TL;DR

本文介绍了如何用 Generative AI 构建一个使用企业专属知识库的用户助手机器人。除了使用业界常用的基于知识库的回答方法外，还尝试使用模型在 few shot 方法下判断毒性。最终，该机器人在用户使用后，点踩的比例低于 5%，已经应用到了公司面向全球客户的各种渠道中。

Generative AI 的魔力已经展现

从 22年开始，Generative AI （后文称 GenAI）在全球席卷了浪潮。自 MidJourney , DALL-E 带来了文字生成图片的火热，再到 ChatGPT 以自然、流利的对话彻底引爆人们的视线，GenAI成为再也无法绕过的话题。AI 是否能够在更通用的场景下支持人类更好的生活、工作，成为了 23 年的核心话题之一。

其中， LangChain 等开发工具的崛起，代表着工程师开始批量的创建基于 GenAI 的应用。PingCAP 也做了一些实验，并且陆续完成了一些工作，比如：

Ossingisht 的 Data Explorer ：一个用自然语言生成 SQL 来探索 Github 开源软件的项目
TiDB Cloud 的 Chat2Query ：一个利用 Cloud 内数据库通过自然语言生成 SQL 的项目

在构建了这些应用后，笔者开始思考是否可以用 GenAI 的能力构建更通用的应用，带给用户更大的价值。

需求思考

在全球 TiDB 和 TiDB Cloud 逐步成长下，面向全球用户的支持成为越来越重要的事情。而随着用户量的几何增长，面向用户的支持人员数量并不会快速增长，因此，如何承接海量用户就成为急需考虑的事情。

根据实际支持用户的体验，对用户在全球社区的提问以及内部工单系统的调研，用户有 50% 以上的问题其实是可以在官方文档中找到答案，只是因为文档内容太多，难以找到。因此，如果可以提供一个具有 TiDB 所有官方文档的知识的机器人，也许可以帮助用户更好的使用 TiDB。

Generative AI 与需求实现的差距

发掘出需求后，也需要了解 GenAI 的特性和限制，以确认是否 Gen AI 能够用在此需求中。根据已经完成的工作，笔者可以总结出一些 Gen AI 的特性。在这里，Gen AI 主要指 GPT （Generative Pre-trained Transformer ）类模型，以文本对话为主，本文后续都以 GPT 来描述。

GPT 的能力

理解语义的能力。GPT 具有极强的语义理解能力，基本上可以无障碍理解任何文本。无论是何种语言（人类语言或计算机语言），何种表达水平的文本，就算是多语言混杂，或者是语法、用词错误，都可以理解用户的提问。
逻辑推理的能力。GPT 具体一定的逻辑推理能力，在不额外增加任何特殊提示词情况下，GPT 可以做出简单的推理，并且挖掘出问题深层的内容。在补充了一定的提示词下，GPT 可以做出更强的推理能力，这些提示词的方法包括：Few-shot，Chain-of-Thought（COT），Self-Consistency，Tree of thought（TOT）等等。
尝试回答所有问题的能力。GPT，特别是 Chat 类型的 GPT，如 GPT 3.5，GPT 4，一定会尝试用对话形式，在满足设定价值观的情况下，回答用户的所有问题，就算是回答“我不能回答这个信息”。
通用知识的能力。GPT 自身拥有海量的通用知识，这些通用知识有较高的准确度，并且覆盖范围很大。
多轮对话的能力。GPT 可以根据设定好的角色，理解不同角色之间的多次对话的含义，这意味着可以在对话中采用追问形式，而不是每一次对话都要把历史所有的关键信息都重复一遍。这种行为非常符合人类的思考和对话逻辑。

GPT 的限制

被动触发。GPT 必须是用户给出一段内容，才会回复内容。这意味着 GPT 本身不会主动发起交互。
知识过期。这里特指 GPT 3.5 和 GPT 4，二者的训练数据都截止于 2021年9月，意味着之后的知识，GPT 是不知道的。不能期待 GPT 本身给你提供一个新的知识。
细分领域的幻觉。虽然 GPT 在通用知识部分有优秀的能力，但是在一个特定的知识领域，比如笔者所在的数据库行业，GPT 的大部分回答都存在着或多或少的错误，无法直接采信。
对话长度。GPT 每轮对话有着字符长度的限制，因而如果提供给 GPT 超过字符长度的内容，此次对话会失败。

需求实现的差距

笔者期望用 GPT 实现一个“企业专属的用户助手机器人”，这意味着以下需求：

需求一：多轮对话形式，理解用户的提问，并且给出回答。
需求二：回答的内容中关于 TiDB 和 TiDB Cloud 的内容需要正确无误。
需求三：不能回答和 TiDB、TiDB Cloud 无关的内容。

