直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

RAG技术原理

回答

RAG（Retrieval-Augmented Generation，检索增强生成）是一种自然语言处理技术，主要用于提高语言模型的效果和准确性。其原理包括以下几个方面：

  1. 由于大模型的训练数据有截止日期，当需要依靠不在训练集中的数据时，RAG发挥作用。
  2. 过程包括文档加载，从多种来源加载包括非结构化、结构化和代码等不同类型的文档。
  3. 进行文本分割，把文档切分为指定大小的块。
  4. 涉及存储环节，包括将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。
  5. 通过某种检索算法从向量数据库中检索出与输入问题相似的嵌入片。
  6. 结合了检索和生成两种主要的自然语言处理方法。
    • 检索部分从大量文本数据中检索出与输入问题最相关的信息，通常使用检索系统在大规模文档集合中寻找相关文段。
    • 生成部分使用类似 GPT 的语言模型，根据检索到的信息生成响应或回答，涉及理解检索内容并生成连贯、相关且信息丰富的文本。
  7. RAG 的出现解决了语言模型仅依靠固定资料回答问题的局限性，允许模型到搜索引擎上搜索相关资料，并结合自身知识体系综合回复。
    • 其中的检索环节并非简单操作，还包含对输入问题的纠错、补充、拆分以及对搜索内容的权重逻辑等。
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

手把手教你本地部署大模型以及搭建个人知识库

因为利用大模型的能力搭建知识库本身就是一个RAG技术的应用。所以在进行本地知识库的搭建实操之前，我们需要先对RAG有一个大概的了解。以下内容会有些干，我会尽量用通俗易懂的描述进行讲解。我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成RAG（Retrieval Augmented Generation）。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给LLM。我们可以将一个RAG的应用抽象为下图的5个过程：文档加载（Document Loading）：从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器，包括PDF在内的非结构化的数据、SQL在内的结构化的数据，以及Python、Java之类的代码等文本分割（Splitting）：文本分割器把Documents切分为指定大小的块，我把它们称为“文档块”或者“文档片”存储（Storage）：存储涉及到两个环节，分别是：将切分好的文档块进行嵌入（Embedding）转换成向量的形式将Embedding后的向量数据存储到向量数据库检索（Retrieval）：一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片

开发：产品视角的大模型 RAG 应用

RAG是什么？为什么要关注RAG？RAG技术为何如此重要？在看本文之前相信大家都会有这样的疑问，不言而喻对于一个不懂技术或者刚接触大语言模型的肯定都会有点懵的。下面这篇文本就是对RAG的技术原理、历史发展、应用方法、应用场景和未来的发展方向的完整解读。文本内容源自论文：《Retrieval-Augmented Generation for Large Language Models:A Survey》首先让GPT回答下上面的问题：什么是RAG？"RAG"（Retrieval-Augmented Generation）是一个自然语言处理（NLP）技术，主要用于提高语言模型的效果和准确性。它结合了两种主要的NLP方法：检索（Retrieval）和生成（Generation）。检索（Retrieval）：这一部分的工作是从大量的文本数据中检索出与输入问题最相关的信息。它通常使用一个检索系统，比如基于BERT的模型，来在大规模的文档集合（例如维基百科）中寻找与输入相关的文段。生成（Generation）：生成部分则使用类似GPT的语言模型，它会根据检索到的信息来生成响应或回答。这个过程涉及理解检索到的内容，并在此基础上生成连贯、相关且信息丰富的文本。

Ranger：【AI 大模型】非技术背景，一文读懂大模型（长文）

rag，也就是Retrieval-augmented-Generation，检索增强技术，应该也是大家经常看到的一个名词了。那么他到底是个什么东西呢？首先我们先回顾llm的原理，其实就是把一堆互联网文献材料，降维到latentspace中，并通过transformer的方式用学习到了其中的“经验”。但文献资料是死的，如果仅通过固定的资料去回答问题，势必会出现一些无法回答的问题。那么rag的出现就解决了这个问题，rag允许模型可以到搜索引擎上去搜索问题相关的资料，并将获取到的信息，综合自己的知识体系内容，综合进行回复。当然rag不全是这些，rag的r，也就是搜索，其实不是一件简单的事情。所以这个环节还会有些传统的搜索的逻辑在，比如对于输入问题的纠错，补充，拆分，以及对于搜索内容的权重逻辑等等的事情。打个比方，比如问中国界世杯夺冠那年的啤酒销量如何，那就首先会做一次纠错，把“界世”纠错为“世界”，然后把问题拆分为两个问题，然后综合去搜索，把搜索到的资料在给到大模型，让其进行总结性输出

