鄂州市住房和城乡建设部网站制作图片软件下载

鄂州市住房和城乡建设部网站,制作图片软件下载,赣州市微语网络科技有限公司,手机创建自己网站在 2024—2025 年的大模型应用浪潮中#xff0c;RAG#xff08;Retrieval-Augmented Generation#xff0c;检索增强生成#xff09;已经成为最主流、最有效的解决大模型“幻觉”和知识时效性问题的方案。它既不像微调那样昂贵#xff0c;也不像单纯 Prompt 那样无力应对私…在 2024—2025 年的大模型应用浪潮中RAGRetrieval-Augmented Generation检索增强生成已经成为最主流、最有效的解决大模型“幻觉”和知识时效性问题的方案。它既不像微调那样昂贵也不像单纯 Prompt 那样无力应对私有知识而是优雅地把“检索”和“生成”结合在一起让大模型真正拥有了“外脑”。这篇文章将用教科书式的语言从原理到实践带你从零搭建一套生产可用的 RAG 系统。我们不会堆砌过多碎片化的 bullet points而是像一章真正的教材一样循序渐进地讲清楚每一步为什么这么做、能解决什么问题并配上可直接运行的代码示例。一、RAG 到底在解决什么问题大语言模型LLM本质上是一个“预测下一个词”的统计机器。它的知识来源于训练数据存在三个致命缺陷知识有截止日期例如 GPT-4 训练数据截止到 2023 年 9 月无法精准记住长尾的、私有的、细节的知识容易自信地编造HallucinationRAG 的核心思想非常直白不要指望模型自己记住所有东西需要的时候去外部知识库里查。它在生成答案之前先根据用户问题检索出最相关的文档片段再把这些片段塞进 Prompt 里让模型基于真实材料来回答。一句话总结 RAG 的工作流程用户问题 → 检索相关文档 → 把文档塞进 Prompt → LLM 生成答案带着引用这就彻底把“模型记忆力”的问题转化成了“检索准确率”的工程问题。二、RAG 的经典三阶段架构一个成熟的 RAG 系统通常分为三个阶段索引阶段Indexing Pipeline—— 离线把你的知识文档切片、向量化、存入向量数据库检索阶段Retrieval—— 在线根据用户问题实时检索 Top-K 相关片段生成阶段Generation—— 把检索到的片段 问题交给 LLM生成最终答案下面我们从零开始一步步实现这三个阶段。三、准备工作环境与依赖pip install langchain langchain-community langchain-openai \ langchain-text-splitters langchain-chroma \ chromadb sentence-transformers pypdf2 tiktoken我们选择Embedding 模型BAAI/bge-large-zh-v1.5当前中文效果最强开源模型之一向量数据库Chroma轻量、本地、足够好用LLM可替换为 OpenAI、Claude、通义千问、DeepSeek 等四、第一步加载与切分文档Chunking这是 RAG 最被低估的环节。切得不好再好的向量模型也救不了你。from langchain_community.document_loaders import PyPDFLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitter# 1. 加载文档支持 PDF、TXT、MD、DOCX 等loader PyPDFLoader(我的公司内部知识库.pdf)docs loader.load()# 2. 切分——这是艺术text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个块目标 500 字符 chunk_overlap100, # 重叠 100 字符防止跨块断句 separators[\n\n, \n, 。, , , , ], keep_separatorTrue)chunks text_splitter.split_documents(docs)print(f总共切出 {len(chunks)} 个块)为什么用 RecursiveCharacterTextSplitter 它会按照段落 → 句子 → 词的顺序尝试切分最大程度保留语义完整性。chunk_size 建议 300–800 字符过大检索噪声多过小上下文不足。五、第二步向量化与索引Embedding Vector Storefrom langchain_community.embeddings import HuggingFaceBgeEmbeddingsfrom langchain_chroma import Chroma# 中文最强开源 embedding无需 OpenAI 密钥embedding_model HuggingFaceBgeEmbeddings( model_nameBAAI/bge-large-zh-v1.5, model_kwargs{device: cpu}, # 有 GPU 改成 cuda encode_kwargs{normalize_embeddings: True})# 创建向量数据库持久化到本地 ./chroma_dbvectorstore Chroma.from_documents( documentschunks, embeddingembedding_model, collection_namemy_rag_collection, persist_directory./chroma_db)print(索引构建完成)这一步完成后你就拥有了一个可查询的“外部大脑”。六、第三步检索器Retriever# 把向量库包装成检索器retriever vectorstore.as_retriever( search_typemmr, # 推荐使用 MMR既相关又多样 search_kwargs{k: 6, fetch_k: 20} # 先拿 20 篇再重排序)MMRMaximal Marginal Relevance是工业界标配它在保证相关性的同时避免返回高度重复的内容。七、第四步生成器Generation——带引文的 Prompt 模板from langchain_core.prompts import PromptTemplatefrom langchain_openai import ChatOpenAItemplate 你是一个严谨的助手。请根据以下上下文回答用户问题。如果上下文不足以回答请说“根据提供的资料无法回答”。上下文{context}问题{question}回答prompt PromptTemplate.from_template(template)llm ChatOpenAI(modelgpt-4o-mini, temperature0.3) # 温度低一点更严谨# 构建 RAG Chainfrom langchain_core.runnables import RunnablePassthroughfrom langchain_core.output_parsers import StrOutputParserdef format_docs(docs): return \n\n.join(f【引用{idx1}】{doc.page_content} for idx, doc in enumerate(docs))rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | prompt | llm | StrOutputParser())八、完整调用示例question 公司2025年的年会是在哪里举办的answer rag_chain.invoke(question)print(answer)输出示例根据提供的资料公司2025年年会定于三亚亚特兰蒂斯酒店举办时间为2025年2月8-10日。【引用1】…年会通知全文【引用2】…酒店确认邮件这样用户既拿到答案又能看到原始出处几乎杜绝了幻觉。九、高级技巧让你的 RAG 真正好用Hybrid Search混合检索向量检索擅长语义BM25 擅长关键词。把两者融合Chroma 已原生支持vectorstore Chroma.from_documents(..., collection_metadata{hnsw:space: cosine})retriever vectorstore.as_retriever(search_typesimilarity_score_threshold, search_kwargs{score_threshold: 0.2})重排序ReRank用跨编码器如 bge-reranker对 Top-20 再打分只留 Top-5准确率大幅提升。元数据过滤在文档切块时带上 source、date、department 等元数据检索时可过滤retriever vectorstore.as_retriever(search_kwargs{filter: {department: HR}})长上下文压缩如果检索出太多内容用 LLM 压缩上下文LangChain 有现成模块。写在最后RAG 不是一个花哨的学术名词而是当下最务实、最落地的让大模型真正“有用”的方案。从今天起你只需要把公司所有文档扔进一个文件夹运行上面几段代码接入你的企业微信/飞书/DingTalk一个永不胡说八道的智能知识库就诞生了。未来属于那些给模型装上“外脑”的人而不是单纯追求参数规模的人。动手吧RAG 时代已经来临。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”