一、大模型开发整理流程1.1、什么是大模型开发我们将开发以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用称为大模型开发。开发大模型相关应用其技术核心点虽然在大语言模型上但一般通过调用 API 或开源模型来实现核心的理解与生成通过 Prompt Enginnering 来实现大语言模型的控制因此虽然大模型是深度学习领域的集大成之作大模型开发却更多是一个工程问题。在大模型开发中我们一般不会去大幅度改动模型而是将大模型作为一个调用工具通过 Prompt Engineering、数据工程、业务逻辑分解等手段来充分发挥大模型能力适配应用任务而不会将精力聚焦在优化模型本身上。大模型开发与传统的AI 开发在整体思路上有着较大的不同。传统AI 开发首先需要将复杂的业务逻辑依次拆解对于每个子业务构造训练数据与验证数据对于每个子业务训练优化模型最后形成完整的模型链路来解决整个业务逻辑。大模型开发用 Prompt Engineering 来替代子模型的训练调优通过 Prompt 链路组合来实现业务逻辑用一个通用大模型 若干业务 Prompt 来解决任务从而将传统的模型训练调优转变成了更简单、轻松、低成本的 Prompt 设计调优。大模型开发与传统 AI 开发在评估思路上也有了质的差异。传统 AI 开发构造训练集、测试集、验证集通过在训练集上训练模型、在测试集上调优模型、在验证集上最终验证模型效果来实现性能的评估。大模型开发更敏捷、灵活不会在初期显式地确定训练集、验证集而是直接从实际业务需求出发构造小批量验证集设计合理 Prompt 来满足验证集效果。然后不断从业务逻辑中收集当下 Prompt 的 Bad Case并将 Bad Case 加入到验证集中针对性优化 Prompt最后实现较好的泛化效果。1.2、大模型开发整体流程1.2.1、设计包括确定目标设计功能。确定目标在进行开发前需要确定开发的目标即要开发的应用的应用场景、目标人群、核心价值。一般应先设定最小化目标从构建一个 mvp最小可行性产品开始逐步进行完善和优化。设计功能确定开发目标后设计本应用所要提供的功能首先确定应用的核心功能然后延展设计核心功能的上下游功能例如想打造一款个人知识库助手核心功能就是结合个人知识库内容进行问题的回答上游功能——用户上传知识库、下游功能——用户手动纠正模型回答就是子功能。1.2.2、架构搭建搭建整体架构搭建项目的整体架构实现从用户输入到应用输出的全流程贯通。包括搭建整体架构和搭建数据库。目前绝大部分大模型应用都是采用的特定数据库 Prompt 通用大模型的架构。推荐基于 LangChain 框架进行开发。LangChain 提供了 Chain、Tool 等架构的实现可以基于 LangChain 进行个性化定制实现从用户输入到数据库再到大模型最后输出的整体架构连接。搭建数据库大模型应用需要进行向量语义检索一般使用诸如 chroma 的向量数据库。搭建数据库需要收集数据并进行预处理再向量化存储到数据库中。数据预处理一般包括从多种格式向纯文本的转化例如 pdf、markdown、html、音视频等以及对错误数据、异常数据、脏数据进行清洗。完成预处理后需要进行切片、向量化构建出个性化数据库。1.2.3、Prompt Engineering明确 Prompt 设计的一般原则及技巧构建出一个来源于实际业务的小型验证集基于小型验证集设计满足基本要求、具备基本能力的 Prompt。优质的 Prompt 对大模型能力具有极大影响需要逐步迭代构建优质的 Prompt Engineering 来提升应用性能。1.2.4、验证迭代验证迭代在大模型开发中是极其重要的一步指通过不断发现 Bad Case 并针对性改进 Prompt Engineering 来提升系统效果、应对边界情况。在完成上一步的初始化 Prompt 设计后应该进行实际业务测试探讨边界情况找到 Bad Case并针对性分析 Prompt 存在的问题从而不断迭代优化直到达到一个较为稳定、可以基本实现目标的 Prompt 版本。1.2.5、前后端搭建完成 Prompt Engineering 及其迭代优化之后就完成了应用的核心功能可以充分发挥大语言模型的强大能力。接下来搭建前后端设计产品页面让应用上线成为产品。两种快速开发 Demo 的框架Gradio 和 Streamlit可以帮助个体开发者迅速搭建可视化页面实现 Demo 上线。在完成前后端搭建之后应用就可以上线体验了。接下来就需要进行长期的用户体验跟踪记录 Bad Case 与用户负反馈再针对性进行优化即可。二、项目流程简析基于个人知识库的问答助手介绍项目流程。