烟台网站建设方案推广在中国做网站网站违法吗

张小明 2025/12/28 10:38:25
烟台网站建设方案推广,在中国做网站网站违法吗,wordpress 笔记本主题,响应式网站用什么软件做效果本文介绍了大模型面临的幻觉、时效性和数据安全问题#xff0c;并提出检索增强生成(RAG)作为解决方案。RAG通过外部数据检索补充模型知识#xff0c;有效避免幻觉、提高知识时效性并保障数据安全。文章详细讲解了RAG架构原理#xff0c;使用LangChain实现RAG系统的完整流程并提出检索增强生成(RAG)作为解决方案。RAG通过外部数据检索补充模型知识有效避免幻觉、提高知识时效性并保障数据安全。文章详细讲解了RAG架构原理使用LangChain实现RAG系统的完整流程包括文档加载、分割、向量化、存储和检索等步骤并对比了RAG与微调的适用场景。最后提供了大模型学习的四个阶段规划帮助读者系统掌握相关技术。写在前面大模型Large Language ModelLLM的浪潮已经席卷了几乎各行业但当涉及到专业场景或行业细分域时通用大模型就会面临专业知识不足的问题。相对于成本昂贵的“Post Train”或“SFT”基于RAG的技术方案往成为一种更优选择。本文从RAG架构入手详细介绍相关技术细节并附上一份实践案例。LLM的问题尽管LLM拥有令人印象深刻的能力但是它们还面临着一些问题和挑战幻觉问题大模型的底层原理是基于概率在没有答案的情况下经常会胡说八道提供虚假信息。时效性问题规模越大参数越多、tokens 越多大模型训练的成本越高。类似 ChatGPT3.5起初训练数据是截止到 2021 年的对于之后的事情就不知道了。而且对于一些高时效性的事情大模型更加无能为力比如帮我看看今天晚上有什么电影值得去看这种任务是需要去淘票票、猫眼等网站先去获取最新电影信息的大模型本身无法完成这个任务。数据安全OpenAI 已经遭到过几次隐私数据的投诉而对于企业来说如果把自己的经营数据、合同文件等机密文件和数据上传到互联网上的大模型那想想都可怕。既要保证安全又要借助 AI 能力那么最好的方式就是把数据全部放在本地企业数据的业务计算全部在本地完成。而在线的大模型仅仅完成一个归纳的功能甚至LLM 都可以完全本地化部署。解决这些挑战对于 LLMs 在各个领域的有效利用至关重要。一个有效的解决方案是集成检索增强生成RAG技术该技术通过获取外部数据来响应查询来补充模型从而确保更准确和最新的输出。主要表现方面如下有效避免幻觉问题虽然无法 100% 解决大模型的幻觉问题但通过 RAG 技术能够有效的降低幻觉在软件系统中结合大模型提供幂等的API接口就可以发挥大模型的重要作用。经济高效的处理知识开箱即用只需要借助信息检索和向量技术将用户的问题和知识库进行相关性搜索结合就能高效的提供大模型不知道的知识同时具有权威性。数据安全企业的数据可以得到有效的保护通过私有化部署基于 RAG 系统开发的AI产品能够在体验AI带来的便利性的同时又能避免企业隐私数据的泄漏。上图展示了 RAG 如何使 ChatGPT 能够提供超出其初始训练数据的精确答案。什么是RAG检索增强生成(Retrieval Augmented Generation简称 RAG已经成为当前最火热的LLM应用方案。经历今年年初那一波大模型潮想必大家对大模型的能力有了一定的了解但是当我们将大模型应用于实际业务场景时会发现通用的基础大模型基本无法满足我们的实际业务需求主要有以下几方面原因知识的局限性模型自身的知识完全源于它的训练数据而现有的主流大模型ChatGPT、文心一言、通义千问…的训练集基本都是构建于网络公开的数据对于一些实时性的、非公开的或离线的数据是无法获取到的这部分知识也就无从具备。幻觉问题所有的AI模型的底层原理都是基于数学概率其模型输出实质上是一系列数值运算大模型也不例外所以它有时候会一本正经地胡说八道尤其是在大模型自身不具备某一方面的知识或不擅长的场景。而这种幻觉问题的区分是比较困难的因为它要求使用者自身具备相应领域的知识。数据安全性对于企业来说数据安全至关重要没有企业愿意承担数据泄的风险将自身的私域数据上传第三方平台进行训练。这也导致完全依赖通用大模型自身能力的应用方案不得不在数据安全和效果方面进行取舍。而RAG是解决上述问题的一套有效方案。实践示例那具体 RAG 怎么做呢我们用一个简单的 LangChain 代码示例来展示 RAG 的使用。环境准备安装相关依赖# 环境准备安装相关依赖 pip install langchain sentence_transformers chromadb本地数据加载这个例子使用了保罗·格雷厄姆Paul Graham的文章What I Worked On的文本。下载文本后放置到./data目录下。Langchain 提供了很多文件加载器包括 word、csv、PDF、GoogleDrive、Youtube等使用方法也很简单。这里直接使用 TextLoader 加载txt文本。from langchain.document_loaders import TextLoader loader TextLoader(./data/paul_graham_essay.txt) documents loader.load()文档分割(split_documents)文档分割借助 langchain 的字符分割器。代码中我们指定 chunk_size500, chunk_overlap10 这样的意思就是我们每块的文档中是 500 个字符chunk_overlap 表示字符重复的个数这样可以避免语义被拆分后不完整。# 文档分割 from langchain.text_splitter import CharacterTextSplitter # 创建拆分器 text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap10) # 拆分文档 documents text_splitter.split_documents(documents)向量化(embedding)接下来对分割后的数据进行 embedding并写入数据库。LangChain提供了许多嵌入模型的接口例如OpenAI、Cohere、Hugging Face、Weaviate等请参考LangChain官网。这里选用 m3e-base 作为 embedding 模型向量数据库选用 Chroma。from langchain.embeddings import HuggingFaceBgeEmbeddings from langchain.vectorstores import Chroma # embedding model: m3e-base model_name moka-ai/m3e-base model_kwargs {device: cpu} encode_kwargs {normalize_embeddings: True} embedding HuggingFaceBgeEmbeddings( model_namemodel_name, model_kwargsmodel_kwargs, encode_kwargsencode_kwargs )数据入库将嵌入后的结果存储在 VectorDB 中常见的VectorDB包括Chroma、weaviate和FAISS等这里使用Chroma来实现。Chroma与LangChain整合得很好可以直接使用LangChain的接口进行操作。# 指定 persist_directory 将会把嵌入存储到磁盘上。persist_directory db db Chroma.from_documents(documents, embedding, persist_directorypersist_directory)检索(Retrieve)向量数据库被填充后可以将其定义为检索器组件该组件根据用户查询与嵌入式块之间的语义相似性获取附加上下文。