时时彩 网站建设站长友情链接平台

1. 背景

AIGC技术的突破性进展彻底改变了技术开发的范式，尤其是以GPT为代表的LLM，凭借其强大的自然语言理解与生成能力，迅速成为全球科技领域的焦点。2023年末，随着ChatGPT的爆火，AIGC技术从实验室走向规模化应用，催生了从智能导购、智能客服、内容创作到企业自动化等众多场景的革新。这一浪潮不仅吸引了学术界与产业界的广泛关注，更激发了开发者投身大模型应用生态的热情。

彼时，我作为初探AIGC领域的开发者，亲历了这场技术变革的起始阶段，并加入了大模型应用开发团队。在一年多的实践中，围绕大模型的核心能力，探索了其在垂直领域中的落地场景，涉及提示工程、知识库、RAG、Agent以及应用架构设计和性能优化等关键技术环节。过程中，既见证了生成式AI的颠覆性潜力，也直面了数据质量、数据存储、幻觉抑制等现实挑战，积累了从理论到实战的宝贵经验。

本文旨在基于本人一线开发经验，系统梳理大模型应用落地的关键技术与实践心得，涵盖技术选型、架构设计、问题解决方案及未来趋势展望。希望通过真实案例的分享，为开发者提供可复用的方法论，同时与行业同行共同探讨AIGC技术的边界与可能性，推动技术生态的协同进化。

2. 探索

要做一个大模型应用，我们先要决定做什么业务领域，导购、客服还是企业应用。然后对模型进行选型、评估涉及的相关领域数据有哪些，要应对哪些场景，如何快速响应给用户、如何保障数据实时性。

2.1 业务领域

我们探索了导购以及客服领域。不同的两种业务形态，在具体实现过程中也有较大的差别，具体后文详述。

2.2 模型选型

刚开始做的时候，几乎是一家独大，即GPT，起初我们选用gpt3.5，在速度和推理能力上相对均衡，然后在部分需要更精准的场景下使用gpt4（能力强但成本高且速度慢）。后来gpt4o出现，性能佳且成本低，我们进行了替换。再后来就是gpt4o-mini，在成本和性能上得到了均衡。在一些特殊场景如图片理解、模版匹配上尝试了智普和内部模型。

2.3 数据领域

导购领域，我们以电商场景下的商品导购为例：需要商品属性、价格、促销、评价、图文视频、选购指南、品类、类目介绍等。
客服领域：需要历史客服对话记录，以及某些场域下的问答记录。

2.4 应对场景

导购领域：选购建议、价格信息、优惠信息、类似商品、大小尺寸、商品推荐等。
客服领域：咨询、投诉、建议等

2.5 数据交互

无论导购还是客服领域我们都是以对话形式与用户交互。用户发问后，当然希望快速响应， 同时希望格式更加规范，内容更加精准。
在数据交互方面我们采用了组件化的方式进行交互，一个组件可能为大模型组件（需调用大模型分析总结）、图文组件（图片文字渲染）、商卡组件（商品信息展示）、商品视频组件（商品介绍）等。这样对于用户来说更加容易理解。而且我们在使用大模型时也是在指定场景，如准备阶段、输出阶段，这样流式的交互对用户来说感知上速度也很快。另外为了数据的准确性和丰富性，我们收集了离线数据到知识库，同时用mq维护数据实时性。

3. 架构设计

现有应用中并未采用以下架构，开发过程中考虑时间以及复杂性进行了简化，这里我们介绍更完善的架构。

3.1大模型交互

先将内部接口、知识库、外部接口等基础数据封装为基层数据能力。在上层基于数据能力封装领域能力，每一项能力即大模型可选择的一个工具，也即前台对应的一个组件。可将所有的领域能力提供给大模型，供大模型分析筛选。基于领域能力可形成上层的客服、导购等应用。

3.2 RAG链路

上图中的知识库都需要RAG的驱动，这里我们详细说明。

首先我们需要将源数据同步到ES集群和向量库集群中，分别用于标量检索和向量检索。同时需要通过MQ触达数据变更，近实时同步知识库中的数据。构建好知识库的同时，如果有查询任务，先标量查询ES，同时向量化后查询向量库，分别拿到两份数据后，进行重拍筛选，最后将高相关小token的数据投入大模型进行分析推理。

3.3 数据驱动

大模型选择好工具函数后，即选择了领域能力列表。然后我们需要采用并发编排工具驱动领域能力调用底层的基础数据，拿到基础数据后，再执行领域能力，解析处理逻辑。详细流程图如下：

上图中还涉及到依赖分层调用以及数据复用、数据注入，另一篇文章有详细介绍此处的并发能力，这里不再赘述。

3.4 交互链路Agent

4. 总结

在做大模型应用时，主要关注的点在于数据的丰富性以及实时性，大模型推理的合理性、输出的规范性和及时性。在架构设计上，要避免大模型的无限制推理，保证模型分析的可控。同时限制大模型的随意发挥，可通过预定制的能力卡控模型的随意性。为了保障时效性，需要在合适的阶段再调用大模型，同时给用户输出某些内容，避免长时间等待。