AI大模型开发架构设计（13）——LLM大模型的向量数据库应用实战

文章目录

LLM大模型的向量数据库应用实战

1 大模型的局限性

大模型的4点局限性

• 缺乏领域特定信息：LLM仅基于公开数据预训练，缺乏领域特定信息、专有/专业数据等非公开数据
• 容易产生幻觉：LLM只能根据现有数据提供信息和答案，如果超出该范围，LLM回提供错误或捏造的信息
• 无法获取最新信息/知识：LLM训练成本十分高昂（训练ChatGPT-3的成本高达 140万美金），LLM无法及时更新知识库
• “不变”的预训练数据：LLM使用的预训练数据可能包含过时或者不正确的信息，并且这些数据无法更正或删除

大模型的4点局限性的改进实践方法

• 缺乏领域特定信息： - 利用向量数据库建立知识库，拓展 LLM 的认知边界- 微调（Fine-tuning）针对专业领域进行特定训练
• 容易产生幻觉： - 使用提示词工程 Prompt Engineering 规定限制
• 无法获取最新信息/知识： - 利用向量数据库为大模型建立记忆，及时更新
• “不变”的预训练数据： - RLHF（Reinforcement Learning from Human Feedback）人工纠正再次微调- 从知识库中删除无效信息

2 向量数据库使用场景以及改建大模型

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

• Embedding过程

向量数据库选型

• 国产：Milvus、Tencent Cloud VectorDB、Zilliz Cloud 等
• 海外：Pincone（免费）、Redis、FAISS、PgVector、Elasticsearch Cloud 等
• 技术架构：

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

😁 RAG 优势——更经济、更具可行性、更具扩展性

• 容易管理
• 更精确和上下文相关的答案
• 适应性强、敏捷性强
• 更好的模糊搜索能力

😌 Fine-tuning 不足

• 适用于较小的知识数据库
• 没有知识访问控制
• 前期成本高，维护成本高
• 知识更新不及时

3 向量数据库应用技术架构剖析

向量数据库应用技术总体架构

• 以一个在线查询为例：

🌰

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

4 利用向量检索构建知识库案例实战库

构建私人智能助手整体架构设计

总体流程3大步骤

• 将私人数据转换为向量数据，并写入到向量数据库中
• 根据 Prompt 从向量数据库中提取相似数据
• 结合相似数据重新组装 Prompt，让 ChatGPT 生成回答

向量数据库选型

• 推荐 Pinecone 向量数据库：https://www.pinecone.io/ - 免费、秒审通过
• 核心三个参数 - 索引名称：满足规范- 特征维度：向量维度，OpenAI 转化为 1536 维- 度量距离指标：提供了3种，推荐 cosine

写入向量数据库(离线索引)

• 安装对应的 Python 库：pip install pinecone-client
• 写入向量数据（采用读取文件形式） - 将所有数据从文档中读取出来- 通过 OpenAI Embedding 转换成对应的向量化数据- 将向量化数据存储到 Pinecone 创建的 index 中

• 在 Pinecone 网站查看这份数据

使用向量数据库(在线检索)

• 从 Pinecone 获取指定的索引

• 将 Prompt 转换为向量数据，从向量数据库提取相似数据

• 将提取的数据与 Prompt 重新构建输入，发送给 ChatGPT
• ChatGPT 整理内容后输出结果

私人助手回答结果

• 关于亚运会首日中国金牌信息，可以看到完美成为了我们的私人智能助手来回答问题