其他人在问
RAG是什么
RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构。其旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。简单来说，就是通过检索的模式，为大语言模型的生成提供帮助，从而使大模型生成的答案更符合要求。 因为利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用，所以在进行本地知识库的搭建实操之前，需要先对 RAG 有大概的了解。 我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，实现这一点的主要方法就是通过检索增强生成 RAG。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 一个 RAG 的应用可以抽象为以下 5 个过程： 1. 文档加载（Document Loading）：从多种不同来源加载文档。LangChain 提供了 100 多种不同的文档加载器，包括 PDF 在内的非结构化的数据、SQL 在内的结构化的数据，以及 Python、Java 之类的代码等。 2. 文本分割（Splitting）：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储（Storage）：存储涉及到两个环节，分别是： 将切分好的文档块进行嵌入（Embedding）转换成向量的形式。 将 Embedding 后的向量数据存储到向量数据库。 4. 检索（Retrieval）：一旦数据进入向量数据库，通过某种检索算法找到与输入问题相似的嵌入片。 LangChain 是一个用于构建高级语言模型应用程序的框架，它提供了一系列的工具和组件，使得开发人员能够更容易地使用大型语言模型（LLM）来创建各种应用程序。RAG 能够为 LLM 提供来自外部知识源的附加信息，使得 LLM 在应对下游任务时能够生成更精确和上下文相关的答案，并减少 LLM 的幻觉现象。LangChain 和 RAG 之间的关系可以概括为：LangChain 的设计主张集中在模块化组件上，这些组件提供用于使用 LLM 的行为抽象，并为每个抽象提供实现的集合，从而允许开发人员构造新链或实现现成的链。
2024-09-19
RAG技术实现的原理步骤
RAG 技术实现的原理步骤主要包括以下几个方面： 1. 理解问题：AI 模型首先需要理解用户的提问或指令。 2. 文档加载：从多种不同来源加载文档，如包括 PDF 在内的非结构化数据、SQL 在内的结构化数据，以及 Python、Java 之类的代码等。 3. 文本分割：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或者“文档片”。 4. 存储： 将切分好的文档块进行嵌入转换成向量的形式。 将 Embedding 后的向量数据存储到向量数据库。 5. 检索：通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 6. 检索相关知识：AI 模型根据对问题的理解，从外部知识库中检索相关的信息。 7. 整合知识与推理：AI 模型将检索到的知识与自身的推理能力相结合，生成最终的答案或内容。 例如，在医疗领域，RAG 技术可以帮助医疗 AI 助手获取最新的医学知识和临床案例，从而提高其诊断和治疗建议的准确性。但需要注意的是，在将大型文档转换为可检索内容的过程中，如文档解析和文本切分、嵌入向量生成等步骤，每一步都可能导致信息损失，复合损失会显著影响 RAG 响应的效果。
2024-09-17
RAG技术
