本文从关键词检索到Agent详细介绍了知识库技术的发展脉络和不同阶段的核心能力。文章强调知识系统能力的逐步扩展而非严格的技术替代顺序并通过实例说明了如何根据实际问题类型选择合适的技术。理解每种技术所处位置比追逐“最新”技术更重要建议新手程序员结合实际需求逐步学习和应用相关知识库技术。很多人谈知识库会把一串技术名词排成升级路线关键词检索、向量检索、RAG、知识图谱、GraphRAG、LLM Wiki、本体论最后是 Agent。这条路线有参考价值但不是严格的技术替代顺序。它更像知识系统逐步增加能力的过程先能找到资料再能理解语义和关系进一步积累可复用的知识最后在规则约束下执行任务。不同技术解决的问题并不相同。一个生产系统可能同时保留全文检索、向量检索、知识图谱和业务语义模型也可能只用其中一两种。理解每种技术处在什么位置比判断哪种“最新”更重要。先看全景知识系统增加了哪些能力可以把技术脉络概括为关键词检索 → 全文搜索与索引 → 向量检索 → RAG → 混合检索与重排序 → 知识图谱与 GraphRAG → LLM Wiki → 本体论与语义层 → Agent这并不代表每个系统都要依次经过这些阶段。它表示知识系统在不同方向上扩展能力阶段增加的能力典型问题关键词检索匹配明确词语“文档里有没有这句话”全文搜索与索引搜索大规模文本并利用字段筛选“哪些资料包含这些词且属于这个部门”向量检索按语义相似度找文本“没有用同样的词能否找到相关内容”RAG把检索结果交给模型生成回答“能否根据公司资料回答问题并引用依据”混合检索与重排序结合多种召回方式优化候选结果次序“怎样提高召回率和最终上下文相关性”知识图谱与 GraphRAG表达实体关系并沿关系查找信息“这个项目、客户、合同和产品如何关联”LLM Wiki把新资料融入可持续更新的知识页面“能否复用之前整理出的跨文档结论”本体论与语义层明确业务概念、关系和约束“不同系统里的‘客户’究竟是不是同一个概念”Agent让模型调用工具并完成流程“能否查状态、核权限并执行下一步操作”这张表是能力地图不是架构清单。每一层都可能和其他层组合。关键词检索从“记得文件名”到“搜得到词”最基础的知识库就是文件和目录。内容主要由人浏览查找依赖文件名、目录结构和个人记忆。关键词检索把查找变成了可操作的查询输入“差旅报销”“合同审批”系统返回包含这些词的页面或文档。全文搜索引擎进一步使用倒排索引等结构在大规模文本中高效定位词项也可以结合标题、时间、作者、部门等字段过滤。它的优点是结果容易解释文档为什么命中通常能指出匹配词语。但词面匹配有边界搜“客户流失”可能找不到写着“用户停止续约”的材料。同一个词可能在不同文档中含义不同。关键字写得不对相关资料就可能被漏掉。关键词检索适合术语明确、目标清楚的查询但它不擅长处理表达方式变化和隐含语义。向量检索从匹配词语到匹配语义向量检索把文本转成向量再按向量距离寻找语义上相近的内容。用户问“怎么申请出差”即使资料写的是“差旅审批流程”也有机会被找出来。这扩展了搜索能力但“语义相近”不等于“业务上正确”。比如“客户账号”“签约法人”和“联系人”可能在同一批文档里经常一起出现向量检索可能把它们都认为相关却不一定能判断问题具体指哪一种对象。向量检索解决的是如何召回可能相关的文本不是如何验证文本是否符合业务规则。RAG检索结果进入模型上下文RAGRetrieval-Augmented Generation检索增强生成把外部检索和大模型生成结合起来先从资料中检索相关内容再将这些内容作为上下文交给模型回答。RAG 让模型能够利用不断更新的私有资料而不必每次都重新训练模型。但工程效果取决于整条链路资料解析、切分、索引、召回、排序、上下文构造和答案生成都可能引入问题。所以RAG 答错不一定是模型“不会回答”。也可能是相关内容没有被检索出来切分时丢失了标题、表格结构或上下文多份材料彼此冲突系统没有识别版本找到的是相似材料但不适用于当前部门或场景模型把检索到的片段错误地拼接起来。混合检索与重排序改进 RAG 的召回和排序生产级 RAG 往往不止用一种检索方法。常见做法包括关键词或 BM25 检索擅长精确匹配术语、编号和专有名词。