Jeffray1991的博客

在大模型开发中，Retrieval（检索）通常指的是从一个大型知识库或语料库中查找与当前任务相关的信息或数据的过程。这种检索过程是为了解决纯基于生成（Generative）模型在处理某些复杂任务时可能出现的知识局限性问题。生成模型，如GPT或BERT，虽然能够生成连贯的文本，但它们的记忆能力有限，可能无法记住所有训练数据中的事实信息。许多 LLM 应用程序都需要一些特定的数据，这些数据不属于模型的训练集。

在大模型工程中，“Prompt”（提示）扮演着核心角色，它是与大型语言模型交互时使用的输入文本，旨在引导模型产生预期的响应或执行特定任务。Prompt 不仅是与大模型沟通的桥梁，也是发挥大模型效能的关键工具，其设计和优化是大模型工程实践中不可或缺的一环。无论 LangChain 将 Prompt 封装的多么完美多么好，我门应该知道 Prompt 的本质就是：你在问模型问题的时候，多加一些输入，而不仅仅是问题本身。至于这些输入怎么来的？是本地文件？是向量数据库？是网页数据？还是其他的数据来源？

近日，马斯克访华做汇报，字里行间表明FSD V12即将在中国落地。那么究竟什么是 FSD？V12是什么？我们一起来了解下.......

本文是关于 LangChain 中 Chat Model 组件的详细解析，介绍了 Chat Model 组件是什么，与 LLM 组件有什么不同，以及如何使用 Chat Model。

LangChain进阶系列文章第一篇，之前的LangChain“丝滑”系列希望给位也能看看，是这个系列的基础。人工智能时代，我们都不想掉队~

LLM支持的最强大的应用程序之一是复杂的问答（Q&A）聊天机器人。这些应用程序（聊天机器人）可以回答有关特定来源信息的问题。其中使用的技术就是一种称为检索增强生成（RAG）的技术。本文不涉及代码输出，纯概念解释说明。文末会贴出另一篇文章的地址，里面有代码。