海尔网站建设情况营销型网站建设公司方法和技巧

海尔网站建设情况,营销型网站建设公司方法和技巧,seo搜索排名影响因素主要有,免费申请一个网站文章详细介绍了RAG#xff08;检索增强生成#xff09;系统#xff0c;通过通俗易懂的方式解释了RAG如何解决大模型的知识冻结和幻觉问题。内容涵盖RAG的核心概念、向量数据库的作用、完整的洋葱模型实现流程#xff08;数据准备、检索工程、结果生成#xff…文章详细介绍了RAG检索增强生成系统通过通俗易懂的方式解释了RAG如何解决大模型的知识冻结和幻觉问题。内容涵盖RAG的核心概念、向量数据库的作用、完整的洋葱模型实现流程数据准备、检索工程、结果生成并提供了一套开源技术栈的实战代码。文章强调RAG系统本质上是一个数据工程系统80%的时间用于数据清洗和检索策略优化同时指出了RAG的局限性如语义稀释、聚合类问题等。手摸手的RAG速成 1、RAG系统基本介绍关注公众号回复666获取资料最近看了一份很不错的教程《A Crash Course on Building RAG Systems》作者是 Akshay Pachaar 和 Avi Chawla。这份文档好就好在它没有上来就给你堆一堆数学公式讲什么高维空间而是直接通过代码和图解把 RAG检索增强生成这个被吹上天的概念还原成了最朴素的工程问题。我们之前聊过很多次 RAG今天借着这份资料咱们不聊虚的直接从原理到代码把这套流程彻底跑通。看完你会发现RAG 其实非常简单。一、为什么我们需要 RAG先说痛点。大模型LLM有两个致命毛病知识冻结模型训练完那天它的脑子就停在那一刻了。它不知道时事新闻、最新数据因为它没见过。幻觉就是说胡话。再好的模型随着上下文增长也会出现幻觉这是Attention机制所不能避免的。。要解决这个问题最笨的方法是微调Fine-tuning但这玩意儿成本高得离谱而且你今天调完明天数据又更新了模型还更好难道换模型重新调企业亏麻了。所以RAGRetrieval-Augmented Generation应运而生。它的逻辑简单粗暴既然脑子记不住那就给它一本参考书。在回答问题前搜索知识库中的相关内容把找到的内容Context和问题一起扔给模型让 LLM 根据参考资料回答。二、核心概念向量数据库Vector Database要实现 RAG绕不开一个东西向量数据库。计算机不认识字它只认识数字。我们需要把文字、图片变成一串数字Vector/Embedding。神奇的地方在于经过 Embedding 模型处理后“苹果”和“梨”的向量距离很近。“苹果”和“卡车”的向量距离很远。(图注这就是语义空间意思相近的东西会聚在一起)传统数据库查关键词比如 SQL 的LIKE向量数据库查的是意思。哪怕你搜“红色的水果”它也能给你找出“苹果”虽然字面上完全不匹配。而神奇的是这些代表“语义”的数字竟然是可以像数学题一样进行加减运算的最经典的案例就是国王 - 男人 女人 ≈ 女王。神奇的是这是完全基于词汇向量的加减法进行的推理。所以说语言所承载的信息本身可能就是一种智慧。。。三、RAG 的“洋葱模型”从数据到答案结合文档内容一个标准的生产级 RAG 流程其实就是把数据掰开揉碎了存进去再读出来的过程。我们可以把它拆解为 9 个步骤。不过实际项目中你就会发现这里面全是脏活累活。。。第一阶段数据准备**1. 切块Chunking**第一步是把你的文档PDF、Word、网页清洗干净并切成小块。为什么要切TOKEN长度有限整本书塞进去Token 瞬间爆炸模型直接死机。语义稀释一段话只讲一个知识点检索才准。和做饭一样语料太多混在一起十三香一样模型根本搞不清它是什么味。PS1.切块策略固定大小、语义分割策略很多是 RAG 效果好坏的第一道生死线之后会详细写一篇文章说明。2.数据清洗是也是工程中极具挑战性的问题甚至是最费时间的比切块还麻烦。本文优先介绍RAG。2. 向量化Embedding切好块后用 Embedding 模型把这些文字块变成向量一串数字作为这段文字的提纲向量版。 这里用的不是简单的词匹配而是上下文嵌入模型比如双向编码器。它能听懂“人话”知道“苹果”和“手机”在某些语境下是相关的。3. 入库Indexing把生成的向量存进向量数据库Vector DB。 这是 RAG 的长时记忆机制来源。至此矢量数据库已创建完成。注意这里存的不仅仅是向量还有原始文本和元数据比如页码、作者。这样系统就可以基于向量指针搜索并引用原文。不然搜出来一堆数字。。。第二阶段检索工程4. 用户查询Query用户“ 表面亲和度是什么意思出处是哪个文件”背景资料{chunks}问题{query}请根据背景资料回答问题。5. 需求翻译Query Embedding系统得把用户的这句人话用同一个Embedding 模型也转换成向量。**注意必须是同一个模型**不然就像用英语字典查中文幻觉会非常严重。6. 粗筛Retrieval拿着用户问题的向量去数据库里比对。 数据库会通过“近似最近邻搜索”ANN给你返回 Top-K 个最像的文本块。 这一步叫召回。**7. 精排Reranking这一步很多教程都没讲**这是区分 Demo 和生产级系统的关键 向量检索第6步虽然快但有时候不够准。具体表现为相关性不佳Top 1 的结果通常没问题但Top 2-5 的结果相关度非常随机。这直接影响了最终给大模型LLM参考的上下文质量。ANN算法的精度损失随机性为了在大规模数据百万/千万级中实现毫秒级检索向量数据库通常使用****ANN近似最近邻算法其机制引入了随机性导致召回的文档排名并不完全准确最相关的文档可能没有排在最前面。