retriever db.as_retriever()增强(Augment)接下来为了将附加上下文与提示一起使用需要准备一个提示模板。如下所示可以轻松地从提示模板自定义提示。from langchain.prompts import ChatPromptTemplate template You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the question. If you dont know the answer, just say that you dont know. Use three sentences maximum and keep the answer concise. Question: {question} Context: {context} Answer: prompt ChatPromptTemplate.from_template(template)生成(Generate)最后可以构建一个 RAG 流水线的链将检索器、提示模板和LLM连接在一起。一旦定义了 RAG 链就可以调用它。本地通过 ollama 运行的 llama3 来作为 LLM 使用。如果不了解本地ollama部署模型的流程可以参考这篇文章。from langchain_community.chat_models import ChatOllama from langchain.schema.runnable import RunnablePassthrough from langchain.schema.output_parser import StrOutputParser llm ChatOllama(modelllama3) rag_chain ( {context: retriever, question: RunnablePassthrough()} | prompt | llm | StrOutputParser() ) query What did the author do growing up? response rag_chain.invoke(query) print(response)我这里的本地llama3环境下输出为Before college, Paul Graham worked on writing and programming outside of school. He didnt write essays, but instead focused on writing short stories. His stories were not very good, having little plot and just characters with strong feelings.从这个输出中可以看到已经将我们提供的文本中的相关信息检索出来并由 LLM 总结回答我们的问题了。RAG 与微调上面都是介绍的 RAG 在这里顺便对比一下微调Fine-tuning。在大语言模型的优化措施中 RAG 和微调都是一种重要的技术。可以把 RAG 想象成给模型提供一本参考书让它根据问题去查找信息然后回答问题。这种方法适用于模型需要解答具体问题或执行特定信息检索任务的情况。但 RAG 并不适合于教会模型理解广泛的领域或学习新的语言、格式或风格。而微调更像是让学生通过广泛学习来吸收知识。当模型需要模仿特定的结构、风格或格式时微调就显得非常有用。它可以提高未经微调的模型的表现使交互更加高效。微调特别适用于强化模型已有的知识、调整或定制模型的输出以及给模型下达复杂的指令。然而微调并不适合于向模型中添加新的知识或者在需要快速迭代新场景的情况下使用。RAG 和微调可以相互补充而非相互排斥从而在不同层次上增强模型的能力。在特定情况下结合这两种方法可以达到模型性能的最佳状态。还有一个形象的对比来介绍 RAG 和微调 RAG 就相当于是开卷考试考试的时候可以翻书, 可以随时翻到某一页来查找对应的知识点去回答。微调相当于你一整个学期的学习并在考试前进行了重点复习和记忆考试时凭借自己巩固的知识去答题。总结本文列举了LLM的问题。简单介绍了什么是 RAG 以及 RAG 的流程。最后使用了一个简单的LangChain代码示例来展示 RAG 的使用。最后对比了 RAG 和微调的区别方便大家选型。大模型未来如何发展普通人如何抓住AI大模型的风口※领取方式在文末为什么要学习大模型——时代浪潮已至随着AI技术飞速发展大模型的应用已从理论走向大规模落地渗透到社会经济的方方面面。技术能力上其强大的数据处理与模式识别能力正在重塑自然语言处理、计算机视觉等领域。行业应用上开源人工智能大模型已走出实验室广泛落地于医疗、金融、制造等众多行业。尤其在金融、企业服务、制造和法律领域应用占比已超过30%正在创造实实在在的价值。未来大模型行业竞争格局以及市场规模分析预测:同时AI大模型技术的爆发直接催生了产业链上一批高薪新职业相关岗位需求井喷AI浪潮已至对技术人而言学习大模型不再是选择而是避免被淘汰的必然。这关乎你的未来刻不容缓那么我们如何学习AI大模型呢在一线互联网企业工作十余年里我指导过不少同行后辈经常会收到一些问题我是小白学习大模型该从哪里入手呢我自学没有方向怎么办这个地方我不会啊。如果你也有类似的经历一定要继续看下去这些问题也不是三言两语啊就能讲明白的。所以呢这份精心整理的AI大模型学习资料我整理好了免费分享只希望它能用在正道上帮助真正想提升自己的朋友。让我们一起用技术做点酷事ps:微信扫描即可获取加上后我将逐一发送资料与志同道合者共勉真诚无偿分享适学人群我们的课程体系专为以下三类人群精心设计AI领域起航的应届毕业生提供系统化的学习路径与丰富的实战项目助你从零开始牢牢掌握大模型核心技术为职业生涯奠定坚实基础。跨界转型的零基础人群聚焦于AI应用场景通过低代码工具让你轻松实现“AI行业”的融合创新无需深奥的编程基础也能拥抱AI时代。寻求突破瓶颈的传统开发者如Java/前端等将带你深入Transformer架构与LangChain框架助你成功转型为备受市场青睐的AI全栈工程师实现职业价值的跃升。※大模型全套学习资料展示通过与MoPaaS魔泊云的强强联合我们的课程实现了质的飞跃。我们持续优化课程架构并新增了多项贴合产业需求的前沿技术实践确保你能获得更系统、更实战、更落地的大模型工程化能力从容应对真实业务挑战。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。01 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。希望这份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通微信扫描下方二维码即可~本教程比较珍贵仅限大家自行学习不要传播更严禁商用02 大模型学习书籍文档新手必备的权威大模型学习PDF书单来了全是一系列由领域内的顶尖专家撰写的大模型技术的书籍和学习文档电子版从基础理论到实战应用硬核到不行※真免费真有用错过这次拍大腿03 AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。04 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。05 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。06 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点由于篇幅有限只展示部分资料并且还在持续更新中…ps:微信扫描即可获取加上后我将逐一发送资料与志同道合者共勉真诚无偿分享最后祝大家学习顺利抓住机遇共创美好未来
版权声明:本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!

