音乐网站建设网站公司建设 中山

音乐网站建设,网站公司建设 中山,影视网站建设,教育网站建设的策划近年来#xff0c;随着大模型#xff08;LLM#xff09;的加速演进#xff0c;检索增强生成#xff08;RAG#xff09;技术也成为其工程化应用的主流范式。然而#xff0c;在将RAG从Demo推向生产环境的过程中#xff0c;我们经常遇到一个核心瓶颈#xff1a;检索准确度…近年来随着大模型LLM的加速演进检索增强生成RAG技术也成为其工程化应用的主流范式。然而在将RAG从Demo推向生产环境的过程中我们经常遇到一个核心瓶颈检索准确度Precision难以稳定在高位。面对生产环境中动辄数十万甚至上百万的知识分块Chunk纯粹依赖向量语义相似度进行检索如同在广阔的知识海洋中捞针检索效率和准确度往往不尽如人意这需要我们在工程化层面进行优化。今天我们就聚焦于RAG工程实践中的关键一环——通过知识打标与元数据维护提升检索精准度并分析如何兼顾文档和分块级标签如何实现智能化自动打标检索时如何使用标签做筛选注本文对应播客如下利用元数据聚焦检索范围从“大海捞针”到“定向检索”在RAG知识库检索领域纯语义相似度检索的缺陷在于其无限制地在全量知识库中搜索导致结果泛滥或不够精准。而元数据Metadata正是我们用来圈定范围、提升效率的利器。精准聚焦的逻辑元数据筛选 语义匹配通过引入元数据筛选检索路径得以优化为结构化的两步走元数据圈定范围先利用结构化标签对知识范围进行第一轮过滤。语义精准匹配在缩小后的知识子集中再进行向量语义相似度匹配。这种方式具有明显的精准聚焦优势。例如我们可以根据“时间范围”“业务领域”“适用区域”等元数据进行预筛选大幅度减少待检索的分块数量对提升检索准确度有着显著的优势。工程实现和指标权衡从工程角度看实现这种组合逻辑要求知识库内部同时具备结构化存储的元数据信息和向量化存储的知识分块语义。通常知识库提供的retrieval检索接口除了要求输入待检索的语义信息外还需要一并提供用于筛选过滤的元数据条件。从检索的经典评价指标“召回率Recall”和“精准率Precision”来看利用标签进行过滤筛选实际是一种牺牲召回率来提升精准率的策略。其核心思想是宁愿因为标签筛选而减少一些可能的检索结果略微牺牲召回也要确保实际检索到的结果尽可能精确匹配用户的目标大幅提升精准。这对于追求商业应用中高准确率的智能咨询系统来说是极具价值的取舍。文档打标和分块打标的关系当我们决定进行知识打标时下一个核心工程问题随之而来标签元数据应该标记在整个文档上还是标记在文档解析后的知识分块Chunk上答案是具体要看标签的业务含义和粒度需求。公共标签 vs. 个性化标签•文档级标签公共标签适用于文档的全局属性例如一个政策文件的“发文机构”“发文时间”“政策类型”或者一个操作手册的“适用产品”“适用业务领域”。•分块级标签个性化标签适用于文档内特定条款或章节的属性例如某个政策条款的“适用对象”“适用区域”或者某个操作章节的“适用模块”“操作类型”。粒度继承机制在RAG系统中检索时的元数据过滤筛选过程统一在知识分块这个粒度上进行。因此打在文档上的公共标签最终都会被继承到该文档所有的知识分块上。在文档上打标签的目的就是为了减少为逐个知识分块设置相同公共标签的工作量。从产品设计来看知识分块上需要能够清晰区分并显示两类标签一是自身的个性化标签二是从文档层面继承下来的公共标签。此外工程设计还需要考虑文档级标签被继承到分块上后是否允许用户进行个性化修改这体现了不同产品在灵活性上的设计差异。从人工打标到LLM智能打标我们已经认识到打标的重要性但如果收录的知识文档和知识分块数量庞大人工打标无疑是一项工作量相当可观的任务。如何便捷、高效地进行知识打标是RAG工程化落地的必答题。基础产品提供的能力与局限RAGFlow、Dify、AnythingLLM等基础知识库产品都提供了元数据维护的能力支持知识管理和运营人员进行设置这对应的是基本的人工打标模式。