LLM 的知识仅限于其训练数据。如希望使 LLM 了解特定领域的知识或专有数据，可：

• 使用本节介绍的 RAG

• 使用你的数据对 LLM 进行微调

• 结合使用 RAG 和微调

RAG_11">1 啥是 RAG？

RAG 是一种在将提示词发送给 LLM 之前，从你的数据中找到并注入相关信息的方式。这样，LLM 希望能获得相关的信息并利用这些信息作出回应，从而减少幻觉概率。

可通过各种信息检索方法找到相关信息。这些方法包括但不限于：

• 全文（关键词）搜索。该方法使用 TF-IDF 和 BM25 等技术，通过匹配查询（例如用户提问）中的关键词与文档数据库中的内容来搜索文档。它根据这些关键词在每个文档中的频率和相关性对结果进行排名

• 向量搜索，也称“语义搜索”。文本文档通过嵌入模型转换为数值向量。然后根据查询向量与文档向量之间的余弦相似度或其他相似度/距离度量，查找并对文档进行排名，从而捕捉更深层次的语义含义

• 混合搜索。结合多种搜索方法（例如全文搜索 + 向量搜索）通常能提高搜索效果

本文主要关注向量搜索。全文搜索和混合搜索目前仅通过 Azure AI Search 集成支持，详情参见 AzureAiSearchContentRetriever。计划在不久的将来扩展 RAG 工具箱，以包含全文搜索和混合搜索。

RAG__27">2 RAG 的阶段

RAG 过程分为两个不同阶段：索引和检索。LangChain4j 提供用于两个阶段的工具。

2.1 索引

文档会进行预处理，以便在检索阶段实现高效搜索。

该过程可能因使用的信息检索方法而有所不同。对向量搜索，通常包括清理文档，利用附加数据和元数据对其进行增强，将其拆分为较小的片段（即“分块”），对这些片段进行嵌入，最后将它们存储在嵌入存储库（即向量数据库）。

通常在离线完成，即用户无需等待该过程的完成。可通过例如每周末运行一次的定时任务来重新索引公司内部文档。负责索引的代码也可以是一个仅处理索引任务的单独应用程序。

但某些场景，用户可能希望上传自定义文档以供 LLM 访问。此时，索引应在线进行，并成为主应用程序的一部分。

索引阶段的简化流程图

2.2 检索

通常在线进行，当用户提交一个问题时，系统会使用已索引的文档来回答问题。

该过程可能会因所用的信息检索方法不同而有所变化。对于向量搜索，通常包括嵌入用户的查询（问题），并在嵌入存储库中执行相似度搜索。然后，将相关片段（原始文档的部分内容）注入提示词并发送给 LLM。

检索阶段的简化流程图

RAG_56">3 简单 RAG

LangChain4j 提供了“简单 RAG”功能，使你尽可能轻松使用 RAG。无需学习嵌入技术、选择向量存储、寻找合适的嵌入模型、了解如何解析和拆分文档等操作。只需指向你的文档，LangChain4j 就会自动处理！

若需定制化RAG，请跳到第五节 RAG API。

★

当然，这种“简单 RAG”的质量会比定制化 RAG 设置的质量低一些。然而，这是学习 RAG 或制作概念验证的最简单方法。稍后，您可以轻松地从简单 RAG 过渡到更高级的 RAG，逐步调整和自定义各个方面。

”

3.1 导入 langchain4j-easy-rag 依赖

3.2 加载文档

List<Document> documents = FileSystemDocumentLoader.loadDocuments("/home/langchain4j/documentation");

这将加载指定目录下的所有文件。

底层发生了什么？

Apache Tika 库被用于检测文档类型并解析它们。由于我们没有显式指定使用哪个 DocumentParser，因此 FileSystemDocumentLoader 将加载 ApacheTikaDocumentParser，该解析器由 langchain4j-easy-rag 依赖通过 SPI 提供。

