万字 AI 干货及感悟分享

最近一直在研究 AI Agent 在零代码平台中的应用, 特地研究并总结了一份AI学习的干货, 方便大家快速理解LLM, 并熟悉主流的AI大模型框架, 以及如何基于AI, 来改善我们传统的工作模式.

上面是本文的核心大纲, 接下来开始我的分享和总结.

LLM介绍

1. LLM概念

大语言模型（Large Language Model） ：通常是具有大规模参数和计算能力的自然语言处理模型，例如 OpenAI 的 GPT-3 模型。这些模型可以通过大量的数据和参数进行训练，以生成人类类似的文本或回答自然语言的问题。大型语言模型在自然语言处理、文本生成和智能对话等领域有广泛应用。

2. 大模型分类

按照输入数据类型的不同，大模型主要可以分为以下三大类：

语言大模型（NLP）： 是指在自然语言处理（Natural Language Processing，NLP）领域中的一类大模型，通常用于处理文本数据和理解自然语言。这类大模型的主要特点是它们在大规模语料库上进行了训练，以学习自然语言的各种语法、语义和语境规则。例如：GPT 系列（OpenAI）.

视觉大模型（CV）: 是指在计算机视觉（Computer Vision，CV）领域中使用的大模型，通常用于图像处理和分析。这类模型通过在大规模图像数据上进行训练，可以实现各种视觉任务, 比如图像分类, 人脸识别, 目标检测.

多模态大模型： 是指能够处理多种不同类型数据的大模型，例如文本、图像、音频等多模态数据。这类模型结合了 NLP 和 CV 的能力，以实现对多模态信息的综合理解和分析，从而能够更全面地理解和处理复杂的数据。例如：DingoDB 多模向量数据库（九章云极 DataCanvas）、DALL-E(OpenAI)、悟空画画（华为）、midjourney。

3.大语言模型的工作机制

最知名的大型语言模型（LLM）架构基本都是Transformer架构。典型的Transformer模型在处理输入数据时有四个主要步骤：

1. 词嵌入: 模型进行词嵌入，将单词转换为高维向量表示。然后，数据通过多个Transformer层进行传递。这有助于模型理解单词的含义，并基于此进行预测。

2.位置编码（Positional Encoding）: 位置编码是帮助模型确定单词在序列中的位置的技术。位置编码主要用于跟踪单词的顺序。例如，当将句子”我喜欢猫”输入到模型时，位置编码可以帮助模型区分”我”是在句子的开头，而”猫”是在句子的结尾。这对于模型理解上下文和生成连贯的输出非常重要。

3.自注意力机制（Self-Attention Mechanism） : 自注意力机制是Transformer模型的核心组成部分。它允许模型在生成输出时，有效地在输入序列的不同位置进行交互和关注。自注意力机制的关键思想是计算输入序列中每个单词之间的相关性，并将这些相关性用于权衡模型在每个位置的关注程度。

4. 前馈神经网络（Feed-forward Neural Network）: 前馈神经网络对每个位置的表示进行进一步的处理。前馈神经网络是由多个全连接层组成的，其中每个层都有一组参数，用于将输入进行非线性变换。这个过程可以帮助模型在生成输出时引入更多的复杂性和灵活性。

二.LangChain原理和应用案例

Langchain 是一个开源框架，它允许开发人员将类似 GPT-4 这样的大型语言模型与外部的计算和数据源结合起来, 用于提升大型语言模型（LLMs）的功能。

它提供了 Python 和 TypeScript的软件包。

Langchain 通过三个核心组件实现增强：

Compents“组件”: 为LLMs提供接口封装、模板提示和信息检索索引；
Chains“链”: 它将不同的组件组合起来解决特定的任务，比如在大量文本中查找信息；
Agents“代理”: 它们使得LLMs能够与外部环境进行交互，例如通过

Langchain 的这种结构设计使LLMs不仅能够处理文本，还能够在更广泛的应用环境中进行操作和响应，大大扩展了它们的应用范围和有效性。

有点类似java的JDBC, 为 Java 开发人员提供了一种统一的方式来访问不同数据库，使得在不同数据库之间切换更加方便。

1.LangChain的工作流程

提问：用户提出问题；
向语言模型查询：问题被转换成向量表示，用于在向量数据库中进行相似性搜索；
获取相关信息：从向量数据库中提取相关信息块；
输入给语言模型：将相关信息输入给语言模型；
生成答案或执行操作：语言模型结合初始问题和相关信息，提供答案或执行相应操作。

