选择适合你的AI技术架构：自训练模型 vs Prompt工程 vs LangChain专业垂类知识库

最新推荐文章于 2025-03-23 16:43:45 发布

小天才学习机打游戏

最新推荐文章于 2025-03-23 16:43:45 发布

阅读量933

点赞数 23

文章标签：人工智能架构 prompt embedding 自然语言处理智能手机安全

本文链接：https://blog.csdn.net/m0_59164520/article/details/140161456

版权

在当今人工智能快速发展的时代，选择适合自己项目的技术方案是至关重要的。本文将通过举例详细对比三种技术逻辑，帮助你选择最适合你项目的方案：自训练专业垂类模型、Prompt工程对知识精准度要求低、Prompt工程LangChain专业垂类知识库。

一、自训练专业垂类模型

举例：假设你在开发一个用于医学图像诊断的AI系统。

在这里插入图片描述

获取标注数据：你需要收集大量的医学图像数据，并由专业的医学专家进行标注。这个过程通常需要1个月的时间。
在数据上训练模型：使用标注的数据训练一个深度学习模型，这个过程需要2个月的时间。
部署和调用模型：训练完成后，你需要将模型部署到实际环境中，并进行测试和优化，这个过程大约需要3个月的时间。

优势：

高精度：适用于需要高精度的专业应用，例如医学图像分析、金融风险评估等。

劣势：

高成本：数据收集和标注成本高，训练周期长，对硬件要求高。

总结：如果你的项目需要高度专业化且精度要求高，例如医学诊断系统，这是一个理想的选择。

二、Prompt工程对知识精准度要求低

举例：假设你在开发一个自动生成社交媒体内容的AI工具。

指定提示词：例如，你可以输入“生成一篇关于夏季旅游的文章”。这个过程通常只需几分钟到几小时。
调用模型：AI模型根据提示词生成内容，这个过程同样只需几分钟到几小时。

优势：

开发速度快：适用于需要快速迭代和灵活调整的应用。
成本低：不需要大量的数据收集和标注。

劣势：

精度较低：不适用于需要高度专业化和精度要求高的应用。

总结：如果你的项目对知识精准度要求不高，例如自动文章生成、社交媒体内容创作等，这是一个理想的选择。

三、Prompt工程LangChain专业垂类知识库

举例：假设你在开发一个智能客服系统，用于技术支持。

本地文档加载器：加载公司的技术文档和FAQ资料，处理非结构化数据。
文本分割：将技术文档分割成小段，便于处理。
文本嵌入：将文本段转换成向量，以便进行向量匹配。
向量存储：将向量存储起来，供后续查询使用。
查询向量：用户提出技术问题，系统将问题转换成向量。
向量相似度匹配：系统通过向量相似度匹配，找到最相关的技术文档段落。
提示模板：生成提示，调用大语言模型（LLM）进行回答。

优势：

快速响应：结合Prompt工程的快速响应能力。
高准确度：利用专业知识库，提高回答的准确性和专业性。

劣势：

需要一定的前期准备：需要加载和处理大量的本地文档。

总结：如果你的项目需要快速响应且对知识有一定准确度要求，例如智能客服、技术支持等，这是一个理想的选择。

四、结论

在选择适合自己项目的技术方案时，应该根据项目的具体需求来决定：

高度专业化和高精度需求：选择自训练专业垂类模型，例如医学诊断系统。
快速迭代和灵活调整需求：选择Prompt工程，例如自动文章生成、社交媒体内容创作。
快速响应和一定准确度需求：选择Prompt工程LangChain专业垂类知识库，例如智能客服、技术支持。

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。

在这里插入图片描述