代备案域名30元优化大师怎么强力卸载

本文原创作者：姚瑞南 AI-agent 大模型运营专家，先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家岗；多年人工智能行业智能产品运营及大模型落地经验，拥有AI外呼方向国家专利与PMP项目管理证书。（转载需经授权） 

目录

1. 大模型幻觉

1.1 大模型幻觉的含义

1.2 大模型幻觉产生的原因

2. 缓解大模型幻觉方案的比较与选择

2.1 Prompt优化

2.2 微调大模型

2.3 外挂知识库

3. 向量数据库

3.1 向量

3.2 Vector Embbeding

🛠️ 传统做法：特征工程

📦 什么是 Embedding？

🧠 向量是怎么生成的？

⚖️ 如何选择嵌入模型？

3.3 向量数据库

3.3.1 什么是向量数据库

3.3.2 向量数据库工作原理：

3.3.3 衡量向量数据库的指标

3.4 如何构建大模型外挂向量数据库

🔹 一、数据和索引模块

🔹 二、查询检索模块

🔹 三、响应生成模块

3.5 大模型外挂向量数据库的不足

🚨 向量数据库存在的主要不足与改进思路：

❶ 排序不敏感，影响回答逻辑

❷ 匹配能力受限，难处理模糊或复杂提问

❸ 综合性提问难召回，影响知识点拼接

❹ 大模型知识“盲区”仍然存在

✅ 总结建议：

---

💡 本文是笔者第一篇AI知识学习的输出。最近，业界关于大语言模型的落地思考，慢慢聚焦于RAG（Retrieval Augment Generation，检索增强生成）和Agents。此篇是笔者从减少大模型幻觉的角度入手，对RAG下的大模型外挂知识库（向量数据库）的总结输出。目前有关向量数据库的营销非常多，令人眼花缭乱，本文对重要资料进行梳理，较为系统地对其进行了介绍，并总结了大模型外挂向量数据库的一些不足。

1. 大模型幻觉

1.1 大模型幻觉的含义

大语言模型（LLM）有两个突出能力：一个是自然语言的理解和生成能力🗣️，另一个是逻辑推理能力🧠。然而，大模型也存在短板，比如大模型会产生幻觉：即大模型的输出内容，与输入内容或现实不相符😵，也就是“大模型在绘声绘色地胡说八道”🎭。不同的应用场景，对大模型幻觉的容忍度不同⚖️。比如，在要求严谨和精确的领域📊，大模型幻觉就是个必解的问题❗

1.2 大模型幻觉产生的原因

1. 想象学生回答文科题目时的情境：当遇见不会的题目，学生根据过往经验，会做出如下判断：多写不扣分，少写或没写要扣分！因此，学生遇见不会的题目，一般也要强行回答，绝不留白，至少能得个辛苦分。同理，由于大模型预训练的目标，是基于之前文本，生成下一个最有可能的词，却缺乏有效的机制来让模型明确知道：对于不会的问题，可以拒绝回答！因此，模型在遇见不会回答的问题时，不愿意回答“不知道”，而是输出概率最高的词，为了回答而回答，就会产生看似合理，实则虚构的答案。

2. 多数学生很少去怀疑出题人给出的信息。如果出题人给出的信息不够明确和精准，就会导致学生写出不符合要求，甚至是错误答案。具体有两种情况：一是给出的信息没有限定范围和约束条件，导致学生的回答范围过广或偏离，不符合出题人原本预期。二是给出的信息有误，对学生产生了误导。同理，大模型很少去质疑提问者给出内容的正确性。因此，如果提问者给出了错误内容，模型会认为这些内容是数据的一种正常分布，并基于这些错误内容进行推理，从而产生错误结果。比如，经典的“林黛玉倒拔垂杨柳”问题。

3. 学生需要通过大量刷题，去巩固和加深对知识点的掌握。当学生遇见比较少见的题目或知识点时，由于对该题目类型的熟练度不够、知识点模糊，答题时就需要依靠猜测。同理，当大模型遇见出现次数少的知识点时，也需要去“猜测”。不过一旦采用了猜测，很大可能会猜错。

