湖南建工交通建设有限公司网站网站备案主体查询

湖南建工交通建设有限公司网站,网站备案主体查询,公司网站怎么修改内容,企业网络推广1. RAG 起源 RAG 全称为 retrieval-augmented generation#xff0c;这一框架最早由论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》[1]于2020年提出。 该论文的核心观点是#xff1a;将参数化记忆#xff08;一个预训练的序列到序列生成模型这一框架最早由论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》[1]于2020年提出。该论文的核心观点是将参数化记忆一个预训练的序列到序列生成模型与非参数化记忆一个密集检索的外部知识库如维基百科相结合可以显著提升模型在知识密集型自然语言处理任务上的表现。RAG 由两大组件构成检索器基于一个预训练的神经检索模型论文中使用Dense Passage Retriever它负责根据输入的问题或上下文从一个大型文档索引如维基百科中检索出最相关的文本片段。生成器基于一个预训练的序列到序列模型论文中使用BART-large它负责融合检索到的文本片段和原始输入生成最终的答案或文本。RAG 的优势有三点可解释性与可验证性生成结果可以追溯到检索到的具体文档提供了“溯源”使决策过程更透明。知识可更新通过更新外部知识库非参数化记忆即可轻松让模型获取最新知识无需重新训练整个大模型。减少“幻觉”生成过程受到检索到的真实文本的约束能生成更具体、更多样、更符合事实的内容。2. 简单 RAG 架构基于嵌入检索的简单 RAG 架构为整体来看 RAG 架构有两个流水线离线的数据获取流水线也就是虚线部分在线的检索生成流水线也就是实线部分。从流程上来说很容易理解但是具体到各个环节都是挑战。2.1. 分块大小数据如何分块以多大的尺度分块这些都不是有明确答案的问题。采用较小的分块能在模型有限的上下文窗口中容纳更多文本片段为模型提供更广泛的信息来源有助于生成更全面的回答。但过小的分块可能导致关键信息割裂或丢失。若某个主题的完整信息被分割在多个分块中仅包含部分信息的分块可能因相关性不足而无法被有效检索导致关键信息未能得到充分利用。此外过小的分块还会显著增加计算和存储成本。分块数量越多需要生成、存储和检索的嵌入向量就越多这可能导致向量搜索空间膨胀进而影响查询速度。2.2. 检索策略向量搜索算法向量搜索通常被表述为最近邻搜索问题最朴素的算法是k近邻k‑NN但计算量大且速度慢仅适用于小型数据集。对于大型数据集向量搜索通常使用近似最近邻ANN。这个领域也是学术研究的热门主流的算法有LSH局部敏感哈希一种通用算法适用于包括向量在内的多种数据。它将相似向量哈希至同一“桶”中以加速相似性搜索效率高但略微损失精度。faiss[2] 与 Annoy[3] 均支持该算法。HNSW分层可导航小世界通过构建多层图来表示向量节点为向量边连接相似向量。检索时沿图结构进行最近邻搜索速度快且支持高效增量索引。faiss 和 Milvus[4] 等平台均提供其实现。乘积量化将每个高维向量分解为若干子向量并进行压缩编码在低维表示下计算距离从而大幅提升检索效率。该方法是 FAISS 的核心组件也被多数主流向量检索库采用。IVF倒排文件索引使用 K-means 聚类将相似向量组织到不同簇中通常每簇包含 100 至 10,000 个向量。查询时先定位与目标最接近的簇中心再在该簇内进行精确检索。IVF 常与乘积量化结合构成 faiss 的主要检索框架。•Annoy近似最近邻搜索库基于多棵随机二叉划分树实现。每棵树通过随机超平面将向量空间划分为两个子空间检索时遍历多棵树并汇集候选结果。重排除了算法创新之外在检索性能上还有很多工程优化。重排是一种能有效提升检索准确性的方法先通过成本较低但精度有限的检索器获取候选文档列表再利用精度更高但成本也更高的模型或机制对候选列表进行重排序筛选出最优候选。上下文检索Contextual Retrieval[5] 是由 Anthropic 提出的一种改进检索环节的方法其核心理念是通过为每个分块补充相关上下文信息提升该分块的可检索性。简而言之这是一种预处理技术但其效果显著——根据官方说法“该方法可将检索失败率降低 49%若结合重排序机制则能提升至 67%”。3. 极简示例虽然 RAG 流程很简单但是工程实践很复杂万事开头难在本文最后一部分笔者将使用 LangChain[6] 实现一个最简单的示例。3.1. 构建向量数据库LangChain 为文本数据抽象了一个类型Document支持 PDF、CSV、Web 等各种类型数据的导入。笔者以一本名为「Think.Distributed.Systems.2025.8.pdf」的PDF格式电子书为示例通过PyPDFLoader加载后可直接得到一个list[Document]对象。接下来就是分块了LangChain 也提供了很多封装好的实现这里笔者选择了RecursiveCharacterTextSplitter该分块器能够尽可能地将段落其次是句子最后是单词保持在一起因为这些单位通常在语义层面具有最紧密的关联性。splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200, length_functionlen,)chunks splitter.split_documents(documents)设置分块大小为1000个字符块间重叠200个字符块间的重叠有助于在上下文被分割于不同块时减少信息丢失。需说明的是本文中所有参数数值的设置并非经过严谨调优主要基于官方文档的示例配置生成嵌入向量笔者选择了 Hugging Face 上知名的 SentenceTransformer[7] 框架和 all-MiniLM-L6-v2 模型生成嵌入向量。