企业官网建设流程全解析

网站制作制作公司,国企建筑公司有哪些,网页版梦幻西游探案寻奇攻略,上海注销营业执照流程上次我微调 0.5B 模型的时候#xff0c;也发现了#xff0c;一些“事实”#xff0c;例如“免费额度 15GB”大模型学习不进去#xff0c;总是回答“10GB”#xff0c;要反复微调才能够答到“15GB”。而这种问题#xff0c;除了从微调入手#xff0c;最好的做法是用 RAG也发现了一些“事实”例如“免费额度 15GB”大模型学习不进去总是回答“10GB”要反复微调才能够答到“15GB”。而这种问题除了从微调入手最好的做法是用 RAG检索增强生成技术。两种技术分工情况微调Fine-Tuning改变模型的表达方式或推理方式RAG给模型提供一个可以参考的资料库之前本人曾经用 Ragflow类似 Dify 实践过 RAG 知识库这次我想更侧重开发流程以及调优这次用 python 原生实现。一、RAG 文档准备阶段Knowledge Base / Knowledge Ingestion先准备知识文件knowledge_base.txt内容只有一条暂时这样先校验功能的完整性怎么安装 SDKpip install feiyue-sdk 即可完成安装。生成知识向量库的 python 代码import osfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_huggingface import HuggingFaceEmbeddingsfrom langchain_chroma import Chromafrom langchain_community.document_loaders import DirectoryLoader, TextLoader# 配置向量存储目录VECTOR_DB_PATH ./vector_storeDATA_PATH ./datadef ingest_local_data(vector_db_pathVECTOR_DB_PATH, data_pathDATA_PATH): ifnot os.path.exists(data_path): print(f❌ Error: {data_path} not found.) return # 1️⃣ 初始化 Embeddings embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-small-zh-v1.5, model_kwargs{device: cpu} # 可改为 cuda 或 mps ) # 2️⃣ 初始化向量数据库 vector_db Chroma( persist_directoryvector_db_path, embedding_functionembeddings ) # 3️⃣ 加载文档 loader DirectoryLoader(data_path, glob**/*.txt, loader_clsTextLoader) docs loader.load() # 4️⃣ 文档切分 splitter RecursiveCharacterTextSplitter(chunk_size600, chunk_overlap100) final_docs splitter.split_documents(docs) # 5️⃣ 入库 vector_db.add_documents(final_docs) print(f✅ Ingested {len(final_docs)} chunks from {data_path})if __name__ __main__: ingest_local_data()这是 RAG 的文档准备阶段Knowledge Base / Knowledge Ingestion读取./data/*.txt文件切分成 chunk最大块大小 600字符相邻 chunk 重叠字符 100保持上下文连续性使用 embedding 模型这里用BAAI/bge-small-zh-v1.5将文本块转换为向量向量计算设备我使用 cpuM1 Mac 上跑小模型先这样跑着吧向量库持久化到./vector_store你可能认为我没有定义切分的字符但是看看源码里其实默认是有一定的默认符号的。# langchain_text_splitters.character.RecursiveCharacterTextSplitter.__init__def __init__( self, separators: list[str] | None None, keep_separator: bool | Literal[start, end] True, # noqa: FBT001,FBT002 is_separator_regex: bool False, # noqa: FBT001,FBT002 **kwargs: Any,) - None: Create a new TextSplitter. super().__init__(keep_separatorkeep_separator, **kwargs) self._separators separators or [\n\n, \n, , ] self._is_separator_regex is_separator_regex运行结果图生成一个chroma.sqlite3文件以及一部分的 bin 二进制文件用数据库连接工具可以看到这个数据库的内容。这些其实就是存放向量以及各种元数据的地方了。 到这里我们 RAG 的前期“知识库准备”就 OK 了。后续我们可以对其进行 QA 问答看看其是否能够回答知识库的内容。