4. 学生在学校里犯错，为了不被老师批评，倾向于撒谎掩盖错误。此时，为了圆一个谎，就需要说更多的谎。同理，如果模型产生了一个错误，当它认为必须继续回答下去，就会把产生的错误当成是数据分布的一部分，并以错误内容为基准预测下一个词。这意味着模型为了强行回答而撒谎，从而导致幻觉。

综上所述，大模型幻觉具体成因如下：

• 模型缺乏特定知识，仅能依据模型内部知识进行推理和回答，并且没有“有效机制”去告知模型：对于不会的问题可以拒绝回答。所谓“有效机制”，是要教会模型可以回答“不知道”，同时防止模型矫枉过正（即模型知道怎么回答，但还说不知道）。
• 输入的内容不够明确精准，会误导大模型产生错误回答。
• 大模型内部有一些知识模糊或丢失，导致其靠编和猜来回答问题。
• 大模型调用知识或推理错误导致的问题。

当然，还有其他原因会导致大模型产生幻觉：例如，在预训练阶段，训练数据掺杂了错误信息或虚假信息，使模型学习了错误和虚假知识，也会产生幻觉。但这种问题的解决，需要重新训练模型，花费成本很高，故暂不将其纳入本文探讨范围。

2. 缓解大模型幻觉方案的比较与选择

📚 上一章已梳理出大模型产生幻觉的主因。可以得知，大模型像个学生，幻觉就如校园时代学生做的蠢事，故而我们可以从“对大模型进行教育”的角度入手，分析减少幻觉的主要思路：

1️⃣ 补充大模型缺乏的知识。正如“学而不思则罔，思而不学则殆”的第二句话所言，没有充足的知识学习，思考很可能会陷入虚幻和错误之中！🧠

2️⃣ 告知大模型：可以承认其不知道答案。就像做人的处事哲学一样，犯错就要承认不足与错误，并且在下一次回答中做好，如此这般，人们就会倾向于忘记你的错误，并最终记住你的好！👍

3️⃣ 结构化和精准化用户的提问意图。“问题哪得清如许，为有源头活水来”，好的输出源自于好的输入，而垃圾输入，就会产生垃圾输出！🔁

4️⃣ 用Prompt帮助大模型进行复杂任务的拆解和推理。有时候，“慢即是快”，通过Prompt引导模型对复杂问题进行进行一步步的拆解和推理，让其思考慢下来，从而得出更靠谱的结果。🧩

具体到操作层面有三种⽅案：（1）Prompt优化；（2）微调⼤模型；（3）外挂知识库。下面是对各个方案的介绍。

2.1 Prompt优化

具体地，主要有三种 Prompt 优化方式可以用来缓解大模型的幻觉现象：

1️⃣ 补充大模型所缺的外部知识，比如直接在 Prompt 中加入特定领域知识。📘
2️⃣ 告知大模型：“当你对问题没有把握的时候，不要自己编，直接回答不知道。”🙅‍♂️
3️⃣ 为了减少大模型在处理复杂问题时产生错误，可以采用诸如思维链（Chain-of-Thought）、上下文学习（In-Context Learning）、少样本学习（Few-shot Learning）等方式，引导大模型更好地推理与输出。🧠

但仅采用 Prompt 优化来缓解幻觉问题，也存在一定局限性：

⚠️ 大模型有 Token 限制（包括输入和输出内容）。如果对外部知识不加筛选而一股脑塞给模型，不仅效率低，而且成本高（包括 Token 消耗和推理资源的成本）。
⚠️ 很多时候，大模型并不能很好地遵循输入的指令，仍然可能编造答案来糊弄用户。

✅ 因此，Prompt 优化是一种值得考虑的方法，但在专业场景中，仅靠 Prompt 还远远不够，需要配合其他策略共同使用。💡

2.2 微调大模型

如果把大模型比作学生，微调就像是在考试前，告诉学生有关这门考试的规则与答题技巧，让学生记住这些要求，更好地利用自身的知识和能力进行答题，并且在考试时，能按照指定风格和术语输出答案。📖📝

不过，如果想通过微调来缓解幻觉，笔者认为这