对这些需求进行分析：

需求一：基本上可以满足，根据 GPT 的“理解语义的能力”、“逻辑推理的能力”、“尝试回答问题的能力”、“上下文理解的能力”。
需求二：无法满足。因为 GPT 的“知识过期”、“细分领域的幻觉”限制。
需求三：无法满足。因为 GPT 的 “尝试回答所有问题的能力”，任何问题都会回答，并且 GPT 本身并不会限制回答非 TiDB 的问题。

因此，在这个助手机器人构建中，主要就是在解决 需求二 和 需求三 的问题。

正确回答细分领域知识

这里要解决需求二的问题。

如何让 GPT 根据特定领域知识回答用户的问题并不是新鲜的领域，笔者之前的优化的 Ossinsight - Data Explorer 就使用特定领域知识，帮助自然语言生成 SQL 的可执行率（即生成的 SQL 可以成功的在 TiDB 中运行出结果）提升了 25% 以上。

这里需要运用到的是向量数据库的空间相似度搜索能力。一般分为三个步骤：

领域知识存储到向量数据库中

第一步是将 TiDB 和 TiDB Cloud 的官方文档放入到向量数据库中。

获取到文档后，将文字内容其放入 Embedding 模型中，产出文字内容对应的向量，并将这些向量放入到特定的向量数据库中。

在这一步中，需要检查两点：

如果文档的质量较差，或者文档的格式不满足预期，会事先对文档进行一轮预处理，将文档转化为相对干净，容易被 LLM 理解的文本格式。
如果文档较长，超过 GPT 单次的对话长度，就必须对文档进行裁剪，以满足长度需要。裁剪方法有很多种，比如，按特定字符（如，逗号，句号，分号）裁剪，按文本长度裁剪，等等。

从向量数据库中搜索相关内容

第二步是在用户提出问题的时候，从向量数据库中，根据用户问题搜索相关的文本内容。

当用户发起一次对话时，系统会将用户的对话也通过 Embedding 模型转化成向量，再将这个向量放到向量数据库中和原有的预料进行查询。查询过程中，利用相似度算法（比如，cosine similarity，dot-product，等等），计算最相似的领域知识向量，并且提取出对应向量的文本内容。

用户的特定问题可能需要多篇文档才能回答，所以在搜索过程中，会取相似度最高的 Top N（目前 N 是 5）。这些 Top N 可以满足跨越多个文档的需要，并且都会成为下一步提供给 GPT 的内容。

限定回答领域

这里要解决需求三的问题。

该机器人是作为企业支持能力提供给用户，因此期望机器人只回答和企业相关的内容，比如，TiDB、TiDB Cloud 本身，SQL 问题，应用构建问题，等等。如果超过这些范围，就期望机器人拒绝回答，比如，天气、城市、艺术，等等。

因为之前提到 GPT 的“尝试回答所有问题的能力”，对于 GPT 本身的设定，任何问题都应该要做出符合人类价值观的回复。所以，这一层限制无法依赖 GPT 帮我们构建，只能在应用侧尝试做限制。

只有做到了这个需求，一个业务才可能真正的上线对用户服务。遗憾的是目前工业界没有对此比较好的实现，大部分的应用设计中并不涉及这一部分内容。

概念：毒性

刚刚提到，GPT 其实会尝试让回答符合人类的价值观，这步工作在模型训练中叫做“对齐”（Align），让 GPT 拒绝回答仇恨、暴力相关的问题。如果 GPT 未按照设定回答了仇恨、暴力相关问题，就称之为检测出了毒性（Toxicity）。

因此，对于笔者即将创造的机器人，其毒性的范围实际上增加了，即，所有回答了非公司业务的内容都可以称之为存在毒性。在此定义下，我们就可以参考前人在去毒（Detoxifying）方面的工作。DeepMind 的 Johannes Welbl （2021）等人介绍了可以采用语言模型来做为毒性检测的方式，目前，GPT 的能力得到了足够的加强，用 GPT 来直接判断用户的提问是否属于公司业务范围，成为了可能。

要做到“限定回答领域”，需要有两个步骤。

限定领域的判断

第一步，需要对用户的原始提问进行判断。

这里需要使用 few shot 的方法去构建毒性检测的提示词，让 GPT 在拥有多个示例的情况下，判断用户的提问是否符合企业服务的范围。

比如一些示例：

<< EXAMPLES >>

instruction: who is Lady Gaga?
question: is the instruction out of scope (not related with TiDB)?
answer: YES

instruction: how to deploy a TiDB cluster?
question: is the instruction out of scope (not related with TiDB)?
answer: NO

instruction: how to use TiDB Cloud?
question: is the instruction out of scope (not related with TiDB)?
answer: NO

在判断完成后，GPT 会输入 Yes 或 No 的文字，供后续流程处理。注意，这里 Yes 意味着有毒（和业务不相关），No 意味着无毒（和业务有关）。