RAG 即检索增强生成（RetrievalAugmented Generation），是一种结合了检索（检索外部知识库中相关信息）和生成（利用大型语言模型生成文本）的技术。 其工作原理包括以下几个步骤： 1. 理解问题：AI 模型首先理解用户的提问或指令。 2. 检索相关知识：根据对问题的理解，从外部知识库中检索相关信息。例如，用户问“埃菲尔铁塔有多高？”，AI 模型会从知识库中检索关于埃菲尔铁塔的信息。 3. 整合知识与推理：将检索到的知识与自身的推理能力相结合，生成最终的答案或内容。 RAG 技术的优势在于能够将 AI 模型与外部知识库连接起来，从而扩展 AI 模型的知识范围，提高其回答问题和生成内容的准确性。例如在医疗领域，可帮助医疗 AI 助手获取最新的医学知识和临床案例，提高诊断和治疗建议的准确性。 RAG 由两部分组成：一个“检索器”和一个“生成器”。检索器从外部知识中快速找到与问题相关的信息，生成器则利用这些信息来制作精确和连贯的答案。这种结合使得 RAG 非常适合处理需要广泛知识的任务，如问答系统，能够提供详细而准确的回答。 LangChain 是一个用于构建高级语言模型应用程序的框架，与 RAG 的关系在于，RAG 能够为大型语言模型提供来自外部知识源的附加信息，使得模型在应对下游任务时能够生成更精确和上下文相关的答案，并减少幻觉现象，而 LangChain 的设计主张集中在模块化组件上，为开发人员使用大型语言模型创建应用程序提供便利。
2024-09-17
rag与ai agent的区别
RAG（检索增强生成）与 AI Agent 存在以下区别： RAG 是给大模型提供一个浏览器工具来使用，而 AI Agent 则是给大模型提供了更多的工具，如长期记忆（相当于给大模型一个数据库工具来记录重要信息）、规划和行动（在大模型的 prompt 层进行目标拆解，并输出不同的固定格式 action 指令给工具）。 在实际应用中，外置知识的集成和管理常常采用 RAG 架构，它通过检索外部知识源来增强模型的生成能力。而 AI Agent 不仅依赖内置知识，还能实时检索和整合最新的外部信息来完成任务，例如可以让大模型帮忙安排差旅，它会判断完成目标所需的步骤，搜索差旅记录，预订酒店和机票等。 总的来说，AI Agent 在 RAG 的基础上有了更多的功能和更广泛的应用空间。
2024-09-06
对于大语言模型使用的未来趋势，是闭源云端还是开源本地部署，作为普通用户是否有必要了解本地部署知识，并且是否有必要自己搭建agent以及rag？
大语言模型的未来趋势在闭源云端和开源本地部署方面存在多种可能性。 对于开源本地部署，以下是一些相关信息： Ollama 是一个方便用户在本地运行和管理大型语言模型的框架，具有以下特点： 支持多种大型语言模型，如通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同应用场景。 易于使用，适用于 macOS、Windows 和 Linux 系统，同时支持 CPU 和 GPU。 提供模型库，用户可从中下载不同模型，以满足不同需求和硬件条件，模型库可通过 https://ollama.com/library 查找。 支持用户自定义模型，例如修改温度参数调整创造性和连贯性，或设置特定系统消息。 提供 REST API 用于运行和管理模型，以及与其他应用程序的集成选项。 社区贡献丰富，包括多种集成插件和界面，如 Web 和桌面应用、Telegram 机器人、Obsidian 插件等。 安装可访问 https://ollama.com/download/ 。 可以通过一些教程学习如何本地部署大模型以及搭建个人知识库，例如了解如何使用 Ollama 一键部署本地大模型、通过搭建本地聊天工具了解 ChatGPT 信息流转、RAG 的概念及核心技术、通过 AnythingLLM 搭建完全本地化的数据库等。 同时，采用开源或国内企业提供的 13B 级模型本地部署在内部系统中，虽需投入算力，但有其价值。智能客服的大量优质大客户可能会选择自己搭建智能客服平台，并结合大模型企业提供的技术服务，基于大模型搭建 LangChain、RAG 框架，实现 RPA 自动流程。 对于普通用户是否有必要了解本地部署知识以及是否有必要自己搭建 agent 以及 rag，这取决于个人需求和兴趣。如果您希望更深入了解大模型的工作原理和运行机制，或者有特定的个性化需求，那么了解和尝试本地部署可能是有意义的。但如果只是一般的使用需求，可能无需深入了解和自行搭建。
2024-09-03
有什么类似于 ragflow，dify 可以本地部署的
