济宁市网站建设_网站建设公司_Java_seo优化

面试问题

想象一下，你有一些数据分散在多个来源中（比如Gmail、Drive等）。

|

如何基于这些数据构建一个统一的查询引擎？

开发者们通常会把上下文检索当作一个周末项目来处理。

…而他们的做法往往是：“将数据嵌入，存入向量数据库，然后进行RAG。”

对于静态数据源，这种方法效果很好。

但问题在于，现实世界的工作流并非如此简单。

为了更好地理解这一点，考虑这样一个查询：

芝加哥办公室项目目前有什么阻碍？我们下一次关于它的会议是什么时候？

要回答这个看似单一的查询，就需要在多个数据源中进行搜索：Linear（用于查找阻碍）、Calendar（用于会议安排）、Gmail（用于电子邮件）和Slack（用于讨论记录）。

任何简单的RAG设置都无法胜任这项任务！

RAG（检索增强生成）是一种结合信息检索与大型语言模型的技术，常用于从外部知识库中提取相关信息来辅助生成更准确的回答。但在处理多源、动态数据时，传统RAG可能因缺乏统一的上下文整合而失效。

要真正解决这个问题，你需要将其视为构建一个包含三个关键层的智能体化上下文检索系统：

• 摄入层：

• 连接应用程序，无需担心认证问题。
• 在嵌入前正确处理不同数据源（如电子邮件、代码、日历）。
• 检测数据源是否更新，并刷新嵌入（理想情况下，无需完全刷新）。

• 检索层：

• 扩展模糊查询，以推断用户实际需求。
• 将查询定向到正确的数据源。
• 结合多种搜索策略，如基于语义、基于关键词和基于图的方法。
• 确保仅检索用户有权查看的内容。
• 权衡新旧检索信息（新数据更重要，但旧上下文仍有价值）。

• 生成层：

• 提供基于引用的LLM响应。

这需要数月的工程工作，才能让第一个查询正常运行。

这绝对是一个棘手的问题……

……但这也正是像Google（在Vertex AI Search中）、Microsoft（在M365产品中）、AWS（在Amazon Q Business中）等巨头正在采用的方法。

如果你想看实际应用，这种方法已在Mem0中实现，这是一个最近流行的100%开源框架，为AI智能体提供跨30多个应用程序和数据库的上下文检索层。

嵌入：在数据科学中，嵌入是将数据（如文本、图像）转换为数值向量的过程，以便机器学习模型能更好地处理和理解。例如，在检索层中，嵌入用于语义搜索，以匹配查询和文档的相似性。基于图的搜索：这是一种利用图结构（如节点和边）进行信息检索的方法，常用于处理复杂关系数据，例如在知识图谱中查找相关实体。

它实现了我们上面讨论的所有功能，例如：

• 如何处理跨应用的认证。
• 如何处理不同的数据源。
• 如何从多个工具中收集信息。
• 如何权衡新旧信息。
• 如何检测更新并进行实时同步。
• 如何生成类似Perplexity的带引用支持的响应，等等。

例如，为了检测更新并启动重新同步，可以进行时间戳比较。

|

但这并不能告诉我们内容是否真的发生了变化（可能只是权限更新了），你仍然可能不必要地重新嵌入所有内容。

Airweave通过实现特定于源的哈希技术来处理这个问题，例如实体级哈希、文件内容哈希、基于游标的同步等。

你可以在GitHub上查看完整实现并亲自尝试。

但无论你使用哪个框架，核心洞见都适用：

智能体的上下文检索是一个基础设施问题，而不是嵌入问题。

你需要从一开始就为持续同步、智能分块和混合搜索而构建。

（别忘了给它点星）

早些时候，我们录制了一个实时演示，你可以从中学习如何为智能体提供一个上下文检索层，该层可以实时搜索任何应用、数据库或文档存储。

它无缝连接到Notion、Google Drive和SQL数据库等工具，将其内容转换为可搜索的知识。

整个设置在你机器上的Docker容器内本地运行。

你也可以通过API和MCP服务器将其暴露出来。

GitHub仓库 → https://github.com/airweave-ai/airweave

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】