利用 coze + agent 落地企业级 AI 知识库方案

于 2024-08-22 11:21:29 发布
阅读量367 收藏 10
点赞数 18
文章标签： 人工智能 机器学习 自然语言处理 langchain transformer Agent 计算机技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/python12222_/article/details/141423510
版权

知识库的必要性

不知道大家是否有这样的体验，在公司我个人偶尔会有一些发票需要报销，因为技术岗位的对外场景不多，所以使用走报销流程的场景也很少，可能一个月就一次，每次我进行报销，填写报销单上的信息的时候，比如当我手上拿着“运输服务*客运服务费”的时候，我心里都会很疑虑，报销单上填写交通费？还是运输服务费呢？

每当这个时候，我都要去咨询我们的财务同学，我们的财务同学再告诉我，应该填写什么，但是问多了，都会有些尴尬，因为几乎每次报销可能都会出现一些填写上的错误，然后反复咨询，这对当事人、财务都是一种低效工作。

假如存在这样一个知识库AI，我们将财务相关的流程知识交给他，后续我们不再需要去找财务，而是通过与AI对话就能了解该怎么做、报销单的范本、注意事项，让AI替代财务的审核报销单这件事，岂不是大大节省双方的工作量，提升工作效率？

在以chatGPT为代表的大模型时代，搭建一个知识库AI不再是一个遥不可及的梦想，不需要写一行代码，人人都可以搭建出一个非常强大的知识库AI。

在正式开始知识库AI的介绍之前，我想带大家一起回到20世纪50年代，一起看看早期人工智能知识库如何实现，有什么缺陷，以及为什么大模型可以实现真正的知识库AI。

一直以来的梦想

人工智能学科早在其萌芽阶段，人工智能的大牛们就不断尝试让人工智能理解人类知识，并对人类的语言做出类似人类的反馈的超级梦想。

而早期的实现方案比较原始，使用了通用问题解决器（General Problem Solver），也被称为专家系统的技术方案进行解决。

专家系统本质上就是录入问题与答案，当用户问问题的时候，将匹配到的答案呈现给用户。

大家想象一下5年前的车机系统，其语音功能只能针对一些特定意思的简单的短句做出反馈，稍微复杂一点，或者超出了车机知识的范畴，专家系统便无法正常工作，这样的反应，很显然距离真正的“人工智能“还差的远。

智障车机

以开车场景下驾驶员对车机说“风有点大，帮我关闭窗户”作为例子，车机也许够做出适当的反馈，甚至你只需要说“风有点大”，车机就能明白驾驶员需要进行“关窗”这样的行为；

但是我们想象一下，虽然车机做出了我们预期的反馈，但是车机其实并不懂得这句话的意思，也并不理解“冷”的含义；车机的理解更加像是文字与行为的匹配、关键字的匹配，进而完成相应的操作，比如冷 = 关窗户，至于文字究竟是什么意思，车机并不明白；

如果我们想让这样的车机达到我们预期的“人工智能”，其背后我们则需要输入无数这样的文字与行为的匹配，让他按照字典的方式去对人类的行为进行反馈；

即使这样的车机拥有海量的字典知识，让绝大部分人都无法第一时间感觉到“机械感”，但是稍微复杂的问题，即便会露馅，更别提类似人类的操作了，这远远不是我们期望的人工智能。

而我们的大语言模型的天生对自然语言有这强大的理解能力，加之使用合适的技术手段，将知识库与AI进行融合，让AI像人类一样理解知识，做出合理的反馈，这已经不是遥不可及的梦想。

大语言模型实现的AI知识库

既然我们要去实现知识库，我们便需要将公司内部的文档交给大语言模型，让大模型理解知识库的知识，这样才能发挥大语言模型的能力，实现让AI正确的读懂，我们上传的资料呢？

技术知识大家大致了解就好，实际搭建AI知识库并不涉及技术部分。

RAG

在大语言模型时代，我们拥有了杀手级的工具来实现针对大语言模型的知识补充；

RAG，全称是Retrieval Augmented Generation，中文含义为检索增强生成。

这个工具的实现流程是什么样呢？

  1. 数据准备阶段

    1. 上传知识库
    2. 将文本按照期待的格式进行分割
    3. 使用一种称为embedding的技术将文字向量化，让AI理解我们的知识库
    4. 存储我们的向量数据