二、RAG 知识检索阶段Retrieval / Vector Searchimport osimport torchfrom modelscope import snapshot_downloadfrom transformers import AutoModelForCausalLM, AutoTokenizer, pipelinefrom langchain_core.prompts import ChatPromptTemplatefrom langchain_huggingface import HuggingFacePipelinefrom langchain_huggingface import HuggingFaceEmbeddingsfrom langchain_chroma import Chromafrom langchain_classic.chains.combine_documents import create_stuff_documents_chainfrom langchain_classic.chains import create_retrieval_chainVECTOR_DB_PATH ./vector_storeBASE_MODEL_ID Qwen/Qwen2.5-0.5B-Instructclass RAGService: def __init__(self, vector_db_pathVECTOR_DB_PATH): self.vector_db_path vector_db_path # 设备选择 if torch.cuda.is_available(): self.device cuda elif torch.backends.mps.is_available(): self.device mps else: self.device cpu print(f️ Using device: {self.device}) # Embeddings self.embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-small-zh-v1.5, model_kwargs{device: self.device} ) # LLM self.llm self._load_model() # 向量库 self.vector_db Chroma( persist_directoryself.vector_db_path, embedding_functionself.embeddings ) def _load_model(self): print( Downloading/Loading Model...) model_dir snapshot_download(BASE_MODEL_ID) tokenizer AutoTokenizer.from_pretrained(model_dir, trust_remote_codeTrue) model AutoModelForCausalLM.from_pretrained( model_dir, torch_dtypeauto, device_mapauto, trust_remote_codeTrue ) pipe pipeline( text-generation, modelmodel, tokenizertokenizer, max_new_tokens512, temperature0.1, return_full_textFalse ) return HuggingFacePipeline(pipelinepipe) def get_chain(self): system_prompt ( 你是一个专业的助手。请仅根据提供的上下文Context回答问题。 如果你在上下文中找不到答案请诚实告知。回答请简明扼要。 \n\n上下文: {context} ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), (human, {input}), ]) question_answer_chain create_stuff_documents_chain(self.llm, prompt) return create_retrieval_chain( self.vector_db.as_retriever(search_kwargs{k: 3}), question_answer_chain )if __name__ __main__: service RAGService() rag_chain service.get_chain() user_input 安装飞跃云SDK的指令是什么 response rag_chain.invoke({input: user_input}) print(\n AI Answer:\n, response[answer]) print(\n Sources used:, [d.metadata.get(source) for d in response[context]])这里涉及到 RAG 检索的步骤主要步骤如下问题向量化用户输入问题 → embedding 模型这里是BAAI/bge-small-zh-v1.5也就是原来的 embedding 模型 → 得到query 向量用于相似度检索。相似度搜索在向量数据库中搜索与query向量最相似相似度匹配的文档块。常用相似度匹配方法有余弦相似度cosine similarity、内积dot product通常检索top-k返回相似度最高的 k 个文档文档块。检索成功成功输出pip install feiyue-sdk以及溯源到data/input/knowledge_base.txt。 到这里我们成功跑通了 RAG 知识库的检索或者说召回LLM 用知识库的内容回答了我们的问题。三、用 RAG 构建个人知识库 - 从 0 到 1 跑通上面我们将 RAG 的文档准备、检索的步骤都跑通了这次我们要进行实践并且解决其中遇到的难题。这次我们对上次的 RAG 程序改动model_kwargs{device: mps}用 Mac 显卡 mps 计算。我们将我本地的.md文档切分为 chunk然后向量化。 切分与向量化成功发现执行后一共有 5433 个 chunk。接着我们要执行检索。 检索成功回答基本正确并且可以看到 RAG 成功溯源到原文件显示了原文件名。