咋自定义加载文档？

若想加载所有子目录中的文档，可用 loadDocumentsRecursively ：

List<Document> documents = FileSystemDocumentLoader.loadDocumentsRecursively("/home/langchain4j/documentation");

还可通过使用 glob 或正则表达式过滤文档：

PathMatcher pathMatcher = FileSystems.getDefault().getPathMatcher("glob:*.pdf");
List<Document> documents = FileSystemDocumentLoader.loadDocuments("/home/langchain4j/documentation", pathMatcher);

★

使用 loadDocumentsRecursively 时，可能要在 glob 中使用双星号（而不是单星号）：glob:**.pdf。

”

3.3 预处理

并将文档存储在专门的嵌入存储中也称向量数据库。这是为了在用户提出问题时快速找到相关信息片段。可用 15+ 种支持的嵌入存储，但为简化操作，使用内存存储：

InMemoryEmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();
EmbeddingStoreIngestor.ingest(documents, embeddingStore);

底层发生了啥？

• EmbeddingStoreIngestor 通过 SPI 从 langchain4j-easy-rag 依赖中加载 DocumentSplitter。每个 Document 被拆分成较小的片段（即 TextSegment），每个片段不超过 300 个 token，且有 30 个 token 的重叠部分。

• EmbeddingStoreIngestor 通过 SPI 从 langchain4j-easy-rag 依赖中加载 EmbeddingModel。每个 TextSegment 都使用 EmbeddingModel 转换为 Embedding。

★

选择 bge-small-en-v1.5 作为简单 RAG 的默认嵌入模型。该模型在 MTEB 排行榜 上取得了不错的成绩，其量化版本仅占用 24 MB 空间。因此，我们可以轻松将其加载到内存中，并在同一进程中通过 ONNX Runtime 运行。

可在完全离线的情况下，在同一个 JVM 进程中将文本转换为嵌入。LangChain4j 提供 5 种流行的嵌入模型开箱即用。

”

3. 所有 TextSegment 和 Embedding 对被存储在 EmbeddingStore 中

4. 创建一个AI 服务，它将作为我们与 LLM 交互的 API：

配置 Assistant 使用 OpenAI 的 LLM 来回答用户问题，记住对话中的最近 10 条消息，并从包含我们文档的 EmbeddingStore 中检索相关内容。

5. 对话！

String answer = assistant.chat("如何使用 LangChain4j 实现简单 RAG？");

4 访问源信息

如希望访问增强消息的检索源，可将返回类型包装在 Result 类中：

流式传输时，可用 onRetrieved() 指定一个 Consumer<List<Content>>：

RAG_API_161">5 RAG API

LangChain4j 提供丰富的 API 让你可轻松构建从简单到高级的自定义 RAG 流水线。本节介绍主要的领域类和 API。

5.1 文档（Document）

Document 类表示整个文档，例如单个 PDF 文件或网页。当前，Document 只能表示文本信息，但未来的更新将支持图像和表格。

package dev.langchain4j.data.document;/**
* 表示通常对应于单个文件内容的非结构化文本。此文本可能来自各种来源，如文本文件、PDF、DOCX 或网页 （HTML）。
* 每个文档都可能具有关联的元数据，包括其来源、所有者、创建日期等
* /
* public class Document {`/*** Common metadata key for the name of the file from which the document was loaded.*/public static final String FILE_NAME = "file_name";/*** Common metadata key for the absolute path of the directory from which the document was loaded.*/public static final String ABSOLUTE_DIRECTORY_PATH = "absolute_directory_path";/*** Common metadata key for the URL from which the document was loaded.*/public static final String URL = "url";private final String text;private final Metadata metadata;