2. 应用场景

LangChain 的应用场景十分广泛，以下是一些常见的应用场景和案例：

文本总结：可以对长篇文章、书籍、报告等文本进行总结，提取关键信息，例如对新闻文章进行摘要，帮助读者快速了解主要内容。
文档问答：基于文档内容进行问答，例如针对产品手册、技术文档等，用户提出问题，系统根据文档中的信息给出准确回答。
信息抽取：从大量文本中抽取结构化的信息，如从简历中提取姓名、联系方式、工作经历等关键内容。
聊天机器人：构建具备记忆能力的聊天机器人，能够与用户进行多轮对话，并记住之前的对话内容，提供更个性化的服务。例如在线客服机器人，能够理解用户的问题并提供解决方案。
智能问答系统：应用于智能客服、智能助手等，回答各种问题，提供相关的知识和信息。
代码理解与分析：分析代码，并从代码中获取逻辑，同时也支持代码相关的问答。
语言翻译：虽然 LangChain 本身不直接进行语言翻译，但可以与其他翻译工具或模型结合，实现翻译功能。
数据库交互：从数据库或类数据库内容中抽取数据信息，实现对数据库的查询和操作。
内容生成：生成文章、故事、诗歌等各种文本内容。
API 交互：通过对 API 文档的阅读和理解，向真实世界的 API 发送请求并获取数据，例如调用天气预报 API 来获取天气信息并回答用户的相关问题。

三. AI Agents 原理和应用案例

AI Agents（人工智能代理）的原理是通过感知环境、进行决策和执行动作来实现特定目标。它通常包含规划、记忆、工具和行动等关键模块，其工作流程大致如下：

目标初始化：为 AI Agents 设定清晰的目标，它们利用核心语言模型（如 GPT-3.5 或 GPT-4）来理解这些目标，并启动相应的行动计划；
任务列表创建：根据设定的目标生成一系列任务，确定任务的优先级、规划执行顺序，并为可能的意外情况做好准备；
信息收集：收集相关信息，这可能包括搜索互联网、访问数据库或与其他 AI 模型交互等，以执行特定任务；
数据管理和策略细化：不断管理和分析收集到的数据，根据数据和目标调整策略；
执行任务：基于规划和记忆来执行具体的行动，这可能包括与外部世界互动，或通过工具的调用来完成一个动作；
学习和优化：从每次交互和任务执行中学习，不断优化自身的性能和策略，以更好地适应新情况和实现目标。

大白话来说就是一种能自主实现目标的“个体”. 类似如下流程:

我们将场景抽象成模型, 大致长下面这个样子:

1. 开发一个AI Agent的步骤

确定目标和功能：明确你希望 AI Agent 实现的具体目标和具备的功能。
选择合适的技术和框架：根据需求选择适合的人工智能技术，如深度学习框架等。
数据收集和准备：收集和整理与目标相关的数据，进行清洗和预处理。
模型训练：使用收集的数据训练模型，调整参数以优化性能。
模型评估和优化：对训练好的模型进行评估，根据结果进行优化和改进。
集成和部署：将模型与相关系统集成，并进行部署和测试。

使用通义千问实现AI Agent的案例:

要使用通义千问实现一个 AI Agent，我们可以参考下面的步骤：

安装所需的库：使用 pip 安装qwen-agent命令为pip install -u qwen-agent
准备模型服务：你可以选择使用阿里云的 Dashscope 提供的模型服务，或者自行部署和使用开源的通义千问模型服务。如果使用 Dashscope，需确保设置了环境变量
开发自己的 agent：以下是一个简单的示例，创建一个能够读取 PDF 文件和利用工具的代理。

首先，添加一个自定义工具，例如图片生成工具：

import urllib.parse  
import json5  
from qwen_agent.tools.base import basetool, register_tool  
  
@register_tool('my_image_gen')  
class myimagegen(basetool):  
    description = 'aipainting(image generation) service, input text description, and return the image url drawn based on text information.'  
    parameters = ({  
        'name': 'prompt',  
        'type':'string',  
        'description': 'detailed description of the desired image content, in english',  
       'equired': True  
    })  
  
    def call(self, params: str, **kwargs) -> str:  
        prompt = json5.loads(params)('prompt')  
        prompt = urllib.parse.quote(prompt)  
        return json5.dumps(  
            {'image_url': f'https://image.pollinations.ai/prompt/{prompt}'},  
            ensure_ascii=False)

然后，配置使用的 LLM 模型：

llm_cfg = {  
   'odel': 'qwen-max',  
   'odel_server': 'dashscope',  
   #'api_key': 'your_dashscope_api_key',  # 可根据实际情况设置或使用环境变量  
   # 可选的生成配置，用于调整生成参数  
   'generate_cfg': {  
        'top_p': 0.8  
    }  
}

接下来，创建 agent：

from qwen_agent.agents import assistant  
  
system_instruction = '''you are a helpful assistant.  
after receiving the user's request, you should:  
-first draw an image and obtain the image url,  
-then run code `request.get(image_url)` to download the image,  
-and finally select an image operation from the given document to process the image.  
please show the image using `plt.show()`.'''  
  
tools = ('my_image_gen', )  # 这里添加你需要的工具  
  
agent = assistant(system_instruction=system_instruction, tools=tools, llm_cfg=llm_cfg)

最后，我们可以以聊天机器人的形式运行这个助理，与它进行交互并执行相关任务。请注意，这只是一个基本的示例，实际开发中可能需要根据具体需求进一步扩展和定制 agent 的功能，包括添加更多工具、处理不同类型的任务、优化交互方式等。

四.Rag原理和应用案例

为什么要用RAG技术?

