LHW0621的专栏

的核心思想是将输入数据分配给不同的专家子模型，然后将所有子模型的输出进行合并，以生成最终结果。这种分配可以根据输入数据的特征进行动态调整，确保每个专家处理其最擅长的数据类型或任务方面，从而实现更高效、准确的预测。

LangChain是一个用于开发由语言模型驱动的应用程序的框架。LangChain 库：Python 和 JavaScript 库。包含了各种组件的接口和集成，一个基本的运行时，用于将这些组件组合成链和代理，以及现成的链和代理的实现。LangChain 模板：一系列易于部署的参考架构，用于各种任务。（类似于SpringCloud）LangServe：一个用于将 LangChain 链部署为 REST API 的库。（类似于API网关）LangSmith。

对于ChatGPT和国内公司推出的绝大多数AI大语言模型而言，中文都是其支持得较为不错的语言之一，因此对于绝大多数问题（95%以上），使用中文完全没有问题。但如果你发现某些回答不尽如人意，转用英文提问是一种可尝试的方案，因为英文是大多数AI大语言模型训练语料最丰富的语言之一，即使是国内大模型也使用了很多英文语料进行训练。在与AI大语言模型交互时，有时会遇到幻觉现象，即AI大语言模型输出的内容可能并不一定是真实存在的，AI大语言模型可能会给出看似合理但实际上是错误的回答。

我们通常可以通过约定输出格式、通过样本约束输出格式。

在学术界，举例的方法包括：少量样本提示（Few-shot Prompting）、单样本提示（One-shot Prompting），通常随着样本提示数量的增加，样本生成的准确性也会相应的提升，通常而言，7～10个样本提示会取得较好的效果。少量样本提示虽然解决了AI大语言模型理解上的问题，能够适用于许多任务，但如果遇到了需要推理的复杂任务时，少量样本提示就无能为力了，因为模型无法从少量样本提示中学习到完整的推理过程。通过这样的方式，你可以从多个维度获取全面的信息和建议，帮助你更好地进行决策和规划。

在分步提问的过程中，你可以和AI大语言模型“协同思考”，在每次提问获得AI大语言模型反馈后，利用自己的智慧结合AI大语言模型的回答，分析并及时调整下一步的提问方向，以便得出比AI大语言模型自身推理所能得到的更好的最终答案。5W是指When（什么时间）、Who（什么人）、Where（什么地方）、Why（什么原因）、What（什么事情），1H是指How（怎么做）使用角色扮演是一种效果非常显著的策略，AI大语言模式不仅能采用与角色相符的语言风格和表达方式，还能模拟特定角色的思维模式和行为。

输入部分包含了AI执行任务所需的数据或信息。：这是框架的第一部分，它明确了你希望AI执行的具体任务或动作。这可以包括任务的背景、目的、历史信息或其他任何有助于AI更好地理解和执行任务的信息。：提供关于请求的详细上下文和背景信息，帮助AI更准确地理解需求和面对的具体情境，使得生成的回答更加贴近实际问题和目的。：定义AI在对话中扮演的角色，如专家、顾问、朋友等，为对话建立框架，让AI知道应该以何种专业角度或风格来回答。：设定的可量化或具体的结果，用于衡量是否达到了目标，确保得到的答案是可衡量和实际的。

在过去1~2年的时间中，被各种AIGC、AGI、LLM、大模型、生成式AI等概念刷屏，包括：那么到底什么是AI大模型？AI大模型的特点是训练数据量级大、参数量级大，这些模型通常具备较高的通用性，可以被应用于自然语言处理、图像识别、语音识别等领域。