爆火的本地知識庫項目是什么？什么是RAG？本地知識庫與大模型的關(guān)系 原創(chuàng)
“ 本地知識庫就相當(dāng)于大模型的外部資料庫?！?/strong>
很多人應(yīng)該都聽過本地知識庫項目，它是當(dāng)今人工智能領(lǐng)域爆火的項目之一，那么到底什么是本地知識庫？它和大模型有什么關(guān)系？怎么構(gòu)建本地知識庫？
1、為什么需要本地知識庫？
其實本地知識庫和大模型本身沒有什么直接關(guān)系，可以說它們是兩個完全獨(dú)立的技術(shù)。
但因為大模型的幻覺問題和大模型的數(shù)據(jù)更新遲緩，因此才把知識庫技術(shù)與大模型技術(shù)相結(jié)合，產(chǎn)生了大模型知識庫技術(shù)。
什么是知識庫？
知識庫簡單來說就是資料庫，比如國家圖書館收錄了我國幾千年來的歷史書籍和資料；每家企業(yè)都會有一些內(nèi)部數(shù)據(jù)；各個領(lǐng)域都有自己領(lǐng)域內(nèi)的數(shù)據(jù)和資料。
而怎么管理這些資料和數(shù)據(jù)，就是知識庫技術(shù)，知識庫的核心有兩點，一是數(shù)據(jù)的存儲，二是數(shù)據(jù)的檢索。
在互聯(lián)網(wǎng)技術(shù)出現(xiàn)之前，知識庫都是以檔案室或資料室的形式存在；而計算機(jī)技術(shù)出現(xiàn)之后，特別是大數(shù)據(jù)技術(shù)出現(xiàn)之后，知識庫就可以從線下走到了線上。
而大數(shù)據(jù)技術(shù)也為處理大量復(fù)雜數(shù)據(jù)提供了可能。
大模型技術(shù)是當(dāng)前人工智能領(lǐng)域爆火的技術(shù)之一，但它有一個致命的缺陷就是，它的訓(xùn)練數(shù)據(jù)是有時間限制的，比如chatGPT的數(shù)據(jù)還是兩年前的，它對近兩年的情況就什么都不知道了。
解決這個問題其實有多種方式，比如用最新的數(shù)據(jù)對大模型進(jìn)行重新訓(xùn)練，或者使用微調(diào)技術(shù)比如lora，用最新的數(shù)據(jù)進(jìn)行微調(diào)。
但這兩種方式一來成本太高，二來門檻太高，對很多小公司是不可接受的。其次就是，哪怕重新訓(xùn)練出來的大模型，在一些垂直領(lǐng)域的問題上經(jīng)常會出現(xiàn)“幻覺”問題。
所以，大模型知識庫技術(shù)就出現(xiàn)了，大模型就類似于一個大學(xué)生；它有足夠的基礎(chǔ)知識，然后在一些沒有接觸過的領(lǐng)域或者不懂的問題，就去圖書館查資料。
更形象的表達(dá)應(yīng)該是類似于學(xué)生期末考試之前，會發(fā)考前資料，然后告訴你考試內(nèi)容在資料里。
這樣既解決了大模型的時間限制問題，也解決了成本和門檻問題，也大大減少了幻覺的產(chǎn)生。
2、怎么實現(xiàn)大模型知識庫？
實現(xiàn)大模型知識庫理論上很簡單，就是在問大模型的時候，帶上“資料”，大模型根據(jù)資料內(nèi)容進(jìn)行回答。
但這里需要解決幾個問題：
第一，資料的加載問題，隨著技術(shù)的發(fā)展資料的類型也是多種多樣，比如有文本文檔，圖片，視頻，聲音等等；文本文檔還有txt，word，excel等多種格式，還有很多格式化及非格式化數(shù)據(jù)，因此文檔的加載是一個非常麻煩的事情。
第二，資料的存儲問題，有了資料之后，需要把資料進(jìn)行加載然后統(tǒng)一處理，而如果這些資料是給人看，那么只需要把文檔按照原本的格式保存即可。但因為大模型只認(rèn)識向量格式的數(shù)據(jù)，因此需要把文檔轉(zhuǎn)化為向量格式存儲，而這就是向量數(shù)據(jù)庫。
第三，數(shù)據(jù)的檢索問題，數(shù)據(jù)加載到向量數(shù)據(jù)庫之后，應(yīng)該怎么檢索就是一個問題。因為如果資料庫比較小問題還不大，如果資料庫很龐大，怎么快速的檢索，也是一個值得思考的問題。
大模型知識庫的使用流程
大模型知識庫加載流程如下：
文檔加載，通過加載工具把各種格式的文檔加載到向量數(shù)據(jù)庫中；其次，需要對文檔進(jìn)行轉(zhuǎn)換拆分，比如按照固定長度進(jìn)行拆分；然后，通過embedding大模型，把拆分后的文檔根據(jù)語義轉(zhuǎn)換為向量格式；最后存儲到向量數(shù)據(jù)中。
然后使用的時候，從向量數(shù)據(jù)庫中檢索數(shù)據(jù)。
embedding模型的作用是為了把文檔進(jìn)行有意義的語義轉(zhuǎn)換，否則文檔數(shù)據(jù)直接存儲到數(shù)據(jù)庫中就會出現(xiàn)資料錯誤的問題。
流程如下圖所示：
上一步加載完文檔之后，就可以進(jìn)行使用了。
使用的步驟是，用戶對大模型進(jìn)行提問，然后通過embedding把用戶提問轉(zhuǎn)化為向量格式，然后根據(jù)提問從向量數(shù)據(jù)庫中檢索和提問內(nèi)容有關(guān)的資料。如下圖8-11步所示。
檢索到資料之后，根據(jù)用戶提問和檢索資料，構(gòu)建prompt template(提示詞模板)，最后輸入到大模型中，獲得結(jié)果。
整個知識庫的流程如下圖所示：
本文轉(zhuǎn)載自公眾號AI探索時代 作者：DFires