API

• Document.text() 返回 Document 的文本内容

• Document.metadata() 返回 Document 的元数据（见下文）

• Document.toTextSegment() 将 Document 转换为 TextSegment（见下文）

• Document.from(String, Metadata) 从文本和 Metadata 创建一个 Document

• Document.from(String) 从文本创建一个带空 Metadata 的 Document

5.2 元数据（Metadata）

每个 Document 都包含 Metadata，用于存储文档的元信息，如名称、来源、最后更新时间、所有者或任何其他相关细节。

Metadata 以KV对形式存储，其中键是 String 类型，值可为 String、Integer、Long、Float、Double 中的任意一种。

用途

• 在将文档内容包含到 LLM 的提示词中时，可以将元数据条目一并包含，向 LLM 提供额外信息。例如，提供文档名称和来源可以帮助 LLM 更好地理解内容。

• 在搜索相关内容以包含在提示词中时，可以根据元数据条目进行过滤。例如，您可以将语义搜索范围限制为属于特定所有者的文档。

• 当文档的来源被更新（例如文档的特定页面），您可以通过其元数据条目（例如“id”、“source”等）轻松找到相应的文档，并在嵌入存储中更新它，以保持同步。

API

• Metadata.from(Map) 从 Map 创建 Metadata

• Metadata.put(String key, String value) / put(String, int) / 等方法添加元数据条目

• Metadata.getString(String key) / getInteger(String key) / 等方法返回元数据条目的值，并转换为所需类型

• Metadata.containsKey(String key) 检查元数据中是否包含指定键的条目

• Metadata.remove(String key) 从元数据中删除指定键的条目

• Metadata.copy() 返回元数据的副本

• Metadata.toMap() 将元数据转换为 Map

5.3 文档加载器（Document Loader）

可从 String 创建一个 Document，但更简单的是使用库中包含的文档加载器之一：

• FileSystemDocumentLoader 来自 langchain4j 模块

• UrlDocumentLoader 来自 langchain4j 模块

• AmazonS3DocumentLoader 来自 langchain4j-document-loader-amazon-s3 模块

• AzureBlobStorageDocumentLoader 来自 langchain4j-document-loader-azure-storage-blob 模块

• GitHubDocumentLoader 来自 langchain4j-document-loader-github 模块

• TencentCosDocumentLoader 来自 langchain4j-document-loader-tencent-cos 模块

5.4 文本片段转换器

TextSegmentTransformer 类似于 DocumentTransformer（如上所述），但它用于转换 TextSegment。

与 DocumentTransformer 类似，没有统一的解决方案，建议根据您的数据自定义实现 TextSegmentTransformer。

提高检索效果的有效方法是将 Document 的标题或简短摘要包含在每个 TextSegment 。

5.5 嵌入

Embedding 类封装了一个数值向量，表示嵌入内容（通常是文本，如 TextSegment）的“语义意义”。

API

• Embedding.dimension() 返回嵌入向量的维度（即长度）

• CosineSimilarity.between(Embedding, Embedding) 计算两个 Embedding 之间的余弦相似度

• Embedding.normalize() 对嵌入向量进行归一化（就地操作）

嵌入模型

EmbeddingModel 接口代表一种特殊类型的模型，将文本转换为 Embedding。

当前支持的嵌入模型可以在这里找到。

API

• EmbeddingModel.embed(String) 嵌入给定的文本

• EmbeddingModel.embed(TextSegment) 嵌入给定的 TextSegment

• EmbeddingModel.embedAll(List<TextSegment>) 嵌入所有给定的 TextSegment

• EmbeddingModel.dimension() 返回该模型生成的 Embedding 的维度

嵌入存储

EmbeddingStore 接口表示嵌入存储，也称为向量数据库。它用于存储和高效搜索相似的（在嵌入空间中接近的）Embedding。

当前支持的嵌入存储可以在这里找到。

EmbeddingStore 可以单独存储 Embedding，也可以与相应的 TextSegment 一起存储：

• 它可以仅按 ID 存储 Embedding，嵌入的数据可以存储在其他地方，并通过 ID 关联。

• 它可以同时存储 Embedding 和被嵌入的原始数据（通常是 TextSegment）。

API

• EmbeddingStore.add(Embedding) 将给定的 Embedding 添加到存储中并返回随机 ID

• EmbeddingStore.add(String id, Embedding) 将给定的 Embedding 以指定 ID 添加到存储中

• EmbeddingStore.add(Embedding, TextSegment) 将给定的 Embedding 和关联的 TextSegment 添加到存储中，并返回随机 ID

