一文搞懂AI大模型的四個核心技術
在日新月異的生成式AI領域，幾個核心的專業術語不僅頻繁出現在討論、報告和會議中，更是技術發展的關鍵驅動力。它們分別是：“Prompt Engineering（提示工程）”、“Function Calling（函數調用）”、“RAG（檢索增強生成）”和“Fine-tuning（微調）。
? Prompt Engineering（提示工程）：
提示工程是一種技術，通過設計、實驗和優化輸入提示詞（Prompt）來引導預訓練語言模型生成所需響應或完成特定任務。它的核心在于通過精確的提示詞，明確告訴模型需要執行的任務、提供的背景信息、期望的輸出格式等，從而引導模型生成高質量、準確的輸出。
? Function Calling（函數調用）：
函數調用是一種能力，允許大型語言模型在生成文本的過程中調用外部函數或服務。它涉及將用戶的自然語言請求轉換為可執行的函數調用，并生成符合預定義函數簽名的結構化輸出，如JSON對象。函數調用使您能夠更可靠地從模型中獲取結構化數據。
? RAG（檢索增強生成）：
檢索增強生成（Retrieval Augmented Generation）為大語言模型提供了從數據源檢索信息的能力，并以此為基礎生成回答。RAG 結合了信息檢索技術和大語言模型的提示功能，即模型根據搜索算法找到的信息作為上下文來查詢回答問題。它主要包含數據準備階段和檢索生成階段，涉及數據提取、分塊、向量化、數據入庫等環節。
? Fine-tuning（微調）：
微調是模型適應特定任務的關鍵步驟，它可以通過不同的方式進行，如Prefix Tuning、Prompt Tuning、P-Tuning、P-Tuning v2、Adapter Tuning和LoRA等。微調通過在預訓練模型的基礎上，進一步調整模型參數以適應特定的任務或數據集，提高模型在特定任務上的表現。
這些技術都是大模型開發中的重要概念，各自有不同的應用場景和優勢。下面分享一個圖文筆記整理的材料，便于大家學習和理解。
本文轉載自公眾號數字化助推器 作者：天涯咫尺TGH
