有什么提升 RAG 知识库问答的好的 prompt

RAG（RetrievalAugmented Generation，检索增强生成）是解决大语言模型在实际应用中存在的一些问题的有效方案。 大语言模型存在以下问题： 1. 知识的局限性：模型自身的知识完全源于训练数据，对于实时性、非公开或离线的数据无法获取。 2. 幻觉问题：基于数学概率的文字预测导致可能提供虚假、过时或通用的信息。 3. 数据安全性：企业担心私域数据上传第三方平台训练导致泄露。 RAG 可以让大语言模型从权威的、预先确定的知识来源中检索、组织相关信息，更好地控制生成的文本输出，用户也能深入了解模型如何生成最终结果。它类似于为模型提供教科书，适用于回答特定询问或解决特定信息检索任务，但不适合教模型理解广泛领域或学习新的语言、格式或样式。 微调类似于让学生通过广泛学习内化知识。这种方法在模型需要复制特定结构、样式或格式时非常有用。微调可以提高非微调模型的性能，使交互更有效率，特别适合强调基础模型中的现有知识，修改或自定义模型的输出，并向模型提供复杂的指令。然而，微调不适合合并模型中的新知识或需要新用例的快速迭代。 参考资料：《RetrievalAugmented Generation for Large Language Models:A Survey》（https://arxiv.org/pdf/2312.10997.pdf）

RAG（RetrievalAugmented Generation，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。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，能适应事实变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识尤其是长尾知识、知识易过时且不好更新、输出难以解释和验证、易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有数据库存储和更新稳定、数据更新敏捷且不影响原有知识、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本等优点。 在 RAG 系统开发中存在 12 大痛点及相应的解决方案，旨在帮助理解设计和实施 RAG 系统面临的复杂挑战，激发开发更强大且适用于生产环境的 RAG 应用。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。

RAG（RetrievalAugmented Generation，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。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关/支撑文档，给出来源（如维基百科），这些文档作为上下文和原始提示词组合给文本生成器得到最终输出，能适应事实随时间变化，让语言模型获取最新信息并生成可靠输出。 大语言模型（LLM）存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有以下优点：数据库对数据的存储和更新稳定，无学习风险；数据更新敏捷，可解释且不影响原有知识；降低大模型输出出错可能；便于管控用户隐私数据；降低大模型训练成本。 在 RAG 系统开发中存在 12 大痛点及相应解决方案，包括原论文中的 7 个和额外发现的 5 个。

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，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化，是因为 LLM 存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉干扰等问题。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 在 RAG 的应用中，可以将其抽象为 5 个过程：文档加载、文本分割、存储（包括将文档块嵌入转换成向量形式并存储到向量数据库）、检索、输出（把问题以及检索出来的嵌入片一起提交给 LLM 生成答案）。

