在塑造新領(lǐng)域的過程中，我們往往依賴于一些經(jīng)過實踐驗證的策略、方法和模式。這種觀念對于軟件工程領(lǐng)域的專業(yè)人士來說，已經(jīng)司空見慣，設(shè)計模式已成為程序員們的重要技能。然而，當我們轉(zhuǎn)向大模型應用和人工智能領(lǐng)域，情況可能會有所不同。面對新興技術(shù)，例如生成式AI，我們尚缺乏成熟的設(shè)計模式來支撐這些解決方案。

作為一位老碼農(nóng)，我在這里整理總結(jié)了一些針對大模型應用的設(shè)計方法和架構(gòu)模式，試圖應對和解決大模型應用實現(xiàn)中的一些挑戰(zhàn)，如成本問題、延遲問題以及生成的不準確性等。

1.路由分發(fā)模式

當用戶輸入一個查詢時，該查詢會被發(fā)送到控制中心，而控制中心則扮演著對輸入進行分類的角色。

圖片

如果查詢是可以識別的，那么它會被路由到小語言模型進行處理，這通常是一個更準確、響應更快且成本更低的操作。然而，如果查詢無法被識別，那么它將由大型語言模型來處理。盡管大型語言模型的運行成本較高，但它能夠成功返回更多種類型查詢的答案。通過這種方式，人工智能產(chǎn)品可以在成本、性能和用戶體驗之間實現(xiàn)平衡。

2.大模型代理模式

想象一個生態(tài)系統(tǒng)，其中多個專門針對特定任務(wù)的生成式AI模型各自作為其領(lǐng)域內(nèi)的專家，并行工作以處理查詢。這種多路復用模式能夠生成一系列不同的響應，然后將這些響應整合在一起，形成一個全面的答案。

圖片

這樣的設(shè)置非常適合復雜的問題解決場景，在這種場景中，問題的不同方面需要不同的專業(yè)知識，就像一個由專家組成的小組，每個專家負責處理更大問題的一個方面。

更大的模型（如GPT-4）負責理解上下文，并將其分解為特定的任務(wù)或信息請求，這些任務(wù)或信息請求被傳遞給更小的代理。這些代理可能是較小的語言模型，它們已經(jīng)接受過特定任務(wù)的訓練，或者是具有特定功能的通用模型，如GPT、Llama、上下文提示和函數(shù)調(diào)用。

3.多任務(wù)微調(diào)模式

在這種架構(gòu)模式中，我們對大型語言模型進行了微調(diào)，使其能夠同時處理多個任務(wù)，而非僅僅針對單個任務(wù)。這是一種跨領(lǐng)域知識和技能遷移學習的方法，大大增強了模型的多功能性。

圖片

這種多任務(wù)學習方法對于那些需要應對各種復雜任務(wù)的平臺來說尤其有用，例如虛擬助理或是人工智能驅(qū)動的研究工具。這極大地簡化了面向復雜領(lǐng)域的訓練和測試工作流程。

在訓練大型語言模型（LLM）時，我們可以利用一些資源和軟件包，如DeepSpeed，以及Hugging Face的Transformer庫。

4. 面向微調(diào)的分層緩存策略模式

我們將緩存策略和相關(guān)服務(wù)引入到大模型應用架構(gòu)中，可以成功地解決成本、數(shù)據(jù)冗余以及訓練數(shù)據(jù)等組合問題。

圖片

通過儲存這些初始結(jié)果，系統(tǒng)能夠在后續(xù)查詢中迅速提供答案，從而顯著提高了效率。當我們累積了足夠的數(shù)據(jù)后，微調(diào)層級將啟動，利用早期交互的反饋，進一步完善一個更為專業(yè)化的模型。

專有大模型不僅簡化了操作流程，也使人工智能專業(yè)知識更好地適應特定任務(wù)，使其在需要高度精確性和適應性的環(huán)境中，如客戶服務(wù)或個性化內(nèi)容創(chuàng)建，表現(xiàn)得更為高效。

對于剛?cè)腴T的用戶，可以選擇使用預先構(gòu)建的服務(wù)，如 GPTCache，或者使用常見的緩存數(shù)據(jù)庫，如 Redis、Cassandra、Memcached來運行自己的服務(wù)。在向混合服務(wù)中添加其他服務(wù)時，一定要記得監(jiān)控并測量延遲情況。

5.混合規(guī)則模式

許多現(xiàn)行的商業(yè)系統(tǒng)和企業(yè)應用在一定程度上仍然依賴于基于規(guī)則的架構(gòu)。通過將大模型與基于規(guī)則的邏輯結(jié)合，我們能夠融合結(jié)構(gòu)化的精確性，旨在創(chuàng)造出既富有創(chuàng)意又遵循規(guī)范的解決方案。

圖片

對于那些必須嚴格遵守標準或法規(guī)的行業(yè)或產(chǎn)品而言，這是一個非常有效的架構(gòu)模式，它確保了人工智能在保持創(chuàng)新的同時，仍能遵守既定的理想?yún)?shù)。例如，這種架構(gòu)可以應用于生成電話IVR系統(tǒng)或基于規(guī)則的傳統(tǒng)（非LLM）聊天機器人的意圖和消息流。