虽然原文秩后续从 8 改为了 4这里没有答好但是用BAAI/bge-small-zh-v1.5这个小 embedding 模型加上小模型Qwen/Qwen2.5-0.5B-Instruct这个组合能够达到这个效果已经相当不错。四、RAG 检索信息偏移的修复 - chunk 探秘 模型理解修复接下来我们要探究如何修复刚刚回答信息偏移的问题明明我们文章说的“r 4”但是召回的信息是“r 8”。我们进入向量数据库一探究竟看看 chunk 的切分情况可以查看embedding_metadata这个表它存放着 chunk 的元数据信息向量化就不是人看的了所以只能看看元数据这里面有 chunk 切分后的内容。create table main.embedding_metadata( id INTEGER references main.embeddings, -- 向量embedding的唯一 ID外键指向 embeddings 表中的一条向量记录 key TEXTnotnull, -- 元数据的键metadata key目前只有 chroma:document 、source 两种 string_value TEXT, -- 当元数据值是字符串类型时使用 int_value INTEGER, -- 当元数据值是整数类型时使用 float_value REAL, -- 当元数据值是浮点数类型时使用 bool_value INTEGER, -- 当元数据值是布尔类型时使用通常 0false, 1true primary key (id, key) );这里的设计要注意同一个 id 属于同一个向量embeddings表的一条记录而不是同一个元数据embedding_metadata也就是说这个表 id 不是唯一的primary key (id, key)限定的是 id key 唯一这里我们就明白了这个表设计的含义了就是向量的元数据废话但有助于理解。我们现在去看看我们溯源的那个文件也就是上篇文章的地方sql 如下select count(*) from embedding_metadata;select *from embedding_metadatawhere id in (select id from embedding_metadata where embedding_metadata.string_value like %低成本 LLM 微调实录M1 Mac 上跑通 0.5B 小模型 LoRA 微调全流程.md);还记得我们之前拿到 5433 个 chunk 吗这里元数据有 10868刚好是两倍还有 2 是上篇文章的一个文件切分的 1 个 chunk 生成的 2 个元数据信息。一个 chunk 的两个元数据分别是source与chroma:document分别代表源文件名称以及 chunk 的文本内容。我们甚至可以观察到我们设置的splitter RecursiveCharacterTextSplitter(chunk_size600, chunk_overlap100)确实在这里可以看到chunk_size块大小 600 字符chunk_overlap重叠文本为 100 字符的证据。所以我们要看到底检索到了哪些 chunk以及根据这些 chunkLLM 是否有可能得到 r 为 4 而不是 8。改动以下代码让其能够打印出d.id这些embedding_id。if __name__ __main__: service RAGService() rag_chain service.get_chain() user_input 我的低成本 LLM 微调用了哪个模型秩用了多少 response rag_chain.invoke({input: user_input}) print(\n AI Answer:\n, response[answer]) print(\n Sources used:, [d.id for d in response[context]])根据响应里的embedding_id可以查询到 chunk 元数据。select *from embedding_metadatawhere id in (select id from embeddings where embedding_id in (db3167c3-8607-40b2-b415-fcfb3f38e6fc, cb1f9a64-abfe-4469-bc1e-a92708190fa5, 85571f4a-68cc-4654-a491-4b413aa7c149));查看之后发现这几条id 为 768、780、795中只有一条795有关于秩的值的描述而且r 秩也可能有关系秩从 8 改为 4 可能会比较容易训练毕竟 LoRA 的论文中也支持用小 r 也能产生很好的效果。这里的描述的语义不是很明确需要语文理解能力那个小模型得不到正确的信息也情有可原可以考虑换大一点的模型而这里的向量模型反而是没有问题的。尝试调整温度temperature这个值目前是 0.1可能模型太过“严肃”所以没有理解到我这句话的“艺术性”。 竟然成功了我们通过调整温度让模型理解了得到了正确的回答。不过存在问题幻觉回答中夹带着一些“幻觉”有噪声。过拟合的风险这次的测试的参数仅针对我问的这个问题有可能产生“过拟合”问题对其他问题的效果可能没有那么好。过拟合可以理解为函数完美穿过了当前问题点导致偏离了大部分点先调到 0.3 温度让 RAG 回答我当前问题到达一个还不错的水平然后再多问几个问题测试下。这里有可能的隐藏坑点这个 kAmount of documents to return我设置为了 3比较小可能会导致检索出来的内容较少有可能会难以形成“正确的答案”。但是 k 太大我的小模型可能承受不住庞大的上下文。RAG 的反向能力很弱问“我不会什么”比“我会什么”要难以真正的答到点上因为是基于检索出 topK 条目然后再整合成自然语言的。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