手机网站建设liedns网站如何做等保备案

手机网站建设liedns,网站如何做等保备案,wordpress可以做论坛吗,简洁个人wordpress模板作为程序员#xff0c;你是不是也遇到过这种糟心情况#xff1a;让大模型写段业务代码#xff0c;结果引用了不存在的框架注解#xff1b;问它技术选型建议#xff0c;却搬出早已过时的方案。这不是模型在“调皮”#xff0c;而是大模型的“幻觉”通病在作祟。 今天这篇文…作为程序员你是不是也遇到过这种糟心情况让大模型写段业务代码结果引用了不存在的框架注解问它技术选型建议却搬出早已过时的方案。这不是模型在“调皮”而是大模型的“幻觉”通病在作祟。今天这篇文章从“幻觉”本质讲起对比3种解决方案的优劣重点拆解最实用的RAG技术原理最后手把手带大家用Cherry Studio搭一个能“说真话”的RAG系统。不管是刚接触大模型的小白还是想落地技术的开发都值得收藏慢慢看。大模型的“忽悠”本质为什么它爱说假话你可以把大模型想象成一个知识渊博、口才极佳的“大忽悠”。这个“大忽悠”脑子里装了海量的知识所以跟你聊天时总是侃侃而谈听起来非常有道理。但问题是他有一种“无法忍受沉默和不知道”的强迫症。当你问到一个他不知道或者他记忆模糊的事情时他不会说“我不知道”而是会基于他已有的知识“脑补”出一段听起来极其合理、但完全是编造的内容并且用非常自信、肯定的语气告诉你。这就是大模型的“幻觉”学术上常称为“胡言乱语”或“虚构”。它指大模型生成的内容在事实层面是错误的、不存在的但形式上却非常连贯、可信。比如~我的代码里有一个名为CustomFilter注解这个注解大模型肯定不知道吧…下面是大模型的回答我搜了下Mybatis-Plus并没有这个注解。让大模型别“胡说八道”如何不让大模型胡说八道呢看一下下面这些方式吧其中 RAG 将会是我们这篇文章讲述的重点。Prompt - 在提问时给它立规矩通过精心设计你的提问方式来约束模型的行为。是什么在提问的指令中明确告诉模型“必须基于已知事实”、“如果不知道就明确说不知道”、“禁止虚构信息”。• 举例提示词如下大模型也给出了“不知道”的回答1.不确定、不清楚、无法确认的内容一律回答不知道。2.不能根据猜测、可能性、假设来回答。3.所有回答必须基于确定、准确、可靠的知识。4.不允许编造事实或补充未经确认的信息。优点零成本简单易用对所有模型都有效。缺点约束力有限对于复杂或模型知识盲区的问题它可能还是会“忍不住”编造并且我们是想要它回答的…Fine-Tuning - 从根本上改变它的知识是什么用大量“高质量、高事实性、相关内容的”的数据对基础模型进行额外的训练微调其参数。优点能从模型内部提升其事实性和可靠性效果比较根本。缺点成本高昂需要大量算力和高质量数据过程复杂而且无法教给模型它从未学过的知识比如最新新闻。比曾经的AI六小虎搜狗创始人王小川创立的百川智能已经不再推出通用大模型转向医疗大模型背后就是给大模型不断的 Fine-Tuning 医疗相关的数据。RAG - 给它一本“参考答案”让它照本宣科这是目前最流行、最有效且成本最低的方法。是什么检索增强生成。在让模型回答之前先从一个你准备好的、可信的知识库比如公司文档、产品手册、权威论文里搜索出与问题最相关的片段然后把“问题相关片段”一起交给模型让它基于这些片段来组织答案。生活比喻就像考试时不允许学生自由发挥而是发给他一本《标准答案汇编》要求他所有的回答都必须引用这本汇编里的原话。如何工作准备知识库把你的所有可靠资料PDF、Word、网页等处理成可搜索的格式。用户提问用户问“我们产品的旗舰型号支持哪些AI功能”实时检索系统立刻在你的产品手册知识库里搜索“旗舰型号”、“AI功能”等关键词找到最相关的几段描述。组合并回答模型收到的指令实际上是“请根据以下资料回答用户的问题。资料[检索到的产品手册原文]。 问题我们产品的旗舰型号支持哪些AI功能”模型生成模型会乖乖地基于你提供的资料总结、复述生成答案几乎不会编造。检索增强生成Retrieval-Augmented Generation解决思路将外部知识库与LLM结合通过检索获取相关信息增强生成质量核心价值降低幻觉、提供实时信息、支持私域知识一个RAG系统的基本架构就是如下图所示分为索引、检索、生成三个步骤接下来我们娓娓道来什么是向量想象一下你正在教一个外星人理解地球语言。这个外星人不懂中文、英文但它精通数学。你怎么向它解释苹果这个词的含义呢向量的神奇之处就在于它把人类语言中模糊的、主观的语义概念转换成了精确的、可计算的数学表示(最终形态是 一个固定长度的浮点数数组)。把你的资料向量化在RAG中便是将你所要构建的“知识”文本先切分成很多端的小块然后将这些小块使用向量模型进行向量化最后将文本块的向量和文本块同时存到向量数据库当中。文本块向量和文本块是一种key-value结构所以后面我们找到了文本块向量也就找到了文本块。1. 文本分块处理固定长度分块按预设字符数均匀切分适合格式规整的文档语义分块基于句子边界和语义完整性进行智能分割重叠分块在相邻分块间设置重叠区域避免关键信息被割裂自定义分块可根据段落、章节等文档结构进行灵活划分2. 向量化编码OpenAI的text-embedding-ada-002等系列Google的BERT及其变体模型Sentence-BERT等专用语义编码模型阿里云的text-embedding系列轻量级本地部署all-MiniLM-L6-v2等小型模型 试过了不好用别用中小型公司乖乖用厂商的针对中文优化的m3e等开源模型3. 向量存储方案Milvus开源首选强推国产之光Pinecone全托管服务Chroma轻量易用传统数据库扩展ElasticSearch with 向量插件PostgreSQL pgvector扩展Redis 向量搜索模块检索向量化后的内容那么将原始的文档转换为向量存储后我们要怎么用呢其实一个向量可以在一堆向量之间找出他的“哥们”。