大模型应用开发入门（一）模型基础：大模型是怎么实现记忆的？RAG检索增强生成、ReAct(Reason+Act)

最新推荐文章于 2025-10-24 11:38:59 发布

原创最新推荐文章于 2025-10-24 11:38:59 发布 · 1k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #agi #自然语言处理 #大模型 #LLM #ai #RAG

大模型作为新兴领域，不断地冒出来新的专有术语和新的概念，让大家觉得很神秘，捉摸不透。但是大部分复杂性的背后都会有一个极其简单便于理解的模型，本次分享最主要就是大模型的基本范式，通过范式将这些神秘感去除。

大模型虽然很厉害，很神秘，但作为使用人员，门槛是非常非常非常低的。

一、模型基础

虽然市面上的大型语言模型（LLMs）种类繁多，但在使用层面大家平等的都是API调包侠，因此从接口层面来剖析大模型有哪些能力。LLM的接口通常都遵循或类似于 OpenAI 的规范。这里我们以 OpenAI 的接口为例进行说明。

在与大型模型交互时，除了控制模型输出随机性的参数外，最核心的参数只有两个：messages 和 tools。可以说，市面上各种各样的大模型应用，都是基于这两个参数的基础上设计而来。

1、messages-大模型是怎么实现记忆的？

messages是一个对话数组，其中角色主要有：
system：代表当前对话的系统指令，一般放提示词
user：用户指令
assistant：LLM的回复
…：不同厂商会有不同的扩展定义

大模型所谓的对话记忆实际上就是依赖该数组做信息传递，如下图所示，第一轮我告诉我的名字叫屈定，第二轮的时候在问他是谁，他已经知道了我的名字，之所以知道因为我在messages的上下文中传递给了他这个信息。

使用user传递用户的对话

使用system设置系统指令

提示词的不稳定容易被指令注入攻击

三张图看完，先总结下：

大模型为什么能记住之前的对话？

只是因为后台系统给了他之前的对话，并不是他自己记住。大模型的请求调用就是一个无状态的，取决于每次给的对话内容。

大模型的提示词有什么用？

大模型的提示词可以进一步控制(覆盖)模型的行为，具备高优先级，但存在不稳定性。

接下来我们就可以来理解第一个重要的大模型范式：检索增强生成，也就是RAG(Retrieval Augmented Generation)。

直白的理解为用检索到的知识，来增量生成答案的质量。比如我有一个关于数仓各种问题处理的Q&A，想要做一个问答机器人，这个问答机器人要基于我的Q&A回复用户。这个检索Q&A -> 基于检索到的Q&A回复用户，这个流程就是一个典型的RAG链路。也显而易见，RAG的最终目标是生成靠谱的答案给到用户。

RAG链路的搭建是很简单，但是效果却很难，从流程里面我们能发现两个关键点：

1.知识库检索召回：这里要解决如何召回最靠谱的答案。
2.LLM基于知识回答：这里要解决的是如何让模型在一堆知识中给出自信准确的回答。

这些都是业界在不断探索的东西，没有所谓的标准答案，只有适合当前业务的最佳方案。

2、tools-大模型能执行任何工具？

经常有同学会问一些大模型是否能查询odps，或者大模型能够把数仓数据导入到ob之类的问题。这些问题的背后是对LLM存在错误的理解，也就是tools参数的理解。

tools也是一个数组，包含了一堆工具集合，核心为工具的作用描述，和工具需要的参数，如下图天气工具的定义。

接下来就是使用工具，基于工具的回答至少要两次大模型请求调用：

将用户的对话和工具一起给到大模型，大模型需要执行的工具以及工具参数；
后端系统依据大模型选择结果，去执行对应的工具，拿到结果；
再次请求大模型，此时上下文中给到了工具执行结果，大模型基于信息回复；

先总结下：

大模型并不能够执行任何工具，但是大模型能够选择接下来要执行的工具。选择后工具由配合的系统来执行获取结果。

接下来我们就可以来理解第二个重要的大模型范式ReAct(Reason+Act)。

这里需要强调下，大模型的很多范式都是对生活中人类行为的模拟，因此我们也是从生活中的案例来理解大模型。

案例主题：老板让写一份调研外部大模型框架的报告
工具：互联网搜索，PPT，思维导图

思考 (Reasoning): 需要调研外部大模型框架，明确调研目标是了解行业内的主要框架、特点和应用场景。需要先明确有哪些主流框架，然后针对性地收集资料。
行动 (Acting):
行动： 使用互联网搜索“主流大模型框架 2024/2025”、“开源大模型框架”。
观察 (Observation):
观察： 搜索结果显示：PyTorch、TensorFlow、JAX等是主流框架，还有一些新兴框架如MindSpore、Paddle等。

思考 (Reasoning): 我已经拿到了想要的资料，接下来使用思维导图搭建汇报思路
行动 (Acting):
行动： 使用思维导图工具，搭建报告的初步框架，包括：框架名称、开发语言、主要特点、优势、劣势、应用场景。
观察 (Observation):
观察： 初步框架包括：框架名称、开发语言、主要特点（动态图/静态图、分布式训练支持等）、优势、劣势、应用场景（NLP、CV等）。

思考 (Reasoning): 信息基本收集完毕，需要将所有信息整理成结构化的报告，并使用PPT进行总结和分析。
行动 (Acting):
行动： 使用PPT工具，将思维导图中的内容整理成PPT，并撰写文字说明。
观察 (Observation):
观察： 完成了PPT初稿，内容比较全面，但需要进行排版美化。

这个思考的流程就是ReAct，后面有实际案例，这里先理解这个概念。