给大家推荐一款重磅产品。
如果你对现在的知识库产品不满意,想要提升检索精确度,我推荐你试一试RAGFlow。它提供了更深度、更细致的选项,你可以根据自己文档的情况做针对性的调整。
如果你们团队或者公司想要搭建一套本地知识库,我也建议你们先研究一下RAGFlow。我之前就在社群里说过:大概率,你们自己捣鼓出来的东西不会比它更好——还不如在它的基础上做定制化。
RAGFlow是一套开源的RAG引擎。它重度集成了各种技术,而且更新很快。咱们可以来对比一下:
像AnythingLLM之类的知识库应用,在RAG设置方面,一般就允许你选择用什么嵌入引擎,以及Chunk Size多大,有多少Overlap。
再来看RAGFlow。除了Embedding Model,还可以选择Rerank Model。在知识库设置里,可以针对不同的文档类型,选择不同的切割方式,以及是否要开启RAPTOR。在Chatbot设置里,可以选择是否要开启Self-RAG。
RAPTOR这个技术简单来说就是,先把文档分成小块,然后对每一块做总结,然后再次总结、形成更高一层的概括。这么一层层地总结、叠加,最终形成一种树状的结构。对于需要多步骤推理的复杂问题,把RAPTOR开起来,效果更好。
至于Self-RAG,其实就像名字里说的那样,它会自我反省。因为,RAG虽然解决了外部知识补充的问题,但在实际使用中,有时会出现过度检索等问题。所以就需要用大模型来评判、来自我反省。
所以你看,这些更进阶的东西,我们目前常用的应用都没有,它们都还是一种轻量化的设计。RAGFlow的定位是引擎,所以它自身得足够强大,对技术得扎得足够深。既然是引擎,那就得支持向外输出马力。通过RESTful APIs,RAGFlow可以跟其它Chatbot或者Agent打通——这个以后我会在社群里详细介绍。
本期视频,我先带着大家过一遍部署和使用。
通过Docker,很容易就能完成部署。唯一需要注意的是,留出至少50G的硬盘空间,这个项目很大条的。
首先咱们创建一个RAGFlow文件夹。接着在VS Code里打开它,通过git clone命令把仓库克隆到本地。然后通过cd命令进入docker文件夹。最后运行docker compose up这行命令,就会开始下载镜像了。
因为包含了一些模型文件,所以体量挺大的。大家得耐心等等。我这边等了得有10分钟,终于全部搞定了。在Docker里把项目启动起来。打开一个浏览器页面,输入localhost就可以看到RAGFlow的页面了。
第一次进入需要注册,这个也是为了方便团队使用。我们首先点击右上角的头像,做一些设置。用户名、头像、密码什么的我就不说了,大家都懂。主要是模型设置这边。
RAGFlow支持所有主流模型提供方。国内的有月之暗面、智谱等等,国外的有OpenAI那些,基本是应有尽有了。
对于云端的平台,把API Key填进去,点击确认,它会验证是否可用。然后打开下拉列表就可以看到支持的模型了,包括Chat、Embedding、Image2Text、Speech2Text。
如果是要本地运行,比如Ollama,Base URL记得是填host.docker.internal:11434,不是localhost:11434。在模型名称这边别填错了。如果不确定的话,打开终端,输入Ollama list,就会列出你现有的所有模型。然后把名称复制、粘贴过去。
设置完成之后,就可以创建知识库了。这边主要有三点:
第一,使用什么嵌入模型。你可以用RAGFlow自带的,也可以用你自己的。
第二,切块的方式。不同的文档类型,RAGFlow有不同的切块方法。选中任意一个,在右边就会有具体的解释。从这点你就能看出它的专业度。如果你拿不准,也可以选择General。
第三,选定切块方式之后,有可能会让你设置切块的大小。默认是128,你可以根据文档的情况把它调大一点,比如256、512。
至于最下边的RAPTOR,大家可以把它打开,试一下效果。
这一切设置完成,就可以上传文档了。我这边准备了一篇关于英伟达的文章,从公众号里复制下来的,内容是关于英伟达的网络产品。
大家都知道,英伟达的GPU和CUDA是护城河。现在,趋势有变化——单卡的性能已经无法满足大模型训练和推理的需求了,集群是唯一出路。但是,要把几万块GPU组合成一个超大GPU有很高的难度。所以,英伟达正在构建自己的第三条护城河:Networking。
跑题了,咱们回到RAGFlow这边。文档传上去之后,别忘了要手动点击开始。有时会解析失败,不要紧,再来一次就好。如果还不行,就回去改一改设置,也许是切块的大小设得太高了等等。
完成之后,我们可以看到所有的文本块。
为了测试检索的效果,RAGFlow还提供了Retrieval Testing。咱们可以输入一个问题,看一下它都找到哪些相关的文本块。
对于一些场景,比如AI客服,我们会希望检索尽可能准确。于是就可以在这一步检测,不满意就回头修改。
最后是落地环节。这一步需要创建一个Assistant,也就是聊天机器人。同样地,RAGFlow也提供了丰富的定制化选项。
比如,AI用什么开场白跟用户打招呼;如果没有在知识库检索到相关的内容,AI该怎么回复;是否要开启Self-RAG;要关联哪些知识库,等等。
我敢肯定,这三页的设置就超过市面上绝大多数的Chatbot类产品。因为,RAG其实包含了两个环节:一个是Retrieval,检索;一个是Generation,生成。这一步的设置就是为了提升生成的质量,很容易被大家忽视——RAG不能只看检索。
OK,全都搞定之后,咱们来测试一个问题,看看回答效果:英伟达为什么要造交换机?
虽然回答的时间有点长,但效果还挺不错的。而且这还是在我没有做细致设定的情况下。我相信,如果花时间去调试的话,效果一定会很不错。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。