咱就是说 习惯了做笔记
不做笔记 这知识真的是一点记不住啊（实则是脑子笨0.o
那咱就狠狠的来记住这个知识点0.o
参考学习：B站GenJi是真想教会你-《【包教包会】一条视频速通AI大模型原理》
一、RAG：检索增强生成
LLM所拥有的知识受到训练数据的影响，如果训练数据里对某个领域的文本覆盖不多，那么AI学到的也不多，就没办法很好地帮我们回答相关问题。
因此，在小众细分领域上，AI的表现有可能不尽人意。而且，像公司内部数据、个人私密文件等，也都不可能作为公开大语言模型的训练数据。我们没法指望ChatGPT能帮我们回答相关问题。
概念：RAG是一种结合了检索和生成的模型架构。它首先从一个大型文档库中检索相关信息，然后使用生成模型（如GPT-3）基于检索到的信息生成回答。这种方法可以显著提高生成内容的准确性和相关性。
应对策略：我们可以提供外部文档，让模型访问外部知识库，获得实时且正确的数据生成更可靠和准确的回答。
↑上述架构就叫做Retrieval Augmented Generation（RAG）
具体步骤：
首先，外部知识文档要先被切分成一个个段落。
因为，大语言模型一次性能接受的文本长度有限，
然后，每个段落会被转成一系列向量。
向量可以被看作是一串固定长度的数字，然后储存进向量数据库里。
当我们提问的时候，这个提示也会被转换为向量，
然后查找向量数据库里，和用户的查询向量最为接近的段落向量。
找到以后，段落信息会和原本的用户查询问题组合到一起，一块传给LLM，LLM就能把外部文档的段落作为上下文，基于里面的信息给出更严谨的回答。
因此，可以对外部文档里任何内容进行提问，即使AI模型从来没有受到过那些内容的训练。
优势： RAG有利于搭建企业知识库或个人知识库
二、PAL：程序辅助语言模型
概念：PAL是一种结合了编程和语言模型的技术。它利用编程语言的逻辑和计算能力来辅助语言模型完成复杂的任务。通过这种方式，PAL可以处理需要精确计算和逻辑推理的问题。
具体步骤：
问题分解：将复杂问题分解为可以通过编程解决的子问题。
编程求解：使用编程语言（如Python）解决这些子问题。
语言生成：将编程结果与语言模型结合，生成自然语言回答。
《ChatGPT是无法直接进行计算的》
不让LLM自己生成结果，而是用其他计算工具。
相当于借用了大模型《接收问题的耳朵、思考的脑子、说话的嘴》
以及代码解释器做运算的手
三、ReAct：推理行动结合
LLM天然的缺陷为 局限于训练数据的日期影响。
LLM可以结合搜索引擎，做出实时的回答。
《不专职与搜索引擎结合》
可以借助LangChain工具
概念：ReAct是一种结合了推理和行动的模型架构。它不仅能够进行复杂的逻辑推理，还能基于推理结果采取行动。这种方法特别适用于需要多步推理和决策的任务。
具体步骤：
推理阶段：使用语言模型进行多步推理，逐步接近问题的解决方案。
行动阶段：基于推理结果采取具体行动，如调用API、执行数据库查询等。
例子：假设用户问：“请帮我预订一家明天晚上7点的餐厅。” 系统会先进行推理，确定用户需求，然后采取行动预订餐厅。