举个假如全世界的人都面部信息是一个向量数据库我们把周杰伦的脸看作一个向量那么向量数据库就会很快给我们匹配出“周饼伦“。那么我们想要从向量数据库里匹配出相似的内容需要以下步骤将查询的内容也转换为向量计算查询向量与所有文档向量的相似度返回相似度最高的K个文本块前面我们讲了向量和文本块是一种key-value结构我们搜索到了向量就找到文本块这里向量起到的是一个索引的作用怎么计算相似度呢计算向量相似度常用的算法有三种分别是点积相似、余弦相似、欧氏距离点积相似度点积相似的计算方式很简单就是两个向量对应位置的数值相乘值越大就是越相似点积(A₁ × B₁)(A₂ × B₂)(A₃ × B₃)... (Aₙ × Bₙ)Σ(Aᵢ × Bᵢ)对于 i 从1到 n余弦相似度其实就是高中学的计算两个点与原点形成的夹角的余弦值比如说已知平面内两个点X(x1,y1) 和 Y(x2,y2)我们就是要计算这两个点与原点的连接线的夹角的余弦值最终也是值越大的越相似。公式如下A·B cos(θ)———————————————|A|×|B|其中 A·B向量A和B的点积|A|向量A的长度√(A₁² A₂² ... Aₙ²)|B|向量B的长度√(B₁² B₂² ... Bₙ²)举个吧 假设 向量A(1,2,3)向量B(4,5,6)计算步骤1. 点积 A·B(1×4)(2×5)(3×6)41018322. 向量A长度|A|√(1² 2² 3²)√(149)√14 ≈3.743. 向量B长度|B|√(4² 5² 6²)√(162536)√77 ≈8.774. 余弦相似度32/(3.74×8.77)≈32/32.8≈0.975欧氏距离在语义空间中测量直线距离公式为距离 √[(A₁-B₁)² (A₂-B₂)² … (Aₙ-Bₙ)²]三种方式的适用场景余弦相似度文本语义比较、文档检索排序、内容推荐系统多数场景用的都是这个欧氏距离空间位置测量、聚类分析、异常检测点积相似度快速初步筛选、计算资源有限场景说白了就是比较拉LLM 生成好了经历了上面流程我们基本知道了索引和检索的过程那么经过检索匹配后的文档就会作为我们跟大模型交互的一部分这样大模型就会根据我们推荐给它的文档进行思考回复就避免“胡说八道”。下面有一个完整的流程图可以回顾一下~RAG 实战案例为了更深入的了解 RAG 我们就利用 Cherry Studio 这个工具搭建一个最简单的 RAG第一步-注册一个阿里百炼的账号为什么选择阿里百炼其实现在的 LLM 差距并不大我们选择哪家都可以最主要的百炼平台上有向量模型我们从上面取一份密钥就可以直接用 LLM 和向量模型啦比较方便一点也许腾讯云、百度飞桨、字节火山也会有但是我并不知道…这个随意我们就直接创建一个API 复制就行了第二步-打开Cherry Studio进行相关配置首先在模型服务中搜索到“阿里云百炼”然后填充好刚刚复制好的密钥检测成功即可然后点击最下方的添加按钮添加向量模型text-embedding-v4第三步-添加知识库创建知识库配置向量模型添加要向量化的文件或者目录的位置我要演示的是 CustomFilter 这个注解所以就把有这个注解的MilvusPlus的源码添加进来了这整个过程对应的就是之前讲的RAG系统中的索引流程第四步-配置助手体验知识库首先我们先不给他配置知识库体验一下他是否会“胡说八道“确实在胡说八道了。。。。现在编辑助手给他安排上知识库看一下完美撒花那么如何系统的去学习大模型LLM作为一名从业五年的资深大模型算法工程师我经常会收到一些评论和私信我是小白学习大模型该从哪里入手呢我自学没有方向怎么办这个地方我不会啊。如果你也有类似的经历一定要继续看下去这些问题啊也不是三言两语啊就能讲明白的。所以我综合了大模型的所有知识点给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢我就曾放空大脑以一个大模型小白的角度去重新解析它采用基础知识和实战项目相结合的教学方式历时3个月终于完成了这样的课程让你真正体会到什么是每一秒都在疯狂输出知识点。由于篇幅有限⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》扫码获取~为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型学习指南路线汇总我们这套大模型资料呢会从基础篇、进阶篇和项目实战篇等三大方面来讲解。①.基础篇基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念用最易懂的方式带你入门大模型。②.进阶篇接下来是进阶篇你将掌握RAG、Agent、Langchain、大模型微调和私有化部署学习如何构建外挂知识库并和自己的企业相结合学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。③.实战篇实战篇会手把手带着大家练习企业级的落地项目已脱敏比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等从而帮助大家更好的应对大模型时代的挑战。④.福利篇最后呢会给大家一个小福利课程视频中的所有素材有搭建AI开发环境资料包还有学习计划表几十上百G素材、电子书和课件等等只要你能想到的素材我这里几乎都有。我已经全部上传到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】相信我这套大模型系统教程将会是全网最齐全 最易懂的小白专用课