然而这些基础知识库产品目前通常不具备原生的智能打标能力。智能打标的工程实践路径为了解决大规模知识的打标问题工程人员需要在基础知识库产品之上构建专门的运营系统来实现自动打标/智能打标。核心思路是利用LLM进行智能提取构建Prompt将需要打的标签名称和每个标签对应的可选值作为提示词Prompt。LLM解析调用LLM对文档内容进行解析和提炼输出结构化的标签结果。API写入通过基础知识库产品的API将提取到的标签结果写入到相应的文档或知识分块中。虽然在调用LLM进行智能提取时也可以使用像谷歌LangExtract这样的框架但从实践结果来看与直接精心设计提示词调用LLM相比效果差异可能并不显著。质量保障人工审核与校准智能打标虽然提高了效率但准确性仍需保障。工程实践中必须做好人工审核机制对错误标签进行校准以确保标签质量。这类似于基础知识库产品中自动分块后仍允许用户手动调整分块逻辑的设计理念。如何解决无筛选交互难题知识被打好标签后如何在实际的智能咨询和内容生成应用中发挥作用在很多场景下用户可能只有一个输入框并没有选择筛选标签的交互界面。如何应用精确的标签筛选机制呢我们总结出以下三种在应用层利用标签做筛选的策略交互设计提供精准引导前端优化优秀的AI产品早已不再是简单的输入框。仔细观察当前流行的通用型AI助手如豆包、千问等它们在界面中增加了“技能选项”。在某个选项下甚至还会出现一些参数选择这些都是为后续做精准筛选提供用户输入结构的引导。对于企业级应用我们应该借鉴这种思路尽可能在交互中提供精准引导获取结构化的筛选信息。智能体反问引导用户细化意图中枢控制当系统根据语义相似度检索出大量结果且缺乏必要的业务标签筛选条件时可以让AI智能体主动介入。智能体可以反问用户询问希望咨询或生成的是哪种业务、哪个区域、哪种对象等从而获取具体的标签选项范围。这相当于在检索前通过多轮对话动态补齐筛选元数据。从用户问题中智能提取升级Navie RAG这是最通用和最具挑战性的方法也是对传统Navie RAG的一种升级。利用LLM的强大理解和结构化能力从用户输入的自然语言问题中智能地提取出有用的标签信息作为结构化的筛选条件。这与前面提到的“给知识智能打标”过程类似同样是将可选标签及其选项作为提示词利用LLM从用户输入中提炼出标签。通过在检索之前先用LLM对用户输入做一次提炼甚至改写能够有效地将非结构化的用户查询转化为结构化的筛选条件和精准的语义向量为后续的定向检索打下坚实基础。总结元数据是RAG从理论走向实战的桥梁RAG落地效果的上限或许取决于LLM的生成能力但RAG技术在企业级应用中的下限和稳定性则很大程度上取决于其工程化的知识管理能力。知识打标和元数据维护正是连接非结构化知识和结构化检索逻辑的桥梁。它帮助我们摆脱纯语义检索的低效和不确定性实现了对知识的精确筛选是确保RAG系统在复杂业务场景中能够交付高精准度结果的“胜负手”。面向落地应用的工程技术人员建议将元数据管理视为RAG架构设计中的核心组成部分结合主流工具如Dify/RAGFlow的元数据维护能力并利用LLM构建智能化的打标和查询增强机制才能真正将RAG技术从实验室推向大规模、高效率的生产环境。本文总结本文聚焦于RAG工程实践中的关键一环通过知识打标与元数据维护提升检索精准度分析如何兼顾文档和分块级标签如何实现智能化自动打标检索时如何“自然”地使用标签做筛选如何学习大模型 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。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。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人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】