AI大模型直播课

​

AI元年逆袭之路， RAGflow构建本地知识库

引言 Manus智能体刷屏

AI元年，万物即可A

随着人工智能技术的飞速发展，我们正处在一个被称为“AI元年”的时代。在这个时期，AI技术不仅在理论上取得了突破，更在实际应用中展现出了巨大的潜力和价值。本文将探讨AI赛道的多个方面，包括AI智能体、模型私有定制化、搜广推等，并深入解析RAG技术、Embedding模型以及如何快速搭建本地知识库等关键技术。

简单来说 AI的大模型正在迅速改变我们的生活方式，万物皆可加入AI，市场缺口巨大。

四大核心能力：

为什么不直接使用网页版ds？

网页版的大模型不说响应速度，和精准度。主要基于现有的外部数据集进行训练，但缺乏完整的知识库。这种结构化不足会导致模型在实际场景中的表现下降。而且特定领域由于数据安全性，不能选择外部模型。

Deepseek Chat

如何实现网页版ds不能实现的需求？

本地化部署，通过RAG（Retrieval-Augmented Generation）结合文本检索和生成任务，弥补了这一短板。它能够根据上下文信息查找相关的知识，并将其整合到模型的回答中，显著提升了模型的泛化能力。

Ollama Down 然后小黑窗口run ，可配合chatbox客户端使用，也可配置硅基流动满血版

AI赛道，如何把握机会？

AI 智能体

AI智能体是指能够自主执行任务、做出决策并从环境中学习的系统。它们可以应用于客户服务、游戏、自动化控制等多个领域。

模型私有定制化

模型私有定制化是指根据特定需求和数据集对预训练模型进行调整，以适应特定的业务场景。

搜广推

即搜索、广告和推荐系统，利用AI技术提高内容的个性化和相关性，提升用户体验和商业价值。

什么是RAG？为什么需要？原理是？

RAG原理

RAG（Retrieval-Augmented Generation）是一种结合了检索（Retrieval）和生成（Generation）的模型架构。它首先从大规模数据集中检索相关信息，然后将这些信息作为上下文输入到生成模型中，以生成更加准确和相关的输出。

RAG技术的原理是通过检索增强生成模型的能力，使其能够利用外部知识库来生成更加丰富和准确的内容。

技术细节：检索，增强，生成

检索策略：

• 词袋模型：将单词和短语作为实体，存储为向量形式。
• 嵌入表（Embedding）：将单词映射到低维空间，便于检索。例如，在Word2Vec模型中，每个单词被映射到一个向量。

生成过程：

• 在生成文本时，结合检索结果获取相关信息，并将其融入生成的文本中。
• 通过监督学习（Supervised Learning），在生成过程和外部知识库之间建立关联。例如，在问答系统中，生成器的目标是尽可能接近用户提供的查询。

增强机制：

• 在生成过程中，使用检索结果来调整生成参数或直接提取相关信息。这可以通过损失函数（Loss Function）来实现，使生成文本与目标数据集更相似。

RAG和模型微调的区别？微调流程是？

RAG和模型微调的区别