RAG（检索增强生成）主要解决了大语言模型（LLM）的以下几个问题：

幻觉问题：LLM 因为是预训练模型，当用户提出的问题与其知识储备不相符时，可能会产生看似正确实则错误的回答，即出现“幻觉”。RAG 通过从外部知识库中检索相关信息，为 LLM 提供更准确的依据，从而减少幻觉的产生。
数据新鲜度问题：LLM 预训练完成后，不能感知实时更新的数据。RAG 可以将实时更新的公域数据或企业内部私域数据进行处理后，提供给 LLM，使其能够生成基于最新信息的回答。
知识局限性问题：LLM 可能在某些小众领域的知识不足。RAG 能通过向量匹配，帮助找到与提问最相关的段落或文章，补充 LLM 缺乏的知识。
隐私保护问题：企业可能出于安全考虑，不想让 LLM 训练自家的敏感数据或机密文档。RAG 可以在不暴露敏感数据的情况下，从知识库中检索相关信息，为 LLM 提供回答所需的内容。

RAG是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（用于搜索大型数据集或知识库）和生成模型（如大型语言模型 LLM）结合在一起，通过从更多数据源添加背景信息，以及通过训练来补充 LLM 的原始知识库，从而提高搜索体验的相关性，改善大型语言模型的输出，且无需重新训练模型。

RAG 的工作原理如下：

检索：将用户的查询通过嵌入模型转化为向量，与向量数据库中的其他上下文信息进行比对，通过相似性搜索找到向量数据库中最匹配的前 k 个数据。
增强：将用户的查询和检索到的额外信息一起嵌入到预设的提示模板中，提供更丰富、更具上下文的信息，以便于后续的生成过程。
生成：将经过检索增强的提示内容输入到大型语言模型（LLM）中，生成所需的输出。

举一个RAG 的一个应用案例：假设要构建一个智能客服系统，能够回答关于产品的各种问题。首先，收集产品相关的文档、常见问题解答等数据，并将这些数据进行处理和向量化后存入向量数据库。当用户提出问题时，系统通过检索模块在向量数据库中查找相关信息，然后将查询和检索到的信息一起输入到提示模板中进行增强。最后，利用大型语言模型根据增强后的提示生成准确且符合语境的回答。

例如，用户询问“某产品的最新功能有哪些”，RAG 系统会从数据库中检索到该产品的最新信息，将其与问题一起提供给 LLM，使得 LLM 生成的回答包含最新的、准确的产品功能描述，而不仅仅依赖于其预先训练的知识。

完整的RAG工作流程分为两个阶段:

RAG 的优点包括提高答案准确性、减少幻觉、能够识别最新信息以保持回答的及时性和准确性、高度透明从而增强用户对输出结果的信任、可定制化以支持不同领域的专业知识，以及在安全性和隐私管理方面有较好的控制、处理大规模数据集时具有更好的扩展性和经济效率、提供更值得信赖的结果等。

然而，RAG 系统在实际应用中也面临一些挑战，例如检索质量方面可能存在精度问题（ 检索结果不完全相关）、低召回率问题（未能检索到所有相关文档块）、过时信息问题；回应生成质量方面可能出现错误信息、回答不相关性、有害或偏见性回应等；在增强过程中面临上下文融合、处理冗余和重复、评估文段价值、保持输出一致性、避免过度依赖增强信息等问题。

为了解决这些挑战，可能需要优化检索算法、提升嵌入模型的性能、精心设计提示模板、进行数据清洗和更新、引入人工审核或反馈机制等措施。同时，根据具体的应用场景和需求，选择合适的检索模型、LLM、向量数据库等组件，并不断调整和改进系统的参数和配置，以提高 RAG 系统的性能和效果。

推荐2个相对成熟的Rag方案:

GraphRAG：微软开源的一种基于图的检索增强生成方法。它利用大型语言模型构建知识图谱，将图谱聚类成不同粒度级别的相关实体社区。在进行 RAG 操作时，遍历所有社区以创建“社区答案”，并进行缩减得到最终答案。该方法在处理私有数据时性能较好，具备跨大型数据集的复杂语义问题推理能力。其开源地址为：https://github.com/microsoft/graphrag
HyKGE：这是知识图谱与检索增强生成技术结合的一种方案。通过利用大型语言模型的深度语义理解与知识生成能力，结合知识图谱丰富的结构化信息，能够提高医学信息检索的效率，并确保回答的精确度。该框架利用大型语言模型生成假设性回答以增强图谱检索，采用 HO 片段重排名机制过滤噪声知识，包含假设输出模块、命名实体识别模块、知识图谱检索模块和 HO 片段粒度感知重排模块等组件。