向量检索擅长召回语义相近的表达。元数据过滤按部门、权限、时间、文档类型等限制范围。重排序Reranking对初步召回的候选内容再次打分挑出更适合放进上下文的片段。查询改写与多路召回把用户问题转成不同检索表达扩大候选覆盖面。这些手段主要改进“找什么、把什么排在前面”。它们很有价值但仍然不能自动解决定义冲突一个 CRM 的客户记录和一个合同中的签约主体是否代表同一个企业实体不能单靠排序得分决定。知识图谱与 GraphRAG让检索能沿着关系走知识图谱用实体、属性和关系表示事实。它适合回答需要结构化关联的问题例如“这个客户有哪些订单”“某项目涉及哪些产品”。图谱可以来自数据库、业务系统也可以从文档中抽取。它强调把“对象是什么、对象之间有什么事实关系”显式保存下来。GraphRAG 则把图结构用于检索增强。以微软的实现为例它会从文本中抽取实体和关系构建图并生成社区摘要查询时可以做面向具体实体的 Local Search也可以通过社区报告回答全局性问题同时仍提供基础搜索模式。图检索扩展了 RAG 的关联能力但图谱质量决定了它能否给出有用的关联。边的名字也不能自动解释业务含义“负责”可能表示项目 Owner、技术负责人、财务负责人或法律责任人。若定义含糊图能提供连接却未必能提供正确解释。LLM Wiki从每次检索重组到持续整理知识普通 RAG 通常在每次提问时从原始资料中重新检索相关片段再由模型组织答案。LLM Wiki 采用另一种思路模型读入新资料后持续更新一组互相链接、可供后续查询的知识页面。例如加入一份新报告时系统可能保留原始报告作为来源写入报告摘要更新相关公司、产品或主题页面检查新材料是否与已有结论冲突更新索引或记录处理日志。LLM Wiki 的重点是累积整理后的知识而不只是累积原始文件。Karpathy 对这一模式的描述中原始来源保持不变Wiki 页面由模型维护并通过结构说明文件约定知识库的组织方式和操作流程。它特别适合个人研究、项目知识整理和规模适中的团队知识积累。不过持久化的综合页面也会带来新的工程问题来源能否追溯旧结论如何更新冲突由谁裁定自动写入的错误会不会被后续内容继续引用因此LLM Wiki 可以与 RAG 并用Wiki 提供整理后的知识RAG 检索原始材料或对应证据。本体论与语义层统一业务概念和关系定义当知识跨越多个系统和部门系统可能遇到“同名不同义”和“异名同义”CRM 的“客户”可能是销售账号合同中的“客户”可能是签约法人财务系统里的交易对象可能是付款主体销售人员口中的客户可能是联系人或商机。本体论Ontology可以用来明确一个领域里的概念、属性、关系及其语义约束。以标准化的 OWL 本体语言为例它能够定义类、个体、属性及其语义。在企业系统中本体或语义层可以约定一个订单由哪个角色下单、由谁付款哪些关系允许连接哪些对象不同来源系统中的字段如何映射到统一概念某个事实来自哪个系统、何时有效、由谁确认。它与知识图谱的关系可以这样理解本体或语义模型定义概念和关系应该如何理解。知识图谱记录具体对象及其事实。本体论不是知识图谱的升级版也不是所有 RAG 的必备前置。它适用于业务概念确实跨系统、跨部门且统一语义能带来足够收益的场景。若只是查公司制度直接引入一套庞大的本体模型可能得不偿失。Agent从回答问题到调用工具和执行流程Agent 在知识库演进中代表了另一种能力扩展系统不只提供答案还可能调用工具、查询业务状态、执行操作。例如“帮我处理这笔采购申请”可能涉及识别申请单与申请人查询预算和供应商信息检索采购制度判断审批规则和当前权限调用业务系统推进流程返回执行结果和依据。这时知识系统要提供的不只是相关段落还包括对象身份、状态、关系、数据来源和业务规则。Agent 可以负责理解自然语言、规划步骤和调用工具知识图谱、语义层、规则引擎和权限系统则提供可查询、可验证的业务上下文。回答可以容忍一定的不确定性执行操作则需要更明确的校验。因此从 RAG 走向 Agent系统必须更加重视权限、审计、来源和执行前校验。这条技术路线不是瀑布式升级前面的路线展示的是知识系统可能增加的能力不代表企业必须从第一步一路建到最后一步。实际架构经常是并行组合制度问答全文搜索 RAG保留文档权限与引用。