  2. 提问+回答阶段

    1. 用户提问
    2. 理解用户的问题，并更具语义召回相关文字片段
    3. 大模型结合问题 + 答案进行理解，并回答用户的问题

在这里插入图片描述

使用coze中的Bot进行实现

我们使用国产的大模型 AI 应用开发平台，coze.cn进行实现，在知识库中文本中上传知识库，之后我们再询问一些知识库的问题，我们会发现AI已经了解了知识库并且正确的回答了问题。

在这里插入图片描述

现在我们问的一些问题比较简单，我们也可以问一些更加复杂的问题，比如知识库不存在的知识，或者知识库存在的知识，但是需要思考总结的。

在这里插入图片描述

客观来说，回答的质量是中等的，但是知识库的回答也是符合我们的预期的，但是当你问Bot一些知识库之外的问题，你希望他不参考知识库中的内容，正常与你进行交流的时候，Bot就会显的没那么智能了

在这里插入图片描述

  • 如果让Bot的回答效果更好？
  • 如何让Bot支持不仅可以知识库问答，还可以正常的回答其他的事情呢？

想要实现以上效果，我们便需要通过agent智能体进行实现。

什么是agent智能体？

简单来说就是当我们的任务、或者需求过于复杂，一个大语言模型已经无法完成的时候，我们便需要尝试拆分我们的需求，并进行流程编排，然后让多个大模型相互协同，帮助我们完成该任务。

所以我们实现agent智能体的方式是：workflow工作流；

关于agent智能体，我们会在后续出一篇专门的文章进行说明，大家这里可以简单理解为：多个大语言模型协同工作，我们称之为智能体。

使用agent进行实现更高级的AI知识库

既然我们可以使用多个AI进行知识库搭建，我们便可以拆解一下知识库AI的任务，再将需要思考的部分拆分到每一个的大模型。

任务拆解：

  1. 接收用户的问题，紧接着就进行知识库的检索
  2. 如果知识库检索到文字，则判定用户正在咨询知识库的内容，交给知识库回答的AI，结合知识+答案进行二次输出。
  3. 如果知识库没有检索到文字，则判断用户当前没有咨询知识库的内容，由日常问答的大模型进行与用户的日常问答。

任务分配：

  • 大模型A：负责根据用户的问题检索知识库中相关联的答案
  • 大模型B：负责针对用户的问题+知识库中检索获得的答案进行思考，整理语言后重新输出
  • 大模型C：负责知识库问答之外的闲聊任务。