Dify 是一个开源的大模型应用开发平台，它融合了后端即服务和 LLMOps 的理念，为用户提供直观界面，能快速构建和部署生产级别的生成式 AI 应用。其具有强大的工作流构建工具，支持广泛的模型集成，提供功能丰富的提示词 IDE 以及全面的 RAG Pipeline 用于文档处理和检索。此外，允许用户定义 Agent 智能体，并通过 LLMOps 功能持续监控和优化应用程序性能。Dify 提供云服务和本地部署选项，满足不同需求，其开源特性确保对数据的完全控制和快速产品迭代。Dify 的设计理念注重简单、克制和快速迭代，能帮助用户将 AI 应用创意快速转化为现实。无论是创业团队构建 MVP、企业集成 LLM 增强现有应用能力，还是技术爱好者探索 LLM 潜力，Dify 都提供相应支持和工具。Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般来说，如果是个人研究，推荐单独使用 Dify，如果是企业级落地项目，推荐使用多种框架结合，效果更好。
2024-08-30
GPT原理是什么，用 浅显语言逐层说明
ChatGPT 的原理可以用浅显的语言逐层说明如下： 首先，它获取与迄今为止的文本相对应的 token 序列，并找到表示它们的嵌入（即一组数字的数组）。 然后，在这个嵌入上进行操作，以“标准神经网络方式”，值“逐层流动”到网络的连续层中，从而生成一个新的嵌入（即一个新的数字数组）。 接着，从这个数组的最后一部分生成一个大约有 50,000 个值的数组，这些值将变成不同可能的下一个 token 的概率。 关键是，这个流程的每个部分都是由神经网络实现的，其权重由端到端的网络训练确定。 此外，您还可以通过以下资源更深入地了解： 视频： 《ChatGPT 诞生记：先捞钱，再谈理想｜OpenAI 翻身史》，林亦 LYi 讲解， 《【渐构】万字科普 GPT4 为何会颠覆现有工作流》，YJango 讲解， 《终于有人把 chatGPT 说清楚了——全网最深入浅出的 chatGPT 原理科普》，新石器公园讲解 文章： 《ChatGPT 中，G、P、T 分别是什么意思？》， 《大白话聊 ChatGPT》，逐字稿：
2024-09-18
ai 生成 ppt 的原理是什么
AI 生成 PPT 的原理通常包括以下步骤： 1. AI 生成 PPT 大纲：利用自然语言处理技术和相关算法，根据用户输入的主题或需求生成初步的 PPT 大纲框架。 2. 手动优化大纲：用户对生成的大纲进行手动调整和完善，使其更符合具体的需求和期望。 3. 导入工具生成 PPT：将优化后的大纲导入到特定的工具中，这些工具大多基于 Markdown 语法的内容来完成 PPT 的生成。例如以爱设计为例，其他工具的操作方式也大同小异。 4. 优化整体结构：对生成的 PPT 进行整体结构的优化，包括页面布局、内容排版、色彩搭配等方面的调整。 目前市面上的 AI 生成 PPT 工具，如讯飞智文等，通过自动化和智能化的设计流程，极大地简化了 PPT 的制作工作，使得非设计专业人士也能轻松制作出高质量的演示文稿。用户可以根据自己的需求和喜好选择合适的 AI PPT 工具，以提高工作效率和演示效果。 如果您是第一次使用 AI 生成 PPT，对于原理比较好奇，或者对于提示词不是很熟悉，可以参考以下两篇文章： 1. 2. 此外，还为您推荐两篇市场分析的文章供参考： 1. 2.
2024-09-11
代码生成原理
代码生成的原理如下： 在 Windows/Linux 上，Cmd K（也称为“Ctrl K”）允许在编辑器窗口中生成新代码或编辑现有代码。如果在按 Ctrl/Cmd K 时未选择任何代码，Cursor 将根据在提示栏中键入的提示生成新代码。 Cursor 能够看到您最近的更改，从而预测您下一步要做的事情。 大语言模型在代码生成方面是一个有效的应用场景，例如 Copilot。可以通过一些有效的提示词执行代码生成任务，例如编写简单的用户欢迎程序，或者提供有关数据库架构并要求生成有效的 MySQL 查询，甚至不需要指定要使用的编程语言。
2024-09-11
什么是agent，技术原理是什么，有哪些应用
