前几天学习了在本地调用阿里云百炼平台大模型的方法可以在本地运行代码使用AI大模型聊天对话就和我们下载软件的那个输入框一样。并且做了个循环对话系统可以一直问大模型问题直到输入退出为止。然后学习了fastAPI是什么fastAPI的作用和用法。这是一个python的web开发框架非常简单比java的springweb简单很多而且可以生成问答式界面。并且做了一个调用AI大模型生成想要的sql语句的界面界面下还有AI大模型对这些表提出的索引建议等非常方便。本来想做一个专属聊天系统综合利用最近学习的AI大模型知识利用项目掌握新学内容。鉴于最近比较忙只有零散的时间可以用来学习那个系统又很耗费时间需要大块一起的时间学习和消化。所以就暂时搁置等周末来做这个目前先往下面学习新的内容。今天学习AI大模型的RAG先学习RAG的概念知识。RAG是英文Retrieval Augmented Generation的简称顾名思义通过检索外部数据增强大模型的生成效果。为什么要用RAG呢不能用传统的通用大模型LLM解决所有问题呢有以下几个原因第一、之前我们学过通用大模型LLM有幻觉问题分析了幻觉产生的原因包括训练数据内容不准确大模型选择是按照概率而非真实性大模型对不知道的问题会编造答案等原因导致幻觉是必然产生的。我们所有的针对AI大模型幻觉方法都只能尽量减少幻觉的产生但是不可能完全避免。第二、通用大模型LLM更新数据缓慢每次都要用搜集新的数据去训练然后训练完成之后才能使用新的数据所以就很难保证实时性。有时候我们调用大模型时使用的数据可能是2年前的了所以准确性也难以保证。第三、通用大模型LLM是知识面很广涉猎到的模块都能回答得像模像样。但是只要问的深一点涉及到更深层次的专业领域时这些大模型往往会回答的不如人意比如出现幻觉问题生成的信息可能偏离事实或专业知识的真实性。这是因为训练数据时候都是广度优先专业领域的知识涉及不会那么深。RAG设计的初衷就是为了增强大模型的事实性、时效性减少AI大模型的幻觉引入专业知识优化对专业内容的回答。可以把RAG的工作模式想象成开卷开始让通用大模型LLM先翻书找答案总结之后再回答问题。比如我想询问LLM有关于我公司内部的请假流程它肯定不知道但是我把公司的员工手册先给它看当我在询问的时候他就会知道。下面有一个RAG的工作流程图可以看出RAG工作主要分为三个步骤第一、文本索引化将文档切分成片段再编码为向量存储在向量数据库里面。第二、检索检索到与问题相似度最高的topk片段topk之前学过就是概率排前几的数据。第三、生成将原始问题和检索得到的“块”都作为LLM的输入令其生成最终比较专业性的回答。RAG文档分块有三种方式按照句子来分、按照固定字符数来分、按固定字符数结合overlapping window来分。那么这三种切分的方式分别是什么效果呢请看下面的例子下面是按照句子来切分优点是语义完整容易理解。缺点是如果句子长度很难把控会过长导致信息过载或者过短导致信息量太低严重影响检索的效率和质量。下面是按照固定字符数来切分优点很明显就是chunk长度一致向量的质量稳定实现起来最简单检索压力可控制。缺点是在完整的句子中间截断模型容易理解语义错误。比如下面的例子按100个字符切分就造成每个块之间语义不完整AI大模型容易理解错误。下面是按照固定字符数结合overlapping window来分优点是块长度稳定可控向量质量均匀能大幅度缓解上下文割裂的问题实现起来也简单。缺点是出现大量的重复词语增加内存使用空间和计算成本中文仍然需要额外处理字符边界。我们之前已经学过向量指具有大小magnitude和方向的量。它可以形象化地表示为带箭头的线段。箭头所指代表向量的方向线段长度代表向量的大小。在AI大模型中使用向量可以将文本转成一组浮点数每个下标i对应一个维度。整个数组对应一个n维空间的一个点即文本向量又叫Embeddings。向量之间可以计算距离距离远近代表语义相似度。今天学习了AI大模型中需要用RAG的原因和RAG中三种切分文档的方法每一种方法之间的优缺点第三种方法是结合了其他方法的优缺点改造的目前使用最多的方式。还学习了向量的在AI大模型中的意义怎么用向量表示语义的相似度。今天的内容比较简单大家都理解了吗?最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】