中介如何做網(wǎng)站收客,公司的網(wǎng)址格式,有哪個(gè)理財(cái)網(wǎng)站是專門做汽車抵押的,完全自定義純代碼打造你的wordpress站點(diǎn)側(cè)邊欄本文詳細(xì)解讀了RAG#xff08;檢索增強(qiáng)生成#xff09;技術(shù)#xff0c;分析了其解決LLMs幻覺、知識(shí)過時(shí)等問題的意義#xff0c;介紹了RAG系統(tǒng)的三大發(fā)展范式#xff08;樸素、高級(jí)、模塊化#xff09;#xff0c;探討了檢索、生成、增強(qiáng)環(huán)節(jié)的關(guān)鍵技術(shù)和評估方法#…本文詳細(xì)解讀了RAG檢索增強(qiáng)生成技術(shù)分析了其解決LLMs幻覺、知識(shí)過時(shí)等問題的意義介紹了RAG系統(tǒng)的三大發(fā)展范式樸素、高級(jí)、模塊化探討了檢索、生成、增強(qiáng)環(huán)節(jié)的關(guān)鍵技術(shù)和評估方法對比了RAG與微調(diào)的優(yōu)缺點(diǎn)為開發(fā)者構(gòu)建高質(zhì)量RAG系統(tǒng)提供了全面指導(dǎo)。1、RAG存在的意義動(dòng)機(jī)大型語言模型LLMs面臨幻覺Hallucination、知識(shí)過時(shí)和推理過程不透明、不可追溯等挑戰(zhàn) 。意義RAG通過整合來自外部數(shù)據(jù)庫的知識(shí)增強(qiáng)了生成內(nèi)容的準(zhǔn)確性和可信度并允許知識(shí)的持續(xù)更新和領(lǐng)域特定信息的整合。2、RAG系統(tǒng)的核心組成檢索 (Retrieval)關(guān)注如何高效準(zhǔn)確地從數(shù)據(jù)源中檢索相關(guān)文檔。包括索引結(jié)構(gòu)的優(yōu)化、不同數(shù)據(jù)源文本、知識(shí)圖譜等的利用、以及查詢和嵌入模型的優(yōu)化。生成 (Generation)關(guān)注如何將檢索到的上下文有效地融入LLM的生成過程。包括檢索后的重排Rerank、上下文的選擇/壓縮、以及利用 LLM 進(jìn)行自我評估和內(nèi)容過濾。增強(qiáng) (Augmentation)關(guān)注RAG如何與其他技術(shù)如LLM微調(diào)Fine-tuning協(xié)同工作。3、RAG發(fā)展的三大范式范式核心特點(diǎn)解決問題樸素RAG (Naive RAG)遵循傳統(tǒng)的“檢索-閱讀”Retrieve-Read框架包括索引、檢索、生成三個(gè)步驟。早期解決 LLM 知識(shí)不足高級(jí)RAG (Advanced RAG)針對樸素RAG的不足如檢索準(zhǔn)確率低進(jìn)行改進(jìn)專注于pre-retrieval如查詢重寫、索引結(jié)構(gòu)優(yōu)化和post-retrieval如重排Rerank、上下文壓縮Context Compressing。提高檢索質(zhì)量和精確度。模塊化RAG (Modular RAG)最靈活、最先進(jìn)的架構(gòu)。通過引入專業(yè)功能模塊如路由 Routing、內(nèi)存 Memory、預(yù)測 Predict和動(dòng)態(tài)執(zhí)行模式如 DSP、ITER-RETGEN、Self-RAG來實(shí)現(xiàn)更復(fù)雜的任務(wù)和流程。實(shí)現(xiàn)更強(qiáng)的適應(yīng)性、多步推理和自我修正能力。Naive RAG核心流程樸素RAG的整個(gè)過程可以概括為“一次性檢索一次性生成”。1. 索引階段 (Indexing)數(shù)據(jù)處理將所有文檔簡單地分割成固定大小的文檔塊Chunks。嵌入使用一個(gè)預(yù)訓(xùn)練的嵌入模型將所有文檔塊轉(zhuǎn)換為向量。存儲(chǔ)將這些向量存儲(chǔ)在一個(gè)向量數(shù)據(jù)庫中。2. 推理階段 (Inference)樸素 RAG 的在線推理過程包含三個(gè)不可或缺的步驟(1) 檢索 (Retrieve)動(dòng)作將用戶的原始查詢轉(zhuǎn)換為查詢向量。目標(biāo)在向量數(shù)據(jù)庫中查找并提取與查詢向量最相似的K個(gè)文檔塊。(2) 增強(qiáng)/情境化 (Augment)動(dòng)作將用戶的原始查詢和檢索到的K個(gè)文檔塊即上下文 Context組合起來。目標(biāo)構(gòu)建一個(gè)完整的Prompt即[指令] [上下文] [問題]用于指導(dǎo)LLM。(3) 生成 (Generate/Read)動(dòng)作將構(gòu)建好的Prompt發(fā)送給LLM。目標(biāo)LLM根據(jù)提供的上下文和問題生成最終的答案。局限性雖然樸素RAG簡單易行但它在實(shí)際應(yīng)用中存在明顯的缺陷這也是催生高級(jí)RAG和模塊化RAG的主要原因局限性描述低精確度檢索階段沒有重排(Rerank)步驟因此檢索到的K個(gè)文檔塊中可能包含大量不相關(guān)或低質(zhì)量的噪聲信息。噪聲敏感性LLM對輸入上下文中的噪聲非常敏感。樸素RAG檢索到的噪聲可能導(dǎo)致LLM生成不準(zhǔn)確或虛假的內(nèi)容。缺乏上下文處理不進(jìn)行查詢重寫(Query Rewrite)導(dǎo)致對于復(fù)雜的、依賴對話歷史的查詢檢索效果極差。上下文窗口浪費(fèi)無法對上下文進(jìn)行壓縮或總結(jié)。檢索到的內(nèi)容無論是冗余還是核心信息都會(huì)被原封不動(dòng)地送入LLM浪費(fèi)上下文窗口和計(jì)算成本。Advanced RAG高級(jí)RAG的定義和目標(biāo)高級(jí)RAG的核心目標(biāo)是解決樸素RAG在檢索質(zhì)量和上下文利用方面的固有缺陷從而顯著提高最終答案的準(zhǔn)確性Accuracy和相關(guān)性Relevance。它不再滿足于簡單的“檢索 生成”流程而是引入了許多優(yōu)化步驟。關(guān)鍵優(yōu)化方向1. 