前言
目前 AIGC 的浪潮很火，不管你是什么方向的程序员，都可以通过大模型去构建自己的 App，但是搜索资料学习的时候发现：
- 目前构建 AI 应用的中文资源比较少，大多数都是英文的。
- 教程大多是
demo级别，没有生产级的构建教程，更没有带有完整代码且一步步教学的资源。 - 构建应用一般会使用
Langchain提升构建效率，但是Langchain文档有点乱，并且版本迭代较快，使用方式有差异。
由于以上原因，本人在学习构建自己的 AI 应用时候踩了很多坑，加上身边的小伙伴也想要一个完整的教程。本着 以输出倒逼输入 的目的，决定开一个系列，从零基础一步步构建 生产级 AI 应用 ，只需要一点点 🤏🏻 Python 基础就 ok。
无 Python 基础的同学可以通过 Python 官网教程，快速学习一波，有这个基础就够了。
目标产品 ChatWithPDF
实践是最快的一种学习方式，所以本系列的目的就是构建一个对标 PDF.ai 的产品，用户可以上传自己的 PDF 文件，然后通过 ChatWithPDF 对 PDF 文件内容提问学习，得到总结，查找信息等等。
这类应用一般都是要收费的（根据上传的 PDF 大小，PDF 数量收取对应费用），通过学习这个系列可以自己本地构建一个应用，免费辅助学习知识，绝壁不亏 。
环境准备
构建这个产品需要的东西就2个：Python 环境 + OpenAI API Key，由于 Python 环境安装比较简单，这里就不介绍了，直接按照 Python 官网教程 就ok。
如果有不知道 OpenAI 是神马，直接浏览器搜索下就知道了，这里也不赘述。但是由于 OpenAI API 的访问问题，这里建议使用 Azure OpenAI API。
注册一个微软云 Azure 账号，绑定下自己的信用卡就有免费的额度，足够我们整个系列的使用。
方案概览
开始编码之前，需要先做方案设计。针对 ChatWithPDF 的应用功能，有两个方案，如下所示：
方案1：全量提交所有内容（不推荐）
这个方案在 PDF 内容比较少时，不会有问题。但是当 PDF 内容比较长的时候有3个问题：
- 发送给 ChatGPT 的内容是有长度限制的（token数量限制），PDF 内容比较长的时候会发送失败。
- 即使 ChatGPT 没有内容限制，当一次性提交大量文本时，获取回复效果并没想象中好。
- 发送内容多少等于消耗token数量的多少，内容多token消耗多相当于成本高。
方案2：提交和用户问题相关的 PDF 内容（推荐）
方案 2 主要分为 4 个步骤：
- 当用户上传 PDF 之后，摘取 PDF 的文本内容，将所有内容切割成文本块。
- 存储每个文本块的内容。
- 当用户提问时，找到和问题最相关的文本块。
- 将相关联的文本块 + 用户问题一起提交给 ChatGPT。
上图是完整的流程，其实分为两个步骤：
- 构建通过用户上传的 PDF 构建相关的向量数据库
- 处理用户的问题
在本系列中我们采用方案2，目前的流程是为了方便大家在学习前有个整体的印象，在实际开发过程中还有很多细节需要处理，目前是忽略的。但最终效果的好坏很大程度上就是细节决定的，所以后续对于细节方面也会做详细的分析。
Embedding 介绍
👆🏻上个小节有个关键步骤就是需要检索出 PDF 中与用户提问相关联的文本块，要实现这个过程就是通过使用 Embedding 对文本进行向量化处理。
Embedding 是一种将物体（如文本）表示为低维向量的技术。这些向量具有以下特性：
- 距离相近的向量对应含义相近的物体。
- 支持数学运算，如Embedding(马德里)-Embedding(西班牙)+Embedding(法国)≈Embedding(巴黎)。
- 能够揭示物体间的潜在关系。
举个具体的例子，“我感到很快乐” 这句话通过 Embedding 算法之后就会得到一个向量，如下图所示。
在这里，我们并不需要知道 Embedding 算法的具体实现，因为已经有人帮我们实现好，我们需要知道的是一个基本原理，方便我们后续的开发工作。
为什么通过 Embedding 之后的内容可以进行相关联程度的检索呢？
因为 Embedding 就是将文本（高维度）映射到了一个低维度（每个维度都有个评分）向量，然后通过计算向量之间的相似度来决定文本之间的相关联性。
总结
本文是从零构建生产级 AI 应用的第一篇，主要介绍了做这个事情的背景原因以及整体的方案概述，下一篇将介绍如何利用 Langchain 加速我们的 AI 应用的构建，敬请期待~😉
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。
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
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】
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