跨文档研究RAG LLM Wiki兼顾来源检索和持续综合。客户与订单分析结构化数据 知识图谱 GraphRAG。跨系统业务 Agent语义层 业务 API 权限校验 审计记录必要时再结合 RAG。LLM Wiki 不是 GraphRAG 的前一代或后一代本体论也不是所有系统在 GraphRAG 后都要添加的模块。它们各自回应不同的工程需求。怎么判断该引入哪种技术可以从问题类型开始而不是从技术名词开始如果用户主要要找明确条款、编号或原文先做好全文检索和元数据过滤。如果用户用自然语言提问、资料表达方式不固定考虑向量检索和 RAG。如果问题需要从多份资料中关联实体和关系评估知识图谱或 GraphRAG。如果知识需要持续整理、跨材料形成可复用页面尝试 Wiki 式知识编译并保留来源和更新机制。如果不同部门和系统对关键业务词定义不一建立小范围、可治理的语义模型。如果系统需要执行查询或操作再增加 Agent、权限控制、业务规则和执行校验。建议先选一个边界清晰、能衡量效果的场景再逐步扩展。比如从“客户—合同—订单”出发先判断现有检索能否回答实际问题再决定是否需要图关系、统一概念或 Agent 操作。不要为了技术完整而把每个组件都装上。结语知识库从搜索系统走向可计算的知识基础设施知识库技术的发展核心不是一代技术淘汰上一代而是系统逐渐能处理更复杂的知识问题关键词检索找到词向量检索找到相似表达RAG让模型利用外部资料GraphRAG沿关系检索LLM Wiki持续整理知识本体论统一业务语义Agent在规则约束下使用知识完成任务。对技术人员来说选型时可以记住三个问题知识以什么形式存在文档、数据库记录、图结构还是经过持续整理的页面系统要完成什么任务搜索、问答、跨实体推理还是执行流程结果如何验证和治理来源、权限、版本、冲突和更新机制是否明确把这三个问题回答清楚通常比单纯追逐“最新的知识库架构”更能帮助团队做出合适的技术选择。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。
本文从关键词检索到Agent详细介绍了知识库技术的发展脉络和不同阶段的核心能力。文章强调知识系统能力的逐步扩展而非严格的技术替代顺序并通过实例说明了如何根据实际问题类型选择合适的技术。理解每种技术所处位置比追逐“最新”技术更重要建议新手程序员结合实际需求逐步学习和应用相关知识库技术。很多人谈知识库会把一串技术名词排成升级路线关键词检索、向量检索、RAG、知识图谱、GraphRAG、LLM Wiki、本体论最后是 Agent。这条路线有参考价值但不是严格的技术替代顺序。它更像知识系统逐步增加能力的过程先能找到资料再能理解语义和关系进一步积累可复用的知识最后在规则约束下执行任务。不同技术解决的问题并不相同。一个生产系统可能同时保留全文检索、向量检索、知识图谱和业务语义模型也可能只用其中一两种。理解每种技术处在什么位置比判断哪种“最新”更重要。先看全景知识系统增加了哪些能力可以把技术脉络概括为关键词检索 → 全文搜索与索引 → 向量检索 → RAG → 混合检索与重排序 → 知识图谱与 GraphRAG → LLM Wiki → 本体论与语义层 → Agent这并不代表每个系统都要依次经过这些阶段。它表示知识系统在不同方向上扩展能力阶段增加的能力典型问题关键词检索匹配明确词语“文档里有没有这句话”全文搜索与索引搜索大规模文本并利用字段筛选“哪些资料包含这些词且属于这个部门”向量检索按语义相似度找文本“没有用同样的词能否找到相关内容”RAG把检索结果交给模型生成回答“能否根据公司资料回答问题并引用依据”混合检索与重排序结合多种召回方式优化候选结果次序“怎样提高召回率和最终上下文相关性”知识图谱与 GraphRAG表达实体关系并沿关系查找信息“这个项目、客户、合同和产品如何关联”LLM Wiki把新资料融入可持续更新的知识页面“能否复用之前整理出的跨文档结论”本体论与语义层明确业务概念、关系和约束“不同系统里的‘客户’究竟是不是同一个概念”Agent让模型调用工具并完成流程“能否查状态、核权限并执行下一步操作”这张表是能力地图不是架构清单。