1 引言
这两周,价格更亲民的 gpt-4o 和性能显著提升的 llama3 的推出,使许多东西发生了变化。就像古代人在收割麦子时,扭头看见一收割机。想到自己的那些微小的优化,与这些新技术相比,又算得了什么呢?也会开始怀疑自己的方向和价值。
优化过程中又发现了一个神仙插件:Obsidian 的 Smart Connections,超出了我原本的预期,于是结合新模型非常方便地搭建了我的个人知识库。之前老是炫着玩儿现,在是真能解决具体问题了。
具体优势如下:
-
操作简便,无需自己建立向量数据库或进行向量转换
-
可针对特定文档提问
-
具有基于向量的模糊搜索能力
-
可通过 ollama 调用本地模型,使用它不产生任何费用(除了电费)
2 思考过程
2.1 搜索
很早就觉得 Obsidian 搜索实在太费劲了。因为我的内容比较多,查找非常费时;还必须输入完全一致的关键词;如果查找一个常见词,则会返回大量不排序的文档。虽然后来使用的 ominisearch 插件用机器学习算法来建立索引,搜索效果有所改善,但与基于词义的大模型搜索相比,仍然相差很远。
2.2 知识库
一直想做一个个人知识库,RAG,想要那种可以随身携带的知识库;把所有东西都以干净的文本形式整合到一起;方便检索;在笔记之间建立联系,半自动产出。
我的大部分文档都存储在 obsidian 里,主要是 md 格式。这些文档已经有一定的分类和标签,所以从理论上讲,已经具备了必要的数据。但是还面临一些问题:
-
需要将文本转换为词向量,方法很多,细节很多,上手容易做好难。
-
需要自己搭建和维护向量库存储信息,存储和检索方法众多,更新迭代速度很快。
-
如果需要随身携带,可能还需要部署,细节也比较多,比较麻烦。
如果做成产品,Obsidian 的用户群体相对较小。如果仅为自己使用,需要投入大量时间,成本过高。之前又没找到现成的工具,这两天朋友推荐了 Smart Connection,它基本上可以解决上述的多数问题,而且一会儿就搭起来了。
2.3 基于 Obsidian 做 RAG
使用 Obsidian 创建个人知识库比构建常规的 RAG 更为简单:
-
内容基本都是自己手敲的 markdown 纯文本,所以不存在格式转换问题。
-
由于 Obsidian 中主要存储的是个人笔记,数据量相对较小,因此对嵌入和搜索的要求并不高。
-
根据搜索到的资源组织生成答案。这个功能类似于阅读理解,与大模型内部的知识储备关系不大,主要依赖于模型的语言和认知能力。我觉得 gpt-3.5 已经足够满足这个需求,这次试了 llama3,效果也可以。
3 Obsidian 插件 Smart Connections
本次具体实现使用了 Obsidian 插件 Smart Connections + ollama(llama3)/gpt-4o 的组合。
3.1 信息
-
项目地址:https://github.com/brianpetro/obsidian-smart-connections
-
热度:github 1.9K star,Obsidian 官方插件下载量:16W+
-
代码:用 Javascript 实现,目前 3000 行左右
安装后,开始自动生成 Embedding,右侧栏出现操作面板。
3.2 支持的模型
不得不赞一下作者手速,昨天 GPT-4o 刚刚发布,今天就支持了,帮大家省了钱(GPT-4o 的速度是 GPT4 的两倍,费用却只有一半)。并且只要接口与 openai 的模型相同,均可使用,哪个性价比高就用哪个。目前支持模型如下:
3.3 问题与解答
3.3.1 本地 ollama 用不了
很可能是设置出了问题,主要需要确保 path 设置正确,请参考如下设置。如果问题仍然存在,可以使用 Ctrl+Shift+i 打开调试界面,查看日志信息。
3.4 功能介绍
3.4.1 搜索/动态代码块
提供两种查找方式:按文档查找和按块查找。可以在笔记中加入如下代码,返回的文档列表会直接显示。
```smart-connections ``待搜索的关键字或问题`` ```
3.4.2 关联
通过 Smart View,可显示与我当前正在处理的笔记相关的笔记,以供参考和建立新的连接。右侧栏将列出所有相关的笔记,并按语义相似度排序。
3.4.3 问答
可能由于右侧栏仅占屏幕的 1/3,对于普通的问答,用着还是有点不方便。更推荐针对个人的知识库进行提问:
-
运用关键词,来从笔记中找寻答案,例如:I, me, my, mine, we, us, our, ours
-
基于本地笔记 xxx,可以这样提问:
Based on my notes…
-
如需对当前文档进行总结,可以这样提问:`Summaries [[文件名]]
-
常用的提示词都在聊天输入框的灰色示例
推荐一个有趣的玩法:问问它 “Who am I?”。它会根据你的笔记,进行多方面的总结,比如你的兴趣爱好,个人生活,工作,理财习惯,以及个人习惯等等(只要你笔记里包含这些内容)。关键是回答的还有点靠谱。由此可推断,它并不仅仅对单个文件进行了简单的嵌入,还对你的文档进行了分类,抽象和概述,这……细思极恐
4 总结
在这波更新之后,我们可以看到,本地大模型已经基本达到了平均人类智力的水平。通过 Smart Connections,不仅建立了个人知识库,还学习了简单 RAG 的设计思路和具体实现方式。它的交互设计也挺自然的,而且学习成本也不高,很赞!
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