首页/问答列表/问答详情

基于知识库系统的人工智能

回答

基于知识库系统的人工智能包括以下方面：

专家系统：

是符号人工智能的早期成就之一，为充当有限问题领域的专家而设计。
基于从人类专家提取的知识库，并包含推理引擎。
像人类推理系统一样，包含短期记忆（问题记忆）和长期记忆（知识库）。
问题记忆包含与当前要解决问题有关的知识，称为静态知识。
知识库代表问题领域的长期知识，是动态知识。
推理引擎协调问题状态空间中的搜索过程，必要时向用户提问并找到适用规则。
例如，可根据动物物理特征判断动物的专家系统，其图称为 AND-OR 树，早期提取知识时绘制树形图有用，计算机中用规则表示更方便。

FastGPT：

基于 LLM 技术，能理解自然语言并生成高质量答案。
支持连接外部知识库获取更全面信息。
具有可视化工作流编排工具，方便创建复杂问答场景。
具备开箱即用的数据处理和模型调用功能，上手速度快。
是功能强大、易于使用的知识库问答系统，可帮助企业构建智能客服、知识库搜索、文档生成等应用。

参考资料

知识表示和专家系统

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，我们会区分以下几个部分：问题记忆（Problem memory）：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（static knowledge），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（problem state）。知识库（Knowledge base）：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（dynamic knowledge）。推理引擎（Inference engine）：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。举例来说，下面这个专家系统是根据动物的物理特征来判断动物的：这种图称为AND-OR树，是一组产生式规则的图形表示。在从人类专家那里提取知识的早期阶段，绘制树形图非常有用。要在计算机中表示知识，使用规则更为方便：你可以注意到，规则左侧的每个条件和操作本质上都是对象-属性-值（OAV）三元组。工作记忆包含与当前要解决的问题相对应的OAV三元组。规则引擎会查找满足条件的规则，并应用这些规则，从而向工作记忆中添加另一个三元组。✅为你喜欢的主题写一个AND-OR树！

知识表示和专家系统

请参见[Animals.ipynb](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb)，了解实施正向推理和反向推理的专家系统的示例。注：这个例子非常简单，只能让人了解专家系统的样子。一旦你开始创建这样一个系统，只有当规则达到一定数量（大约200多条）时，你才会注意到它的一些智能行为。在某些时候，规则会变得过于复杂，以至于你无法将所有规则都牢记在心，这时你可能会开始怀疑系统为什么会做出某些决定。不过，基于知识的系统的重要特点是，你总能准确解释任何决定是如何做出的。

问：FastGPT是什么

更智能的问答:基于LLM技术，FastGPT可以理解自然语言并生成高质量的答案。更全面的信息:支持连接外部知识库，以获取更全面的信息。更易用的开发:可视化的工作流编排工具，方便用户创建复杂的问答场景。更快的上手速度:开箱即用的数据处理和模型调用功能，方便用户快速上手。总而言之，FastGPT是一个功能强大、易于使用的知识库问答系统，它可以帮助企业构建智能客服、知识库搜索、文档生成等应用。以下是一些关于FastGPT的其他资源：[FastGPT官网](http://fastgpt.xxlab.tech/)[FastGPT文档](https://doc.fastai.site/docs/intro/)[FastGPT GitHub仓库](https://github.com/labring/FastGPT)[FastGPT个人版知识库部署教程](https://juejin.cn/post/7310419610449526823)希望这些信息对您有所帮助。内容由AI大模型生成，请仔细甄别

其他人在问

在WAY TO AGI 知识库有没有适合老师备课用的AI？请推荐

2024-12-20

我想用coze搭建一个智能体，关于自然语言课程的期末复习指南，要将我的教材导入扣子作为知识库，智能体支持用户提问，搜索知识点，结合知识库和互联网搜索的内容给出问答，需要使用多智能体或工作流，使用卡片功能进行显示，请给出我搭建这个智能体的步骤

以下是使用 Coze 搭建一个关于自然语言课程期末复习指南智能体的步骤： 1. 访问 Coze 官网（https://www.coze.cn），注册并登录。 2. 点击页面左上角的⊕，通过【标准创建】填入智能体的基本信息。 3. 了解 Bot 开发调试界面：人设与回复逻辑（左侧区域）：设定智能体的对话风格、专业领域定位，配置回复的逻辑规则和限制条件，调整回复的语气和专业程度。功能模块（中间区域）：技能配置：插件：扩展智能体的专业能力，如计算器、日历等工具。工作流：设置固定的处理流程和业务逻辑。图像流：处理和生成图像的相关功能。触发器：设置自动化响应条件。知识库管理：文本：存储文字类知识材料。表格：结构化数据的存储和调用。照片：图像素材库。记忆系统：变量：存储对话过程中的临时信息。数据库：管理持久化的结构化数据。长期记忆：保存重要的历史对话信息。文件盒子：管理各类文档资料。交互优化（底部区域）：开场白：设置初次对话的问候语。用户问题建议：配置智能推荐的后续问题。快捷指令：设置常用功能的快速访问。背景图片：自定义对话界面的视觉效果。预览与调试（右侧区域）：实时测试智能体的各项功能，调试响应效果，优化交互体验。 4. 设定智能体的人设与回复逻辑后，为智能体配置对应的技能，以保证其可以按照预期完成目标任务。例如，以获取 AI 新闻的智能体为例，需要为它添加一个搜索新闻的接口来获取相关新闻。具体操作如下：在智能体编排页面的技能区域，单击插件功能对应的+图标。在添加插件页面，选择相关功能，然后单击新增。修改人设与回复逻辑，指示智能体使用相应插件来搜索所需内容。（可选）为智能体添加开场白，让用户更好地了解智能体的功能。开场白功能目前支持豆包、微信公众号（服务号）。 5. 配置好智能体后，在预览与调试区域中测试智能体是否符合预期。可单击清除图标清除对话记录。 6. 完成测试后，将智能体发布到社交渠道中使用。具体操作如下：在智能体的编排页面右上角，单击发布。在发布页面输入发布记录，并勾选发布渠道。单击发布。更多内容，请访问 Coze 官方文档：英文版：https://www.coze.com/docs/welcome.html 中文版：https://www.coze.cn/docs/guides/welcome

