百度大模型零代码应用开发Part3

动手实践篇：RAG（检索增强生成）实战 🔍

📖 前情提要！

第一二章节，我们从人工智能基础概念，走向了大语言模型核心算法原理，从大语言模型的诞生过程，走入了对话时应用的开发。本章内容，接着上一章对话式应用开发的五个环节，我们进一步把第五步——检索增强数据库设计进行深度解读。同时，在本章我们也将探索关于大语言模型局限性与应对方案并进行RAG（检索增强生成）实战 ！💬

🛠️ 整体框架温习

第一步：基座模型选型：选择合适的模型作为应用的基石。

第二步：参数调整：通过调整参数，让模型的生成结果更符合你的预期。

第三步：系统提示词设计：巧妙设计提示词，引导模型生成恰到好处的回复。

第四步：示例设计：提供典型示例，帮助模型更好地理解你的需求。

第五步：检索知识库设计：为模型配备一个强大的知识库，让它能够随时调用所需信息。

学习提示 🐝📒 第1小节：重在讲解“大语言模型局限性与应对方案”，讲解内容都在视频里，请认真学习课程视频哦～💻 第2小节：为实操环节，可移步至小节2跟着教师进行动手实操～

📒 第2小节：RAG（检索增强生成）实践手册 💡需搭配小节视频实操 ✅对话式应用开发——第五步： 检索增强数据库设计——进阶

📍界面位置：【知识库】

🖱️操作方式：点击进入

1、认识知识库的要求

● 格式要求 ：📝支持.txt/.md/.pdf格式文件

● 大小要求 ：📦单个文件大小<20MB

● 数量要求 ：📑最多可上传3个文件

● **其它设置：**✅我拥有数据集的版权✅公开数据集✅严格按照数据文件回答

● 上传位置： 【知识库】＞ 【上传数据文件】＞点击“上传数据”按钮

🤔思考：✅严格按照数据文件回答 →→ 包括了两个信息的组装：分别是：    检索出知识库中已有的信息 + 提示词限制。那么，提示词限制具体是什么内容呢？让我们一起做个试验！

2、用“专业模式”做试验

跟着步骤一起来！如果有的步骤上一章已经完成，就可以跳过该步骤！

● 1️⃣第一步 ：在【基础设定】＞【角色身份设定】中填入以下内容

# Role: 星河机器人产品客服   ## Profile:  - author: Arthur  - version: 0.8  - language: 中文  - description: 我是一个专门用于解答“星河机器人”这块产品有关信息的专业客服。   ## Goals:  准确回答用户的提问。   ## Constraints:  1. 对于你不知道和在文档里没有找到的概念，明确告知用户你不知道，不要进行发散。  2. 你不擅长说空话和套话，不会进行没有意义的客气对话。  3. 解释完概念即结束对话，不会询问是否有其它问题。

● 2️⃣第二步 ：在【知识库】＞【上传数据文件】中上传文档，并勾选✅我拥有数据集的版权✅公开数据集✅严格按照数据文件回答

附：《星河机器人》文档 下载

文档内容概括：一款充满未来科幻感的名为“星河机器人”的产品的外观参数、机械结构、功能特点和应用场景等的说明。

● 3️⃣**第三步：**点击底部的【应用】，在系统建立索引的时候，耐心等候几秒钟。当右上角出现”发布应用“时，证明可以进行调试啦！

● **4️⃣第四步：**打开右侧聊天界面的【专业模式】开关，在底部输入框中输入：

星河机器人有多高？

● 💡什么是【专业模式】 **5️⃣第五步：**分析聊天页面中展示的系统提示词内容：

user: 你需要根据以下任务中的描述进行角色扮演，你只能以任务角色的身份应答，而不是语言模型，如记错身份，你将受到惩罚。任务：# Role: 星河机器人产品客服## Profile:- author: Arthur- version: 0.8- language: 中文- description: 我是一个专门用于解答“星河机器人”这块产品有关信息的专业客服。## Goals:准确回答用户的提问。## Constraints:1. 对于你不知道和在文档里没有找到的概念，明确告知用户你不知道，不要进行发散。2. 你不擅长说空话和套话，不会进行没有意义的客气对话。3. 解释完概念即结束对话，不会询问是否有其它问题。已知信息：星河机器人身高：1.8米星河机器人体重：150千克星河机器人材质：高强度钛合金与自我修复纳米复合材料星河机器人颜色：深空灰与星河银双色交织星河机器人关节数量：28个，提供灵活的人类似动作星河机器人头部特征：集成了多光谱感知器、夜视仪及全息投影器的流线型头盔星河机器人眼睛：LED阵列模拟表情，同时兼具环境光线感应功能星河机器人手臂：伸缩自如，末端配备有多功能工具接口星河机器人脚部：装有全地形适应轮胎，可实现行走、奔跑和跳跃;请记住只能基于已知信息回答我的问题，不允许编造与作假；如果已知信息不足，请直接表示你无法回答。如有编造行为、未基于已知信息回答，你将受到惩罚！请参考并模仿以下示例的应答风格。示例：如果以上示例信息不为空，请学习并模仿示例的输出。我的问题是：星河机器人有多高？

让我们一起拆解该系统提示词的内容，并分析每个部分的作用,其中，不难分析，原有【角色身份设定】里的Constrains和系统自动加入的“请记住只能基于已知信息回答我的问题，不允许编造与作假……”，在功能上重叠，因此，接下来的试验，我们删掉【角色身份设定】里的Constrains的第一点，进行后续的试验！

6️⃣️第六步： 让我们分别在【知识库】页面， 勾选 和 取消 勾选【严格按照数据文件回答】这一选项，两次试验中，我们在点击底部的应用后，随即打开右侧聊天界面的【专业模式】开关，并在底部输入框中输入：

