（笔者能力有限，如果发现问题希望在评论区指出，感谢！）
这段时间AI爆火，同时也出现了很多新名词。诸如RAG、Agent之类的一堆，但是大部分人看到这些都一头雾水，不知道具体是什么东西。下面就让我用一文+多图的方式让大家了解这些东西。
一、LLM —— 大语言模型
LLM（large language model，LLM）大语言模型是在2018年左右出现的一种语言模型，由具有许多参数（通常数十亿个权重或更多）的人工神经网络组成，使用无监督学习对大量未标记语料进行预训练生成通用模型，然后再在不同特定任务下进行微调。
大模型按照输入数据类型的不同可以分为三大类：
•NLP：自然语言处理
•CV：计算机视觉大模型，一般用于图像分类、目标检测等
•多模态：可以处理多种不同类型的数据，是结合了NLP与CV
LLM大模型建立的流程主要是涉及下面这几个阶段：
LLM同时还有些缺点：
•LLM知识过时：训练数据有“截止日期”（比如GPT-4截止到2023年10月），无法回答2023年10月后的新信息（如2024年的新电影、新政策）；
•易“胡编”：对不确定的知识，会“一本正经地瞎说”（行业叫“幻觉”），比如编造不存在的论文作者、错误的历史事件。
二、RAG（检索增强生成）—— 给LLM装“外挂知识库”
RAG:Retrieval Augmented Generation，是当前最火热的LLM应用方案，同时解决了上述的大模型知识过时和幻觉的问题。
RAG就是通过自由垂域数据库检索相关信息，合并成为提示模板。也就是会给单模型一个优质的Prompt
在实际落地时，为了提升RAG的检索精度和响应速度，可能会做下列优化：
•Chunk优化：对长文档递归分割，先分大Chunk，再分小Chunk，并添加父子Chunk关联
•选择微调后的专业Embedding模型
•优化检索算法
•多轮检索
RAG的典型应用
•企业客服：检索“产品手册”后回答用户的售后问题（比如“这款冰箱怎么调温度”）；
•学术研究：检索“最新论文库”后总结某领域的研究进展；
•个人助理：检索“你的手机备忘录、日程表”后提醒你“今天下午3点有会议”。