AI基础知识扫盲

- AIGC
- Langchain--
- LangGraph | 新手入门
- RAG（Retrieval-Augmented Generation）检索增强生成
- fastGPT

AIGC

AIGC是一种新的人工智能技术，它的全称是Artificial Intelligence Generative Content，即人工智能生成内容。
AIGC的4个主要特征
现阶段国内AIGC多以单模型应用的形式出现，主要分为文本生成、图像生成、视频生成、音频生成，其中文本生成成为其他内容生成的基础。
、

Langchain–

-知乎讲解
LangChain是一个开源框架，允许从事人工智能的开发者将例如GPT-4的大语言模型与外部计算和数据来源结合起来。该框架目前以Python或JavaScript包的形式提供。

Agents 主要包含以下的主要能力：

内置 Tools
内置组件
自定义工具

在这里插入图片描述

LangGraph | 新手入门

细讲

LangGraph 是在 LangChain 基础上的一个库，是 LangChain 的 LangChain Expression Language （LCEL）的扩展。能够利用有向无环图的方式，去协调多个LLM或者状态，使用起来比 LCEL 会复杂，但是逻辑会更清晰。
相当于一种高级的LCEL语言，值得一试。
LangGraph 中最基础的类型是 StatefulGraph，这种图就会在每一个Node之间传递不同的状态信息。然后每一个节点会根据自己定义的逻辑去更新这个状态信息。具体来说，可以继承 TypeDict 这个类去定义状态，下图我们就定义了有四个变量的信息。

input:这是输入字符串，代表用户的主要请求。
chat_history: 这是之前的对话信息，也作为输入信息传入.
agent_outcome: 这是来自代理的响应，可以是 AgentAction，也可以是 AgentFinish。如果是 AgentFinish，AgentExecutor 就应该结束，否则就应该调用请求的工具。
intermediate_steps: 这是代理在一段时间内采取的行动和相应观察结果的列表。每次迭代都会更新。

定义图中的节点
在LangGraph中，节点一般是一个函数或者langchain中runnable的一种类。

我们这里定义两个节点，agent和tool节点，其中

agent节点就是决定执行什么样的行动，
tool节点就是当agent节点选择执行某个行动时，去调用相应的工具。

此外，还需要定义节点之间的连接，也就是边。
**条件判断的边：**定义图的走向，比如Agent要采取行动时，就需要接下来调用tools，如果Agent说当前的的任务已经完成了，则结束整个流程。

普通的边：调用工具后，始终需要返回到Agent，让Agent决定下一步的行动
定义图
然后，我们就可以定义整个图了。值得注意的是，条件判断的边和普通的边添加方式是不一样的。

RAG（Retrieval-Augmented Generation）检索增强生成

RAG详写
预训练+微调
在这里插入图片描述

在自然语言外理领域，大型语言模型依赖于提示词 (LLM)如GPT-3、BERT等已经取得了显著的进展，它们能够生成连贯、自然的文本，回答问题，并执行其他复杂的语言任务。然而，这些模型存在一些固有的局限性，如"模型幻觉问题”、“时效性问题”和“数据安全问题”。为了克服这些限制，检索增强生成(RAG)技术应运而生
RAG技术结合了大型语言模型的强大生成能力和检索系统的精确性。它允许模型在生成文本时，从外部知识库中检索相关信息，从而提高生成内容的准确性、相关性和时效性。这种方法不仅增强了模型的回答能力，还减少了生成错误信息的风险。

KBQA知识库问答

文本检索流程
步骤1（文本预处理）：对原始文本进行清理和规范化（去除停用词、标点符号）文本统一转为小写。接着，采用词干化或词形还原等技术，将单词转换为基本形式，
步骤2（文本索引）：构建倒排索引是文本检索的关键步骤。通过对文档集合进行分词，得到每个文档的词项列表，并为每个词项构建倒排列表，记录包含该词项的文档及其位置信息。这种结构使得在查询时能够快速找到包含查询词的文档，为后续的文本检索奠定了基础。
步骤3（文本检索）：接下来是查询处理阶段，用户查询经过预处理后，与建立的倒排索引进行匹配。计算查询中每个词项的权重，并利用检索算法（如TFIDF或BM25）对文档进行排序，将相关性较高的文档排在前面。