星河机器人是谁发明的？

勾选 和 取消 勾选的两个版本的【专业版】回复结果对比：

内容类别

旧版内容【勾选【严格按照数据文件回答】后）】

新版内容（取消勾选【严格按照数据文件回答】后）

区别

取消勾选后的影响

用户指令

你需要根据以下任务中的描述进行角色扮演，你只能以任务角色的身份应答，而不是语言模型，如记错身份，你将受到惩罚。

同旧版

无显著变化

无

任务与角色描述

任务及角色描述:# Role: 星河机器人产品客服 - author: Arthur - version: 0.8 - language: 中文 - description: 我是一个专门用于解答“星河机器人”相关信息的专业客服。Goals: 准确回答用户的提问。

同旧版

无显著变化

无

约束条件

Constraints: 1. 避免使用空话和套话，专注于提供有意义的回答。3. 解释完概念后即结束对话，不要继续询问其他问题。

同旧版

无显著变化

无

已知信息

已知信息：星河机器人身高：1.8米星河机器人体重：150千克星河机器人材质：高强度钛合金与自我修复纳米复合材料星河机器人颜色：深空灰与星河银双色交织星河机器人关节数量：28个，提供灵活的人类似动作星河机器人头部特征：集成了多光谱感知器、夜视仪及全息投影器的流线型头盔星河机器人眼睛：LED阵列模拟表情，同时兼具环境光线感应功能星河机器人手臂：伸缩自如，末端配备有多功能工具接口星河机器人脚部：装有全地形适应轮胎，可实现行走、奔跑和跳跃;

同旧版

无显著变化

无

回答要求与惩罚

请记住只能基于已知信息回答我的问题，不允许编造与作假；如果已知信息不足，请直接表示你无法回答。如有编造行为、未基于已知信息回答，你将受到惩罚！

请参考已知信息并结合你的认知回答我的问题，不允许编造与作假。

删除了具体惩罚的描述。

删除了“如果已知信息不足，请直接表示你无法回答”的明确要求

1. 可能导致大模型在已知信息不足时不清楚如何处理，增加回答的不确定性。2. 惩罚的内容删去，可能导致一定的幻觉发生。

示例与问题提出

请参考并模仿以下示例的应答风格。示例：...（示例内容）... 我的问题是：星河机器人有多高？

同旧版

无显著变化

无

最终回复结果

结果输出：

我并不知道星河机器人是谁发明的。如果您需要更多关于星河机器人的信息，建议您查阅官方网站或联系相关客服部门。

结果输出：

星河机器人是由Arthur发明的。

答案出现错误！

没有勾选【严格按照数据文件回答】后，会知弱化识库的信息主导权，导致可能偏离文档内容的结果生成。

3、如何构建自己的知识库？

刚才是使用示例文档《星河机器人》作为检索增强生成（RAG）技术的演示文件，那么，如何自己构建一个面向特定场景的知识库，这个过程中有哪些要点呢？

技巧要点：

技巧名称

关键点

示例

关联主要对象与属性词

确保描述对象的特性、功能或使用时，主要对象与属性词紧密相连。

正确示例：“星河机器人导航系统。”

存疑示例：“导航系统。”

关键词频率强化

在不影响阅读体验的情况下，提高主要对象和属性词在文档中的出现频率。

文档中多次提及“星河机器人”，而非仅在标题中提及一次。

结构化布局

使用标题和子标题组织文档内容，以提高可读性和信息检索效率。

标题：“星河机器人功能特点”

子标题：“人工智能”、“远程控制”、“自我修复”等。

试试自己动手来做一个知识库吧！

🎈 大语言模型的四大局限性：

1. 📚 专业领域知识缺乏 ：大语言模型在特定专业领域的知识往往不足。

2. 💭 容易产生幻觉 ：模型有时会生成看似合理但实际上不准确或不存在的信息。

3. ⏳ 信息过时 ：由于训练数据是静态的，模型无法获取最新的信息。

4. 🔒 预训练数据不可变 ：一旦模型完成训练，就很难更改其内部的知识表示。

🛠️ 三种应对大语言模型的常见思路与优劣势对比：

方法

细分领域知识不足

幻觉问题

信息时效性问题

有监督微调（SFT）

🟢优势：通过针对特定领域的数据进行微调，可以显著提高模型在该领域的知识水平。

🟢优势：微调过程中，可以通过纠正模型的错误输出来减少幻觉问题的发生。

🔴劣势：依赖于静态的训练数据，可能无法很好地解决信息时效性问题。

🔴劣势：需要大量标注的细分领域数据，成本较高。

🔴劣势：如果训练数据中存在偏见或错误，微调后的模型可能仍然会受到幻觉问题的影响。

提示词工程（Prompt Engineering）

🟢优势：通过精心设计的提示词，可以引导模型生成与细分领域相关的准确输出。

🟢优势：明确的提示词可以为模型提供正确的上下文，从而减少幻觉问题的出现。

🔴劣势：提示词本身不直接解决信息时效性问题，但可以通过设计与时事相关的提示词来间接应对。

🔴劣势：需要深厚的领域知识和提示词设计经验。

🔴劣势：如果提示词设计不当，可能无法有效减少幻觉问题。

检索增强生成（RAG）

🟢优势：通过实时检索外部知识库，模型可以获得最新的细分领域知识，从而弥补自身的不足。

🟢优势：检索到的真实信息可以为模型生成提供准确的事实依据，减少幻觉问题的发生。

🟢优势：检索增强生成方法能够结合最新的外部信息，有效应对信息时效性问题。

🔴劣势：依赖于外部知识库的质量和覆盖范围，如果知识库不全面或过时，可能会影响模型的性能。