AI应用开发先了解这些概念：智能体、LLM、RAG、提示词工程

    一种基于LLM（LargeLanguage Model）的能够感知环境、做出决策并执行行动以实现特定目标的自主系统。与传统人工智能不同，Al Agent 模仿人类行为模式解决问题，通过独立思考和调用工具逐步完成给定目标，实现自主操作。

通用智能体平台

    以Agent为核心技术驱动，构建通用智能体平台，通过在智能体感知、记忆、规划和执行各关键环节的能力攻关，以适应不断变化的实际业务和日常办公需求，提供更加个性化和精准的服务，并助力工程人员解放脑、解放手、想的更全、做的更准,共同推动了其在更多复杂场景下的应用。

    大语言模型是一类基于深度学习的人工智能模型，旨在处理和生成自然语言文本。通过训练于大规模文本数据，使得大语言模型能够理解并生成与人类语言相似的文本，执行各类自然语言处理任务。 

LLM的训练及使用

    LLM能够理解并生成与人类语言相似的文本，执行各类自然语言处理任务，具体可应用场景包括而不限于文本生成、机器翻译、摘要生成、对话系统、情感分析等。其具有强大的泛化能力、能够处理多种任务。

LLM的训练

LLM的训练过程分为预训练和微调两个阶段。

• 预训练阶段

    模型在大规模未标注文本数据上进行自监督学习，学习通用的语言表示。

• 微调阶段

    模型在特定任务的标注数据上进行有监督学习，调整模型参数以适应具体任务需求。

LLM的使用

    一方面，对于直观的日常使用，用户输入问题（提示词，Prompt），大模型给出该问题的回答。

    另一方面，对于基于LLM的AI应用编程，可通过以指定格式调用LLM的API，获取问题的答案。

基于LLM的Agent框架

• LLM：对标人类大脑，思考如何解决问题、给出怎样的回答。

• 记忆：长期记忆加短期记忆。即智能体使用的历史记录、系统数据，以及智能体执行过程中产生的各种中建信息。

• 规划技能：提示词编排、意图理解、任务分解、自我反思。

• 工具使用：智能体在执行任务中可能会使用到的各种工具接口。

    LLM的核心技术架构是Transformer，这是一个基于自注意力机制的深度学习模型。Transformer架构的关键在于其能够并行处理序列数据，大大提高了模型的训练效率和性能

参数规模

    LLM通常采用大规模神经网络，参数数量从数百万到数十亿不等，例如通义干问（Qwen-7B）具有70亿的参数规模训练数据需要高质量的、经过预处理的多模态数据。参数规模的增加使模型具有更强的学习和泛化能力，能够处理复杂的语言任务，但也带来了计算成本和资源需求的显著增加。

    LLM回答用户问题时，是基于训练LLM时使用的文本数据进行的。而面对未知知识的问题，它并不能正确回答而容易产生错误的结果，即大模型的幻觉。

什么是RAG

    RAG（Retrieval-augmented Generation）是一种自然语言查询方法，通过一个检索信息组件从外部知识源获取附加信息，馈送到LLM prompt以更准确地回答所需的问题。通过额外的知识来增强LLM 以回答问题，用以减少 LLM产生幻觉的倾向。

利用RAG减少幻觉

    基于RAG技术，可以通过构建一个知识库，让LLM能够在回答问题时以这个知识库为基础，具备回答知识库中的相关内容的能力。

RAG的优势

    基于RAG技术创建的知识库，可以比较便利地增删改其中的文档，可以支持更频繁的更新。

RAG的整体流程

RAG的整体流程分为两大步:

• 一是事先的索引丨（lndexing）也即是从私有文档构建知识库的过程;即为图蓝色虚线链路。

• 二是即时的查询(Querying)也即是针对已构建的知识库进行查询问答的过程。即为图红色虚线链路。先检索，然后生成。

RAG的效果

• 一是赋予LLM回答私有知识库问题的能力，减弱幻觉;

• 二是提供了回答中引用的原文出处，提高检索效率，同时便于直接对比原文确保LLM回答的准确性在智能问答、文档摘要、数据整理等领域发挥重要作用

    提示词（Prompt）是指向LLM提供输入以引导其生成特定输出的文本或指令。

提示词

    提示词包括两类，系统提示词与用户提示词。用户提示词即为用户的问题；系统提示词为人工智能应用内置的指向LLM的一组初始指令或背景信息，用于指导LLM的行为方式和响应模式。

    一般情况下，提示词更多的是指用户提示词、即用户发送给LLM的问题。

提示词对LLM的影响

    在生成文本时，LLM会试图理解并根据其理解生成相应的响应LLM生成的回答的质量受用户提示词的影响，更完善的提示词能够让LLM更好地理解用户意图、给出更契合更完善的回答

如何优化提示词

    在提出用户问题时候，应该清晰而具体地表达指令，提出具体的需求;如果对LLM的输出格式有要求，那么最好提供参考文本作为示例。

如何编写更好的提示词

    更为完善的提示词基本组成部分：

• 指令：要求模型对文本的处理动作。

• 指令的对象：需要模型处理的文本。

• 示例：案例或思维模型提示。

• 输出要求：对于输出内容的内容和格式要求；

• 异常情况：对于模型无法执行，或指令信息缺失时的异常处理机制。

    下图为具体的示例（询问旅游规划），可以发现，在直接使用例如OpenAI等提供的LLM时，为了获取更好的问答体验，需要花费较长时间、较多心思来编写更好更完善的提示词，使用体验反而可能变差了