RAG（Retrieval Augmented Generation）
- 定义：RAG 即检索增强生成，是一种将信息检索技术与大型语言模型（LLM）相结合的技术方案。传统的大语言模型在生成内容时，知识更新往往受限于训练数据的截止时间，并且可能会生成一些没有事实依据的错误信息（即 “幻觉” 现象）。而 RAG 技术通过在模型生成回答之前，先从外部知识源（如文档库、知识库等）中检索相关信息，然后将这些信息与用户的问题一起输入到语言模型中，从而帮助模型生成更准确、更具时效性的回答。
- 应用场景：在智能客服、问答系统、知识图谱查询等场景中有着广泛的应用。例如，在一个企业级的智能客服系统中，当用户咨询产品的最新特性时，RAG 可以先从企业的产品知识库中检索相关信息，然后结合这些信息生成准确的回复。
Prompt（提示词）
- 定义
在人工智能，特别是大语言模型的应用中，prompt 指的是用户输入给模型的文本，用于引导模型生成特定的输出。通过设计合适的提示词，可以控制模型的回答风格、内容范围、输出格式等。提示词可以是一个简单的问题，也可以是一段详细的指令，描述了期望模型完成的任务。
在计算机编程中，prompt 还可以表示提示信息，例如在命令行界面中，系统会给出一个提示，告知用户可以输入命令，这个提示信息也被称为 prompt。 - 应用场景
大语言模型交互：在与 ChatGPT 等大语言模型对话时，用户输入的问题或指令就是 prompt。比如 “请为我生成一篇关于人工智能发展趋势的文章”，这就是一个引导模型生成文章的提示词。
命令行工具：在使用命令行工具（如 Linux 系统的终端）时，会看到类似 $ 或 # 这样的符号，这就是命令行的 prompt，提示用户可以输入命令。
LLM(Large Language Model),即大语言模型
- 定义
大语言模型是一种基于深度学习技术，利用大量文本数据进行训练的人工智能模型。它通常具有数十亿甚至数万亿的参数，能够学习到语言的模式、结构、语义和上下文信息，从而具备强大的语言理解和生成能力。 - 技术原理
神经网络架构：LLM 主要基于 Transformer 架构，这种架构引入了自注意力机制（Self-attention mechanism），能够更好地捕捉文本中不同位置之间的依赖关系，从而处理长序列文本时表现出色。
训练过程：通过在大规模的文本数据上进行无监督学习，如使用海量的书籍、新闻、网页等文本内容。训练方法通常采用预训练和微调两个阶段。预训练阶段让模型学习通用的语言知识和模式；微调阶段则在特定的任务数据集上对模型进行进一步训练，以适应具体的应用场景。 - 特点
强大的语言理解能力：能够理解自然语言文本的含义、上下文和语义信息，处理各种复杂的语言任务，如文本分类、情感分析、信息抽取等。
出色的语言生成能力：可以根据输入的提示信息生成连贯、自然的文本，如文章创作、对话回复、代码生成等。
泛化能力：对未见的文本数据也能有较好的处理能力，能够在不同的领域和任务中进行迁移应用。 - 常见的大语言模型
GPT 系列：由 OpenAI 开发，包括 GPT - 3、GPT - 3.5、GPT - 4 等。这些模型在自然语言处理的多个任务上表现优异，广泛应用于聊天机器人、内容创作、智能客服等领域。
LLaMA 系列：Meta 开发的大语言模型，具有不同规模的参数版本，在开源社区中受到广泛关注和研究。
文心一言：百度研发的知识增强大语言模型，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。 - 应用场景
智能客服：能够快速准确地回答用户的问题，提供实时的客户服务。
内容创作：帮助撰写文章、故事、诗歌、广告文案等，提高创作效率。
机器翻译：实现不同语言之间的高质量翻译。
智能助手：如语音助手，能够理解用户的语音指令并提供相应的服务。
