第三节课笔记

本文探讨了大模型开发的挑战,如依赖旧数据、缺乏深度和定制化,介绍了RAG模型通过外挂知识库增强回答能力,以及Finetun的风格模拟特性。此外,文章还关注了LangChain的向量转换方法和构建知识库来改进问答性能,最后提到WebDemo部署和实践环节。
摘要由CSDN通过智能技术生成
  1. 大模型开发范式

大模型的局限性

  • 仅仅包含训练时间点之前的数据,无法回答更新的知识,且训练成本很高。
  • 回答问题只有广度没有深度。
  • 非定制模型解决客户需求能力受限。

核心大模型开发范式

  • RAG:检索、增强、生成

方式:模型外挂知识库提高大模型知识备。

局限:单次回答有限总结性回答表现不佳

  • Finetun: 微调

特点:对回答风格模拟特别好,对算力要求高。

2.LangChain简介

首先加载各类格式本地文档->统一转化纯文本->分割成Chunk->准换为词向量存到Chroma数据库->将用户输入转化为同纬度向量->进行相似度对比->将相关文本段嵌入prompt->大模型回答

3.构建向量知识库

4.搭建知识库助手

问答性能有局限

5.Web Demo部署

6.动手实践

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值