檢索前優(yōu)化(Pre-Retrieval Optimization)優(yōu)化用戶查詢或知識(shí)索引結(jié)構(gòu)以提高檢索的初始召回率。查詢重寫 (Query Rewriting):將用戶的模糊、口語化或上下文相關(guān)的查詢重寫為更精確、更適合檢索的關(guān)鍵詞。同義詞/擴(kuò)展 (Query Expansion):為查詢添加同義詞或相關(guān)概念擴(kuò)大檢索范圍。索引優(yōu)化 (Indexing Structure Optimization):改進(jìn)文檔分塊Chunking策略例如自適應(yīng)分塊 (Adaptive Chunking):根據(jù)文檔的邏輯結(jié)構(gòu)如章節(jié)、段落而不是固定的字符數(shù)進(jìn)行分塊。元數(shù)據(jù)增強(qiáng) (Metadata Augmentation):在存儲(chǔ)向量時(shí)加入文檔類型、日期、作者等元數(shù)據(jù)以便進(jìn)行過濾和增強(qiáng)。2. 檢索后優(yōu)化 (Post-Retrieval Optimization)對已經(jīng)檢索到的文檔片段進(jìn)行篩選和處理以去除噪聲。重排 (Reranking):使用更強(qiáng)大的模型通常是交叉編碼器對初始檢索結(jié)果進(jìn)行二次評分和排序確保最相關(guān)的文檔片段排在最前面并淘汰不相關(guān)的噪聲。上下文壓縮/提煉 (Context Compression/Summarization):在將上下文送入 LLM 之前對其進(jìn)行壓縮、摘要或精煉以去除冗余信息同時(shí)節(jié)省 LLM 的上下文窗口空間和計(jì)算成本。去冗余 (Deduplication):消除檢索到的文檔片段中重復(fù)或信息高度重疊的內(nèi)容。相關(guān)技術(shù)LlamaIndex2、LangChain3、HayStack3. 生成階段優(yōu)化 (Generation Optimization)確保LLM更負(fù)責(zé)任地利用上下文。增強(qiáng)提示詞 (Enhanced Prompting):使用特定的提示工程技術(shù)如要求LLM引用來源、要求其逐步推理來引導(dǎo)LLM更加精確地使用檢索到的信息。Modular RAG定義和核心理念模塊化RAG是一種高度靈活和可定制的RAG架構(gòu)。它的核心思想是將RAG流程分解為一系列功能獨(dú)立的、可插拔的模塊并允許這些模塊以動(dòng)態(tài)、非線性的方式組合以適應(yīng)復(fù)雜和多樣的任務(wù)需求。如果說樸素RAG是一個(gè)固定的流水線高級(jí)RAG是一個(gè)帶優(yōu)化的流水線那么模塊化RAG就是一個(gè)可編程的、可重配置的系統(tǒng)。關(guān)鍵特點(diǎn)構(gòu)成模塊新增功能模塊 (New Functional Modules)這些模塊賦予RAG系統(tǒng)新的能力使其能夠處理更復(fù)雜的流程控制和數(shù)據(jù)類型路由 (Routing):負(fù)責(zé)根據(jù)用戶查詢的意圖、類型或知識(shí)來源需求將請求導(dǎo)向最合適的處理路徑例如內(nèi)部RAG檢索、外部API調(diào)用、或直接生成。預(yù)測/規(guī)劃 (Predict/Demonstrate):允許LLM參與到流程的規(guī)劃和決策中例如生成搜索關(guān)鍵詞、預(yù)測下一步操作或分解復(fù)雜任務(wù)如在DSP模式中。融合 (Fusion):負(fù)責(zé)整合來自不同來源例如多輪檢索、多源數(shù)據(jù)庫的上下文信息進(jìn)行去重和統(tǒng)一。內(nèi)存 (Memory):用于存儲(chǔ)和管理對話歷史或會(huì)話狀態(tài)支持多輪對話和上下文追蹤。動(dòng)態(tài)執(zhí)行模式 (Dynamic Execution Patterns)模塊化RAG能夠支持多種高級(jí)的、非線性的工作流程這些流程打破了傳統(tǒng)的單次檢索限制DSP (Demonstrate-Search-Predict):一種結(jié)構(gòu)化的多步推理模式LLM先規(guī)劃再執(zhí)行搜索最后生成答案。Iter-Retgen (迭代檢索生成):允許LLM在生成過程中多次、動(dòng)態(tài)地啟動(dòng)檢索獲取新的上下文以支持長篇或復(fù)雜的答案生成。Self-RAG:一種高級(jí)的迭代檢索形式LLM通過自我評估Reflection Tokens來決定是否、何時(shí)以及如何進(jìn)行檢索具有自我修正能力。模塊化RAG的優(yōu)勢高適應(yīng)性:可以為不同的任務(wù)類型構(gòu)建特定的RAG管道提高了系統(tǒng)的通用性。復(fù)雜推理能力:通過多步規(guī)劃和工具調(diào)用能夠解決樸素RAG無法應(yīng)對的多跳問答和復(fù)雜邏輯任務(wù)。增強(qiáng)可解釋性:流程中的路由、規(guī)劃和評估步驟使得系統(tǒng)的決策過程更加透明和可追溯。4、RAG VS Fine-tuning特性RAG (檢索增強(qiáng)生成)Fine-tuning (微調(diào))知識(shí)來源外部、動(dòng)態(tài)數(shù)據(jù)庫。模型不改變自身參數(shù)而是從外部知識(shí)庫中實(shí)時(shí)查詢信息。模型內(nèi)部參數(shù)。通過在特定數(shù)據(jù)集上訓(xùn)練將新知識(shí)固化到模型的權(quán)重中。知識(shí)時(shí)效性高動(dòng)態(tài)。外部數(shù)據(jù)庫可以獨(dú)立于模型進(jìn)行實(shí)時(shí)更新。低靜態(tài)。知識(shí)被固定在模型參數(shù)中更新需要重新進(jìn)行微調(diào)。知識(shí)類型事實(shí)性、領(lǐng)域特定的知識(shí)和證據(jù)。改變模型的風(fēng)格、語氣、格式和對知識(shí)的泛化。實(shí)施成本低。只需要對數(shù)據(jù)源進(jìn)行嵌入和索引不需要重新訓(xùn)練LLM。高。需要大量的計(jì)算資源GPU和時(shí)間進(jìn)行模型訓(xùn)練。