定制网站开发方案ppt建设网站只能是公司吗

一、入门阶段(1-2 个月):打好基础,搞定入门题 阶段目标:理解 Web 架构逻辑,独立破解 CTF Web 入门题(SQL 注入、XSS、弱口令),能使用基础工具抓包改包。 核心知识点&am…

张小明 2025/12/27 5:03:53 网站建设

做网站哪里买空间好做网站怎么安装数据库

LWiAI播客第216期 - Grok 4, Project Rainier, Kimi K2 我们的第216期节目,总结并讨论了上周AI领域的重大新闻! 录制于2025年07月11日。 本期内容概览: xAI发布Grok 4,在多项基准测试中取得突破性性能,成为传统大型实验…

张小明 2025/12/25 17:56:01 网站建设

杭州网站设计网页wordpress 绑定二级域名

欢迎大家加入开源鸿蒙跨平台开发者社区,一起共建开源鸿蒙跨平台生态。 Flutter 高效调试技巧与代码案例详解 1. 基础日志输出技巧 1.1 print 与 debugPrint 的深入使用 在 Flutter 中,print 函数会将输出发送到标准输出流,但在某些平台&a…

张小明 2025/12/25 17:56:01 网站建设

网站上的链接怎么做学做网站格式工厂

想要让您的华硕天选4笔记本电脑重获新生,恢复到出厂时的完美状态吗?本指南将为您详细介绍如何快速下载和安装原装Windows11系统,包含FX507VV、FX607VJ、FX707VIN型号的完整恢复方案,让您轻松享受全新的系统体验。 【免费下载链接】…

张小明 2025/12/25 17:56:03 网站建设

怎么选一个适合自己的网站免费简历模板下载word

一、核心考点框架会计要素(6 大类别):资产、负债、所有者权益(反映财务状况);收入、费用、利润(反映经营成果)会计要素的定义、特征、确认条件、分类会计要素相关真题解析与易错点辨…

张小明 2025/12/25 17:56:04 网站建设