• EmbeddingStore.addAll(List<Embedding>) 将一组 Embedding 添加到存储中，并返回一组随机 ID

• EmbeddingStore.addAll(List<Embedding>, List<TextSegment>) 将一组 Embedding 和关联的 TextSegment 添加到存储中，并返回一组随机 ID

• EmbeddingStore.search(EmbeddingSearchRequest) 搜索最相似的 Embedding

• EmbeddingStore.remove(String id) 按 ID 从存储中删除单个 Embedding

• EmbeddingStore.removeAll(Collection<String> ids) 按 ID 从存储中删除多个 Embedding

• EmbeddingStore.removeAll(Filter) 删除存储中与指定 Filter 匹配的所有 Embedding

• EmbeddingStore.removeAll() 删除存储中的所有 Embedding

嵌入搜索请求（EmbeddingSearchRequest）

EmbeddingSearchRequest 表示在 EmbeddingStore 中的搜索请求。其属性如下：

• Embedding queryEmbedding: 用作参考的嵌入。

• int maxResults: 返回的最大结果数。这是一个可选参数，默认为 3。

• double minScore: 最低分数，范围为 0 到 1（含）。仅返回得分 >= minScore 的嵌入。这是一个可选参数，默认为 0。

• Filter filter: 搜索时应用于 Metadata 的过滤器。仅返回 Metadata 符合 Filter 的 TextSegment。

过滤器（Filter）

关于 Filter 的更多细节可以在这里找到。

嵌入搜索结果（EmbeddingSearchResult）

EmbeddingSearchResult 表示在 EmbeddingStore 中的搜索结果，包含 EmbeddingMatch 列表。

嵌入匹配（Embedding Match）

EmbeddingMatch 表示一个匹配的 Embedding，包括其相关性得分、ID 和嵌入的原始数据（通常是 TextSegment）。

嵌入存储导入器

EmbeddingStoreIngestor 表示一个导入管道，负责将 Document 导入到 EmbeddingStore。

在最简单的配置中，EmbeddingStoreIngestor 使用指定的 EmbeddingModel 嵌入提供的 Document，并将它们与其 Embedding 一起存储在指定的 EmbeddingStore 中：

可选地，EmbeddingStoreIngestor 可以使用指定的 DocumentTransformer 来转换 Document。这在您希望在嵌入之前对文档进行清理、增强或格式化时非常有用。

可选地，EmbeddingStoreIngestor 可以使用指定的 DocumentSplitter 将 Document 拆分为 TextSegment。这在文档较大且您希望将其拆分为较小的 TextSegment 时非常有用，以提高相似度搜索的质量并减少发送给 LLM 的提示词的大小和成本。

可选地，EmbeddingStoreIngestor 可以使用指定的 TextSegmentTransformer 来转换 TextSegment。这在您希望在嵌入之前对 TextSegment 进行清理、增强或格式化时非常有用。

示例：

EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()// 为每个 Document 添加 userId 元数据条目，便于后续过滤.documentTransformer(document -> {document.metadata().put("userId", "12345");return document;})// 将每个 Document 拆分为 1000 个 token 的 TextSegment，具有 200 个 token 的重叠.documentSplitter(DocumentSplitters.recursive(1000, 200, new OpenAiTokenizer()))// 为每个 TextSegment 添加 Document 的名称，以提高搜索质量.textSegmentTransformer(textSegment -> TextSegment.from(textSegment.metadata("file_name") + "\n" + textSegment.text(),textSegment.metadata())).embeddingModel(embeddingModel).embeddingStore(embeddingStore).build();

