企业官网建设流程全解析

漳州 网站建设公司哪家好,做企业公司网站,如何翻译wordpress主题,index 石家庄网站建设文章介绍了RAG#xff08;检索增强生成#xff09;技术的起源、架构优势及实践方法。RAG结合参数化记忆和非参数化记忆#xff0c;通过检索器和生成器两大组件提升模型在知识密集型任务上的表现。文章详细探讨了分块策略、向量搜索算法和重排技术等关键环节#xff0c;并使…文章介绍了RAG检索增强生成技术的起源、架构优势及实践方法。RAG结合参数化记忆和非参数化记忆通过检索器和生成器两大组件提升模型在知识密集型任务上的表现。文章详细探讨了分块策略、向量搜索算法和重排技术等关键环节并使用LangChain框架实现了一个完整的RAG示例从构建向量数据库到检索生成的全过程为读者提供了实用的技术指导。1、 RAG 起源RAG 全称为 retrieval-augmented generation这一框架最早由论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》[1]于2020年提出。该论文的核心观点是将参数化记忆一个预训练的序列到序列生成模型与非参数化记忆一个密集检索的外部知识库如维基百科相结合可以显著提升模型在知识密集型自然语言处理任务上的表现。RAG 由两大组件构成检索器基于一个预训练的神经检索模型论文中使用Dense Passage Retriever它负责根据输入的问题或上下文从一个大型文档索引如维基百科中检索出最相关的文本片段。生成器基于一个预训练的序列到序列模型论文中使用BART-large它负责融合检索到的文本片段和原始输入生成最终的答案或文本。RAG 的优势有三点可解释性与可验证性生成结果可以追溯到检索到的具体文档提供了“溯源”使决策过程更透明。知识可更新通过更新外部知识库非参数化记忆即可轻松让模型获取最新知识无需重新训练整个大模型。减少“幻觉”生成过程受到检索到的真实文本的约束能生成更具体、更多样、更符合事实的内容。2、 简单 RAG 架构基于嵌入检索的简单 RAG 架构为整体来看 RAG 架构有两个流水线离线的数据获取流水线也就是虚线部分在线的检索生成流水线也就是实线部分。从流程上来说很容易理解但是具体到各个环节都是挑战。2.1. 分块大小数据如何分块以多大的尺度分块这些都不是有明确答案的问题。采用较小的分块能在模型有限的上下文窗口中容纳更多文本片段为模型提供更广泛的信息来源有助于生成更全面的回答。但过小的分块可能导致关键信息割裂或丢失。若某个主题的完整信息被分割在多个分块中仅包含部分信息的分块可能因相关性不足而无法被有效检索导致关键信息未能得到充分利用。此外过小的分块还会显著增加计算和存储成本。分块数量越多需要生成、存储和检索的嵌入向量就越多这可能导致向量搜索空间膨胀进而影响查询速度。2.2. 检索策略向量搜索算法向量搜索通常被表述为最近邻搜索问题最朴素的算法是k近邻k‑NN但计算量大且速度慢仅适用于小型数据集。对于大型数据集向量搜索通常使用近似最近邻ANN。这个领域也是学术研究的热门主流的算法有•LSH局部敏感哈希一种通用算法适用于包括向量在内的多种数据。它将相似向量哈希至同一“桶”中以加速相似性搜索效率高但略微损失精度。faiss[2] 与 Annoy[3] 均支持该算法。•HNSW分层可导航小世界通过构建多层图来表示向量节点为向量边连接相似向量。检索时沿图结构进行最近邻搜索速度快且支持高效增量索引。faiss 和 Milvus[4] 等平台均提供其实现。•乘积量化将每个高维向量分解为若干子向量并进行压缩编码在低维表示下计算距离从而大幅提升检索效率。该方法是 FAISS 的核心组件也被多数主流向量检索库采用。•IVF倒排文件索引使用 K-means 聚类将相似向量组织到不同簇中通常每簇包含 100 至 10,000 个向量。查询时先定位与目标最接近的簇中心再在该簇内进行精确检索。IVF 常与乘积量化结合构成 faiss 的主要检索框架。•Annoy近似最近邻搜索库基于多棵随机二叉划分树实现。每棵树通过随机超平面将向量空间划分为两个子空间检索时遍历多棵树并汇集候选结果。重排除了算法创新之外在检索性能上还有很多工程优化。重排是一种能有效提升检索准确性的方法先通过成本较低但精度有限的检索器获取候选文档列表再利用精度更高但成本也更高的模型或机制对候选列表进行重排序筛选出最优候选。上下文检索Contextual Retrieval[5] 是由 Anthropic 提出的一种改进检索环节的方法其核心理念是通过为每个分块补充相关上下文信息提升该分块的可检索性。