企业官网建设流程全解析

新乡做网站报价,涵江网站建设,做网站的最佳方法,免费网站报价单怎么做大模型是如何工作的 近几十年来#xff0c;人工智能经历了从基础算法到生成式AI的深刻演变。生成式AI通过学习大量数据可以创造出全新的内容#xff0c;如文本、图像、音频和视频#xff0c;这极大地推动了AI技术的广泛应用。常见的应用场景包括智能问答#xff08;如DeepS…大模型是如何工作的近几十年来人工智能经历了从基础算法到生成式AI的深刻演变。生成式AI通过学习大量数据可以创造出全新的内容如文本、图像、音频和视频这极大地推动了AI技术的广泛应用。常见的应用场景包括智能问答如DeepSeek、GPT、创意作画如Stable Diffusion以及代码生成如通义灵码等涵盖了各个领域让AI触手可及。智能问答作为大模型最经典且广泛的应用之一是我们探索大模型工作机制的最佳范例。接下来将介绍大模型在问答场景中的工作流程帮助你更深入地理解其背后的技术原理。在这里插入图片描述大模型的工作流程大模型的问答过程可分为 5 个核心阶段以 “Python is a powerful” 生成完整句子为例阶段 1输入文本分词化Tokenization定义将自然语言文本分割为模型可处理的基本单元Token过程原始文本“Python is a powerful”分词结果[“Python”, “is”, “a”, “powerful”]不同模型的分词规则略有差异如 GPT 用 Byte Pair Encoding通义千问用自定义分词器Token ID 映射每个 Token 对应唯一数字 ID如 Python→54321is→6789阶段 2Token 向量化Embedding作用将离散的 Token 转换为连续的向量数字矩阵让计算机理解语义细节每个 Token 被映射为固定维度的向量如 GPT-3.5 为 1536 维GPT-4 为 4096 维向量值由模型训练过程学习语义相近的 Token 向量距离更近如 “猫” 和 “狗” 的向量距离小于 “猫” 和 “汽车”阶段 3大模型推理Inference核心任务基于输入向量计算下一个 Token 的概率分布过程模型通过注意力机制Attention捕捉 Token 间的语义关联如 “Python” 与 “programming language” 的关联性输出所有可能 Token 的概率如 “programming language” 概率 0.8“tool” 概率 0.1“script” 概率 0.05…阶段 4输出 TokenToken Selection过程根据 temperature/top_p 等参数从候选 Token 中选择下一个 Token示例基于参数选择 “programming language” 作为下一个 Token阶段 5循环生成与结束判断循环将新生成的 Token如 “programming language”加入输入重复阶段 3~4继续生成下一个 Token如 “used for data analysis”结束条件生成 “句子结束标记”如|endoftext|输出 Token 数量达到max_tokens阈值最终结果“Python is a powerful programming language used for data analysis.”参数说明temperature温度参数作用调整候选 Token 的概率分布控制回答的多样性取值范围0~2默认 1.0temperature0确定性最高仅选择概率最高的 Token适合事实性问答如 “Python 中 list 和 tuple 的区别”temperature0.7平衡随机性与准确性适合创意性任务如 “写一段产品宣传文案”temperature1.5随机性极高适合发散性思维如 “为科幻小说构思 3 个世界观设定”top_p核采样参数作用通过累计概率筛选候选 Token 集合控制采样范围取值范围0~1默认 1.0例如top_p0.9表示仅从概率累计达 90% 的 Token 中选择排除低概率 Token使用建议通常不与 temperature 同时调整二选一即可若需精准控制确定性用 temperature若需控制候选范围用 top_p2.2.3 top_k通义千问专属参数作用从概率排名前 k 的 Token 中随机选择控制候选数量取值范围1~100默认 40top_k1仅选择概率最高的 Token输出完全固定top_k50从 top50 的 Token 中选择兼顾多样性与准确性seed种子参数作用固定生成结果的 “初始条件”提升结果可重复性使用场景需多次生成相同 / 相似内容的场景如固定格式的报告生成注意即使设置相同 seed分布式计算、模型优化等因素仍可能导致结果微小差异无法 100% 完全一致假设在一个对话问答场景中用户提问为“在大模型课程中你可以学习什么”。为了模拟大模型生成内容的过程我们预设了一个候选Token集合这些Token分别为“RAG”、“提示词”、“模型”、“写作”、“画画”。大模型会从这5个候选Token中选择一个作为结果输出next-token如下所示。用户提问在大模型ACP课程中你可以学习什么 大模型回答RAG在这个过程中有两个重要参数会影响大模型的输出temperature 和 top_p它们用来控制大模型生成内容的随机性和多样性。 