RAG_396">6 高级 RAG

请阅读this：

6.1 RetrievalAugmentor

进入RAG流程的入口点，负责使用从各种源检索到相关 Content（内容）来增强 ChatMessage（聊天消息）。

创建AI服务时，可指定一个 RetrievalAugmentor 实例：

每次调用AI服务时，指定的 RetrievalAugmentor 将被调用来增强当前的 UserMessage（用户消息）。

可用默认的 RetrievalAugmentor 实现（如下所述），也可自定义。

6.2 默认的 Retrieval Augmentor

LangChain4j 提供开箱即用的 RetrievalAugmentor 接口实现：DefaultRetrievalAugmentor，适用于大多数 RAG 使用场景。灵感来自 这篇文章 和 这篇论文。

6.3 查询（Query）

Query 代表 RAG 流程中的用户查询。它包含查询的文本和查询元数据。

6.3.1 查询元数据

Query 中的 Metadata（元数据）包含一些可能在 RAG 流程的各个组件中有用的信息，如：

• Metadata.userMessage() - 需要增强的原始 UserMessage

• Metadata.chatMemoryId() - 带有 @MemoryId 的方法参数的值。可用于标识用户，并在检索时应用访问限制或过滤器

• Metadata.chatMemory() - 所有之前的 ChatMessage。有助理解提出 Query 时的上下文

6.4 查询转换器（Query Transformer）

QueryTransformer 将给定的 Query 转换为一个或多个 Query。目的是通过修改或扩展原始查询来提升检索质量。

一些已知的改进检索的方法：

• 查询压缩

• 查询扩展

• 查询重写

• 回溯提示词

• 假设性文档嵌入（HyDE）

更多细节参见这里。

6.4.1 默认查询转换器

DefaultQueryTransformer 是 DefaultRetrievalAugmentor 中使用的默认实现，它不对 Query 进行任何修改，只是直接传递它。

6.4.2 查询压缩转换器

CompressingQueryTransformer 使用LLM来压缩给定的 Query 和之前的对话，使之成为一个独立的 Query。这在用户可能提出参考之前问题的后续问题时非常有用。

如：

仅靠 “他住在哪里？” 这个查询无法检索到所需信息，因为没有明确说明 “他” 是谁，导致上下文不清晰。

使用 CompressingQueryTransformer 时，LLM 会读取整个对话，将 “他住在哪里？” 转换为 “John Doe 住在哪里？”。

6.4.3 查询扩展转换器

ExpandingQueryTransformer 使用LLM将给定的 Query 扩展为多个 Query。这很有用，因为 LLM 可以用不同的方式重写和重新表述查询，从而帮助检索到更多相关内容。

6.5 内容（Content）

代表与用户 Query 相关的内容。目前，它仅限于文本内容（即 TextSegment），将来可能支持其他模态（如图片、音频、视频等）。

6.6 内容检索器（Content Retriever）

ContentRetriever 使用给定的 Query 从底层数据源中检索 Content。底层数据源可以是几乎任何东西：

• 嵌入存储

• 全文搜索引擎

• 向量与全文搜索的混合

• 网络搜索引擎

• 知识图谱

• SQL 数据库

• 等等

6.6.1 嵌入存储内容检索器

EmbeddingStoreContentRetriever 使用 EmbeddingModel 来嵌入查询，从 EmbeddingStore 检索相关的 Content。

示例：

6.6.2 网络搜索内容检索器

WebSearchContentRetriever 使用 WebSearchEngine 从网络中检索相关 Content。

所有支持的 WebSearchEngine 集成可以在 此处 找到。

以下是一个示例：

完整示例这里。

6.6.3 SQL 数据库内容检索器

SqlDatabaseContentRetriever 是 ContentRetriever 的实验性实现，位于 langchain4j-experimental-sql 模块中。