模型大小適用于任何規(guī)模的LLM甚至無需訪問模型的內(nèi)部結(jié)構(gòu)。需要能夠加載和訓(xùn)練的LLM版本?？勺匪菪愿?。答案帶有檢索到的原始文檔片段作為證據(jù)來源。低。答案來源于內(nèi)部參數(shù)難以追溯具體的證據(jù)來源?？偨Y(jié)LLM增強(qiáng)的兩種策略RAG和Fine-tuning代表了兩種不同的知識(shí)注入策略RAG利用外部記憶專注于為LLM提供新鮮、可靠的外部事實(shí)證據(jù)以增強(qiáng)答案的準(zhǔn)確性和時(shí)效性并解決知識(shí)過時(shí)和不可追溯的問題。Fine-tuning改進(jìn)內(nèi)部認(rèn)知專注于調(diào)整LLM的內(nèi)部行為和風(fēng)格使其更好地適應(yīng)特定領(lǐng)域的語言習(xí)慣和輸出格式提升模型的專業(yè)理解能力。5、Retrieval在 RAG檢索增強(qiáng)生成的上下文中檢索Retrieval是指從外部知識(shí)庫中識(shí)別并提取與給定查詢Query最相關(guān)信息的關(guān)鍵過程。檢索的核心功能和目標(biāo)知識(shí)獲取檢索的首要目標(biāo)是為大型語言模型LLM提供外部、最新且可靠的上下文知識(shí)。避免幻覺通過提供事實(shí)證據(jù)檢索有助于約束LLM的生成范圍防止模型“幻想”出不存在的事實(shí)。支持可追溯性檢索返回的文檔片段可以作為答案的證據(jù)來源增強(qiáng)了最終輸出的可信度和透明度。檢索的數(shù)據(jù)來源1. 非結(jié)構(gòu)化數(shù)據(jù) (Unstructured Data)這是RAG最常見且最基礎(chǔ)的知識(shí)來源即傳統(tǒng)的文本文檔。特點(diǎn)數(shù)據(jù)形式自由、信息豐富但缺乏明確的邏輯結(jié)構(gòu)。例子純文本文檔、網(wǎng)頁、Markdown文件、PDF內(nèi)容、代碼片段等。處理方式通常需要經(jīng)過分塊Chunking和密集向量嵌入Dense Vector Embedding處理后存儲(chǔ)在向量數(shù)據(jù)庫中。2. 半結(jié)構(gòu)化數(shù)據(jù)Semi-structured Data在數(shù)據(jù)管理領(lǐng)域半結(jié)構(gòu)化數(shù)據(jù)介于完全非結(jié)構(gòu)化數(shù)據(jù)如純文本和嚴(yán)格的結(jié)構(gòu)化數(shù)據(jù)如關(guān)系型數(shù)據(jù)庫之間。特點(diǎn)它不符合嚴(yán)格的關(guān)系模型但包含標(biāo)簽Tags**或其他標(biāo)記用于組織和表示數(shù)據(jù)中的語義元素使其具有一定的層次和結(jié)構(gòu)。例子JSON、XML、HTML文檔以及表格Tables數(shù)據(jù)表格有結(jié)構(gòu)但內(nèi)容本身是非結(jié)構(gòu)化文本。常見的半結(jié)構(gòu)化數(shù)據(jù)表格數(shù)據(jù) (Tables)表格是RAG中常見的一種半結(jié)構(gòu)化數(shù)據(jù)它包含行和列的結(jié)構(gòu)信息但單元格中的內(nèi)容可以是文本。表格理解RAG系統(tǒng)需要理解表格的結(jié)構(gòu)如列標(biāo)題、行關(guān)系而不僅僅是將其視為純文本。查詢轉(zhuǎn)換需要將用戶的自然語言查詢轉(zhuǎn)化為能夠查詢表格的結(jié)構(gòu)化查詢?nèi)缡褂肨able-to-Text或Table-to-Code技術(shù)或者通過特定的嵌入模型來捕捉表格的結(jié)構(gòu)信息。重要性表格數(shù)據(jù)通常包含高度精確的事實(shí)、數(shù)字和關(guān)鍵對比信息例如產(chǎn)品規(guī)格、財(cái)報(bào)數(shù)據(jù)這對于需要精確事實(shí)的RAG任務(wù)至關(guān)重要。處理挑戰(zhàn)元數(shù)據(jù)增強(qiáng) (Metadata Augmentation)在更廣泛的意義上半結(jié)構(gòu)化數(shù)據(jù)的概念也被用于增強(qiáng)非結(jié)構(gòu)化數(shù)據(jù)的檢索文檔元數(shù)據(jù)在索引純文本文檔時(shí)可以附加半結(jié)構(gòu)化的元數(shù)據(jù)如{作者: 張三, 日期: 2024-01-01}。用途RAG可以利用這些元數(shù)據(jù)進(jìn)行過濾和精確定位例如“只檢索張三在 2024 年發(fā)表的文檔”而不是僅依賴向量相似性這提高了檢索的效率和精確度。3. 結(jié)構(gòu)化數(shù)據(jù) (Structured Data)結(jié)構(gòu)化數(shù)據(jù)為RAG提供了精確的事實(shí)和可追溯的邏輯但需要復(fù)雜的查詢轉(zhuǎn)換。知識(shí)圖譜 (Knowledge Graph, KG)特點(diǎn)將實(shí)體及其關(guān)系組織成圖結(jié)構(gòu)。適用于需要復(fù)雜推理或多跳問答的場景。處理方式RAG系統(tǒng)如KG-RAG需要將用戶的自然語言查詢轉(zhuǎn)換為圖查詢語言如Cypher來提取精確的結(jié)構(gòu)化上下文。關(guān)系型數(shù)據(jù)庫 (Relational Databases)特點(diǎn)數(shù)據(jù)以表格形式存儲(chǔ)適用于查詢特定、最新的、數(shù)字化的記錄。處理方式RAG 需要使用Text-to-SQL或類似的工具將用戶查詢轉(zhuǎn)換為SQL語句來查詢數(shù)據(jù)。4. 混合與跨模態(tài)數(shù)據(jù) (Hybrid and Multi-Modal Data)這是RAG擴(kuò)展其能力的最新方向突破了純文本的限制?；旌现R(shí)庫 (Hybrid Knowledge Base)特點(diǎn)同時(shí)存儲(chǔ)和檢索非結(jié)構(gòu)化文本和結(jié)構(gòu)化數(shù)據(jù)如知識(shí)圖譜或表格結(jié)合兩者的優(yōu)勢。