- 大模型开发范式
优点：具有强大语言理解，指令跟随，和语言生成的能力，具有强大的知识储备和一定的逻辑推理能力，进而能作为基座模型，支持多元应用。
不足：大模型的知识时效性受限，大模型于特定的时间点训练；专业能力有限，如何打造垂域大模型；定制化成本高
两种核心的大模型开发范式
RAG：检索增强生成(核心思想：为大模型外挂知识库，用户的提问首先从知识库中匹配回答问题的相关文档，然后将提问和相关文档一起交给大模型，从而生成回答，进而提高大模型的知识储备)，但缺点是受基座模型影响较大，基座模型的能力绝大部分限制了RAG模型的能力天花板；此外，将相关文档和问题一起传给大模型，占用了大量的模型上下文，也因此，对上下文跨度较大的综合性问题表现不佳。
Finetune: 延续传统自然语言处理算法的模型微调(核心思想：在一个新的较小的数据集上，进行轻量级的训练微调，从而提高模型在新数据集上的能力)核心优势是可个性化微调，且知识覆盖面广，finetune范式的应用将在个性化数据上微调，因此可以充分拟合个性化数据，尤其对于非可见知识，如回答风格，回答效果非常好；同时，由于fintune范式的应用是一个新的个性化大模型，其仍然具有大模型的广阔知识域，因此可回答的知识覆盖面广，但是新的数据集上训练成本高昂且数据无法实时更新。
RAG范式的进一步深入
对于每一个用户输入，首先将基于向量模型sentence transformer，将输入文本转化为向量，并在向量数据库中匹配相似的文本段，在这里我们认为与问题相似的文本段，大概率包含了问题的答案，然后会将用户的输入和检索到的相似文本段一起嵌入到模型的prompt中，传递给interlm，然后得到输出。
-
LangChain
基于langchain搭建RAG应用：首先对于本地的文档形式存在的个人知识库，会使用UnstructedLoader组件加载本地文档，该组件将不同格式的本地文档，统一成纯文本格式；然后通过textsplittler组件，对提取出来的纯文本进行分割成chunks；再通过开源词向量模型Sentence Transformer将文本段转换为向量格式，存储到基于Chroma的向量数据库中；对于用户的每一个输入query，会首先通过Sentence Transformer将输入转换为同维度的向量，通过在向量数据库中进行相似度的匹配，找到和用户输入相关的文本段，将相关的文本段嵌入到已经写好的prompt template中，再交给interLM进行回答。 -
构建向量数据库
-
搭建知识库助手
从检索方面的优化点：1）基于语义而不是基于字符长度进行chunk的切分，从而保证每一个chunk的语义完整性；2）…
从prompt的方面优化：不断优化从而不断激发模型的潜在能力