以下是关于口播文案 Prompt 的相关内容： 一、景淮：漫画趣味高中大学时期对比图 GPTs 实战 在这个示例中，先将相关示例喂给 GPT，观察其生成文案的效果。提示词为上述高中和大学区别的口播搞笑视频，重点突出不同时期的生活状态和鲜明反差。输入关键词“下雨了”后，生成了以下口播文案： 1. 高中：下雨了，天哪，怎么办，我的数学书会湿！大学：下雨了，哦，正好，再睡一会儿。 2. 高中：下雨了，得快跑，别迟到了！大学：下雨了，那今天就不去了，网课见。 3. 高中：下雨了，我的鞋子！得小心踩！大学：下雨了，穿拖鞋去了，方便。 4. 高中：下雨了，雨衣雨伞全副武装！大学：下雨了，抓个文件夹顶顶就行。 5. 高中：下雨了，课间不能出去玩了。大学：下雨了，正好和室友打个牌。 6. 高中：下雨了，哦不，体育课怎么办？大学：下雨了，哈，今天体育课取消了！ 7. 高中：下雨了，我的作业别淋湿了！大学：下雨了，电脑在宿舍，作业得推迟了。 8. 高中：下雨了，赶紧找地方躲雨。大学：下雨了，雨中漫步也挺浪漫的。 9. 高中：下雨了，不会影响放学吧？大学：下雨了，嘿，这是不是个不去自习的理由？ 10. 高中：下雨了，我的头发！大学：下雨了，谁还没个糟糕的头发日呢。 二、歌词提示词 1. 柔和的原声乐器引子：指在歌曲开头使用柔和的原声乐器（如原声吉他或钢琴）演奏的部分。作用是设置温暖、亲密的氛围，引导听众进入歌曲。适用于民谣、流行音乐、乡村音乐等风格，编曲技巧是使用原声吉他或钢琴演奏柔和的旋律或和声，创造出温暖和亲密的开场效果。 2. 富有灵魂感的：充满情感和灵魂的表现，通常具有深情的旋律和强烈的情感表达。作用是增强音乐的情感深度和感染力，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是使用深情的旋律、柔和的和声和强烈的情感表达。 3. 富有灵魂感的桥段：在歌曲中间部分或过渡部分，充满情感和灵魂的旋律或和声。作用是增强音乐的情感深度和结构变化，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是在歌曲的过渡部分设计一个深情且富有灵魂感的桥段。 4. 口语：在歌曲或音乐中使用普通说话的方式进行表演，而不是唱歌。作用是增加音乐的叙述性和亲密感，强调歌词的内容和表达，适用于说唱、独立音乐、实验音乐等风格，编曲技巧是在适当的段落使用口语表演。 三、Prompt 的专场教程 基础篇 1. Prompt 是一段指令，用于指挥 AI 生成所需内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行都不影响效果。 改变 tag 权重：tag 顺序越靠前对于 SD 来说权重越大，可通过“括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍）两种方式设置。 进行 tag 的步数控制（高级玩法）：“”，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

以下是关于 prompt 应用的全面介绍： 一、什么是 prompt 1. 提示是您给模型（如 Claude）的文本，用于引发相关输出。它通常以问题或指示的形式出现。例如：“为什么天空是蓝色的？” 2. 在 AI 视频生成中，prompt 是直接描述或引导视频生成的文本或指令。类似给 AI 的提示，包含主体、运动、风格等信息，用户借此控制和指导生成内容。它在 AI 视频生成中作用十分重要，是表达需求的方式，影响视频内容和质量。如果上述过于抽象，您可以理解 Prompt 为：将您输入的文字变成对应的画面和运动形式。 3. 简单来说，prompt 是一套您和大模型交互的语言模板。通过这个模板，您可以输出对于大模型响应的指令，用于指定大模型应该具体做什么、完成什么任务、如何处理具体的任务，并最终输出您期望的结果。大模型的本质是一个基于语言的概率模型，若直接问大模型而不提供 prompt，相当于大模型随机给出答案。有了 prompt，相当于给了一个模板，包括对于模型的要求、输入和输出的限制，大模型在这个限制之下，去得到概率最大的答案。 二、prompt 在不同场景的应用 在即梦 AI 视频生成中，要想获得最佳的视频质量，需要写好 prompt。在图片生视频和文本生视频中，都有 prompt 的输入位置。

以下是 12 个精选的 prompt 框架： 1. ICIO 框架： 指令：执行的具体任务。 背景信息：提供执行任务的背景信息、上下文内容，让大模型更好地回答。 输入信息：大模型需要用到的一些信息。 输出信息：明确输出的具体信息的要求，比如字数、风格、格式。 2. BROKE 框架：通过 GPT 的设计提示，来提升整体反馈的效率。 背景：提供足够背景信息，让大模型可以理解问题的上下文。 角色设定：特定的角色，让 GPT 根据特定的角色能力的特点来形成响应。 目标：明确任务的目标，让大模型知道您想让它做什么。 结果定义：明确可以衡量的结果，让大模型清楚自己做的情况。 调整：根据具体的情况，来调整具体的结果。 3. CRISPIE 框架： 能力和角色：您期望大模型扮演的角色洞察，提供幕后洞察力、背景信息和上下文。 声明：简洁明了地说明希望完成的任务。 个性：回应的风格、个性或者方式。 实验：提供多个回答的示例。 4. 课件中的 Prompt 之术“三板斧”： 分配角色。 给出示例（fewshots）。 思维链（ChainofThought）。