2024-12-20

怎么构建个人本地知识库

构建个人本地知识库可以按照以下步骤进行： 1. 了解 RAG 技术：利用大模型的能力搭建知识库是 RAG 技术的应用。大模型训练数据有截止日期，RAG 可解决依靠不在训练集中的数据的问题。 RAG 应用包括文档加载、文本分割、存储、检索和输出 5 个过程。文档加载可从多种来源加载，如 PDF 等非结构化数据、SQL 等结构化数据和代码等。文本分割将文档切分为指定大小的块。存储涉及将文档块嵌入转换为向量形式并存储到向量数据库。检索通过算法找到与输入问题相似的嵌入片。输出是将问题和检索出的嵌入片提交给 LLM 生成答案。文本加载器将用户提供的文本加载到内存以便后续处理。 2. 准备软件：需要一个额外的软件 AnythingLLM，它包含所有 Open WebUI 的能力，并额外支持选择文本嵌入模型和向量数据库。 3. 安装和配置：安装地址：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 4. 构建本地知识库：在 AnythingLLM 中创建自己独有的 Workspace 与其他项目数据隔离。首先创建一个工作空间。上传文档并在工作空间中进行文本嵌入。选择对话模式，AnythingLLM 提供 Chat 模式（大模型根据训练数据和上传文档综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案）。完成配置后进行测试对话。本文的思路来源于视频号博主黄益贺，作者按照其视频进行了实操并附加了一些关于 RAG 的额外知识。

2024-12-19

可不可以提供一个本地化的大模型方法，让我建立这个合规法律的知识库

以下是为您提供的本地化大模型及搭建合规法律知识库的方法：一、通过 Open WebUI 使用大模型 1. 首先访问相关网址。打开页面时需使用邮箱注册账号。 2. 登陆成功后，若您使用过类似 ChatGPT 的大模型对话网站，对该页面不会陌生。 3. Open WebUI 一般有两种使用方式：聊天对话。 RAG 能力，即让模型根据文档内容回答问题，这是构建知识库的基础之一。 4. 如果要求不高，此时已搭建本地大模型，并通过 Web UI 实现对话功能。 5. ChatGPT 访问速度快且回答效果好的原因：速度快是因为 GPT 大模型部署的服务器配置高。效果好是因为 GPT 大模型的训练参数多、数据更优及训练算法更好。二、您的硬件达标了么运行大模型需要很高的机器配置，个人玩家大多负担不起。以下是不同类型大模型的配置要求： 1. 生成文字大模型：最低配置：8G RAM + 4G VRAM 建议配置：16G RAM + 8G VRAM 理想配置：32G RAM + 24G VRAM（如果要跑 GPT3.5 差不多性能的大模型） 2. 生成图片大模型（比如跑 SD）：最低配置：16G RAM + 4G VRAM 建议配置：32G RAM + 12G VRAM 3. 生成音频大模型：最低配置：8G VRAM 建议配置：24G VRAM 最低配置运行非常慢，不建议使用。但这不妨碍我们亲自实操一遍，以加深对大模型构建知识库底层原理的了解。若想要更顺滑的体验知识库，可以参考文章：三、本地知识库进阶若要更灵活掌控知识库，需额外软件 AnythingLLM。它包含 Open WebUI 的所有能力，并额外支持以下能力： 1. 选择文本嵌入模型。 2. 选择向量数据库。 AnythingLLM 安装和配置安装地址：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步： 1. 第一步：选择大模型。 2. 第二步：选择文本嵌入模型。 3. 第三步：选择向量数据库。构建本地知识库 AnythingLLM 中有 Workspace 的概念，可创建独有的 Workspace 与其他项目数据隔离。具体步骤： 1. 首先创建一个工作空间。 2. 上传文档并在工作空间中进行文本嵌入。 3. 选择对话模式。AnythingLLM 提供两种对话模式： Chat 模式：大模型会根据自己的训练数据和上传的文档数据综合给出答案。 Query 模式：大模型仅依靠文档中的数据给出答案。 4. 测试对话。完成上述配置后，即可与大模型进行对话。四、写在最后 “看十遍不如实操一遍，实操十遍不如分享一遍”。若您对 AI Agent 技术感兴趣，可以联系我或者加我的免费知识星球（备注 AGI 知识库）。

2024-12-18