一、大模型开发范式

• LLM的局限性
  • 知识时效性受限：如何让LLM能够获取最新的知识
  • 专业能力有限：如何打造垂直领域大模型
  • 定制化成本高：如何打造个人专属的LLM应用
• 两种核心的大模型开发范式
  • RAG(检索增强生成）： 成本低、可以实时更新、受基座模型影响大、单次回答知识有限
  • Finetune（微调）：成本高、无法实时更新、可个性化微调、知识覆盖面广

二、LangChian介绍

• LangChain框架是一个开源工具，通过为各种LLM提供通用接口来简化应用程序的开发流程，帮助开发者自由构建LLM应用。
• LangChain的核心组成模块：
  • 链(Chains):将组件组合实现端到端应用，通过一个对象封装实现一系列LLM操作
  • 示例：检索问答链，覆盖实现了RAG(检索增强生成)的全部流程

三、构建向量数据库

1. 加载源文件：确定源文件类型（txt、markdown、pdf），针对不同类型源文件选用不同的加载器。

   • 核心在于将带格式文本转化为无格式字符串

2. 文档分块：由于单个文档往往超过模型上下文上限，通常需要对加载的文档进行切分。

   • 一般按字符串长度进行分割
   • 可以手动控制分割块的长度和重叠区间长度

3. 文档向量化：

   • 使用向量数据库来支持语义检索，需要将文档向量化存入向量数据库可以使用任一一种Embedding模型来进行向量化
   • 可以使用多种支持语义检索的向量数据库，一般使用轻量级的Chroma

四、搭建知识库助手

1. 将InternLM接入LangChain
   • LangChain支持自定义LLM，可以直接接入到框架中。
   • 只需将InternLM部署在本地，并封装一个自定义LLM类，调用本地InternLM即可。
2. 构建检索问答链
   • LangChain提供了检索问答链模版，可以自动实现知识检索、Prompt嵌入、LLM问答的全部流程
   • 将基于InternLM的自定义LLM和已构建的向量数据库接入到检索问答链的上游
   • 调用检索问答链，即可实现知识库助手的核心功能
3. RAG方案优化建议
   • 检索方面：
     • a) 基于语义进行分割，保证每一个chunk的语义完整;
     • b) 给每一个chunk生成概括性索引，检索时匹配索引。
   • Prompt方面：
     • 迭代优化Prompt策略

五、Web Demo部署

支持简易Web部署的框架有Gradio、Streamlit等。