一、数据预处理优化(适配DS/QWQ特性)
- 分块策略定制化
• DS适配:建议采用语义分块+递归分块组合,对于技术文档(如SD-WAN配置手册),先按章节(递归分块)划分,再通过余弦相似度检测语义边界。
• QWQ优化:对结构化数据(如Excel表格),采用固定分块(256 tokens)+ 20%重叠,避免切断字段关联,同时添加列名作为元数据标签。
• 实验验证:测试显示,DS在512 tokens分块时召回率提升12%,而QWQ在256 tokens时处理非语义编号效果更佳。 - 文件格式与OCR处理
• 优先使用MD/HTML格式,对扫描PDF需通过Umi-OCR预处理(准确率提升35%)。
• Excel等结构化数据需转换为键值对文本(如{"字段":"值"}
),避免向量化失真。
二、检索策略增强(混合模型支持)
-
DS/QWQ多路召回机制
# DS多模型并行示例 ds_vector = DSEncoder(query) # 基于bge-large微调的向量模型 qwq_keyword = BM25(tokenized_query) combined_score = 0.7*ds_vector + 0.3*qwq_keyword # 权重需AB测试调整
• DS优势:在语义关联场景(如技术概念解释)表现突出,测试显示首条命中率达83%。
• QWQ优势:精确匹配场景(如法规条文编号)采用全文检索模式,准确率比纯向量高29%。 -
动态参数调整
• 查询类型识别:通过DS分类模型自动判断问题类型(语义/精确匹配),动态切换检索模式。
• 分片权重策略:对长文档采用头部80%内容权重系数1.2,尾部20%系数0.8,缓解信息稀释问题。
三、模型优化方案
- 领域微调实践
• DS模型使用LoRA在专业语料(如法律条文)微调后,MRR@5从0.41提升至0.63。
• QWQ建议采用对比学习训练,增强对非连续文本(如表格数据)的编码能力。 - 蒸馏与模块化
• 将DS核心知识蒸馏为小型专家模型(如医疗、法律模块),推理速度提升3倍。
• QWQ通过分层检索架构:首层轻量模型粗筛,二层精细模型重排序。
四、工程优化实践
-
索引加速方案
索引类型 DS适用场景 QWQ适用场景 HNSW32 高召回率需求(>98%) 低内存环境(<4GB) IVFPQ 千万级数据量 实时性要求高(P95<50ms) 测试显示DS在HNSW32下响应延迟降低42%。 -
缓存策略
• 热点查询(如高频政策条款)预计算DS向量并存入Redis,命中时直接调用(延迟从120ms→15ms)。
• QWQ采用查询模式缓存,对"XX法规第N条"类问题建立正则表达式缓存池。
五、评估与迭代机制
-
测试基准构建
• 构建三元组测试集:(问题, 正样本ID, 负样本ID)
,需覆盖DS/QWQ的典型错误案例(如编号混淆、多义词歧义)。
• 关键指标:
◦ DS的MAP@10需>0.68
◦ QWQ的精确匹配准确率需>92% -
持续学习流程
graph LR A[用户反馈日志] --> B{错误类型分析} B -->|语义错误| C[更新DS微调数据] B -->|精确匹配错误| D[优化QWQ检索规则] C --> E[月度增量训练] D --> F[实时规则热更新]
六、典型问题解决方案
例:Excel数据检索不准
- 问题根因:
• 结构化数据在DS向量空间中的映射失真
• QWQ的全文检索对字段边界识别误差 - 解决方案:
• 预处理:将Excel转换为字段:值
文本,添加## 表名
等标记
• DS优化:采用字段值对单独编码(如ORG_CODE:52440306
)
• QWQ优化:建立精确匹配规则库,对特定字段(如信用代码)启用正则表达式检索
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。