基于大模型LLM 应用方案
现如今LLM 应用 面临的主要问题
- 准确性，2. 高成本，3. 专业性，4. 时效性，5. 安全性
- 信息偏差/幻觉 (大模型由于数据缺陷/知识边界 会使用 可靠性下降)
- 知识更新滞后性 （LLM 基于静态数据集训练，可能导致知识更新滞后，无法及时反映最新信息动态。）
- 内容不可追溯： （LLM 生成的内容往往缺乏明确的信息来源，影响内容的可信度。）
- 推理能力限制：（LLM 可能缺乏必要的推理能力）
- 长文本处理能力较弱：（受限于有限的上下文窗口，处理速度随着输入长度增加而减慢）
主流方案
无训练成本
直接使用已经训练好的预训练模型，不需要额外训练，
1. 只通过输入或微调提示（Prompt Engineering）实现功能。
System Prompt + ICL（In-Context Learning）在 Prompt 中提供示例，模型基于示例进行推理+ CoT（Chain of Thought）通过推理链 分步引导，模型逐步推理以提高复杂问题的解决能力：
提供明确的上下文和示例，指导模型分步骤推理，增强回答质量。
2. 限定回答范围（Guidance）：通过明确的指令限制模型输出格式和范围。
3. Retrieval Augmented Generation (RAG)通过检索外部知识，补充模型的生成能力。
langchain
- 基于检索返回的内容做Prompt增强
当前完整的 RAG 应用流程主要包含两个阶段：-
数据准备阶段：数据提取——>文本分割——>向量化（embedding）——>数据入库
-
应用阶段：用户提问——>数据检索（召回）——>注入 Prompt——>LLM 生成答案
-
- Bing-like 模式
结合全网搜索结果，增强模型的知识范围 调用通用搜索引擎（如 Bing、Google）。调用通用搜索引擎（如 Bing、Google）。
Perplexity.ai
Google Search Labs
4. Function Call + Plugins 通过外部工具（如函数调用、插件）扩展模型能力。
Function calling
5. Ensemble/Bagging 通过多次调用模型，使用不同提示或结果整合，提升回答的质量和一致性。
Med-PaLM 2
- CoT-SC（Self-Consistency）：对一个问题生成多个答案，投票选出最佳答案。
- Prompt Bagging：使用多个设计不同的 Prompt 输入，结合结果进行优化。
- Ensemble Refinement：利用多个模型分别生成答案，最后组合成最终输出。
6.Reflection/System2 像人类一样非线性思考问题、reasoning、planning
- ReAct、ToT
有训练成本
1. SFT（Supervised Fine-Tuning）通过监督微调对模型进行对齐（Alignment）
- Full FT（全模型微调）：调整整个模型参数，适合大规模定制。
- PEFT（Parameter-Efficient Fine-Tuning）：只调整部分参数（如 LoRA），资源友好。
具体方案
- 准备标注数据集。
- 选择微调方法：
- 全模型微调（Full Fine-tuning）。
- 参数高效微调（PEFT），如 LoRA。
- 使用分布式训练框架（如 Hugging Face Trainer）进行训练。
2. 增量预训练（Incremental Pretraining）增量预训练（Incremental Pretraining）
- 在特定领域数据上继续预训练模型，增强领域能力。 MOE
3. MOE（Mixture of Experts）MOE（Mixture of Experts）
- 通过动态激活模型的部分模块，提升大模型的训练效率和推理能力。好的数据配比、数据质量、训练技巧、训练资源。
总结建议
- 如果需要快速实现功能、资源有限，优先选择无训练成本方案，如：
- 使用 Prompt Engineering（ICL + CoT）改进回答质量。
- 结合检索增强模型（RAG）。
- 借助 Function Call 和 Plugin 扩展功能。
- 如果追求高精度、领域定制化或长期优化，选择有训练成本方案，如：
- 使用 SFT 对齐模型输出格式。
- 在特定领域内增量预训练或全面预训练新模型。
选择具体实现方案需根据应用场景、技术资源和业务需求综合评估。