企业官网建设流程全解析

做系统和做网站哪个简单一些,wordpress家具主题,查询网站怎么做,网站建设基本流程价格大模型在训练时是包含了海量的建筑设计规范文件的#xff0c;但是它在回答建筑设计专业问题时仍然会出较多错误。我向网页版Deepseek问了两个问题#xff0c;它的回答都是错的#xff1a; 问#xff1a;无障碍厕所隔间的尺寸是多少#xff1f; Deepseek答#xff1a;依据…大模型在训练时是包含了海量的建筑设计规范文件的但是它在回答建筑设计专业问题时仍然会出较多错误。我向网页版Deepseek问了两个问题它的回答都是错的问无障碍厕所隔间的尺寸是多少Deepseek答依据《无障碍设计规范》GB50763-2012平面尺寸不应小于1.80m×1.50m规范要求实际在无障碍规范中无障碍厕所不应小于1.8m×1.0m在民用建筑统一标准中无障碍厕所隔间不应小于1.5m×2.0m隔间外开门时不应小于1.0m×1.8m。问单侧并列洗手盆或盥洗槽外沿至对面墙的净距不应小于多少居住建筑洗手盆外沿至对面墙的净距不应小于多少Deepseek答其外沿至对面墙或障碍物的净距不应小于1.20m居中建筑中不应小于0.7m规范要求单侧并列洗手盆或盥洗槽外沿至对面墙的净距不应小于1.25m居住建筑洗手盆外沿至对面墙的净距不应小于0.6m。通过以上两个问题反映了大模型在垂直领域中一些能力上的不足比如1信息陈旧与矛盾训练时用的规范并非最新版2缺乏深度结构化知识无法实现“章-节-条-款”定位3数据分布偏差冷门知识缺失例如网络上大家问的较多的规范问题大模型就能回答的相对准确4大模型本质是概率生成回答时候有一定概率产生幻觉因此垂直领域的知识库的搭建就显的非常必要了。Retrieval Augmented Generation中文翻译为检索增强生成是将信息检索与大模型生成结合的一种技术框架。模型生成答案时会被强制要求基于检索到的最新、最相关的知识库文档片段来组织语言而非依赖其内部可能过时或错误的信息从而极大地降低其幻觉的概率。实战解析第一步文档材料准备我们在实际工作中的规范文档材料多种多样有PDF、word等不同类型的文档。文档内容也并非全部都是有效信息因此需要对文档的内容进一步处理。本文选择将《民用建筑设计统一标准》GB 50352-2019这本建筑规范统一处理为markdown格式规范中的表格则统一处理为html格式方便文档切分及后续的文本向量转换。最终处理好的文件以TXT格式保存。文档清洗是非常重要的一步它将多余噪声清除将非文本格式的内容转化为嵌入模型可识别的格式为后续的工作打下一个坚实的基础。第二步设置API_KEY直接将模型的APIKEY设置为环境变量这样使用起来更方便如将代码公开APIKEY也不会暴露。在本文中文本向量化时使用的嵌入模型来自阿里百炼平台的text-embedding-v1在回答问题阶段则调用的是deepseekDASHSCOPE_API_KEY os.getenv(DASHSCOPE_API_KEY)DEEPSEEK_API_KEY os.getenv(DEEPSEEK_API_KEY)第三步文档向量化并构建可检索的知识库像上一篇文章一样同样是需要将文档做向量化的表达。这是将TXT变为大模型可理解格式的关键一步。我们采用分块策略将长文本切成有重叠的小段既保持上下文又方便精确检索。本文是按照标题的层级结构进行分块的这是针对规范类文档较为常用的一种分块策略能较好的保持文档的语义连贯。将分块的文本转换为向量之后再利用FAISS创建一个本地的向量数据库保存转换后的向量方便进行语义相似度的检索。def process_txt_file(file_path: str, save_path: str None) - FAISS: 从txt文件创建向量存储 # 读取txt文件 text Path(file_path).read_text(encodingutf-8) print(f已读取文件: {file_path}, 文本长度: {len(text)} 字符) # 创建文本分割器 text_splitter RecursiveCharacterTextSplitter( separators[\n#, \n##, \n###, \n\n, \n, 。], chunk_size300, chunk_overlap60, length_functionlen, ) # 分割文本 chunks text_splitter.split_text(text) print(f文本被分割成 {len(chunks)} 个块。) # 创建嵌入模型 embeddings DashScopeEmbeddings( modeltext-embedding-v1, dashscope_api_keyDASHSCOPE_API_KEY, ) # 创建知识库 knowledge_base FAISS.from_texts(chunks, embeddings) print(已从文本块创建知识库。) # 保存向量数据库 if save_path: os.makedirs(save_path, exist_okTrue) knowledge_base.save_local(save_path) print(f向量数据库已保存到: {save_path}) return knowledge_base第四步创建或加载向量数据库首次运行以下函数是调用嵌入模型将txt格式文件转换为向量格式并创建FAISS数据库。