大模型开发新趋势：RAG技术架构与实战指南，小白也能上手-优快云博客

一、AI大模型中知识库常用框架——RAG架构图

二、RAG的技术要点

三、RAG技术可适用的业务范围有限

RAG技术方案适用场景和局限性：

1.单文档问答

2.基于文档具体内容的多文档问答

3.提问语义与文档内容相近

4.非统计类问答，比如总共有多份、带时间范围的统计、带类别统计等

四、最佳实践方案

  我们用的技术选型是数据库和RAG融合，即将数据比如主题词保存到数据库中。我们将文档整理为结构化数据（数据库，es索引或表格），选择强化大模型的Sql-Call的能力，来完成对任务的处理。同时用RAG技术进行兜底。

完整版此处有技术架构图

 让大模型解决精确计算和统计的问题，业界常见的方法就是生成python代码，外挂数据库和外挂知识库。大模型负责描述需求和生成指令，由外挂的模进行计算和统计部分。

业界技术方法优缺点对比：


	优点	缺点
将计算需求改成python代码，运行代码后得到结果。	大模型充分接触过相关任务，通用性强，做通用任务时不需要做额外的训练。	深入到具体垂直场景之后，准确率很低。不可预置人工定义的概念，无法做定制扩展。
使用数据库（关系型数据库，ES等）	统计结果精准，可以预置人工定义的概念，可以更新知识便捷，可读性和可解释性好	开发工作量较大
外挂其他计算和统计工具，比如：Pandas	业界有成熟的实践经验，只需预定义数据库的字段而无需建库，开发成本低，准确率较高	不可预置人工定义的概念

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。

在这里插入图片描述