所以我们需要一个更聪明的模型通常是 Cross-Encoder把捞回来的这些知识素材重新打个分把真正最相关的排到前面。Rerank 通过 **“粗排 精排”** 的两阶段策略在速度和精度之间找到了平衡根据Rerank模型计算出的精准分数对文档重新进行排序最后截取分数最高的 Top N例如Top 5投喂给大模型。这个过程会重新排列数据块以便优先处理最相关的数据块从而生成响应。虽然这一步会增加一点延迟但为了准确率这是必须要做的。。。第三阶段结果生成**8. 生成结果Generation**系统把排好序的最相关文本块Context填进 Prompt 模板里连同用户的问题一起扔给大模型LLM。这时候大模型就不再是瞎编了★“根据以下资料我们找出来的回答用户的问题…”而后模型综合这些上下文生成一句通顺的人话交给用户端。总结一下前三步是脏活累活数据工程中间两步是搜索技术检索工程最后一步才是AI 生成。RAG也好AI也好别光盯着最后的大模型看没有数据科学的基本功后面全是幻觉。。。四、动手实战全开源技术栈光说不练假把式。文档里给了一套完全开源的方案大家可以在自己的笔记本上跑起来试一试。工具栈大脑 (LLM): Llama 3.2 (通过 Ollama 运行轻量级)框架 (Framework): LlamaIndex (专门做 RAG 的框架)记忆 (Vector DB): Qdrant (开源向量库Docker 一键起)核心代码解析首先用 Docker 启动 Qdrantdocker run -p 6333:6333 -p 6334:6334 \ -v $(pwd)/qdrant_storage:/qdrant/storage \ qdrant/qdrant然后用 LlamaIndex 加载数据并建立索引。这一步就是把 PDF 变成向量存进去from llama_index.core import VectorStoreIndex, SimpleDirectoryReaderfrom llama_index.vector_stores.qdrant import QdrantVectorStore# 1. 读文件脏活documents SimpleDirectoryReader(./docs).load_data()# 2. 连数据库vector_store QdrantVectorStore(clientclient, collection_namechat_with_docs)# 3. 建索引自动完成切块、Embedding、存储index VectorStoreIndex.from_documents( documents, storage_contextstorage_context)最后查询并加入重排Reranking。这里用了一个SentenceTransformerRerank虽然慢点但精度提升巨大from llama_index.core.postprocessor import SentenceTransformerRerank# 设置重排模型rerank SentenceTransformerRerank( modelcross-encoder/ms-marco-MiniLM-L-2-v2, top_n3# 只取前3个最相关的)# 查询引擎query_engine index.as_query_engine( similarity_top_k10, # 先捞10个 node_postprocessors[rerank] # 再精选3个)response query_engine.query(What exactly is DSPy?)print(response)代码跑通你会发现模型能准确回答出 PDF 里的内容此时恭喜你通过代码搭建了RAG 的最小应用泼盆冷水RAG 的局限性虽然 Demo 跑通了很爽但作为工程实战派我得提醒大家几个坑文档最后也提到了非常真实语义稀释Semantic Dilution 如果你的切块太大里面混杂了无关信息检索精度会直线下降。聚合类问题Aggregation是死穴 如果你问这100份文档里哪一份提到的销售额最高 RAG 通常回答不出。因为向量检索是找相似而不是做统计。它很难把所有文档扫一遍再比较。中间迷失Lost in the Middle LLM 有个毛病它对 Prompt 开头和结尾的内容印象深刻中间的内容容易忽略。所以重排后的文档顺序也很重要。问题与答案不相似 有时候用户问的问题和文档里的答案在字面上完全不沾边。这时候可能需要引入 HyDE假设性文档嵌入这种高级技巧让模型先自己生成一个假答案拿假答案去搜真答案。最后在真实的企业级AI项目中我们 80% 的时间其实不是在调大模型而是在清洗数据和优化检索策略。AI系统的本质依然是数据工程系统。你可以把大模型理解成一个考试的考生而RAG、数据工程是背后那个递小抄的人。RAG 可以让大模型进行开卷考试而我们要做的所有工程上的努力就是确保在它提笔作答前把书翻到了最正确的那一页。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、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。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(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。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】