zknxbskkakhdk-CSDN博客

原创创新实训-对知识库的管理搭建

概述：本篇主要实现对知识库的相关内容，包括对知识库的创建，详情界面的查看，导入文件等操作。用于处理确认操作的功能，在用户确认操作后，根据当前是否处于编辑模式来执行不同的操作。首先在聊天界面添加知识库的跳转按钮，点击可跳转到知识库管理界面。添加一个文件选择器，点击可选择文件导入。

2024-06-24 00:46:53 162

该篇主要为对聊天界面的管理，实现对多对话的管理，保存了用户的历史对话，方便用户后续查看等操作，主要功能为利用侧边栏显示历史对话，新建对话，删除对话以及修改对话的标题。从本地存储中加载聊天对话列表，确保即使没有保存的对话或者保存的数据损坏，应用也能正确地初始化对话列表，并能够在有有效数据时加载这些数据。以下代码用于处理对话标题输入框失去焦点时的逻辑，在用户完成编辑对话标题后，延迟一段时间然后执行一些清理操作。将对话列表保存的本地存储，清理对话列表中的某些属性，然后将列表转换为字符串格式，并存储在本地存储中。

2024-06-23 22:33:51 149

原创创新实训-聊天界面前端相关补充

以上分别有三个不同的选择器，用于选择不同的模式进行对话，满足不同用户的需求，无论是那些寻求简单快捷聊天的用户，还是那些需要高级功能和自定义选项的专业人士。用户可以根据自己的偏好和需求，随时在三种模式之间切换，以获得最佳的聊天体验。概述：本篇主要为聊天界面的补充，为了提高丰富和个性化的用户体验，添加模式选择功能，在输入问题后，可选择不同的模式进行对话。

2024-06-23 22:12:28 169

原创创新实训-搭建聊天界面

该篇主要为搭建聊天容器，实现对话显示，使用技术有vue，vuex，tailwind类定义使用了TS，编译出来的 JavaScript 可以运行在任何浏览器上，且方便管理不同的类。

2024-06-23 21:55:32 714

原创创新实训-不同法律模型的比较

应用于法律问答、法律文书生成等。其基于ChatGLM的先进架构，通过法律领域的微调数据集，提高模型在法律领域的专业性和准确性。1.生成回答精确，没有歧义，在任何一个专业领域，有些仅仅替换一个词就可以影响其中表达的含义，有可能会导致巨大的不同的结果，例如，定金和订金在中文只有一字之差，但它们在合同法中的含义和法律效力却完全不同。2.理解和区分专业术语，很多概念只出现在对应的专业领域，例如台区，即使是广泛使用的词汇，其含义在不同的专业领域也是不同的，因此要在具体的句子情景中表达出不同的含义，

2024-05-30 22:30:22 1351

原创创新实训-对法律大模型前端接口的分析

简易设计一个接口：一个表单，用户可以在其中输入问题，提交表单后，前端将问题发送到后端 API 进行处理，并将 API 的响应显示在页面上。法律咨询模块：设计一个法律咨询模块，用户可以输入问题或情境，获得模型的回答和建议。案例分析：提供案例分析功能，用户可以输入案例信息，模型会提供分析和建议。简洁直观的界面：提供一个易于导航的界面，让用户能够轻松访问不同的服务。数据保护：确保用户数据的安全性和隐私性，遵守相关的数据保护法规。个性化推荐：根据用户的历史查询记录，提供相关的法律信息或建议。

2024-05-30 22:22:57 334

原创创新实训-中文法律大模型ChatLaw

尽管LLM（Large Language Model）已经在多个领域显示出能够根本改变自然语言处理任务的潜力，并引起了人们对垂直领域专用大型模型的浓厚兴趣，但与BloombergGPT和FinGPT等模型在金融领域通过其独特的数据积累取得进展不同，中国法律领域尚未出现类似的大规模语言模型来推动其数字化转型。法律咨询：法律大模型可以为用户提供在线法律咨询服务，解答法律问题，提供法律建议，降低用户获取法律服务的成本。智能合同审核：法律大模型可以对合同文本进行自动化审核，发现潜在的法律风险，提高合同的合规性。

2024-05-30 21:26:56 371 1

原创创新实训-Fastgpt本地部署

1.安装Docker登录Docker官网，找到适合自己电脑版本的docker下载，一路next即可安装完成后，可在cmd中检查是否安装成功，同时检查是否安装docker-compose2. 创建一个文件夹fastgpt，在文件夹中创建两个文件，分别为config.json和docker-compose.yml以下是是两个文件中的内容3.启动容器在所创建的文件夹中打开cmd，运行以下命令运行成功后显示如下4.执行完成后，访问浏览器。

2024-05-30 21:20:06 811 1

原创创新实训-Rag

模型的回答方法可能因任务特定标准而异，允许它要么利用其内在的参数知识，要么将其回应限制在提供的文档内包含的信息。这些块随后被用作扩展的上下文基础，以解决用户的请求。在这个阶段，RAG的研究进展相对缓慢，主要是因为ChatGPT等大型语言模型尚未出现，研究者们对RAG的兴趣有限。回答生成质量呈现幻觉挑战，模型生成的答案没有基于提供的上下文，以及模型输出中可能出现的无关上下文和潜在的有害或偏见问题。最后，生成模型过度依赖增强信息的风险，可能导致输出仅重复检索到的内容，而没有提供新的价值或综合信息。

2024-05-30 21:03:46 360 1

qq_62562429的博客