当本地已保存了相应向量数据库文件之后再次运行以下函数将加载已保存的向量数据库。def create_or_load_knowledge_base() - FAISS: 创建或加载向量数据库 # 文件路径和保存路径 txt_file_path ./民用建筑设计统一标准GB50352-2019.txt vector_store_path ./vector_store # 创建嵌入模型创建和加载都需要 embeddings DashScopeEmbeddings( modeltext-embedding-v1, dashscope_api_keyDASHSCOPE_API_KEY, ) # 检查向量数据库是否已存在 ifnot os.path.exists(vector_store_path): print(向量数据库不存在开始创建...) # 创建向量数据库 knowledge_base process_txt_file( file_pathtxt_file_path, save_pathvector_store_path ) print(向量数据库创建完成。) else: print(向量数据库已存在开始加载...) # 直接加载FAISS向量数据库 knowledge_base FAISS.load_local(vector_store_path, embeddings, allow_dangerous_deserializationTrue) print(f向量数据库已从 {vector_store_path} 加载。) print(向量数据库加载完成。) return knowledge_base第五步搭建智能问答知识库就绪后我们将其与大语言模型连接形成完整的问答流水线。当你向RAG系统提出了一个建筑设计规范问题系统会先检索知识库寻找语义最为相似的知识切片。然后系统会将系统提示词、找出的知识切片、你提出的问题整合在一起再喂给大模型。最后大模型接收以上所有信息之后再做出相应回答。if __name__ __main__: from langchain_openai import ChatOpenAI # 创建或加载知识库 knowledgeBase create_or_load_knowledge_base() # 初始化语言模型 llm ChatOpenAI( model_namedeepseek-chat, # 或 deepseek-coder 根据你的需求 openai_api_key DEEPSEEK_API_KEY, openai_api_basehttps://api.deepseek.com, # DeepSeek API地址 temperature0.1, max_tokens2048 ) SYSTEM_PROMPT 你是一个专业的建筑标准咨询助手专门回答关于《民用建筑设计统一标准GB50352-2019》的问题。 重要要求每次回答问题时必须在答案中标明答案所依据的具体条款或章节的标题号如4.5.2、3.1.1等。如果答案涉及多个条款需要分别注明每个条款的标题号。回答格式要求1. 先直接回答问题2. 然后标注标题号如依据标准第4.5.2条...请确保答案准确、专业并严格依据提供的文本内容。 # 设置查询问题 query 单侧并列洗手盆或盥洗槽外沿至对面墙的净距不应小于多少 if query: # 执行相似度搜索找到与查询相关的文档 docs knowledgeBase.similarity_search(query, k10) # 构建上下文 context \n\n.join([doc.page_content for doc in docs]) # 构建提示 prompt f{SYSTEM_PROMPT} 根据以下上下文回答问题: {context} 问题: {query} 请按照要求的格式回答 # 直接调用 LLM response llm.invoke(prompt) answer response.content print(回答:) print(answer) print(f模型名称: {llm.model_name})尝试向系统提问本文最开始提到的问题单侧并列洗手盆或盥洗槽外沿至对面墙的净距不应小于多少可以看到deepseek给出了准确的回答并给出条款的标题号。条款的标题号属于知识切片元数据的一种本文可采用提示词的方式附在答案之后是因为本文所使用的txt格式的规范文件已经转换为结构清晰的文件并且在文档切片时也采用了以文章结构为主的切片策略。结语借助LangChain和RAG我们将专业知识的获取方式从“手动翻阅”升级为“智能对话”。建筑师在大多数场景下并不能清晰的了解自己所需要查询的规范内容尤其对于工作经验不足的新人。但是他们可以提供具体的设计场景让大模型理解具体使用环境进一步帮助我们去翻阅资料。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”