以下是关于 prompt 的相关知识： 1. 提示简介： 提示是您给 Claude 的文本，用于引发相关输出，通常以问题或指示的形式出现。例如，“User：Why is the sky blue? 为什么天空是蓝色的？”，Claude 回答的文本被称为“响应”，有时也被称为“输出”或“完成”。 2. 改变区域+混音： 选择的大小会影响结果。更大的选择为中途机器人提供更多上下文信息，能改善新添加内容的扩展和上下文，但选择太多可能导致新生成的元素混合或替换原始图像的部分。 提示应集中于您希望在所选区域中发生的事情，较短且聚焦的提示通常更有效，不应是对话式的。 分步进行，如果要更改图像的多个部分，一次只处理一个部分。 技术细节：使用 Vary+Remix 模式生成的作业遵循 chaos、fast、iw、no、stylize、relax、style、version、video、weird 等参数。 3. 提示的类型： 基本提示：可以是简单的单词、短语或表情符号。中途机器人最适合用简单、简短的句子来描述您想看到的内容，避免长长的请求列表。 高级提示：可以包括一个或多个图像 URL、多个文本短语以及一个或多个参数。图像 URL 始终出现在提示的前面，精心编写的提示有助于生成令人惊叹的图像。

以下是一份关于 DeepSeek R1 大模型的 prompt 提示词模板： 一、核心原理认知 1. AI 特性定位 多模态理解：支持文本/代码/数学公式混合输入 动态上下文：对话式连续记忆（约 4K tokens 上下文窗口，换算成汉字是 8000 字左右） 任务适应性：可切换创意生成/逻辑推理/数据分析模式 2. 系统响应机制 采用意图识别+内容生成双通道 自动检测 prompt 中的：任务类型/输出格式/知识范围 反馈敏感度：对位置权重（开头/结尾）、符号强调敏感 二、基础指令框架 1. 四要素模板 2. 格式控制语法 强制结构：使用```包裹格式要求 占位符标记：用{{}}标注需填充内容 优先级符号：>表示关键要求，!表示禁止项 三、进阶控制技巧 1. 思维链引导 分步标记法：请逐步思考：1.问题分析→2.方案设计→3.风险评估 苏格拉底式追问：在得出最终结论前，请先列举三个可能存在的认知偏差 2. 知识库调用 领域限定指令：基于 2023 版中国药典，说明头孢类药物的配伍禁忌 文献引用模式：以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破 3. 多模态输出 此外，还有关于创建 DeepSeek 联网版工作流的相关内容： 1. 创建工作流 创建一个对话流，命名为 r1_with_net 开始节点，直接使用默认的 大模型分析关键词设置 模型：豆包通用模型lite 输入：直接使用开始节点的 USER_INPUT 作为大模型的输入 系统提示词：你是关键词提炼专家 用户提示词：根据用户输入`{{input}}`提炼出用户问题的关键词用于相关内容的搜索 bingWebSearch搜索 插件：BingWebSearch 参数：使用上一个节点，大模型分析输出的关键词作为 query 的参数 结果：data 下的 webPages 是网页搜索结果，将在下一个节点使用 大模型R1 参考搜索结果回答 这里需要在输入区域开启“对话历史” 模型：韦恩 AI 专用 DeepSeek 输入：搜索结果，选择搜索节点 data 下的 webPages；选择开始节点的 USER_INPUT；开启对话历史，设置 10 轮，默认不开启对话历史，开启后默认是 3 轮 系统提示词：这里不需要输入 用户提示词： 结束节点设置 输出变量选择大模型R1 参考搜索结果回答的输出 回答内容里直接输出:{{output}} 测试并发布工作流 输入你的测试问题，测试完成后，直接发布工作流 关于 HiDeepSeek 的相关内容： 1. 效果对比 用 Coze 做了个小测试，大家可以对比看看 2. 如何使用？ Step1：搜索 www.deepseek.com，点击“开始对话” Step2：将装有提示词的代码发给 Deepseek Step3：认真阅读开场白之后，正式开始对话 3. 设计思路 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担 通过提示词文件，让 DeepSeek 实现：同时使用联网功能和深度思考功能 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改 用 XML 来进行更为规范的设定，而不是用 Lisp（对我来说有难度）和 Markdown（运行下来似乎不是很稳定） 4. 完整提示词 v 1.3 5. 特别鸣谢 李继刚：【思考的七把武器】在前期为我提供了很多思考方向 Thinking Claude：这个项目是我现在最喜欢使用的 Claude 提示词，也是我设计 HiDeepSeek 的灵感来源 Claude 3.5 Sonnet：最得力的助手

