茴香豆
https://www.bilibili.com/video/BV1QA4m1F7t4/?vd_source=902e3124d4683c41b103f1d1322401fa
一、笔记
RAG
RAG(Retrieval Augmented Generation)是一种结合了检索(Retrieval)和生成(Generation)的技术，旨在通过利用外部知识库来增强大预言模型的性能。它通过检索用户输入相关的信息片段，并结合这些信息来生成更准确、更丰富的回答。简而言之，RAG=搜索引擎+大模型
三种范式
Naive RAG→Advanced RAG→Modular RAG
优化方法
- 嵌入优化
- 索引优化
- 查询优化
- 上下文管理
- 检索优化：迭代检索、递归检索、自适应检索
- 大模型微调
RAG vs 微调
| RAG | 微调 | |
|---|---|---|
| 简介 | 非参数记忆；能够处理知识密集型任务；可以生成多样化内容 | 参数记忆；微调需要大量标注数据；可能存在过拟合 |
| 适用场景 | 适合信息更新较快的任务 | 适合高度专业化的任务 |
| 优势 | 动态知识更新，能处理长尾知识 | 可以针对特定任务优化 |
| 局限 | 依赖外部知识库的质量和大模型的能力 | 需要大量标注数据，不能很好适应新任务 |
大模型优化方法比较
- 微调(Fine-tuning)
- RAG
- 提示词工程(Prompt Engineering)
- 微调+RAG+提示词工程
茴香豆
茴香豆是一个基于LLMs的领域知识助手,俗称豆哥。可以用作智能客服，或在即时通讯工具(IM),如微信群中高效解答问题
系统组成
知识库+前端+后端大模型+豆哥
- 知识库：markdown、word、pdf、txt、ppt
- 前端应用：微信、飞书等
- 后端：本地大模型——书生浦语、通义千问；远程大模型api——chatgpt、chatglm等
- 豆哥：豆哥负责整合、打通工作流，形成智能领域的知识问答助手
豆哥的工作流程可以分为：预处理、拒答工作流和应答工作流
拒答工作流可以对提问进行打分，打分高的问题可以进入应答流进行回答。
二、基础作业
在 InternLM Studio 上部署茴香豆技术助手
（1）环境准备
从官方环境复制运行 InternLM 的基础环境
（2）安装茴香豆
（3）搭建RAG助手
增加茴香豆相关的问题到接受问题示例中
创建向量数据库
运行RAG知识助手
除了一个问题以外，其余两个都没有回答！！！
单独提问也无法正常回答：
)
