通过学习能得到什么?
- 可以得到一个简单的应用
- 可以更深入了解大模型知识库的工作流
- 大家有兴趣,可以跳到文末先看效果
重要的工具
我们先来看下今天这个小项目需要的概念和工具:
-
Dify:Dify是一个开源的大语言模型(LLM)应用开发平台,它融合了后端即服务(Backend as a Service,BaaS)和LLMOps的理念,旨在帮助开发者快速搭建生产级的生成式AI应用。Dify提供了丰富的功能和友好的界面,即使非技术人员也能通过简单的操作快速构建AI应用。
-
问题:使用Dify,需要梯子。
-
知识库:准备一个比较垂类的文档,最好是公开信息比较难找到的信息,方便后续观察大模型的效果。
-
LLM的 API key:简单说,就是某个大模型的钥匙,这个很简单,deepseek,通义千问等等各种平台上注册一个账号,就能获得API key。
核心任务
今天我们核心任务是通过Dify搭建一个大模型知识库,所以,关于如何使用梯子,如何准备API key,这些我们就不多赘述了,如果大家真的有需要,我可以再出其他教程。
任务流程
这篇文章里的内容,流程如下:
- 用户输入:输入一个问题,随便什么。
- 大模型提取关键内容:通过大模型,对用户的提问进行归纳,总结成关键字或者关键句子。
- 知识检索:用关键字或关键句子在知识库中检索,获得相关内容。
- 大模型输出:将检索到的知识给大模型,并让大模型输出最终问题的答案。
在这个流程中,我们需要这样几个节点,大家理解即可,接下来会详细介绍如何操作。
实操过程
1.登录Dify
首先自然是登录Dify了,地址是:https://dify.ai/zh
完成登录注册后,进入到了工作室界面:
(整个过程需要使用梯子,请注意)
2.创建应用模板
• 创建空白应用—>选择Chatflow—>起个好听的应用名称—>点击创建:
3.流程配置
先看配置之后的样子:
我们逐个解释。
3.1 节点1:开始
这个环节没什么,大家看下右侧的输入字段就行,每次提问,都会有这些字段信息。
3.2 节点2:提取关键内容
这个节点是一个大模型,在这里我用了DeepSeek-R1-Distill——Qwen-14B,你用什么都行,只要注册了api key,自己在平台上配置就行了。
添加了大模型后,主要关注下右侧的内容:
- • SYSTEM中,我们写的内容,他约束了这个节点的输出,其实就是之前我们提到,先用大模型提取关键字,为了避免大模型直接给你答案,所以给了一些约束。
- • 记忆:这个打开就好了,就是会记录之前每次的提问,让回答更连贯。
3.3 节点3:知识检索
这个节点是一个知识检索节点,也没什么特殊的,核心在于知识库本身上,这就是Dify的强大,他在背后完成了其他的工作,你只需要用就行了:
这里我们对知识库再展开一下,我们这里在海康的平台上下载了一份他们的操作手册来作为知识库:
• 上传文档:
• 知识库分段:
• 完成处理:
再回来到工作室,在知识检索节点,选择知识库即可:
3.4 节点4:回答问题
这个节点也是一个大模型:
我们在SYSTEM内做了这样的限制,这段文本约束了大模型的输出。
3.5 节点5:直接回复
这个节点没什么,可开始节点一样。
效果
可以看到,这里输出的结果,基本就是知识库的内容中检索到的内容了,这非常有用,试想一下,如果你在本地电脑部署一个,你的所有工作文档可以直接通过和大模型对话的方式得到汇总和整理,效率很高。如果把它部署在团队的服务器上,那么整个部门的培训成本、学习成本会大幅度降低。这个工具非常有意思的地方在于:他不但给了你结果,还能让你看到过程:
每个环节做了什么,输入输出是什么,很清楚,你可以更清楚的了解整个过程的细节,也便于你去查看整个工作流的什么环节出错了。
最后
关于Dify的演示,这只是一个非常简单的小的项目,而且使用到的功能都是特别基础的,Dify支持很多的创意,具备很强大的功能,大家可以慢慢研究。
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。