目的既能利用向量檢索的語義能力又能利用結(jié)構(gòu)化數(shù)據(jù)的精確事實(shí)?？缒B(tài)數(shù)據(jù) (Multi-Modal Data)特點(diǎn)知識(shí)庫中包含圖像、視頻、音頻等非文本信息。處理方式需要使用多模態(tài)嵌入模型將不同類型的數(shù)據(jù)如圖片和文本描述映射到統(tǒng)一的潛在空間中以便進(jìn)行統(tǒng)一檢索。檢索階段的關(guān)鍵技術(shù)1. 索引優(yōu)化 (Indexing Optimization)在進(jìn)行實(shí)際檢索之前必須對外部知識(shí)庫進(jìn)行結(jié)構(gòu)化處理這包括文檔分塊Chunking將原始文檔分割成適合檢索和作為上下文的小片段。嵌入Embedding使用嵌入模型將文本轉(zhuǎn)換為向量潛在表示以便進(jìn)行相似性搜索。知識(shí)圖譜Knowledge Graph對于復(fù)雜的推理任務(wù)檢索可以從知識(shí)圖譜中提取結(jié)構(gòu)化的實(shí)體和關(guān)系而不是純文本。元數(shù)據(jù)附加Metadata Attachments:在對知識(shí)庫文檔進(jìn)行索引Indexing時(shí)將關(guān)于該文檔的非文本描述信息即元數(shù)據(jù)與其對應(yīng)的文本塊Chunk一起存儲(chǔ)和利用的過程。簡單來說就是給每個(gè)可以檢索的文本片段貼上“標(biāo)簽”或“背景信息”分層的索引結(jié)構(gòu)旨在通過在不同粒度級(jí)別上組織文檔信息來提高檢索的效率和精確度。簡單來說它模仿了人類閱讀和理解文檔的方式先看大綱摘要再深入細(xì)節(jié)具體段落。元數(shù)據(jù)附加作用輔助檢索和過濾:精確過濾檢索器可以根據(jù)用戶查詢中的特定要求利用元數(shù)據(jù)進(jìn)行預(yù)過濾或后過濾。(示例如果用戶問“請找出李四在2023年發(fā)表的關(guān)于RAG的文檔”系統(tǒng)可以先通過元數(shù)據(jù)過濾器篩選出所有“作者”為“李四”且“日期”為“2023年”的文檔塊然后再進(jìn)行向量相似性搜索。)提高召回率元數(shù)據(jù)可以提供上下文信息即使文檔塊的文本內(nèi)容與查詢的語義距離稍遠(yuǎn)但如果元數(shù)據(jù)匹配也應(yīng)該被召回。增強(qiáng)生成上下文 (Context Enrichment)在最終將文檔塊傳遞給LLM之前元數(shù)據(jù)可以作為額外的上下文信息幫助LLM更好地理解文檔的來源和背景。示例LLM 收到一個(gè)句子“這個(gè)提案被駁回了?！?如果同時(shí)附帶元數(shù)據(jù){來源: 高層會(huì)議紀(jì)要, 日期: 2024-05-01}LLM就能更準(zhǔn)確地判斷這個(gè)信息的可靠性和時(shí)效性。常見的元數(shù)據(jù)類型出處信息文件名、URL、作者、部門。時(shí)效信息創(chuàng)建日期、最近修改日期、發(fā)布年份。結(jié)構(gòu)信息文檔類型例如報(bào)告、合同、郵件、所屬章節(jié)標(biāo)題。分層的索引結(jié)構(gòu)作用克服長文檔挑戰(zhàn)對于非常長的文檔傳統(tǒng)的固定分塊方法會(huì)導(dǎo)致上下文丟失或分塊攜帶的信息太少。分層索引結(jié)構(gòu)能夠提供全局上下文幫助檢索器更好地理解細(xì)小片段的意義。提高檢索效率通過兩階段或多階段的檢索策略先粗略定位后精確查找減少了不必要的計(jì)算量。實(shí)現(xiàn)方式摘要層/大塊層 (Summary/Coarse Granularity)內(nèi)容將整個(gè)文檔或文檔的邏輯大塊例如一個(gè)章節(jié)、一個(gè)段落組創(chuàng)建摘要Summary或概括性描述。目的用于初步篩選和路由。當(dāng)用戶查詢到來時(shí)系統(tǒng)首先搜索這些高級(jí)別的摘要以快速確定哪些文檔或哪些大塊與查詢的主題相關(guān)。優(yōu)勢避免了在整個(gè)知識(shí)庫的每一個(gè)細(xì)小片段上進(jìn)行昂貴且低效的搜索。細(xì)節(jié)層/小塊層 (Detail/Fine Granularity)內(nèi)容傳統(tǒng)的、細(xì)粒度的文檔塊Chunks通常包含具體的細(xì)節(jié)和事實(shí)。目的用于精確檢索。一旦在摘要層確定了相關(guān)的文檔大塊系統(tǒng)會(huì)聚焦于該大塊內(nèi)部的細(xì)粒度向量進(jìn)行第二次、更精確的檢索。優(yōu)勢確保檢索到的上下文包含回答問題所需的確切細(xì)節(jié)提高了精確度Precision。2. 檢索模型 (Retrieval Model)決定如何計(jì)算查詢與文檔之間的相關(guān)性常見的方法有稀疏檢索Sparse Retrieval基于關(guān)鍵詞匹配的傳統(tǒng)方法如BM25。密集檢索Dense Retrieval基于向量相似度的語義匹配方法是現(xiàn)代RAG的主流?；旌蠙z索Hybrid Retrieval結(jié)合稀疏和密集方法的優(yōu)點(diǎn)提高召回率。3. 查詢處理 (Query Processing)為了讓檢索更有效查詢本身需要被優(yōu)化這在高級(jí)RAG和模塊化RAG中尤為重要查詢重寫Query Rewrite優(yōu)化查詢的表達(dá)形式使其更精確。查詢擴(kuò)展Query Expansion查詢擴(kuò)展是指在執(zhí)行實(shí)際檢索之前通過向原始用戶查詢中添加新的術(shù)語、同義詞或相關(guān)概念來修改或增強(qiáng)查詢的過程查詢路由Query Routing查詢路由是一種在RAG流程的最前端執(zhí)行的決策機(jī)制。它負(fù)責(zé)根據(jù)用戶查詢的內(nèi)容、意圖或類型將該請求導(dǎo)向最合適的處理路徑、知識(shí)源或工具。Query Rewrite目標(biāo)解決上下文依賴和模糊性問題。