0 前言
许多看官,好久没有更新,甚是想念。
最近因为参加公司的大模型竞赛,作为拉磨驴的小木自然者无旁贷,连忙设计了一个智能助手的方案,并花了五个晚上和一个周末的时间初步完成了搭建。
由于是第一次接触大模型应用,也遇到不少的苦难曲折。在这里,我也将它选择性地作为一篇推文记录我的开发过程。
日期 | 开发内容 |
---|---|
第一天 | 在本地开发环境中部署 taskweaver 的 chainlit 界面并启动 |
第二天 | 将 finrobot 整合至 taskweaver,得到证券报告生成插件 |
第三天 | 修改 chainlit,增加模式配置选择、代码插件启动等组件 |
第四天 | 为新增组件提供对应处理逻辑,完成配置选择、插件启动等功能 |
第五天 | 新增 ”交互智能体“,并将 ”文档检索智能体“ 单独作为一个操作模式 |
第六天 | 将 qwen-agent 整合至 taskweaver,得到 “文档分析多智能体” |
第七天 | 调试 taskwaever 自带的 “插件解释智能体” 效果,同时测试后台界面登陆 |
1 本地金融助手介绍
本地金融助手是一个用于替代 ChatGPT 网页,同时可以辅助代码办公的智能系统。该系统具备多种操作模式,以适应不同的应用场景,包括聊天模式、检索模式、任务模式、插件模式以及后台登录功能。
在聊天模式下,通过单个“交互智能体”与用户进行对话,模拟 ChatGPT 的功能,为用户提供日常办公中的咨询问题的解决方案。
在检索模式下,结合了“任务规划智能体”和“文档检索智能体”,前者负责根据用户需求拆分任务,后者则执行具体的检索工作,特别适用于查询公司规章制度等特定信息。
在任务模式下,利用“任务规划智能体”、“文档分析多智能体”及“代码解释智能体”的协作,不仅能够处理文档分析任务,还能生成并执行代码。此外,用户可以根据需求选择不同的代码插件来完成多样化的工作。
在插件模式下,专注于通过“任务规划智能体”和“插件解释智能体”调用预先编写的插件代码,以满足特定的任务需求,减少代码生成带来的风险。
2 本地金融助手特性
本地金融助手强调数据隐私保护,不依赖任何第三方服务,致力于本地文件的私有化分析。同时,克服了传统大模型处理长文本的能力限制,通过搜索召回技术和多智能体技术实现了对文档内容的全面理解。
系统功能目前包括支持类似 ChatGPT 的用户界面,允许用户上传文档并提问,根据用户指令自动生成代码,并完成代码的调试与执行。比如从 GitHub 仓库下载代码、PDF 文件的关键字搜索页数、生成证券研究报告等。
本地金融助手的特点在于高效的文档解析速度,支持批量处理用户请求,突破字数限制,支持大模型自动执行代码,形成了一个功能强大的本地金融助手平台。
在技术背景方面,该系统采用了一系列技术手段来提升文档处理与执行能力,包括使用 pdfplumber 工具包解析 PDF 文档、chainlit 构建用户界面、elasticsearch 进行文本搜索及向量存储、qwen-agent 作为 RAG 智能体的解决方案、taskweaver 利用 NLP 技术自动化任务处理、以及 trade-learn 作为金融交易策略研究接口引擎。
3 金融助手功能举例
这里,对于我们搭建的本地金融助手的功能进行简单地举例,通过在任务模式中命令智能体来帮我们完成某个股票的年度研究报告,同时提供报告的下载链接。
它通过第三方金融数据服务商获取行情、财报信息和最近相关新闻,并将其喂入智能体进行加工得到。
得到的年度报告文件效果图:
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。