企业官网建设流程全解析

企业自有网站,淘宝官网首页登陆,iis8.5 wordpress,网站定制开发注意事项文章讲述了智能问答系统从纯RAG技术到结合Agent技术的优化过程。针对三个子场景中结构化和非结构化数据混合查询的问题#xff0c;作者最初按场景建立三个知识库#xff0c;但遇到召回率低、场景判断不准的困境。后改为从数据类型维度建立两个知识库#xff08;结构化和非结…文章讲述了智能问答系统从纯RAG技术到结合Agent技术的优化过程。针对三个子场景中结构化和非结构化数据混合查询的问题作者最初按场景建立三个知识库但遇到召回率低、场景判断不准的困境。后改为从数据类型维度建立两个知识库结构化和非结构化并实现条件查询和相似度查询两种工具。通过让模型根据查询需求选择合适工具并结合type字段判断场景成功解决了多场景混合数据查询难题技术实现更简单且效果显著提升。“大模型应用开发流程正确但结果不一定正确。”由于大模型技术的复杂性再加上不同业务场景的特殊需求导致大模型应用的开发难度很大但大模型应用开发最难的不是做出来而是要做好。这次还以作者手里的智能问答项目来说记录一下智能问答系统的踩坑记录从怎么都达不到想要的效果到能够很好的满足业务场景。从作者这些年的开发经验来看很多时候开发技术栈是有限的遇到问题更多的是思路问题而不是纯粹的技术问题。智能问答系统的优化方案在介绍解决方案之前先来再简单介绍一下项目背景。作者手里的这个项目是一个智能问答场景但根据业务类型又区分为三个不同的子场景并分别对应三种不同的知识问答。业务需求上要求这三个子场景使用同一个入口并最好能不需要人工区分场景(如三个子菜单或下拉框)能够让系统根据问题智能判断不同的场景并选择不同的文档。业务架构如下所示但这里有几个问题场景1和场景2除了知识文档不同其它的都很相似文档类型也都是wordpdf这种非结构化数据但场景3比较特殊它的主要功能是查数据而且文档类型是结构化非结构化数据。说到场景3可能有些人不是很理解这有什么特殊的地方下面我们就来解释一下场景3的特殊点。先说查数据在之前的文章中有提到过查数据这个问题在RAG增强检索中检索和增强是分开的并且没有限制检索的方式是相似度语义检索还是基于传统的数据库结构化检索。但在基于自然语言的对话中如果使用相似度语义检索很简单直接把问题和知识转换成向量然后进行相似度匹配就行了但如果要使用传统的条件筛选这就需要使用智能体(agent)技术了。所以这个就是基于语义检索的缺陷问题无法实现条件匹配而智能体可以让模型理解用户的问题然后生成查询条件调用接口或生成SQL进行条件检索。第二个问题是场景3的知识文档是结构化数据非结构化数据结构化数据需要使用条件筛选非结构化数据需要使用语义匹配这样才能达到最好的效果虽然理论上把结构化数据转换成markdown或html格式也可以实现相似度检索但这种方式在实操检验中效果并不好。所以说怎么用技术解决这个问题技术架构应该怎么做刚开始由于业务需求不明确也没现在这么复杂并且对业务和技术了解不深所以作者选择的是使用纯RAG技术解决来实现这个功能并且基础的技术架构是根据三个子场景创建三个不同的知识库也就是三张表(数据量不大也就几万条)。技术架构如下所示是通过把非结构化数据转换成markdown这种半结构化数据保存到向量库中而结构化数据采用markdown元数据的方式进行保存。但是经过实测发现这种效果很差用户那边一直反馈效果不理想甚至会胡编乱造而从技术的角度来看就是文档召回率和准确率都不足虽然使用了很多种召回优化的手段但都没有达到想要的效果特别是三个场景区分不清楚。这时作者区分三个子场景的实现原理是根据用户问题先去三个知识库中分别检索相关数据然后再重排序之后找到其中相关性最高的这个文档在哪个知识库就是那个子场景。但由于文档召回率和准确率不足导致场景判断也出现偏差。所以这时想的是既然纯RAG或者说相似度检索解决不了问题那么我们就用智能体去解决。但说起来简单但等到真正把技术和业务结合的时候才发现好像远远没有那么简单。首先的问题就是设计几个智能体从哪个维度设计智能体如果给每个场景都单独设计一个智能体那在不主动区分场景的情况下我怎么知道调用那个智能体呢如果从场景的维度的维度设计智能体那怎么解决相似度查询和条件查询的问题工具上怎么设计怎么实现怎么匹配这个问题大家可以先思考一下然后再看下面的解决方案。所以现在新的解决方案是什么样的呢解决方案首先作者刚开始就陷入了一个思维误区那就是知识库为什么要根据三个场景建立三个知识库不能从其它维度建立知识库吗既然三个场景无法区分并且知识文档分为结构化和非结构化文档并且只有第三种场景才有结构化文档那么我们就可以从结构化和非结构化的角度来建立知识库。因此作者就创建了两个知识库一个知识库用来保存第三种场景的结构化数据这样就可以完全使用条件查询或者组合条件(标量)查询和相似度查询而另外一个知识库专门用来保存非结构化文档并且使用type字段来区分三种不同的场景。这样业务逻辑就简单多了而且实现智能体时也简单多了只需要实现两个工具即可一个是条件查询工具另一个是相似度查询工具简单来说就是两个知识库各实现一个查询工具即可。然后在工具介绍中告诉模型需要查数据的使用条件查询工具需要匹配概念语义的使用相似度查询工具。这样在调用相似度查询工具时再根据工具的返回结果中的type字段来判断到底属于哪个子场景。如下图所示这样就完美解决了结构化文档和非结构化文档的混合查询问题以及不同场景的判断问题。最重要的是其在技术实现上也变得简单了好多。而且经过实际测试其效果远比之前的纯相似度检索效果要好上许多。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档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。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、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。6. 大模型面试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们将提供精心整理的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。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(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。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】