简而言之这是一种预处理技术但其效果显著——根据官方说法“该方法可将检索失败率降低 49%若结合重排序机制则能提升至 67%”。3、 极简示例虽然 RAG 流程很简单但是工程实践很复杂万事开头难在本文最后一部分笔者将使用 LangChain[6] 实现一个最简单的示例。3.1. 构建向量数据库LangChain 为文本数据抽象了一个类型Document支持 PDF、CSV、Web 等各种类型数据的导入。笔者以一本名为「Think.Distributed.Systems.2025.8.pdf」的PDF格式电子书为示例通过PyPDFLoader加载后可直接得到一个list[Document]对象。接下来就是分块了LangChain 也提供了很多封装好的实现这里笔者选择了RecursiveCharacterTextSplitter该分块器能够尽可能地将段落其次是句子最后是单词保持在一起因为这些单位通常在语义层面具有最紧密的关联性。splitterRecursiveCharacterTextSplitter(chunk_size1000,chunk_overlap200,length_functionlen,)chunkssplitter.split_documents(documents)设置分块大小为1000个字符块间重叠200个字符块间的重叠有助于在上下文被分割于不同块时减少信息丢失。需说明的是本文中所有参数数值的设置并非经过严谨调优主要基于官方文档的示例配置生成嵌入向量笔者选择了 Hugging Face 上知名的 SentenceTransformer[7] 框架和 all-MiniLM-L6-v2 模型生成嵌入向量。modelSentenceTransformer(./model/all-MiniLM-L6-v2)texts[chunk.page_contentforchunkinchunks]embeddingsmodel.encode(texts,show_progress_barTrue)存储嵌入向量向量的存储选择知名的 faiss。metadatas[{text:chunk.page_content}forchunkinchunks]dimembeddings.shape[1]indexfaiss.IndexFlatL2(dim)index.add(np.array(embeddings).astype(float32))faiss.write_index(index, faiss_path)pickle.dump(metadatas, f)此处的metadatas存储的是分块的原始文本内容这是因为向量索引(index)中仅存储嵌入向量当通过向量搜索获取到相似向量后需通过下标定位到对应的原始文本。3.2. 检索生成查询相似向量首先将 query 生成嵌入向量然后进行向量检索。query_embmodel.encode([query_text]).astype(float32)D, Iindex.search(query_emb, top_k)results[]foridx, distinzip(I[0], D[0]): metaself.metadata[idx]ifidxlen(self.metadata)elseNone results.append({index:idx,distance:dist,metadata:meta})向量搜索库 faiss 将会返回 top_k 相似的向量的下标 idx 和距离 dist。拼装提示词调用大模型queryWhat is the challenge of reaching agreement?combined_context\n\n.join([res[metadata][text]forresinresultsifres[metadata]])promptfUsing the following context:\n{combined_context}\n\nAnswer the question: {query}llmChatDeepSeek(api_keysk-xx,model_namedeepseek-chat)responsellm.invoke(prompt)4、 总结• RAG 从流程上来说很容易理解。• 使用 LangChain 可以很容易“组装”出 RAG 示例程序。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取