成都网站建设 全美抚州市建设局官方网站

成都网站建设 全美,抚州市建设局官方网站,WordPress页面构建器,贵州成品网站概述 RAG#xff08;Retrieval-Augmented Generation#xff09;是 LangChain4j 的核心功能。基本思路#xff1a;文档处理成向量存储#xff0c;用户提问时从向量库检索相关片段#xff0c;与问题一起发给 LLM#xff0c;基于上下文回答。 流程分两阶段#xff1a;文…概述RAGRetrieval-Augmented Generation是 LangChain4j 的核心功能。基本思路文档处理成向量存储用户提问时从向量库检索相关片段与问题一起发给 LLM基于上下文回答。流程分两阶段文档处理离线加载→解析→分割→生成嵌入→存储、查询在线用户提问→生成查询嵌入→检索→增强提示→调用 LLM。文档加载DocumentLoader从各种来源加载文档核心方法load()从DocumentSource获取输入流用DocumentParser解析合并元数据返回Document。DocumentSource支持多种来源文件系统、URL、GitHub、S3、Azure Blob Storage 等每个都提供输入流和元数据。使用示例DocumentSource source new FileSystemDocumentSource(Paths.get(doc.pdf));DocumentParser parser new ApachePdfBoxDocumentParser();Document document DocumentLoader.load(source, parser);文档解析和分割文档解析器把各种格式PDF、Word、Markdown 等解析成纯文本。提供多个解析器ApachePdfBoxDocumentParserPDF、ApachePoiDocumentParserWord/Excel/PPT、ApacheTikaDocumentParser通用、MarkdownDocumentParser、YamlDocumentParser。文档分割是 RAG 的关键步骤长文档需分割成小片段每个片段单独生成嵌入。提供多种分割策略按段落、按句子、按行、按词、按字符、按正则、递归分割。选择建议按段落适合结构化文档保持语义完整按句子适合细粒度检索递归分割智能分割。可设置重叠如 50 字符避免重要信息被边界切断。DocumentSplitter splitter new DocumentByParagraphSplitter(300, 50);ListTextSegment segments splitter.split(document);嵌入生成和存储嵌入模型把文本转换成向量接口embed(String)和embedAll(ListTextSegment)。生成嵌入后存储到向量库store.add(embedding, segment)会存储嵌入向量、原始文本片段、元数据返回唯一 ID。RAG 检索增强流程这是 RAG 的核心。当用户提问时系统会从用户消息中提取查询生成查询的嵌入向量从向量库中检索相关片段把检索到的片段注入到用户消息中发送给 LLMRetrievalAugmentorRetrievalAugmentor是 RAG 流程的入口public interface RetrievalAugmentor { /** * Augments the {link ChatMessage} provided in the {link AugmentationRequest} * with retrieved {link Content}s. */ AugmentationResult augment(AugmentationRequest augmentationRequest);}DefaultRetrievalAugmentor默认实现使用了多个组件协作Overridepublic AugmentationResult augment(AugmentationRequest augmentationRequest) { ChatMessage chatMessage augmentationRequest.chatMessage(); String queryText; if (chatMessage instanceof UserMessage userMessage) { queryText userMessage.singleText(); } else { throw new IllegalArgumentException(Unsupported message type: chatMessage.type()); } Query originalQuery Query.from(queryText, augmentationRequest.metadata()); // 1. 查询转换 CollectionQuery queries queryTransformer.transform(originalQuery); // 2. 查询路由和内容检索 MapQuery, CollectionListContent queryToContents process(queries); // 3. 内容聚合 ListContent contents contentAggregator.aggregate(queryToContents); // 4. 内容注入 ChatMessage augmentedChatMessage contentInjector.inject(contents, chatMessage); return AugmentationResult.builder() .chatMessage(augmentedChatMessage) .contents(contents) .build();}RAG 流程时序图image.png高级 RAG 组件QueryTransformer- 查询转换• 可以扩展查询query expansion• 可以压缩查询query compression• 可以生成多个查询变体QueryRouter- 查询路由• 可以把不同查询路由到不同的检索器• 支持多路检索ContentRetriever- 内容检索•EmbeddingStoreContentRetriever- 从向量库检索• 可以自定义检索逻辑ContentAggregator- 内容聚合• 合并多个检索器的结果• 重排序re-ranking• 去重和过滤ContentInjector- 内容注入• 把检索到的内容注入到用户消息中• 可以自定义注入格式关键类关系image.png实现要点文档分割太大检索精度低、token 消耗多太小上下文不完整。建议段落分割 300-500 字符句子分割 100-200 字符设置 10-20% 重叠。嵌入模型选择考虑多语言支持如中文、维度越高表达能力越强但成本越高、速度本地 vs 云端 API。检索策略简单检索直接用EmbeddingStoreContentRetriever高级检索用ReRankingContentAggregator先检索更多结果再重排序。内容注入格式默认格式可自定义ContentInjector。元数据过滤EmbeddingStore支持元数据过滤存储时添加元数据检索时用Filter过滤。总结RAG 实现完整文档处理链加载→解析→分割多种实现可选灵活检索简单/高级组件化设计可替换可自定义通过 AI Services 易于集成。流程虽复杂但抽象良好使用简单处理文档存储到向量库配置ContentRetriever在 AI Service 中使用。框架自动处理检索、增强、调用 LLM。RAG 效果取决于文档分割质量、嵌入模型选择、检索策略优化、提示词设计。需要根据场景调优LangChain4j 提供了足够的灵活性。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】