每一层都可能和其他层组合。关键词检索从“记得文件名”到“搜得到词”最基础的知识库就是文件和目录。内容主要由人浏览查找依赖文件名、目录结构和个人记忆。关键词检索把查找变成了可操作的查询输入“差旅报销”“合同审批”系统返回包含这些词的页面或文档。全文搜索引擎进一步使用倒排索引等结构在大规模文本中高效定位词项也可以结合标题、时间、作者、部门等字段过滤。它的优点是结果容易解释文档为什么命中通常能指出匹配词语。但词面匹配有边界搜“客户流失”可能找不到写着“用户停止续约”的材料。同一个词可能在不同文档中含义不同。关键字写得不对相关资料就可能被漏掉。关键词检索适合术语明确、目标清楚的查询但它不擅长处理表达方式变化和隐含语义。向量检索从匹配词语到匹配语义向量检索把文本转成向量再按向量距离寻找语义上相近的内容。用户问“怎么申请出差”即使资料写的是“差旅审批流程”也有机会被找出来。这扩展了搜索能力但“语义相近”不等于“业务上正确”。比如“客户账号”“签约法人”和“联系人”可能在同一批文档里经常一起出现向量检索可能把它们都认为相关却不一定能判断问题具体指哪一种对象。向量检索解决的是如何召回可能相关的文本不是如何验证文本是否符合业务规则。RAG检索结果进入模型上下文RAGRetrieval-Augmented Generation检索增强生成把外部检索和大模型生成结合起来先从资料中检索相关内容再将这些内容作为上下文交给模型回答。RAG 让模型能够利用不断更新的私有资料而不必每次都重新训练模型。但工程效果取决于整条链路资料解析、切分、索引、召回、排序、上下文构造和答案生成都可能引入问题。所以RAG 答错不一定是模型“不会回答”。也可能是相关内容没有被检索出来切分时丢失了标题、表格结构或上下文多份材料彼此冲突系统没有识别版本找到的是相似材料但不适用于当前部门或场景模型把检索到的片段错误地拼接起来。混合检索与重排序改进 RAG 的召回和排序生产级 RAG 往往不止用一种检索方法。常见做法包括关键词或 BM25 检索擅长精确匹配术语、编号和专有名词。向量检索擅长召回语义相近的表达。元数据过滤按部门、权限、时间、文档类型等限制范围。重排序Reranking对初步召回的候选内容再次打分挑出更适合放进上下文的片段。查询改写与多路召回把用户问题转成不同检索表达扩大候选覆盖面。这些手段主要改进“找什么、把什么排在前面”。它们很有价值但仍然不能自动解决定义冲突一个 CRM 的客户记录和一个合同中的签约主体是否代表同一个企业实体不能单靠排序得分决定。知识图谱与 GraphRAG让检索能沿着关系走知识图谱用实体、属性和关系表示事实。它适合回答需要结构化关联的问题例如“这个客户有哪些订单”“某项目涉及哪些产品”。图谱可以来自数据库、业务系统也可以从文档中抽取。它强调把“对象是什么、对象之间有什么事实关系”显式保存下来。GraphRAG 则把图结构用于检索增强。以微软的实现为例它会从文本中抽取实体和关系构建图并生成社区摘要查询时可以做面向具体实体的 Local Search也可以通过社区报告回答全局性问题同时仍提供基础搜索模式。图检索扩展了 RAG 的关联能力但图谱质量决定了它能否给出有用的关联。边的名字也不能自动解释业务含义“负责”可能表示项目 Owner、技术负责人、财务负责人或法律责任人。若定义含糊图能提供连接却未必能提供正确解释。LLM Wiki从每次检索重组到持续整理知识普通 RAG 通常在每次提问时从原始资料中重新检索相关片段再由模型组织答案。LLM Wiki 采用另一种思路模型读入新资料后持续更新一组互相链接、可供后续查询的知识页面。例如加入一份新报告时系统可能保留原始报告作为来源写入报告摘要更新相关公司、产品或主题页面检查新材料是否与已有结论冲突更新索引或记录处理日志。LLM Wiki 的重点是累积整理后的知识而不只是累积原始文件。Karpathy 对这一模式的描述中原始来源保持不变Wiki 页面由模型维护并通过结构说明文件约定知识库的组织方式和操作流程。它特别适合个人研究、项目知识整理和规模适中的团队知识积累。