智能体（Agent）是指能够自主感知环境、做出决策并执行动作以实现特定目标的实体。 其技术原理包括： AppAgent 可以通过自主学习和模仿人类的点击和滑动手势，能够在手机上执行各种任务。它是一个基于大语言模型的多模态代理，能够处理和理解多种类型的信息（如文本、图像、触控操作等）。 沉浸式单机剧本杀 Bot 由多个 agent 共同协作完成，包括主持人 Agent 通过对话引导玩家，条件判断 Agent 负责解析玩家输入判断触发条件，以及通过对剧本内容进行向量化处理和构建索引来使剧情展开更流畅。 智能体的应用领域广泛，例如： 自动驾驶：自动驾驶汽车中的智能体感知周围环境，做出驾驶决策。 家居自动化：智能家居设备（如智能恒温器、智能照明）根据环境和用户行为自动调节。 游戏 AI：游戏中的对手角色（NPC）和智能行为系统。 金融交易：金融市场中的智能交易算法，根据市场数据做出交易决策。 客服聊天机器人：通过自然语言处理与用户互动，提供自动化的客户支持。 机器人：各类机器人（如工业机器人、服务机器人）中集成的智能控制系统。
2024-09-11
请选择一个产业，比如手机、汽车、石油化工等产业，围绕行业传感器的技术原理和应用，进行背景概况、传感器分类、发展历程、智能传感器、产业链结构、应用领域、发展趋势和展望等要点完成调研分析报告和PPT。
很抱歉，目前知识库中没有您所需的关于特定产业（如手机、汽车、石油化工等）中行业传感器的完整调研分析报告和 PPT 内容。但以下为您提供一个大致的框架和思路，您可以据此进行进一步的资料收集和研究： 一、背景概况 介绍所选产业的发展现状和重要性，阐述传感器在该产业中的关键作用。 二、传感器分类 列举该产业中常见的传感器类型，如压力传感器、温度传感器、位置传感器等，并说明其特点和适用场景。 三、发展历程 回顾传感器在该产业中的发展阶段，从早期的简单传感器到如今的高精度、智能化传感器的演变过程。 四、智能传感器 着重介绍智能传感器的特点和优势，如具备自诊断、自校准、自适应等功能。 五、产业链结构 分析传感器产业链的各个环节，包括原材料供应商、传感器制造商、系统集成商、终端用户等。 六、应用领域 详细阐述传感器在该产业的具体应用领域，如生产过程监控、质量检测、设备故障诊断等。 七、发展趋势和展望 探讨未来传感器在该产业的发展趋势，如微型化、集成化、智能化、无线化等，并对其前景进行展望。 希望以上框架对您有所帮助，祝您顺利完成调研分析报告和 PPT。
2024-09-06
AI的关键技术有哪些，比如langchain
AI 的关键技术包括以下方面： 1. 编排（Orchestration）：涉及到的公司如 DUST、FIAVIE、LangChain 等提供的工具帮助开发人员管理和协调各个部分和任务，以确保系统的流畅运行。 2. 部署、可扩展性和预训练（Deployment, Scalability & PreTraining）：这个类别的公司如 UWA mosaicm、NMAREL、anyscale 等提供工具，帮助开发人员部署模型，保证模型的可扩展性，以及在模型使用前进行预训练。 3. 上下文和嵌入（Context & Embeddings）：这个类别的公司如 TRUDO，Llamalndex，BerriAI 等提供工具，帮助模型处理和理解语言上下文，以及将词语和句子转化为计算机可以理解的形式。 4. 质量保证和可观察性（QA & Observability）：这个类别的公司如 Pinecone，drant，Vald 等提供工具，以确保模型的表现，并能够监控模型的性能和状态。 LangChain 作为一个框架，具有以下特点和作用： 1. 与 RAG 的关系：作为一个框架，为 RAG 提供了实现所必需的工具和组件。允许开发者通过其模块化组件来构建 RAG 应用程序，简化了 RAG 应用程序的开发过程，提高性能，支持构建复杂的 RAG 应用，如智能问答系统、内容推荐引擎等。 2. 在 ProductHunt 2023 年度最佳产品榜单中的表现：入围了 AI Infra 类别，帮助 AI 创作者为他们的产品选择合适的 AI API 并在它们之间切换，快速创建和部署 LLM 插件或 LLM 应用程序，以及追踪和调试复杂的 LLM 应用程序。例如，Langfuse 为大模型应用提供开源可观测性和分析功能；Langdock 可在几分钟内创建、部署、测试和监控 ChatGPT 插件。
2024-09-19
你好，请帮我阐述一下最新的AI技术可以帮我做什么