如果您想用 AI 写 PPT，以下是一些关于 prompt 的建议： 1. Prompt 的本质是用编程语言的结构加上自然语言的内容打造 AI 指令，让 AI 可以像理解程序一样理解人类的指令。比较友好易懂的是 Markdown 的结构化语言格式。例如，在写流程时，用“”代表层级，“”代表一级类目，“”代表子类目，这样能明确 prompt 的执行顺序。 2. 每个单独的提示词叫 tag（关键词）。支持的语言为英语（不用担心英语不好的问题，），emoji 也可以用。 3. 语法规则： 用英文半角符号逗号“,”来分隔 tag，逗号前后有空格或者换行不影响效果。 改变 tag 权重：tag 顺序越靠前对于 SD 来说权重越大，还可以通过“/…”（每加一层括号权重变化）来设置权重。 进行 tag 的步数控制（高级玩法）：“”，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2；数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。 此外，像卓 sir 在制作电商模式相关的 PPT 时，通过与 GPT4 自然交流确定主题和企业代表，然后编写 PPT 大纲的 prompt，并经过多次迭代和优化。您可以参考这些经验和方法来构建适合您需求的 prompt。

以下是为您推荐的个人知识库软件： 1. Coze：如果您想使用专门搭建个人知识库的软件，可以参考文章，忽略本地部署大模型环节，直接看其中推荐的软件。但使用该软件可能需要对接一些额外的 API，建议先了解 RAG 的原理再使用。 2. AnythingLLM：包含所有 Open WebUI 的能力，并且额外支持选择文本嵌入模型和向量数据库。安装地址：https://useanything.com/download 。安装完成后，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。在 AnythingLLM 中有 Workspace 的概念，可以创建自己独有的 Workspace 跟其他项目数据进行隔离，包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式和 Query 模式），配置完成后即可进行对话测试。 此外，还有通过 GPT 打造个人知识库的方法，比如将文本转换成向量节省空间，拆分成小文本块并通过 embeddings API 转换成 embeddings 向量，在向量储存库中保存这些向量和文本块作为问答的知识库。当用户提问时，将问题转换成向量与库中向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API 。

目前没有明确的信息表明 waytoagi 的知识库基于哪个 LLM 创建。但以下信息可能对您有所帮助： AnythingLLM 包含了所有 Open WebUI 的能力，并且额外支持选择文本嵌入模型、选择向量数据库等。安装地址为：https://useanything.com/download 。安装完成后配置主要分为三步，包括选择大模型、选择文本嵌入模型、选择向量数据库。AnythingLLM 中有 Workspace 的概念，可创建自己独有的 Workspace 跟其他项目数据进行隔离，包括创建工作空间、上传文档并进行文本嵌入、选择对话模式（Chat 模式和 Query 模式）等。 GitHubDaily 开源项目列表中提到了 AnythingLLM，它是一个可打造成企业内部知识库的私人专属 GPT，可以将任何文档、资源或内容转换为大语言模型（LLM）知识库。