不过持久化的综合页面也会带来新的工程问题来源能否追溯旧结论如何更新冲突由谁裁定自动写入的错误会不会被后续内容继续引用因此LLM Wiki 可以与 RAG 并用Wiki 提供整理后的知识RAG 检索原始材料或对应证据。本体论与语义层统一业务概念和关系定义当知识跨越多个系统和部门系统可能遇到“同名不同义”和“异名同义”CRM 的“客户”可能是销售账号合同中的“客户”可能是签约法人财务系统里的交易对象可能是付款主体销售人员口中的客户可能是联系人或商机。本体论Ontology可以用来明确一个领域里的概念、属性、关系及其语义约束。以标准化的 OWL 本体语言为例它能够定义类、个体、属性及其语义。在企业系统中本体或语义层可以约定一个订单由哪个角色下单、由谁付款哪些关系允许连接哪些对象不同来源系统中的字段如何映射到统一概念某个事实来自哪个系统、何时有效、由谁确认。它与知识图谱的关系可以这样理解本体或语义模型定义概念和关系应该如何理解。知识图谱记录具体对象及其事实。本体论不是知识图谱的升级版也不是所有 RAG 的必备前置。它适用于业务概念确实跨系统、跨部门且统一语义能带来足够收益的场景。若只是查公司制度直接引入一套庞大的本体模型可能得不偿失。Agent从回答问题到调用工具和执行流程Agent 在知识库演进中代表了另一种能力扩展系统不只提供答案还可能调用工具、查询业务状态、执行操作。例如“帮我处理这笔采购申请”可能涉及识别申请单与申请人查询预算和供应商信息检索采购制度判断审批规则和当前权限调用业务系统推进流程返回执行结果和依据。这时知识系统要提供的不只是相关段落还包括对象身份、状态、关系、数据来源和业务规则。Agent 可以负责理解自然语言、规划步骤和调用工具知识图谱、语义层、规则引擎和权限系统则提供可查询、可验证的业务上下文。回答可以容忍一定的不确定性执行操作则需要更明确的校验。因此从 RAG 走向 Agent系统必须更加重视权限、审计、来源和执行前校验。这条技术路线不是瀑布式升级前面的路线展示的是知识系统可能增加的能力不代表企业必须从第一步一路建到最后一步。实际架构经常是并行组合制度问答全文搜索 RAG保留文档权限与引用。跨文档研究RAG LLM Wiki兼顾来源检索和持续综合。客户与订单分析结构化数据 知识图谱 GraphRAG。跨系统业务 Agent语义层 业务 API 权限校验 审计记录必要时再结合 RAG。LLM Wiki 不是 GraphRAG 的前一代或后一代本体论也不是所有系统在 GraphRAG 后都要添加的模块。它们各自回应不同的工程需求。怎么判断该引入哪种技术可以从问题类型开始而不是从技术名词开始如果用户主要要找明确条款、编号或原文先做好全文检索和元数据过滤。如果用户用自然语言提问、资料表达方式不固定考虑向量检索和 RAG。如果问题需要从多份资料中关联实体和关系评估知识图谱或 GraphRAG。如果知识需要持续整理、跨材料形成可复用页面尝试 Wiki 式知识编译并保留来源和更新机制。如果不同部门和系统对关键业务词定义不一建立小范围、可治理的语义模型。如果系统需要执行查询或操作再增加 Agent、权限控制、业务规则和执行校验。建议先选一个边界清晰、能衡量效果的场景再逐步扩展。比如从“客户—合同—订单”出发先判断现有检索能否回答实际问题再决定是否需要图关系、统一概念或 Agent 操作。不要为了技术完整而把每个组件都装上。结语知识库从搜索系统走向可计算的知识基础设施知识库技术的发展核心不是一代技术淘汰上一代而是系统逐渐能处理更复杂的知识问题关键词检索找到词向量检索找到相似表达RAG让模型利用外部资料GraphRAG沿关系检索LLM Wiki持续整理知识本体论统一业务语义Agent在规则约束下使用知识完成任务。对技术人员来说选型时可以记住三个问题知识以什么形式存在文档、数据库记录、图结构还是经过持续整理的页面系统要完成什么任务搜索、问答、跨实体推理还是执行流程结果如何验证和治理来源、权限、版本、冲突和更新机制是否明确把这三个问题回答清楚通常比单纯追逐“最新的知识库架构”更能帮助团队做出合适的技术选择。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