具体流程：

最后我们再把整个流程给串起来

在这里插入图片描述

效果测试：

工作流搭建完成后，我们将Bot与工作流进行关联

在这里插入图片描述

对比我们的第一版，其回答效果要更加全面，并且我们增加了一些大模型本身的见解，让阅读者可以更好的理解知识库的回答。

我们再试试问一些知识库无关的问题

在这里插入图片描述

可以发现，我们的agent正确的识别了我们问题的意图，进而进入了非知识库问答的路径之中，实现了我们预期的非知识库问答的功能。

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

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
少喝冰美式
关注
  • 18
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
丨汀、的博客
07-25 813
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
胎教级教程：万字长文手把手教你用Coze打造企业级知识库
2401_84204413的博客
07-12 1541
Agent，我们一般将其翻译为代理人代理商等。在人工智能领域，Agent 通常被定义为一种具有感知能力的实体，它能够通过对其所处环境的观察来做出相应的决策和反应。这种 Agent 既可以是软件形式的程序，例如对话机器人，也可以具备物理形态，比如扫地机器人在了解 AI Agent 之前，我们先考虑一个场景：我们要写一本 20 万字的关于人工智能最新技术的书在没有大模型之前，我们一般会按照如下流程第一步：先使用搜索引擎搜索一些相关书籍和信息进行阅读，为我们打开思路。
大模型时代的APP：AI Agent（智能体）
rs勿忘初心的博客
06-20 1327
Agent（代理）一概念起源于哲学，描述了一种拥有欲望、信念、意图以及采取行动能力的实体。具有自主性、反应性、交互性等特征的智能“代理”。大型语言模型（LLMs）的出现为智能代理的进一步发展带来了希望。长期以来，研究者们一直在追求与人类相当、乃至超越人类水平的通用人工智能（Artificial GeneralIntelligence，AGI）。在 1950 年代，Alan Turing 就将「智能」的概念扩展到了人工实体，并提出了著名的图灵测试。这些人工智能实体通常被称为—— Agent（代理）。
国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
2401_84208172的博客
08-11 809
Agent是以大模型为核心的智能体，通过与用户对话的形式，来完成各种任务，它很像一个“人”。如果和人做类比，它应该具备以下能力：1.对话式Agent所有资料 ⚡️ ，朋友们如果有需要全套 《》，👉[CSDN大礼包（安全链接，放心点击）]()👈。
Coze + Bot API：实现带自我反思的高质量长文翻译Agent（吴恩达方法）
m0_59164520的博客
07-17 773
很多人熟悉的吴恩达老师前段时间发布了一个开源项目，提出了一种利用LLM进行自我反思并完善的自动化长文翻译智能体，并给出了简单的原型代码，在国内也看到了开源RAG平台FastGPT对此流程的实现一键生成高质量长文翻译，吴恩达新方法颠覆传统！于是我们尝试在Coze平台上类似的实现一个翻译智能体，本文将简单分享这个过程。
用coze零代码搭建一个知识库助手
m0_59163425的博客
07-07 1095
本篇文章主要通过 coze（下文统称为“扣子”）平台搭建一款智能体应用来进一步和大家分享对 Agent 的理解。
AI Agent学习系列：字节Coze，腾讯元器，百度文心，智能体平台到底哪家强？
weixin_45512098的博客
08-02 1207
目前市面上支持创建智能体的平台不少，今天为大家拆解和对比3个最重要的玩家和他们的智能体平台产品，分别是字节Coze，腾讯元器，百度文心。Coze支持几乎市面上各种主流大模型：包括字节的豆包，阿里的通义千问，智谱的GLM，MiniMax，月子暗面的Kimi，百川智能的Baichuan4。Coze的技能最为丰富，包括插件，工作流，图像流，触发器（定时任务），知识库，记忆能力。技能最为丰富，包括插件，工作流，图像流，触发器（定时任务），知识库，记忆能力。元器的技能包括插件，工作流，知识库。
全面认识AI Agent，一文读懂AI智能体的架构指南
python12345_的博客
08-10 565
AI Agent，或称为人工智能代理，我更愿意称为AI智能体。它是一种模拟人类智能行为的人工智能系统，以大型语言模型（LLM）作为其核心引擎。它们能够感知其环境，做出决策，并执行任务以实现特定的目标。AI Agent的设计理念是赋予机器自主性、适应性和交互性，使其能够在复杂多变的环境中独立运作。本文全面探讨了AI Agent的基本概念、类型、架构和关键技术对比。AI Agent作为人工智能领域的活跃分支，已经展现出其在多个行业中的实用性和变革潜力。
AI智能体 | 扣子Coze 中如何构建知识库，看这一篇就够了
m0_59235245的博客
07-15 1191