機(jī)制使用 LLM 或其他模型基于對話歷史或?qū)υ疾樵兊姆治鰧⑵滢D(zhuǎn)換為一個(gè)獨(dú)立、清晰的、適合搜索的查詢語句。示例將“它是什么時(shí)候生效的”重寫為“巴黎氣候協(xié)議什么時(shí)候生效的”Query Expansion核心目標(biāo)提高召回率Recall。它旨在擴(kuò)大檢索范圍確保即使文檔中使用了與用戶查詢不同的詞匯只要語義相關(guān)也能被有效地檢索到。為什么需要查詢擴(kuò)展查詢擴(kuò)展主要解決了RAG檢索中的兩個(gè)問題。詞匯鴻溝Lexical Gap用戶使用的詞匯可能與知識(shí)庫文檔中使用的詞匯不完全匹配。例如用戶查詢“LLM速度”而文檔使用“大型語言模型 推理延遲”。傳統(tǒng)的精確匹配會(huì)失敗。語義不完整性 用戶的查詢可能非常簡短或過于口語化不足以準(zhǔn)確表達(dá)其完整的語義需求導(dǎo)致檢索向量不夠精確。查詢擴(kuò)展的視線方式同義詞和相關(guān)術(shù)語添加使用領(lǐng)域特定的詞典、本體論或預(yù)訓(xùn)練模型如 WordNet來識(shí)別查詢中的核心詞匯的同義詞或強(qiáng)相關(guān)術(shù)語并將它們添加到原始查詢中。反問/多視角生成Multi-Query使用LLM根據(jù)用戶的原始查詢生成多個(gè)新的、不同的查詢版本或視角。確保檢索器能夠從多個(gè)語義角度查找文檔提高覆蓋率。假設(shè)文檔嵌入HyDELLM首先根據(jù)查詢生成一個(gè)“假設(shè)文檔”或“假設(shè)答案”這個(gè)假設(shè)文檔比原始查詢更長、更具描述性。系統(tǒng)不對原始查詢進(jìn)行嵌入而是對假設(shè)文檔進(jìn)行嵌入并檢索。由于假設(shè)文檔的語義向量更接近真實(shí)的文檔塊這極大地提高了語義匹配的準(zhǔn)確性。子查詢Sub-Query將一個(gè)復(fù)雜的、需要多步才能回答的查詢分解成一系列更簡單、更具體的子查詢以支持多步推理。上下文向量表示CoVeCoVe是一種編碼技術(shù)旨在生成更具上下文感知能力的詞向量或句子向量。雖然CoVe本身是一個(gè)更早期的NLP模型概念但在 RAG的語境中它代表了對嵌入模型Embedding Model的性能要求和優(yōu)化。Query Routing核心目的和價(jià)值提高效率Efficiency避免對所有查詢都執(zhí)行耗時(shí)且不必要的RAG檢索。如果查詢只需調(diào)用一個(gè)簡單的API或LLM的內(nèi)部知識(shí)就能回答則無需啟動(dòng)整個(gè)檢索流程。增強(qiáng)通用性Versatility允許RAG系統(tǒng)連接到多種異構(gòu)的知識(shí)源和工具。一個(gè)查詢可以被路由到內(nèi)部向量數(shù)據(jù)庫(用于知識(shí)問答)。外部搜索引擎/API(用于實(shí)時(shí)信息或工具調(diào)用)。知識(shí)圖譜(用于復(fù)雜的關(guān)系推理)。代碼解釋器(用于計(jì)算任務(wù))。實(shí)現(xiàn)機(jī)制意圖識(shí)別使用一個(gè)分類模型可以是經(jīng)過微調(diào)的小型模型或一個(gè)強(qiáng)大的LLM來分析查詢判斷其屬于哪個(gè)預(yù)定義的類別例如事實(shí)查詢、計(jì)算查詢、意圖模糊、閑聊。路徑?jīng)Q策根據(jù)識(shí)別出的類別系統(tǒng)做出決策如果意圖是“事實(shí)查詢”路由到RAG檢索模塊。如果意圖是“計(jì)算”路由到Code Interpreter或外部計(jì)算 API。如果意圖是“閑聊”或“創(chuàng)意寫作”路由到僅生成LLM Generate Only模塊跳過檢索。6、Generation生成組件的核心是LLM其任務(wù)是基于用戶查詢和檢索到的上下文信息來合成最終的、流暢的、事實(shí)準(zhǔn)確的回答。生成組件的角色和目標(biāo)方面描述核心模型大型語言模型LLMs如 GPT 系列、Llama 系列等。輸入增強(qiáng)后的提示Augmented Prompt包括用戶原始查詢和檢索器返回的相關(guān)上下文context。輸出針對用戶查詢的最終、連貫、且基于事實(shí)的響應(yīng)。主要目標(biāo)確保生成內(nèi)容既忠實(shí)于檢索到的上下文減少幻覺又具備LLM的強(qiáng)大自然語言生成能力流暢、自然。生成技術(shù)的分類如何使用上下文離散檢索與生成 (Discrete Retrieval and Generation)這種方法側(cè)重于在檢索和生成兩個(gè)獨(dú)立階段之間進(jìn)行優(yōu)化以確保 LLM 能夠更好地利用檢索到的信息。提示工程 (Prompting)這是最常用和最簡單的方法直接將檢索到的文檔片段插入到LLM的輸入提示中指導(dǎo)LLM使用這些信息來生成答案。上下文優(yōu)化Context Optimization在將檢索到的文本送入LLM之前進(jìn)行優(yōu)化處理例如壓縮 (Compression)只保留最相關(guān)或最重要的信息以減少輸入長度減輕LLM的處理負(fù)擔(dān)。重新排名 (Re-ranking)使用一個(gè)額外的模型如 Re-ranker對檢索器返回的文檔片段進(jìn)行更精確的二次排序確保最相關(guān)的內(nèi)容排在前面。聯(lián)合訓(xùn)練的生成器 (Jointly Trained Generator)這種方法試圖將檢索和生成步驟整合通過端到端訓(xùn)練來優(yōu)化LLM對檢索結(jié)果的利用效率。RAG模型的原始設(shè)計(jì)在RAG的最初論文中生成器和檢索器是聯(lián)合訓(xùn)練的。在訓(xùn)練過程中模型不是簡單地將上下文作為輸入而是學(xué)習(xí)如何概率性地根據(jù)檢索到的文檔片段來預(yù)測下一個(gè)詞。RAG-Sequence使用同一個(gè)檢索到的文檔來預(yù)測整個(gè)目標(biāo)序列。RAG-Token允許模型在生成序列中的每個(gè)詞時(shí)根據(jù)不同的檢索文檔片段來計(jì)算概率。