在大模型生成下一个词next-token之前它会先为候选Token计算一个初始概率分布。这个分布表示每个候选Token作为next-token的概率。temperature是一个调节器它通过改变候选Token的概率分布影响大模型的内容生成。通过调节这个参数你可以灵活地控制生成文本的多样性和创造性。image.png由上图可知温度从低到高0.1 - 0.7 - 1.2概率分布从陡峭趋于平滑候选Token“RAG”从出现的概率从0.8 - 0.6 - 0.3虽然依然是出现概率最高的但是已经和其它的候选Token概率接近了最终输出也会从相对固定到逐渐多样化。大模型的局限性与应对方案局限性 1输出随机性无法完全消除问题描述即使将 temperature 设为 0、top_p 设为 0.0001、seed 固定仍可能出现结果不一致。应对方案工程层面多次调用取交集如生成 3 次回答提取共同内容作为最终结果提示层面在 prompt 中加入 “输出需严格遵循事实不得添加无关内容” 等约束性描述局限性 2无法回答私域知识未训练过的内容问题场景如 “公司内部产品的技术参数”、“未公开的行业报告数据” 等大模型无法直接回答。应对方案两种路径路径 1不改变模型低成本快速实现方法采用 “提示工程 上下文注入”将私域知识作为参考信息传入 prompt示例defanswer_private_question(private_knowledge: str, user_question: str) - str: prompt f基于以下私域知识回答问题 {private_knowledge} 用户问题{user_question} 要求仅使用上述知识回答不添加外部信息若无法回答请说明。 return get_gpt_response(prompt) # 调用示例注入公司产品知识 product_knowledge 公司X的A产品采用32位MCU续航时间120小时支持蓝牙5.0 result answer_private_question(product_knowledge, A产品的续航时间是多少)路径 2改变模型高成本长期方案方法 1模型微调Fine-tuning用私域数据训练模型让模型 “记住” 特定知识适合数据量中等的场景如 1000~10 万条数据方法 2训练专属模型基于开源模型如 Llama 3、Qwen-7B用私域数据从头 / 增量训练适合数据量极大、对模型定制化要求高的场景大模型开发环境搭建与 API 配置核心开发环境要求编程语言推荐 Python 3.8生态完善OpenAI / 通义千问等 API 均提供官方 Python SDK依赖库openaiOpenAI 官方 SDK用于调用 GPT 系列模型python-dotenv安全管理环境变量避免 API Key 泄露requests若需自定义 API 请求用于发送 HTTP 请求streamlit/fastapi可选快速搭建大模型应用前端 / 后端API Key 安全管理关键操作错误做法直接硬编码 API Key因为这样很容易在分享代码时泄露密钥# 风险示例直接在代码中写入API Key分享代码时易泄露 import openai openai.api_key sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx# 高危操作正确做法通过环境变量加载创建.env 配置文件在项目根目录新建.env文件存储 API Key如下# .env文件内容添加到.gitignore禁止提交到代码仓库 OPENAI_API_KEYsk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx QWEN_API_KEYsk-yyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyy通过 python-dotenv 加载API Key示例# 安全加载API Key示例 import os from dotenv import load_dotenv import openai # 加载.env文件中的环境变量 load_dotenv() # 自动读取项目根目录的.env文件 # 从环境变量中获取API Key openai.api_key os.getenv(OPENAI_API_KEY) # 验证API Key是否加载成功 ifnot openai.api_key: raise ValueError(API Key加载失败请检查.env文件是否正确配置)大模型API 调用与参数优化基础 API 调用流程以 OpenAI GPT-3.5/4 为例非流式调用完整结果返回适用于对响应速度要求不高需获取完整回答的场景如文档生成、数据分析defget_gpt_response(prompt: str) - str: 非流式调用GPT-3.5获取完整回答 try: response openai.ChatCompletion.create( modelgpt-3.5-turbo, # 模型名称可选gpt-4 messages[ {role: system, content: 