以下是关于用飞书搭建知识库并进行 AI 问答的相关内容： 知识库问答是机器人的基础功能，可根据用户问题从知识库中找到最佳答案，这利用了大模型的 RAG 机制。RAG 机制全称为“检索增强生成”（RetrievalAugmented Generation），是一种用于自然语言处理的技术，结合了检索和生成两种主要的人工智能技术，以提高机器对话和信息处理的能力。 简单来说，RAG 机制先从大型数据集中检索与问题相关的信息，然后利用这些信息生成更准确、相关的回答。可以想象成当问复杂问题时，RAG 机制先在巨大图书馆里找相关书籍，再基于这些书籍信息给出详细回答。这种方法结合大量背景信息和先进语言模型能力，使生成内容更精确，提升对话 AI 的理解力和回答质量。 基于 RAG 机制实现知识库问答功能，首先要创建包含大量社区 AI 相关文章和资料的知识库，比如创建有关 AI 启蒙和信息来源的知识库，通过手工录入方式上传栏目所有文章内容，陆续将社区其他板块文章和资料导入。在设计 Bot 时，添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，以更好地利用知识库返回内容结合回答。 另外，全程白嫖拥有一个 AI 大模型的微信助手的搭建步骤如下： 1. 搭建，用于汇聚整合多种大模型接口，方便后续更换使用各种大模型，并获取白嫖大模型接口的方法。 2. 搭建，这是个知识库问答系统，放入知识文件，接入上面的大模型作为分析知识库的大脑来回答问题。若不想接入微信，搭建到此即可使用，它有问答界面。 3. 搭建，其中的 cow 插件能进行文件总结、MJ 绘画。

以下是一些比较好的 AI 知识库学习网站及相关学习建议： 通往 AGI 之路知识库： 提供了全面系统的 AI 学习路径，帮助您了解从 AI 常见名词到 AI 应用等各方面知识。 包含关于 AI 知识库使用及 AIPO 活动的介绍、AIPO 线下活动及 AI 相关探讨、way to AGI 社区活动与知识库介绍等内容。 信息来源有赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等，推荐大家订阅获取最新信息并投稿。 有社区共创项目，如 AIPU、CONFIUI 生态大会，每月有切磋大会等活动，还发起了新活动 AIPO。 学习路径方面，有李弘毅老师的生成式 AI 导论等高质量学习内容，可系统化学习或通过社区共创活动反推学习，鼓励整理学习笔记并分享交流。 有经典必读文章，如介绍 GPT 运作原理、Transformer 模型、扩散模型等的文章，还包括软件 2.0 时代相关内容。 初学者入门推荐看 open AI 的官方 Cookbook，小琪姐做了中文精读翻译，也可查看 cloud 的相关内容。 有历史脉络类资料，整理了 open AI 的发展时间线和万字长文回顾等。 网站：ytoAGI.com 相关渠道：公众号“通往 AGI 之路”、 在线教育平台：如 Coursera、edX、Udacity 等，上面有一系列为初学者设计的课程，您可以按照自己的节奏学习，并有机会获得证书。 对于新手学习 AI，建议： 了解 AI 基本概念：阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 开始 AI 学习之旅：在「」中，找到一系列为初学者设计的课程。特别推荐李宏毅老师的课程。 选择感兴趣的模块深入学习：AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。掌握提示词的技巧，它上手容易且很有用。 实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 体验 AI 产品：与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。

要做一个知识库智能问答机器人，主要基于大模型的 RAG 机制，具体步骤如下： 1. 理解 RAG 机制：RAG 机制全称为“检索增强生成”（RetrievalAugmented Generation），是一种用于自然语言处理的技术，结合了检索和生成两种主要的人工智能技术，以提高机器对话和信息处理的能力。它先从大型数据集中检索与问题相关的信息，然后利用这些信息生成更准确、相关的回答。可以想象成在巨大图书馆里找相关书籍，再基于书籍信息给出详细回答，这种方法结合大量背景信息和先进语言模型能力，使生成内容更精确，提升对话 AI 的理解力和回答质量。 2. 创建知识库：创建包含大量社区 AI 相关文章和资料的知识库，例如创建有关 AI 启蒙和信息来源的知识库，通过手工录入方式上传文章内容，并陆续将社区其他板块的文章和资料导入。 3. 设计 Bot：在设计中添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，尽可能利用好知识库返回的内容进行结合回答。 此外，在飞书中，还可以利用飞书智能伙伴创建平台（Aily）来搭建 FAQ 机器人，它是飞书团队旗下的企业级 AI 应用开发平台，能为企业提供简单、安全且高效的环境，帮助轻松构建和发布 AI 应用。

