AI大模型开发架构设计（18）——基于大模型构建企业知识库案例实战

1 LLM 大模型在工作中的实际应用以及局限性

LLM 大模型工作中实际应用

• 代码 Copilot
  • 写正则表达式
  • 编写不熟悉的算法
  • 编写注释
  • 业务代码重构
• 代码 Review
  • Code Review
• 测试 Copilot
  • 单元测试
  • Mock 数据输出
• 运维 Copilot
  • 运维脚本
  • Linux 指令查询

大模型2点局限性

• 数据时效性：2021年09月前的数据
• 可信性：LLM 大模型的幻觉

如何进一步增加 LLM 大模型的能力?

2 基于大模型和向量数据库的企业级知识库架构剖析

用向量数据库/知识库改进大模型

向量数据库

• 向量是非结构化数据在高维空间中的表征
• Embedding Model 是将非结构化数据映射到高维空间的工具
• 使用合适的 Embedding Model，向量的近似度代表语义的近似度

向量数据库选型

• 国产：Milvus、Tencent Cloud VectorDB、Zilliz Cloud 等
• 海外：Pinecone、Redis、FAISS、PgVector、Elasticsearch Cloud 等

知识库

• 知识图谱
• 全文检索
• 知识库和向量数据库关系：大模型应用离不开向量检索

文档检索增强(Retrieval Augmented Generation)

• 利用提前构建好的知识库，通过检索与 Query 相关的知识片段来增强大模型回答效果

向量数据库应用技术总体架构

向量数据库应用离线索引技术

离线索引更多优化

• 针对文档特性（语言、内容）选择 Embedding 模型
• 更有针对性的文档分段模型
• 文档转问题，用问题召回

向量数据库应用在线检索技术

在线检索更多优化

• 用户问题改写，使用改写的问题召回
• 多路召回，结合全文检索的结果
• 把问题编造成“假”文档，使用“假”文档召回

3 LLM 大模型代码知识库架构设计与落地实践

代码知识库技术架构选型

• Fine-tuning(微调)VS Embedding(嵌入)

代码知识库技术架构数据向量化流程

• 万物都先进行向量化

代码知识库技术架构选型

• 代码知识库技术架构选型

代码知识库技术方案设计

• 代码数据向量化
• 代码数据召回
• 查询返回结果

代码知识库数据准备

• 数据描述：Mr_Ranedeer V2 描述数据的方式（DSL：领域描述语言）

• 数据存储格式：
  • JSON
  • 类 DSL 的知识描述方式
  • 描述语义化

文档知识结构

• 知识描述格式：(组件->使用场景->{描述&代码})

代码知识库数据向量化

核心设计原则

• RecursiveCharacterTextSplitter 将按不同的字符递归地分割文档 。它会尝试将所有语义相关的内容尽可能保留在同一位置，使切片语义更完整。
• ChunkSize 是切片可以包含的最大字符数，ChunkSize 设置为：1000。
• ChunkSizeOverlap 是两个相邻切片之间应重叠的字符数，ChunkSizeOverlap 设置为：0。

代码知识库知识召回和检索

核心参数设置

• 大模型温度参数设置为0
• 系统提示词

代码知识库效果展示

问题：在 TDesign 实现一个表格并带上分页器的功能，列表的一些列信息如下：ip,domain, admin, startTime,endTime。并帮我 mock 5条数据。

问题：在 TDesign 中如何实现可过滤的Tree树组件(幻觉)

在 Tdesign 中如何实现图片预览

代码知识库 Bad Case 分析

代码知识库上下文丢失的问题

• 问题：

• 解决方案：

代码知识库用户输入优化

优化后代码知识库优化结果展示

问题：在 TDesign 中如何实现可过滤的Tree树组件

问题：在 Tdesign 中如何实现图片预览

代码知识库构建几点总结

• 高质量的知识语料
• 清晰且语义化的数据结构
• 合理的 Embedding Model 选型以及参数 chunkSize, chunkOverlap 合理设置大小
• 使用工程技术优化上下文问题
• 优化用户输入，提升召回精度