以下是最新的 AI 技术能为您做的一些事情： 1. 大模型（如 GPT、PaLM 等）：能够处理和生成自然语言文本，帮助您进行写作、回答问题、翻译等工作。 2. 多模态 AI（如视觉语言模型 CLIP、Stable Diffusion）：实现视觉和语言的交互，例如根据语言描述生成图片，或者理解图片内容并用语言描述。 3. 自监督学习（如自监督预训练、对比学习、掩码语言模型等）：提高模型的学习效率和效果。 4. 小样本学习（如元学习、一次学习、提示学习等）：在数据有限的情况下也能进行有效的学习和预测。 5. 可解释 AI（如模型可解释性、因果推理、符号推理等）：让您更好地理解模型的决策过程和结果。 6. 机器人学（如强化学习、运动规划、人机交互等）：助力机器人更智能地完成各种任务，如工业生产、服务等。 7. 量子 AI（如量子机器学习、量子神经网络等）：为复杂问题的解决提供新的思路和方法。 8. AI 芯片和硬件加速：提升 AI 计算的速度和效率。 在专利审查领域，AI 技术也得到了广泛应用，它可以通过自动化和智能化的手段，帮助专利审查员更高效地处理大量的专利申请、检索相关文献、评估专利性和创新性等任务。 在教育方面，例如小学课堂，AI 技术也有很多应用。如 2020 年的 GPT3 擅长用电脑写文章和做其他很多语言相关的事情，2022 年的 DALLE 可以根据语言描述画出想象中的图画。现在的 AI 还能够写文章、制作视频、创作音乐，还有像聊天机器人这样可以像朋友一样与您交流的 AI，以及能根据文字描述创造全新图片和视频的 AI。
2024-09-19
利用人工智能技术搭建知识库系统
利用人工智能技术搭建知识库系统可以参考以下内容： 大圣的相关文章：大圣致力于使用 AI 技术将自己打造为超级个体的程序员。其文章如也是以 AI 时代的知识库作为例子进行了讲解。 知识管理体系：知识管理体系是一套流程、工具和策略的组合，用于系统地管理个人或组织的知识资产。它包括但不限于收集信息、整理知识、分享经验、促进学习和创新。一个有效的知识管理体系通常包括以下几个关键组成部分： 知识的捕捉：收集个人或组织在日常工作和学习中产生的知识和信息。 知识的组织：通过分类、标签和索引等方式，使知识易于访问和检索。 知识的分享：促进知识在个人或组织内部的流动，增加协作和创新的机会。 知识的应用：确保知识被有效利用，以支持决策制定、问题解决和新知识的创造。 专家系统：符号人工智能的早期成就之一是专家系统——为充当某个有限问题领域的专家而设计的计算机系统。它们基于从一个或多个人类专家那里提取的知识库，并包含一个推理引擎，在此基础上进行推理。专家系统就像人类的推理系统一样，包含短期记忆和长期记忆。同样，在以知识为基础的系统中，会区分以下几个部分： 问题记忆：包含与当前要解决的问题有关的知识，如病人的体温或血压、是否有炎症等。这种知识也被称为静态知识，因为它包含了快照信息，记录着我们在当前状态下对问题的了解——即所谓的问题状态。 知识库：代表某个问题领域的长期知识。它是从人类专家那里人工提取的，不会因外部的咨询而改变。由于它允许我们从一个问题状态前往另一个问题状态，因此也被称为动态知识。 推理引擎：协调在问题状态空间中搜索的整个过程，必要时向用户提问。它还负责找到适用于每个状态的正确规则。例如，下面这个专家系统是根据动物的物理特征来判断动物的。
2024-09-17
和 AI 相关的新技术、新工具有哪些
以下是一些与 AI 相关的新技术和新工具： Google 公司： PaLM2：新一代 LLM，是 I/O 大会发布的大部分 AI 产品的基础模型，在常识推理、数学和逻辑方面有所改进，编程能力好于 ChatGPT 等。 Gemini：Google Deepbrain 正在研发的多模态大模型。 Bard：基于 PaLM2 运行，向所有用户全面放开，并将逐步增加适配语言，具备多种类似 ChatGPT Plugins 的“工具”。 Duet AI：Office Copilot 的竞品。 健身领域： Keep：中国最大的健身平台，为用户提供全面的健身解决方案。 Fiture：集硬件、丰富课程内容、明星教练和社区于一体。 Fitness AI：利用人工智能进行锻炼，增强力量和速度。 Planfit：健身房家庭训练与 AI 健身计划，AI 教练使用 800 多万条文本数据和 ChatGPT 实时提供指导。 此外，在负责任的 AI 创新方面，还存在一些相关的框架和工具，如各种用于可信 AI 的保证技术、自愿指导和技术标准等。政府将促进此类工具的使用，并与合作伙伴协作以确保整体治理框架鼓励负责任的 AI 创新。
2024-09-16