6.知識圖譜模式

將知識圖譜與生成型人工智能模型結(jié)合，賦予了它們面向事實的超級能力，使得輸出不僅具有上下文情境，而且更加符合事實。

圖片

對于要求內(nèi)容真實性和準確性不容忽視的應用來說，這種方法至關(guān)重要，比如在教育內(nèi)容創(chuàng)作、醫(yī)療咨詢或任何誤導可能帶來嚴重后果的領(lǐng)域。

知識圖譜及其本體能夠?qū)碗s主題或問題分解成結(jié)構(gòu)化格式，為大型語言模型提供深層上下文基礎(chǔ)。我們甚至可以借助語言模型，以JSON或RDF等格式創(chuàng)建本體。

可用于構(gòu)建知識圖譜的圖數(shù)據(jù)庫服務(wù)包括ArangoDB、Amazon Neptune、Google Dgraph、Azure Cosmos DB以及Neo4j等。此外，更廣泛的數(shù)據(jù)集和服務(wù)也能用于訪問更全面的知識圖譜，包括開源的企業(yè)知識圖譜API、PyKEEN數(shù)據(jù)集以及Wikidata等等。

7. 智能體蜂巢模式

智能體蜂巢架構(gòu)模式運用了大量AI Agent，這些代理共同協(xié)作以解決一個問題，每個代理都從各自獨特的視角出發(fā)進行貢獻。

圖片

由此產(chǎn)生的綜合結(jié)果展示了一種集體智慧的體現(xiàn)，其效果超越了任何一個單獨的AI個體所能達到的成果。在需要大量創(chuàng)新解決方案的場景中，或者在處理復雜的數(shù)據(jù)集時，這種模式尤其有效。

例如，我們可以利用多個AI Agent來共同審查一篇研究論文，整合他們的所有數(shù)據(jù)和觀點。對于處理能力要求較高的蜂巢系統(tǒng)，我們可以考慮部署消息隊列服務(wù)，比如Apache Kafka，以便更好地處理代理和服務(wù)間的消息傳遞。

8. 智能體組合模式

該架構(gòu)模式強調(diào)了靈活性，通過模塊化的人工智能系統(tǒng)，能自我重新配置以優(yōu)化任務(wù)性能。這就像一個多功能工具，可以根據(jù)需求選擇和激活不同的功能模塊，對于需要為各種客戶需求或產(chǎn)品需求定制解決方案的企業(yè)來說，這是非常有效的。

圖片

我們可以通過使用各種自主代理框架和體系結(jié)構(gòu)來開發(fā)每個Agent及其工具，例如CrewAI、Langchain、LLamaIndex、Microsoft Autogen和superAGI等。

通過組合不同的模塊，例如一個Agent可以專注于預測，另一個處理預約查詢，還有一個專注于生成消息，最后一個Agent來更新數(shù)據(jù)庫。將來，隨著專業(yè)AI公司提供的特定服務(wù)的增多，我們可以將一個模塊替換為外部或第三方服務(wù)，以處理特定的任務(wù)或領(lǐng)域的問題。

9.記憶認知模式

這種架構(gòu)為人工智能引入了類似于人類記憶的元素，允許模型回憶并基于過去的交互進行學習，從而產(chǎn)生更細膩的反應。

圖片

這對于正在進行的對話或?qū)W習場景非常有用，因為隨著時間的推移，人工智能會形成更深的理解，就像一個專業(yè)的個人助理或者在線機器學習平臺。隨著時間推移，記憶認知模式能夠?qū)㈥P(guān)鍵事件總結(jié)并儲存到一個向量數(shù)據(jù)庫中，進一步豐富RAG系統(tǒng)。

為了保持匯總計算量的合理性，我們可以通過使用更小的自然語言處理庫來進行匯總和摘要。所使用的是向量數(shù)據(jù)庫，并在提示階段進行檢索，以檢查短期記憶，并通過最近鄰搜索來定位關(guān)鍵的“事實”。有一個遵循這種模式的開源解決方案是MemGPT。

10. 雙重安全模式

圍繞大型語言模型（LLM）的核心安全性至少包含兩個關(guān)鍵組件：一是用戶組件，我們將其稱為用戶Proxy代理；二是防火墻，它為模型提供了保護層。

圖片

用戶proxy代理在查詢發(fā)出和返回的過程中對用戶的query進行攔截。該代理負責清除個人身份信息（pII）和知識產(chǎn)權(quán)（IP）信息，記錄查詢的內(nèi)容，并優(yōu)化成本。

防火墻則保護模型及其所使用的基礎(chǔ)設(shè)施。盡管我們對人們?nèi)绾尾倏v模型以揭示其潛在的訓練數(shù)據(jù)、潛在功能以及當今惡意行為知之甚少，但我們知道這些強大的模型是脆弱的。

在安全性相關(guān)的技術(shù)棧中，可能還存在其他安全層，但對于用戶的查詢路徑來說，Proxy代理和防火墻是最關(guān)鍵的。