生成組件的挑戰(zhàn)在RAG系統(tǒng)中生成組件面臨的主要挑戰(zhàn)是如何有效且可靠地整合檢索到的外部信息。挑戰(zhàn)解決方案/關(guān)注點(diǎn)上下文利用不足 (Context Negligence)LLM可能會(huì)過度依賴其內(nèi)部參數(shù)知識(shí)而忽略檢索到的新信息。解決方案包括使用更優(yōu)化的提示如 Chain-of-Thought, CoT、在提示中明確指示模型必須引用來源。上下文冗余或噪音 (Redundancy/Noise)檢索到的上下文可能包含不相關(guān)或干擾信息導(dǎo)致LLM分心或被誤導(dǎo)。解決方案是采用精細(xì)分塊、上下文壓縮和多階段檢索來確保輸入到 LLM 的上下文是簡潔且高質(zhì)量的。生成效率 (Efficiency)每次檢索并向LLM傳遞大量上下文會(huì)增加推理成本和延遲。優(yōu)化的方法包括使用更小的、專門的LLM而不是最大的基礎(chǔ)模型作為生成器以及高效的上下文管理。7、Augmentation增強(qiáng)Augmentation階段是鏈接檢索Retrieval和生成Generation階段得橋梁。迭代式 (ITERATIVE)核心理念提供更多上下文信息這種模式通過多次循環(huán)來改進(jìn)生成結(jié)果每次迭代都可能檢索到新的信息。流程查詢 (Query)輸入。檢索 (Retrieve)相關(guān)的上下文信息。生成 (Generate)初步的響應(yīng)。判斷/評估 (Judge)生成的響應(yīng)是否滿足要求。如果未滿足并且未達(dá)到最大次數(shù) (Max Times / Threshold)則回到檢索步驟迭代N次 (Iterate N Times)嘗試獲取更多上下文。如果滿足或達(dá)到最大次數(shù)則輸出響應(yīng) (Response)。一個(gè)詳細(xì)示例場景撰寫一篇關(guān)于氣候變化影響的深度報(bào)告核心目標(biāo)確保生成的報(bào)告涵蓋盡可能全面的事實(shí)和數(shù)據(jù)。步驟動(dòng)作描述查詢 (Query)撰寫一份關(guān)于氣候變化對全球農(nóng)業(yè)影響的報(bào)告。初始任務(wù)。檢索 (Retrieve) 1檢索“氣候變化對主要糧食作物的影響”。獲得第一批信息例如小麥減產(chǎn)數(shù)據(jù)。生成 (Generate) 1生成報(bào)告的第一段關(guān)于氣候影響的介紹和對小麥的初步分析。初步輸出。判斷 (Judge) 1未達(dá)到閾值。報(bào)告深度不足只談了小麥。流程判斷需要更多信息。檢索 (Retrieve) 2再次檢索“氣候變化對漁業(yè)和畜牧業(yè)的影響”。補(bǔ)充第二批信息。生成 (Generate) 2更新報(bào)告加入漁業(yè)和畜牧業(yè)的影響分析。改進(jìn)后的輸出。判斷 (Judge) 2未達(dá)到閾值。未達(dá)到預(yù)設(shè)的迭代次數(shù)。流程繼續(xù)。檢索 (Retrieve) 3再次檢索“適應(yīng)策略和緩解措施”。補(bǔ)充第三批信息。生成 (Generate) 3完成報(bào)告加入適應(yīng)策略的章節(jié)。最終輸出。響應(yīng) (Response)完整、深入的報(bào)告。特點(diǎn)通過預(yù)設(shè)的循環(huán)次數(shù)不斷補(bǔ)充上下文來增強(qiáng)最終結(jié)果。遞歸式 (RECURSIVE)核心理念逐步分解復(fù)雜問題這種模式適用于復(fù)雜問題通過將原始查詢分解成子查詢或轉(zhuǎn)換查詢并對每個(gè)子問題應(yīng)用檢索-生成流程直到解決。流程查詢 (Query)輸入。檢索 (Retrieve)初始信息。生成 (Generate)初步結(jié)果。查詢轉(zhuǎn)換/分解 (Query Transformation / Decomposition)根據(jù)生成的結(jié)果或當(dāng)前狀態(tài)將原始查詢轉(zhuǎn)換成新的查詢或分解成更小的子查詢。將新的查詢/子查詢送回檢索步驟形成一個(gè)循環(huán)。判斷/評估 (Judge)在每次生成后進(jìn)行評估。如果未滿足并且未達(dá)到最大深度/閾值 (Max Depth (Tree) / Threshold)則繼續(xù)通過查詢轉(zhuǎn)換/分解進(jìn)行下一層遞歸。如果滿足或達(dá)到最大深度則輸出**響應(yīng) (Response)**。一個(gè)詳細(xì)示例場景解決一個(gè)復(fù)雜的數(shù)學(xué)物理問題核心目標(biāo)將一個(gè)大問題分解為可解決的子問題逐一擊破。步驟動(dòng)作描述查詢 (Query)計(jì)算一個(gè)帶電粒子在非均勻磁場中運(yùn)動(dòng)的最終速度。初始復(fù)雜問題。檢索 (Retrieve) 1檢索“帶電粒子在磁場中的洛倫茲力公式”。獲取初始物理定律。生成 (Generate) 1確定需要用到洛倫茲力和牛頓第二定律。初步分析。查詢轉(zhuǎn)換/分解產(chǎn)生子查詢 A“如何表示非均勻磁場的數(shù)學(xué)模型”復(fù)雜問題分解為子問題A。[子問題 A 循環(huán)] 檢索 (Retrieve) A檢索“非均勻磁場的泰勒展開式”。獲取子問題A的解決方案。[子問題 A 循環(huán)] 生成 (Generate) A生成得到磁場的表達(dá)式。解決子問題A。判斷 (Judge) A未達(dá)到最大深度。仍需解決最終速度問題?；氐街髁鞒獭２樵冝D(zhuǎn)換/分解產(chǎn)生子查詢 B“將代入運(yùn)動(dòng)微分方程并求解”。復(fù)雜問題分解為子問題B。[子問題 B 循環(huán)] …流程繼續(xù)直到求出最終速度。解決子問題B。響應(yīng) (Response)詳細(xì)的求解步驟和最終速度公式。特點(diǎn)通過分解問題并對每個(gè)子問題應(yīng)用檢索-生成解決原始的復(fù)雜查詢。