model SentenceTransformer(./model/all-MiniLM-L6-v2)texts [chunk.page_content for chunk in chunks]embeddings model.encode(texts, show_progress_barTrue)存储嵌入向量向量的存储选择知名的 faiss。metadatas [{text: chunk.page_content} for chunk in chunks]dim embeddings.shape[1]index faiss.IndexFlatL2(dim)index.add(np.array(embeddings).astype(float32))faiss.write_index(index, faiss_path)pickle.dump(metadatas, f)此处的metadatas存储的是分块的原始文本内容这是因为向量索引(index)中仅存储嵌入向量当通过向量搜索获取到相似向量后需通过下标定位到对应的原始文本。3.2. 检索生成查询相似向量首先将 query 生成嵌入向量然后进行向量检索。query_emb model.encode([query_text]).astype(float32)D, I index.search(query_emb, top_k)results [] for idx, dist in zip(I[0], D[0]): meta self.metadata[idx] if idx len(self.metadata) else None results.append({index: idx, distance: dist, metadata: meta})向量搜索库 faiss 将会返回 top_k 相似的向量的下标 idx 和距离 dist。拼装提示词调用大模型query What is the challenge of reaching agreement?combined_context \n\n.join([res[metadata][text] for res in results if res[metadata]])prompt fUsing the following context:\n{combined_context}\n\nAnswer the question: {query}llm ChatDeepSeek(api_key sk-xx, model_namedeepseek-chat)response llm.invoke(prompt)笔者使用了最爱的 DeepSeek收到了令人满意的答案。Based on the provided context, the challenge of reaching agreement in distributed consensus lies in the realistic system model, as opposed to a theoretical one. Specifically:In a theoretical model, where components do not fail and the network is perfectly reliable (delivers messages exactly once and in order), consensus is trivial to achieve.The challenge arises in a realistic model, where:Components may fail.The network may reorder, delay, lose, or duplicate messages.This combination of potential process failures and an unreliable network makes designing a consensus algorithm notoriously difficult. Simple solutions, like appointing a single leader (BDFL), are insufficient because if that leader fails, the system halts, and network problems can still prevent decisions from being consistently communicated.Answer:The challenge of reaching agreement is achieving it in a realistic system where processes can fail and the network is unreliable (can lose, duplicate, delay, or reorder messages), as opposed to a perfect theoretical system where consensus is easy.4. 总结RAG 从流程上来说很容易理解。使用 LangChain 可以很容易“组装”出 RAG 示例程序。最后本文的示例代码放在 shichaoyuan/first-rag-demo[8]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。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】