它使用 DataSource 和LLM为给定的自然语言 Query 生成并执行 SQL 查询。

有关更多信息，请参阅 SqlDatabaseContentRetriever 的 Javadoc。

示例。

6.6.4 Azure AI 搜索内容检索器

AzureAiSearchContentRetriever 可以在 langchain4j-azure-ai-search 模块中找到。

6.6.5 Neo4j 内容检索器

Neo4jContentRetriever 可以在 langchain4j-neo4j 模块中找到。

6.7 查询路由器（Query Router）

QueryRouter 负责将 Query 路由到适当的 ContentRetriever。

默认查询路由器

DefaultQueryRouter 是 DefaultRetrievalAugmentor 中使用的默认实现。它将每个 Query 路由到所有配置的 ContentRetriever。

语言模型查询路由器

LanguageModelQueryRouter 使用大语言模型（LLM）来决定将给定的 Query 路由到哪里。

6.8 内容聚合器（Content Aggregator）

更多细节即将推出。

默认内容聚合器

DefaultContentAggregator

更多细节即将推出。

内容重排序聚合器

ReRankingContentAggregator

6.9 内容注入器（Content Injector）

/*** 将给定Content注入指定UserMessage中。* 目的是将Content格式化并整合到原始的UserMessage中，* 使LLM能利用这些内容生成基于实际内容的响应。*/@Experimentalpublic interface ContentInjector {/*** 将给定Content注入指定ChatMessage* 此方法包含一个默认实现，暂时支持当前自定义的 {@code ContentInjector} 实现。* 该默认实现将很快被移除。** @param contents    要注入的 {@link Content} 列表。* @param chatMessage 要注入内容的 {@link ChatMessage}，可以是 {@link UserMessage} 或 {@link SystemMessage}。* @return 注入了 {@link Content} 的 {@link UserMessage}。*/default ChatMessage inject(List<Content> contents, ChatMessage chatMessage) {if (!(chatMessage instanceof UserMessage)) {throw runtime("请实现 'ChatMessage inject(List<Content>, ChatMessage)' 方法，" +"以便将内容注入到 " + chatMessage);}return inject(contents, (UserMessage) chatMessage);}/*** 将给定的 {@link Content} 注入到指定的 {@link UserMessage} 中。** @param contents    要注入的 {@link Content} 列表。* @param userMessage 要注入内容的 {@link UserMessage}。* @return 注入了 {@link Content} 的 {@link UserMessage}。* @deprecated 请使用/实现 {@link #inject(List, ChatMessage)} 代替。*/@DeprecatedUserMessage inject(List<Content> contents, UserMessage userMessage);
}

默认内容注入器

DefaultContentInjector

默认实现，旨在适用于大多数使用场景。注意，虽然会尽量避免对现有行为进行破坏性变更，但若发现当前行为不能充分满足大多数使用场景需求，未来可能更新。此类更改旨在为当前和未来的用户提供更多益处。

该实现会按迭代顺序将所有给定的 Content 附加到给定 UserMessage 的末尾。更多细节请参考 DEFAULT_PROMPT_TEMPLATE 和具体实现。

可配置参数（可选）：

• promptTemplate: 定义如何将原始 UserMessage 与 Content 组合为最终 UserMessage 的提示模板。

• metadataKeysToInclude: 应包含在每个 Content 中的 Metadata 键列表。

public class DefaultContentInjector implements ContentInjector {public static final PromptTemplate DEFAULT_PROMPT_TEMPLATE = PromptTemplate.from("{{userMessage}}\n" +"\n" +"Answer using the following information:\n" +"{{contents}}");private final PromptTemplate promptTemplate;private final List<String> metadataKeysToInclude;

6.10 并行化处理

当只有一个 Query和一个 ContentRetriever 时，DefaultRetrievalAugmentor 在同一线程中执行查询路由和内容检索。否则，使用 Executor 进行并行化处理。默认情况下，使用修改后的（keepAliveTime 为 1 秒而不是 60秒）Executors.newCachedThreadPool()，但你也可以在创建 DefaultRetrievalAugmentor 时提供自定义的 Executor 实例：

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。

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】