自適應(yīng)式 (ADAPTIVE)核心理念靈活和主動(dòng)地控制檢索和生成這種模式結(jié)合了前兩者的特點(diǎn)并且在流程中加入了“按需檢索”和“特殊標(biāo)記生成”的機(jī)制實(shí)現(xiàn)了更精細(xì)的控制。流程查詢 (Query)輸入。判斷/評估 (Judge)立即判斷是否需要進(jìn)行檢索按需檢索 - Retrieve On Demand。如果需要進(jìn)行檢索 (Retrieve)。生成 (Generate)響應(yīng)。查詢轉(zhuǎn)換/分解 (Query Transformation / Decomposition)根據(jù)生成結(jié)果可以轉(zhuǎn)換或分解查詢送回檢索步驟。再次判斷/評估 (Judge)判斷最終響應(yīng)是否可以輸出。如果未滿足并且未達(dá)到閾值流程可以循環(huán)回最開始的判斷/評估步驟或檢索步驟。如果滿足或生成了特殊標(biāo)記/達(dá)到閾值 (Generate Special Token / Threshold)則輸出 響應(yīng) (Response)。一個(gè)詳細(xì)示例場景實(shí)時(shí)回答用戶關(guān)于一家新公司的提問核心目標(biāo)僅在必要時(shí)才進(jìn)行檢索節(jié)省計(jì)算資源并根據(jù)回答質(zhì)量動(dòng)態(tài)調(diào)整策略。步驟動(dòng)作描述查詢 (Query)“XYZ公司最近發(fā)布了什么新產(chǎn)品”用戶提問。判斷 (Judge) 1需要檢索 (Retrieve On Demand)。公司名是新的內(nèi)部知識(shí)庫信息可能不完整。流程決定需要外部信息。檢索 (Retrieve) 1檢索“XYZ公司最新新聞稿”。獲得信息發(fā)布了Quantum Chip。生成 (Generate) 1生成“XYZ公司最近發(fā)布了Quantum Chip?！背醪交卮?。判斷 (Judge) 2達(dá)到閾值。答案簡潔準(zhǔn)確無需繼續(xù)深入。流程決定結(jié)束。響應(yīng) (Response)“XYZ公司最近發(fā)布了Quantum Chip。”———另一個(gè)查詢 (Query)“什么是洛倫茲力”用戶提問一個(gè)常見知識(shí)。判斷 (Judge) 1不需要檢索 (No Retrieve)。內(nèi)部知識(shí)庫有高置信度定義。特點(diǎn)跳過檢索步驟直接進(jìn)入生成。生成 (Generate) 1生成洛倫茲力的標(biāo)準(zhǔn)定義。判斷 (Judge) 2達(dá)到閾值。答案質(zhì)量高。響應(yīng) (Response)洛倫茲力的標(biāo)準(zhǔn)定義。特點(diǎn)通過多階段判斷靈活地決定檢索的時(shí)機(jī)、次數(shù)和流程走向?？偨Y(jié)對比特點(diǎn)迭代式 (ITERATIVE)遞歸式 (RECURSIVE)自適應(yīng)式 (ADAPTIVE)目標(biāo)增加上下文改進(jìn)單次生成分解復(fù)雜任務(wù)靈活控制按需執(zhí)行主要機(jī)制固定次數(shù)的檢索-生成循環(huán)查詢轉(zhuǎn)換/分解多階段判斷、按需檢索結(jié)束條件達(dá)到最大循環(huán)次數(shù)達(dá)到最大遞歸深度生成特殊標(biāo)記或達(dá)到閾值適用場景事實(shí)性查證、信息補(bǔ)充復(fù)雜推理、多步驟規(guī)劃需要精細(xì)控制生成和檢索交互的場景8、評估評估的最終目標(biāo)是驗(yàn)證RAG流程的兩個(gè)核心組件的有效性。檢索質(zhì)量 (Retrieval Quality):關(guān)注點(diǎn)檢索器獲取上下文的有效性。相關(guān)質(zhì)量得分/能力上下文相關(guān)性、噪聲魯棒性。主要指標(biāo)命中率 (Hit Rate)**、平均倒數(shù)排名 (MRR)、**歸一化折扣累積增益 (NDCG)。生成質(zhì)量 (Generation Quality):關(guān)注點(diǎn)生成器利用上下文合成答案的能力。相關(guān)質(zhì)量得分/能力答案忠實(shí)性、答案相關(guān)性、否定拒絕、信息整合、反事實(shí)魯棒性。主要指標(biāo)取決于任務(wù)EM (精確匹配)、F1 Score、Accuracy (準(zhǔn)確率)、BLEU、ROUGE。當(dāng)代RAG模型檢索增強(qiáng)生成模型的評估實(shí)踐強(qiáng)調(diào)三項(xiàng)主要的質(zhì)量得分和四項(xiàng)基本能力它們共同指導(dǎo)著對RAG模型兩個(gè)主要目標(biāo)檢索和生成的評估。質(zhì)量得分 (Quality Scores)質(zhì)量得分包括上下文相關(guān)性Context Relevance、答案忠實(shí)性Answer Faithfulness和答案相關(guān)性Answer Relevance。這些質(zhì)量得分從信息檢索和生成過程的不同角度評估RAG模型的效率。上下文相關(guān)性Context Relevance評估檢索到的上下文的精確度和特異性確保其相關(guān)性并最大限度地減少處理無關(guān)內(nèi)容所產(chǎn)生的處理成本。答案忠實(shí)性Answer Faithfulness確保生成的答案忠實(shí)于檢索到的上下文保持一致性并避免矛盾。答案相關(guān)性Answer Relevance要求生成的答案直接與提出的問題相關(guān)有效地解決核心詢問。所需能力 (Required Abilities)RAG評估還涵蓋了四項(xiàng)能力它們表明了模型的適應(yīng)性和效率噪聲魯棒性Noise Robustness、否定拒絕Negative Rejection、信息整合Information Integration和反事實(shí)魯棒性Counterfactual Robustness。這些能力對于模型在各種挑戰(zhàn)和復(fù)雜場景下的表現(xiàn)至關(guān)重要并會(huì)影響其質(zhì)量得分。噪聲魯棒性 (Noise Robustness)評估模型處理與問題相關(guān)但缺乏實(shí)質(zhì)性信息的噪聲文檔的能力。