大模型精准问答机制解析：从语义向量化到上下文增强的完整流程拆解

引言

首先我们需要思考一个问题：在我们用大模型，对它提出问题时，它为什么能够给到你一个相对精确的回复？

一、大模型生成会话流程

1、文本生成流程

用户输入问题——问题向量化（检索阶段）——向量相似性检索——拼接上下文与问题——大模型生成答案——用户接收答案

2、流程解析

2.1 用户输入问题

用户把问题给到大模型；

2.2 问题向量化（检索阶段）

大模型会将用户的问题转换成向量化数据（也就是将问题文本转化为数值形式的向量）。那为什么需要向量化呢？因为计算机无法直接去理解文本内容，所以需要将用户的问题文本进行转化，从而得到计算机能够去识别理解的文本形式，也就是数值形式的数据；

2.3 向量相似性检索

这里用户输入的问题向量化文本（转化为数值型的文本）会与大模型的知识库进行相似度检索。那检索的形式就是会去做一个“L2距离（欧氏距离）​”的一个计算，L2距离指的是在二维平面上，两点之间的直线距离。也就是“问题文本的向量化数据“与”大模型知识库中的向量化数据”会进行距离计算，距离越小相似度越高，大模型会选出相似度较高的数据。

2.3.1 L2距离示例说明

•  ​类比：在二维平面上，两点之间的直线距离就是 L2 距离。