InternLM2-lesson3作业+笔记

茴香豆

https://www.bilibili.com/video/BV1QA4m1F7t4/?vd_source=902e3124d4683c41b103f1d1322401fa

一、笔记

RAG

RAG(Retrieval Augmented Generation)是一种结合了检索(Retrieval)和生成(Generation)的技术，旨在通过利用外部知识库来增强大预言模型的性能。它通过检索用户输入相关的信息片段，并结合这些信息来生成更准确、更丰富的回答。简而言之，RAG=搜索引擎+大模型

三种范式

Naive RAG→Advanced RAG→Modular RAG

优化方法

嵌入优化
索引优化
查询优化
上下文管理
检索优化：迭代检索、递归检索、自适应检索
大模型微调

RAG vs 微调

	RAG	微调
简介	非参数记忆；能够处理知识密集型任务；可以生成多样化内容	参数记忆；微调需要大量标注数据；可能存在过拟合
适用场景	适合信息更新较快的任务	适合高度专业化的任务
优势	动态知识更新，能处理长尾知识	可以针对特定任务优化
局限	依赖外部知识库的质量和大模型的能力	需要大量标注数据，不能很好适应新任务

大模型优化方法比较

微调(Fine-tuning)
RAG
提示词工程(Prompt Engineering)
微调+RAG+提示词工程

茴香豆

茴香豆是一个基于LLMs的领域知识助手,俗称豆哥。可以用作智能客服，或在即时通讯工具(IM),如微信群中高效解答问题

系统组成

知识库+前端+后端大模型+豆哥

知识库：markdown、word、pdf、txt、ppt
前端应用：微信、飞书等
后端：本地大模型------书生浦语、通义千问；远程大模型api------chatgpt、chatglm等
豆哥：豆哥负责整合、打通工作流，形成智能领域的知识问答助手
豆哥的工作流程可以分为：预处理、拒答工作流和应答工作流

拒答工作流可以对提问进行打分，打分高的问题可以进入应答流进行回答。