轻松搭建AI应用的三个大模型技术路线

时下聊起AI，想必最热的就是使用AI+的应用（chatGPT，文心一言等）来提升自己工作的效率，比如破局俱乐部，洋哥带领星球2万多人开启大航海，教人使用这一波新起的应用进行赚钱与赋能。

在我的视角来看，当下仍然是前期的红利，现在这趟车就像是凌晨的**“高铁检测车”**，是先行军，估计在2024年才会迎来真正的爆发。

今天的话题，就相当于大模型应用大爆发前的“闪电”，我们将从技术介绍，适用边界，操作步骤和应用示例来聊聊三个大模型技术路线，帮助你开阔它背后的秘密：

1. 指令工程技术
2. 表示学习和检索技术
3. fine-tune（微调）技术

01

指令工程技术

谈起指令工程，用过chatGPT，文心一言等等对话式AI应用的你并不陌生，就是通过输入prompt指令，来达到输出你想要的文字，图片或者视频。

更专业的大厂在去年6月爆发式的招收过一批prompt engineer，他们的作用就是不断的调整指令来搭建不同的领域型应用。比如AI心理医生，AI聊天助手等等。

当时我搭建过一个AI苏格拉底，聊起来颇有压力。但聊着聊着就我就发现它不知道自己是谁了，这也是这种技术的限制。

**技术难度：**⭐️⭐️

**适用边界：**适用于可以被简洁指令描述的任务，如内容创作（文章、故事、代码）、问题解答、推理分析等。

**实施步骤：**输入指令词。尽量使用结构化提示词：背景，角色，目标和任务。

应用示例：

**
**

02

表示学习和检索技术

表示学习和检索技术是互相配合的两种技术。

（来源于网络）

表示学习是指将文本、图片等数据转化为数学向量，这些向量能够捕获原始数据背后的语义信息。

检索技术则是利用这些向量化后的数据进行高效查找相似内容的过程。

简单来说，就是我们可以自己“投喂”自己家的知识库进去了，整个运作机制是先检索自己的知识库，通过向量运算来将距离最近的结果返回前给用户。

**技术难度：**⭐️⭐️⭐️⭐️

适用边界：

主要用于搜索、推荐、问答系统等领域，解决模糊查询、相关性匹配等问题。

（构建表示学习和检索系统需要一定的机器学习基础和专业知识，涉及深度学习模型搭建、向量数据库管理和索引算法等方面。）

实施步骤：

第一步：准备知识库

第二步：运用深度学习模型将文本或其他类型的数据转换为向量；

第三步：将这些向量存储在专属的向量数据库中；

第四步，当用户发起查询时，计算查询向量与数据库内所有向量的距离，找出最相近的结果返回结果。

应用示例：

在新闻推荐系统中，系统可以将用户的历史阅读行为和新闻标题转为向量，然后快速找到与用户兴趣相关的最新文章推荐给用户。

03

Fine-tune（微调）技术

Fine-tune俗称 “微调”，就是“借用”预训练模型的强大基础，通过少量额外训练让它掌握更专业、更精细的技能，从而解决实际问题的一种高效策略。

（来源于网络）

打个比方，就像是让你的孩子在已经学会基础数学知识之后，再针对某个专门的数学奥林匹克竞赛进行针对性训练的过程。从而对某一个细分领域有更深的掌握。

**技术难度：**⭐️⭐️⭐️⭐️

适用边界：

适用于各种定制化的自然语言处理任务，包括但不限于情感分析、文本分类、命名实体识别以及特定领域的问答系统等。

（Fine-tune需要具备一定的机器学习实践经验和数据集准备能力，但许多平台提供了便捷的微调工具和教程，降低了入门门槛。）

实施步骤：

第一步：选用一个适合的预训练大模型作为基础；

第二步：收集并整理用于特定任务的数据集；

第三步：在该数据集上对预训练模型进行额外训练（微调），以使模型更适应特定场景；

第四步：评估微调后的模型在验证集上的表现，并根据需求持续优化。

应用示例：

若要创建一个餐厅评论的情感分析工具，可以采用预训练的语言模型并对其进行fine-tune，使其学会准确地判断评论中的情感极性和倾向性。

最后的话

简单做个总结，指令工程是当下最简应用的一个实施路线，但它用的是基于某个大模型的原生知识，并且会受制于token等类型限制，会导致回复前后不一致的情况，不太适合商用。

表示学习与检索技术专注于从大量文本中提取和利用语义表示以支持高效的检索和相似性比较。

微调技术则是在预训练模型的基础上进一步优化模型能力，使其更精准地完成特定的自然语言处理任务。

对比表示学习和检索技术和Fine-tune技术，这两个技术实现的应用则更加灵活，通过知识库就可以调整输出内容的专业度，达到商用目的。应用这两种技术实施的团队至少得3个人：算法，全栈开发和产品。

人好找，技术路线也好定，此时比拼的就是数据的质量和数量了。

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】