否定拒絕 (Negative Rejection)評估模型的辨別力即當(dāng)檢索到的文檔不包含回答問題所需的知識(shí)時(shí)模型能夠避免做出響應(yīng)。信息整合 (Information Integration)評估模型從多個(gè)文檔中綜合信息以解決復(fù)雜問題的能力。反事實(shí)魯棒性 (Counterfactual Robustness)測試模型識(shí)別并忽略文檔中已知不準(zhǔn)確信息的能力即使在被告知可能存在錯(cuò)誤信息的情況下也是如此。評估基準(zhǔn)和工具 (Evaluation Benchmarks and Tools)諸如RGB、RECALL和CRUD等著名的基準(zhǔn)測試側(cè)重于評估RAG模型的基本能力即上文所述的四項(xiàng)能力。同時(shí)像RAGAS、ARES和TruLens等先進(jìn)的自動(dòng)化工具則利用大型語言模型LLMs來裁定評估質(zhì)量得分即上文所述的三項(xiàng)得分。?最后我在一線科技企業(yè)深耕十二載見證過太多因技術(shù)卡位而躍遷的案例。那些率先擁抱 AI 的同事早已在效率與薪資上形成代際優(yōu)勢我意識(shí)到有很多經(jīng)驗(yàn)和知識(shí)值得分享給大家也可以通過我們的能力和經(jīng)驗(yàn)解答大家在大模型的學(xué)習(xí)中的很多困惑。我整理出這套 AI 大模型突圍資料包?AI大模型學(xué)習(xí)路線圖?Agent行業(yè)報(bào)告?100集大模型視頻教程?大模型書籍PDF?DeepSeek教程?AI產(chǎn)品經(jīng)理入門資料完整的大模型學(xué)習(xí)和面試資料已經(jīng)上傳帶到CSDN的官方了有需要的朋友可以掃描下方二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】??為什么說現(xiàn)在普通人就業(yè)/升職加薪的首選是AI大模型人工智能技術(shù)的爆發(fā)式增長正以不可逆轉(zhuǎn)之勢重塑就業(yè)市場版圖。從DeepSeek等國產(chǎn)大模型引發(fā)的科技圈熱議到全國兩會(huì)關(guān)于AI產(chǎn)業(yè)發(fā)展的政策聚焦再到招聘會(huì)上排起的長隊(duì)AI的熱度已從技術(shù)領(lǐng)域滲透到就業(yè)市場的每一個(gè)角落。智聯(lián)招聘的最新數(shù)據(jù)給出了最直觀的印證2025年2月AI領(lǐng)域求職人數(shù)同比增幅突破200%遠(yuǎn)超其他行業(yè)平均水平整個(gè)人工智能行業(yè)的求職增速達(dá)到33.4%位居各行業(yè)榜首其中人工智能工程師崗位的求職熱度更是飆升69.6%。AI產(chǎn)業(yè)的快速擴(kuò)張也讓人才供需矛盾愈發(fā)突出。麥肯錫報(bào)告明確預(yù)測到2030年中國AI專業(yè)人才需求將達(dá)600萬人人才缺口可能高達(dá)400萬人這一缺口不僅存在于核心技術(shù)領(lǐng)域更蔓延至產(chǎn)業(yè)應(yīng)用的各個(gè)環(huán)節(jié)。??資料包有什么①從入門到精通的全套視頻教程⑤⑥包含提示詞工程、RAG、Agent等技術(shù)點(diǎn)② AI大模型學(xué)習(xí)路線圖還有視頻解說全過程AI大模型學(xué)習(xí)路線③學(xué)習(xí)電子書籍和技術(shù)文檔市面上的大模型書籍確實(shí)太多了這些是我精選出來的④各大廠大模型面試題目詳解⑤ 這些資料真的有用嗎?這份資料由我和魯為民博士共同整理魯為民博士先后獲得了北京清華大學(xué)學(xué)士和美國加州理工學(xué)院博士學(xué)位在包括IEEE Transactions等學(xué)術(shù)期刊和諸多國際會(huì)議上發(fā)表了超過50篇學(xué)術(shù)論文、取得了多項(xiàng)美國和中國發(fā)明專利同時(shí)還斬獲了吳文俊人工智能科學(xué)技術(shù)獎(jiǎng)。目前我正在和魯博士共同進(jìn)行人工智能的研究。所有的視頻教程由智泊AI老師錄制且資料與智泊AI共享相互補(bǔ)充。這份學(xué)習(xí)大禮包應(yīng)該算是現(xiàn)在最全面的大模型學(xué)習(xí)資料了。資料內(nèi)容涵蓋了從入門到進(jìn)階的各類視頻教程和實(shí)戰(zhàn)項(xiàng)目無論你是小白還是有些技術(shù)基礎(chǔ)的這份資料都絕對能幫助你提升薪資待遇轉(zhuǎn)行大模型崗位。智泊AI始終秉持著“讓每個(gè)人平等享受到優(yōu)質(zhì)教育資源”的育人理念?通過動(dòng)態(tài)追蹤大模型開發(fā)、數(shù)據(jù)標(biāo)注倫理等前沿技術(shù)趨勢?構(gòu)建起前沿課程智能實(shí)訓(xùn)精準(zhǔn)就業(yè)的高效培養(yǎng)體系。課堂上不光教理論還帶著學(xué)員做了十多個(gè)真實(shí)項(xiàng)目。學(xué)員要親自上手搞數(shù)據(jù)清洗、模型調(diào)優(yōu)這些硬核操作把課本知識(shí)變成真本事?????如果說你是以下人群中的其中一類都可以來智泊AI學(xué)習(xí)人工智能找到高薪工作一次小小的“投資”換來的是終身受益應(yīng)屆畢業(yè)生?無工作經(jīng)驗(yàn)但想要系統(tǒng)學(xué)習(xí)AI大模型技術(shù)期待通過實(shí)戰(zhàn)項(xiàng)目掌握核心技術(shù)。零基礎(chǔ)轉(zhuǎn)型?非技術(shù)背景但關(guān)注AI應(yīng)用場景計(jì)劃通過低代碼工具實(shí)現(xiàn)“AI行業(yè)”跨界?。業(yè)務(wù)賦能 ?突破瓶頸傳統(tǒng)開發(fā)者Java/前端等學(xué)習(xí)Transformer架構(gòu)與LangChain框架向AI全棧工程師轉(zhuǎn)型?。獲取方式有需要的小伙伴可以保存圖片到wx掃描二v碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】**?