知识库搭建主要包括以下几个方面： 1. “拎得清、看得到、想得起、用得上”的核心步骤： 拎得清：主动选择和判断高质量、与目标相关的信息源，利用 AI 搜索引擎、加入优质社群和订阅号等建立信息通路，具备信息嗅探能力。 看得到：确保所选信息能频繁且不经意地触达个人，通过浏览器插件、笔记工具等组织信息，使其易于检索和浏览。 想得起：强调信息的内化和知识线索建立，做好标记（关键词、tag）、选择合适存放位置，推荐使用 PARA 笔记法等方法组织串联信息。 用得上：将积累的知识转化为实际行动和成果，在解决问题或创造价值时能从知识库中调取相应信息。 2. RAG 技术： 利用大模型的能力搭建知识库是 RAG 技术的应用。 RAG 是当需要依靠不包含在大模型训练集中的数据时的主要方法，首先检索外部数据，然后在生成步骤中将其传递给 LLM。 RAG 应用包括文档加载、文本分割、存储（包括嵌入和向量数据存储）、检索、输出（把问题及检索出的嵌入片提交给 LLM 生成答案）。 文本加载器是将用户提供的文本加载到内存中以便后续处理。 3. 智能体知识库创建： 手动清洗数据，提高数据准确性。 在线知识库：创建画小二课程的 FAQ 知识库，飞书在线文档中每个问题和答案以分割，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理。 发布应用：确保在 Bot 商店中能搜到。

以下是一些在企业内部落地应用 AI 大模型工具的实践案例： 1. 阿里云百炼： 智能体应用：能够弥补大模型的不足，如回答私有领域问题、获取实时信息、回答专业问题等。适用于有企业官网、钉钉、微信等渠道，期望为客户提供产品咨询服务，以及缺少技术人员开发大模型问答应用的场景。典型场景包括私有领域知识问答、个性化聊天机器人、智能助手等。 内部业务助手：通过企业内部规章制度、部门结构、产品介绍等文档构建知识库，并借助 RAG 智能体实现内部知识问答功能。系统支持多源异构数据，并通过复杂文档解析和视觉增强技术，提升文档理解的准确性与深度。目前该功能已灰度上线，需提供 UID 并通过白名单进行开启。 2. 达摩院： AI 模特（虚拟换装）：支持虚拟换装、姿态编辑。 3. 电商零售： 推广文案写作：通过内置的多样化营销场景的文体模板，基于用户输入的创作主题以及参考素材，大模型即可为您生成对应的营销文案，为营销活动和宣传文案提供灵感和文案写作支持。 4. 泛企业： VOC 挖掘：是一个面向各类企业的 VOC 标签挖掘的工具。不论是用户的长短评论、帖子、还是用户和客服/销售的聊天记录、通话记录，都可以使用。通过选中或自定义标签，即可让大模型针对海量非结构化的 VOC 数据快速打标。相比于人工打标或规则打标准确率更高；对于业务标签变动频繁的情况，也能更敏捷、快速地影响。 5. 通义晓蜜：基于深度调优的对话大模型，为营销服类产品提供智能化升级所需的生成式摘要总结、质检、分析等能力应用。

