LLamaindex基本使用
1. 引言
大型语言模型（LLMs）经过大量公开数据的预训练，在文本分类、摘要生成、问答系统和聊天机器人开发等自然语言处理（NLP）任务中表现出色。然而，尽管 LLMs 在通用任务上展现出强大的能力，但在特定用例中，比如为特定公司开发定制化聊天机器人，存在局限性。这是因为这些模型缺乏对公司特有或私有数据的训练。如何使 LLMs 在特定数据集上有效工作，成为亟待解决的问题。
2. 挑战与问题定义
语言模型虽然强大，但是否能够在特定领域或特定公司数据上有效工作，仍然存在疑问。模型经过大量公共数据的预训练，但缺乏公司私有数据的训练使其难以直接适应公司特定的问答需求。因此，关键问题在于如何增强这些模型，使它们能够处理公司专有数据并给出准确的回答。
为了解决这一问题，需要开发一种方法，能够有效结合私有数据和已有的 LLM，从而在不从头训练模型的情况下，实现对特定领域的问答能力提升。
3. 解决方法概述
为了解决 LLM 在处理公司私有数据时的局限性，现有方法可以归为以下三大范式：
3.1 微调（Fine-tuning）
微调是一种在已有模型的基础上进行进一步训练的过程，通过对新任务的少量数据进行训练来调整模型的