知识库是区别于大模型之外。很多资料并没有进入通用大模型里面。比如保留在自己本地的知识记录，文档。每个公司还都有自己的一些知识文档等。这些都是知识库的来源。知识库通过把这些资料收集并学习，形成了一个有别于大模型之外的私有模型。知识库的导入类型分为本地文档，在线数据，Notion, 飞书，自定义。本地文档包含三种1 文本格式：word,pdf,txt2 表格格式：excel,csv3 照片类型1本地文档首先上传一个MQTT协议的说明文档选择自动分段与清洗开始进行数据处理，完成后点击确认。
使用coze（coze.cn)+gpt使用coze（coze.cn)+gpt+AI项目实战-自媒体图文生成《历史上的今天》
06-28
本项目旨在利用coze平台与GPT技术结合，实现自动化图文内容创作，具体针对的是自媒体领域中一种非常流行的内容类型——《历史上的今天》。该类型的内容通常包括历史上特定日期发生的重大事件及其简短介绍。通过AI...
JavaScript_将Coze API转变为OpenAI.zip
05-20
OpenAI是一家专注于人工智能技术的公司，其提供的API，特别是GPT系列，已经在自然语言处理领域产生了深远影响。 首先，让我们了解Coze API。虽然没有提供详细的Coze API介绍，我们可以假设它是一个提供特定服务的...
【AI 大模型】函数调用 Function Calling ② ( 函数调用 引入 - 函数调用开发流程 - 代码示例 )
07-20
【AI 大模型】函数调用 Function Calling ② ( Plugins、Actions 扩展 | 函数调用 Function Calling 引入 | 函数调用开发流程 | 代码示例 ) https://hanshuliang.blog.csdn.net/article/details/140380268 博客代码...
使用API​​调用suno.ai的音乐生成AI，并轻松集成到GPT等代理中
04-30
除了标准 API，还适配了 GPTs、coze 等 Agent 平台的 API Schema，所以你可以把它当做一个 LLM 的工具/插件/Action，集成到任意 AI Agent 中。 Suno API 目前主要实现了以下 API: - `/api/generate`: 创建音乐 - ...
ChatGPT如何快速接入钉钉
04-25
ChatGPT如何快速接入钉钉
AI赋能软件测试：从自动化到智能化，让测试工作事半功倍
m0_64146991的博客
08-15 687
APP端测试，专项测试，测试工具
24 优化算法
kaszxc的博客
08-19 359
深度学习模型大多是非凸的所以关于凸优化的很多理论无法使用小批量随机梯度下降是最常用的优化算法冲量对梯度做平滑冲量法是一个简单的稳定优化的算法Adam 对梯度做平滑，且对梯度各个维度值做重新调整通过实践发现，Adam 不一定比冲量法准确率高或者是收敛快，但是整体来讲 Adam 是比较稳定的，Adam 对学习率不那么敏感，使得调参相对来讲会更加容易一点范围之中（进行维度上的调整）分母中的 ε 的作用是保证分母不等于零。
天猫商品详情API：深度挖掘商品推荐与关联的新路径
最新发布
2401_85789772的博客
08-20 434
天猫商品详情API是天猫开放平台提供的一项服务，旨在帮助开发者获取天猫平台上商品的详细信息，包括但不限于商品标题、价格、销量、描述、图片以及推荐与关联商品等。这一接口不仅为购物者提供了丰富的商品信息，也为商家和开发者提供了强大的数据支持，助力其优化商品展示策略，提升用户购物体验。天猫商品详情API为开发者提供了深入挖掘商品推荐与关联信息的新途径。通过合理利用这一接口，开发者可以实现精准的商品推荐与关联展示，提升用户体验和平台运营效率。
吴恩达机器学习-C2W2-Relu(线性整流函数)
weixin_50946965的博客
08-18 1228
吴恩达机器学习实验室中文翻译-C2W2-Relu
coze触发器使用教程
06-26
CSDN的"C知道"是一个基于人工智能的问答平台，关于Coze触发器的使用教程可能是指特定软件或服务中的某个功能。然而，由于没有具体的上下文，我无法提供详细的步骤。通常，Coze触发器可能是某种自动化工具、脚本语言（如JavaScript）中的事件监听器，或者是某个特定应用程序中的一个交互元素。 为了给您一个通用的指导，Coze触发器教程可能会包括以下几个部分： 1. **理解触发器概念**：学习如何识别并设置一个触发器，比如当用户执行某个操作（如点击按钮）或满足特定条件（如数据变化）时。 2. **配置触发器**：在相应的编程环境或应用设置中配置触发器，比如在代码中添加事件处理器或者在界面设计中定义行为。 3. **编写响应函数**：编写处理触发事件的函数，它会在触发器被激活时执行，可能涉及到数据处理、操作调用或其他逻辑。 4. **测试和调试**：确保触发器按预期工作，通过测试不同的情景检查是否触发正确，并解决可能出现的问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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