你是专业的技术助手回答需简洁准确}, {role: user, content: prompt} ], max_tokens1024, # 最大输出长度含输入tokens temperature0.7# 控制随机性0.7为平衡值 ) # 提取回答内容 return response.choices[0].message[content].strip() except Exception as e: returnfAPI调用失败{str(e)} # 调用示例 result get_gpt_response(请解释大模型的tokenization过程) print(result)流式调用实时返回结果适用于对话机器人、实时问答等场景提升用户体验避免长时间等待defstream_gpt_response(prompt: str): 流式调用GPT-3.5实时返回回答片段 response openai.ChatCompletion.create( modelgpt-3.5-turbo, messages[ {role: system, content: 你是实时对话助手逐句返回回答}, {role: user, content: prompt} ], streamTrue, # 开启流式输出 temperature0.5 ) # 逐段处理流式响应 full_response print(流式输出结果) for chunk in response: # 提取当前片段内容忽略空片段 chunk_content chunk.choices[0].delta.get(content, ) if chunk_content: print(chunk_content, end, flushTrue) # 实时打印 full_response chunk_content return full_response # 调用示例 stream_gpt_response(请分步说明大模型推理的核心步骤)实践案例快速搭建一个大模型对话助手基于 Streamlit 和 OpenAI API10 分钟实现一个 Web 版对话助手步骤 1安装依赖pip install streamlit openai python-dotenv步骤 2编写代码app.pyimport streamlit as st import openai import os from dotenv import load_dotenv # 加载API Key load_dotenv() openai.api_key os.getenv(OPENAI_API_KEY) # 页面配置 st.set_page_config(page_title大模型对话助手, page_icon) st.title( 大模型对话助手) # 初始化会话状态存储对话历史 ifmessagesnotin st.session_state: st.session_state.messages [ {role: system, content: 你是友好的对话助手回答简洁易懂} ] # 显示对话历史 for message in st.session_state.messages[1:]: # 跳过system消息 with st.chat_message(message[role]): st.markdown(message[content]) # 处理用户输入 if prompt : st.chat_input(请输入你的问题...): # 添加用户消息到会话状态 st.session_state.messages.append({role: user, content: prompt}) with st.chat_message(user): st.markdown(prompt) # 调用OpenAI API获取回答流式输出 with st.chat_message(assistant): response openai.ChatCompletion.create( modelgpt-3.5-turbo, messagesst.session_state.messages, streamTrue ) # 实时显示回答 full_response st.write_stream(response) # 添加助手消息到会话状态 st.session_state.messages.append({role: assistant, content: full_response})步骤 3运行应用streamlit run app.py运行后会自动打开浏览器输入问题即可与大模型对话支持流式实时输出六、提升应用稳定性与用户体验错误处理添加 API 调用超时、额度不足、网络异常等场景的捕获用 try-except 包裹 API 调用代码限流控制若面向多用户添加接口调用频率限制如每用户每分钟最多 10 次调用成本优化选择合适的模型如非关键场景用 GPT-3.5 替代 GPT-4降低 token 成本控制max_tokens避免生成过长内容根据需求设置合理阈值隐私保护若处理用户敏感数据需对输入内容进行脱敏如替换手机号、邮箱等信息普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发