以便将数据引入您的应用程序。

RAG 中的关键阶段

RAG 包含五个关键阶段，这些阶段也将成为您构建的任何大型应用程序的组成部分。它们分别是：

加载（Loading） ：指将您的数据从原始存储位置（如文本文件、PDF、网站、数据库或 API）导入到处理流程中。LlamaHub 提供了数百种连接器供您选择。
索引（Indexing） ：这意味着创建一种数据结构，允许对数据进行查询。对于 LLM 而言，这几乎总是意味着生成向量嵌入（vector embeddings），即数据意义的数值表示，同时采用多种元数据策略，便于准确找到与上下文相关联的数据。
存储（Storing） ：一旦数据被索引，通常需要存储索引以及其它元数据，以避免重复索引。
查询（Querying） ：对于任何索引策略，都有多种方式利用 LLM 和 LlamaIndex 数据结构进行查询，包括子查询、多步骤查询和混合策略。
评估（Evaluation） ：评估是管道中的关键步骤，用于衡量其相对于其他策略的有效性或在进行更改后的效果。评估提供了查询响应的准确度、忠实度和速度等客观指标。

各阶段中的重要概念

在每个阶段中，您还会遇到一些与其中步骤相关的术语。

加载阶段

节点（Nodes）与文档（Documents） ：文档是任何数据源（如 PDF、API 输出或数据库检索数据）的容器。节点是 LlamaIndex 中数据的基本单元，代表源文档中的“数据块”。节点包含与所属文档及其它节点相关的元数据。
连接器（Connectors） ：数据连接器（通常称为 Reader）负责从不同数据源和数据格式中摄取数据，将其转化为文档和节点。

索引阶段

索引（Indexes） ：在摄取数据后，LlamaIndex 将帮助您将数据组织成易于检索的结构。这通常涉及生成向量嵌入，存储在名为向量存储（vector store）的专用数据库中。索引还可存储关于数据的各种元数据。
嵌入（Embeddings） ：LLM 生成数据的数值表示，即嵌入。当过滤数据以寻找相关项时，LlamaIndex 将查询转换为嵌入，而向量存储则查找与查询嵌入数值上相似的数据。

查询阶段

检索器（Retrievers） ：检索器定义了在接收到查询时如何高效地从索引中检索相关上下文。您的检索策略对所检索数据的相关性和检索效率至关重要。
路由器（Routers） ：路由器决定从知识库中检索相关上下文时使用哪个检索器。具体而言，RouterRetriever 类负责选择一个或多个候选检索器执行查询。它们使用选择器根据每个候选者的元数据和查询选择最佳选项。
节点后处理器（Node Postprocessors） ：节点后处理器接收一组已检索节点，对其应用变换、过滤或重新排序逻辑。
响应合成器（Response Synthesizers） ：响应合成器使用用户查询和给定的一组检索到的文本片段，通过 LLM 生成响应。

结合运用

基于数据的 LLM 应用程序有无数种用例，但大致可分为以下三类：

查询引擎（Query Engines） ：查询引擎是一条端到端的流水线，使您能够针对数据提出问题。它接收自然语言查询，并返回响应，同时提供传递给 LLM 的参考上下文。
聊天引擎（Chat Engines） ：聊天引擎是一条端到端的流水线，支持您与数据进行对话（多次来回交流而非单次问与答）。
智能代理（Agents） ：智能代理是由 LLM 驱动的自动化决策者，通过一组工具与外界互动。代理可以根据任务需求采取任意数量的步骤完成指定任务，动态决定最佳行动方案，而不是遵循预设步骤。这种灵活性使其能应对更为复杂的任务。

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。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