waytoAGI 知识库智能问答机器人的实现方式如下： 基于 Aily 和云雀大模型。Aily 是飞书团队旗下的企业级 AI 应用开发平台，提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用。云雀是字节跳动研发的语言模型，能通过自然语言交互高效完成互动对话等任务。 在飞书 5000 人大群里内置，根据通往 AGI 之路的文档及知识进行回答。使用方法为在飞书群里发起话题时，它会根据 waytoAGI 知识库的内容进行总结和回答。 其具备多种功能，如自动问答、知识搜索、文档引用、互动教学、最新动态更新、社区互动、资源共享、多语言支持等。 搭建过程包括介绍 WaytoAGI 社区的成立愿景和目标、利用 AI 技术帮助用户检索知识库内容、引入 RAG 技术、介绍基于飞书的知识库智能问答技术的应用场景和实现方法、使用飞书的智能伙伴功能搭建 FAQ 机器人以及智能助理的原理和使用方法等。

以下是使用钉钉中的知识库构建智能问答机器人的步骤： 1. 纯 GPT 大模型能力的微信聊天机器人搭建： 配置极简未来（Link.AI）平台：按照官方教程操作，教程地址为 https://docs.linkai.tech/platform/createapp ，学习补充可参考 https://docs.linkai.tech/platform/quickstart 。 教程中的应用是创建一个具体的 AI 问答机器人应用。 教程中的知识库是给绑定到指定问答机器人的资料数据集，让机器人基于这些内容回答问题。 知识库应用中的应用设定是给 AI 机器人的提示词内容或者人设，关于提示词可查看教程 https://waytoagi.feishu.cn/wiki/OqJQwzq2wi9EIOkFtFkclM24nSe 。 创建成功的 AI 应用，记住应用的应用 ID，用于后续对接微信聊天机器人。 生成 API Key 用于后续功能对接，地址为 https://linkai.tech/console/interface ，点击创建 API Key 并记住。 2. 用 Coze 免费打造自己的微信 AI 机器人： 设计 AI 机器人： 开始节点和结束节点会自动生成。 开始节点配置：输入变量名写“Question”，描述写“用户输入的问题”，变量类型选“String”。 知识库配置：将开始节点和知识库左侧节点连接，知识库输入引用开始节点的变量“Question”，点击“+”号选择之前创建好的知识库，将知识库右侧节点与结束节点左侧连起来。 结束节点配置：用于输出 AI 机器人的最终结果，回答格式设置为“您的问题：{{question}} 问题的答案：{{answer}}”，在输出变量那里定义“question”引用“开始节点的 Question”，“answer”引用“知识库节点的输出 output”，回答模式选择使用设定的内容直接回答。 试运行测试：点击右上角“试运行”，输入问题如“AIGC 课件”，点击右下角“运行”，查看工作流每一步的详细输入和输出。

以下是关于如何使用好大模型的一些指导： 1. 本地部署资讯问答机器人： 加载所需的库和模块，如用于解析 RSS 订阅源的 feedparse，用于在 Python 程序中跑大模型的 ollama（使用前确保 ollama 服务已开启并下载好模型）。 从订阅源获取内容，可通过指定的 RSS 订阅 url 提取，如需多个 url 稍作改动即可。然后用专门的文本拆分器将长文本拆分成小块，并附带相关元数据，最终合并成列表用于后续处理。 为文档内容生成向量，使用文本向量模型 bgem3，从 hf 下载好模型放置在指定路径，通过函数利用 FAISS 创建高效向量存储。 Ollama 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同场景。易于使用，适用于 macOS、Windows 和 Linux 系统，支持 cpu 和 gpu。提供模型库，用户可从中下载不同模型，还支持自定义模型，如修改温度参数等，同时提供 REST API 用于运行和管理模型及与其他应用集成，社区贡献丰富。需先安装，可通过 https://ollama.com/download/ 下载，安装后确保后台服务已启动。 2. 编写清晰的说明： 在 OpenAI 官方说明文档中提到的“官方最佳实践”为用户提供了若干策略。 策略一是编写清晰的说明，在询问中包含详细信息，多说一些内容，多提供一些信息，能有效提高大模型回复的质量和丰富性。通过多个具体例子展示了提供更多细节能得到更符合预期的回答。