项目原理项目原理如下图所示过程包括加载本地文档 - 读取文本 - 文本分割 - 文本向量化 - question向量化 - 在文本向量中匹配出与问句向量最相似的 top k个 - 匹配出的文本作为上下文和问题一起添加到 prompt中 - 提交给 LLM生成回答。2.1、项目规划与需求分析1、项目目标基于个人知识库的问答助手2、核心功能1、上传文档、创建知识库2、选择知识库检索用户提问的知识片段3、提供知识片段与提问获取大模型回答4、流式回复5、历史对话记录3、确定技术架构和工具1、LangChain框架2、Chroma知识库3、大模型使用 GPT、科大讯飞的星火大模型、文心一言、GLM 等4、前后端使用 Gradio 和 Streamlit。2.2、数据准备与向量知识库构建2.2.1、收集和整理用户提供的文档用户常用文档格式有 pdf、txt、doc 等首先使用工具读取文本通常使用 langchain 的文档加载器模块也可以使用 python 比较成熟的包进行读取。由于目前大模型使用 token 的限制需要对读取的文本进行切分将较长的文本切分为较小的文本这时一段文本就是一个单位的知识。2.2.2、将文档词向量化使用文本嵌入(Embeddings)对分割后的文档进行向量化使语义相似的文本片段具有接近的向量表示。然后存入向量数据库这个流程正是创建 索引(index) 的过程。向量数据库对各文档片段进行索引支持快速检索。这样当用户提出问题时可以先将问题转换为向量在数据库中快速找到语义最相关的文档片段。然后将这些文档片段与问题一起传递给语言模型生成回答。2.2.3、将向量化后的文档导入Chroma知识库建立知识库索引Chroma 向量库轻量级且数据存储在内存中非常容易启动和开始使用。用户知识库内容经过 embedding 存入向量知识库然后用户每一次提问也会经过 embedding利用向量相关性算法例如余弦算法找到最匹配的几个知识库片段将这些知识库片段作为上下文与用户问题一起作为 prompt 提交给 LLM 回答。2.3、大模型集成与API连接集成GPT、星火、文心、GLM 等大模型配置 API 连接。编写代码实现与大模型 API 的交互以便获取问题答案。2.4、核心功能实现构建 Prompt Engineering实现大模型回答功能根据用户提问和知识库内容生成回答。实现流式回复允许用户进行多轮对话。添加历史对话记录功能保存用户与助手的交互历史。2.5、核心功能迭代优化进行验证评估收集 Bad Case。根据 Bad Case 迭代优化核心功能实现。2.6、前端与用户交互界面开发使用 Gradio 和 Streamlit 搭建前端界面。实现用户上传文档、创建知识库的功能。设计用户界面包括问题输入、知识库选择、历史记录展示等。2.7、部署测试与上线部署问答助手到服务器或云平台确保可在互联网上访问。进行生产环境测试确保系统稳定。上线并向用户发布。2.8、维护与持续改进监测系统性能和用户反馈及时处理问题。定期更新知识库添加新的文档和信息。收集用户需求进行系统改进和功能扩展。三、项目架构简析3.1、整体架构搭建一个基于大模型的个人知识库助手基于 LangChain 框架搭建核心技术包括 LLM API 调用、向量数据库、检索问答链等。项目整体架构如下项目从底向上依次分为 LLM 层、数据层、数据库层、应用层与服务层3.1.1、LLM 层基于四种流行 LLM API OpenAI-ChatGPT、百度文心、讯飞星火、智谱GLM进行了 LLM 调用封装支持用户以统一的入口、方式来访问不同的模型支持随时进行模型的切换在 LLM 层构建了一个 Self_LLM 基类基类定义了所有 API 的一些共同参数如 API_Keytemperature 等在该基类基础上继承实现了上述四种 LLM API 的自定义 LLM。四种 LLM 的原生 API 封装在了统一的 get_completion 函数中。3.1.2、数据层包括个人知识库的源数据包括 pdf、txt、md 等以及 Embedding API源数据经过 Embedding 处理可以被向量数据库使用3.1.3、数据库层基于个人知识库源数据搭建的向量数据库本项目中选择了 Chroma。在该层实现了源数据处理、创建向量数据库的方法;3.1.4、应用层应用层封装了整个项目的全部核心功能。基于 LangChain 提供的检索问答链基类进行了进一步封装支持通过 model 参数进行不同模型切换以及便捷实现基于数据库的检索问答。实现了两个检索问答链分别是有历史记录的 Chat_QA_Chain 和没有历史记录的 QA_Chain3.1.5、服务层实现了 Gradio 搭建 Demo 与 FastAPI 组建 API 两种方式来支持本项目的服务访问。3.2、代码结构-project -readme.md 项目说明 -requirements.txt 使用依赖包的版本 -llm LLM调用封装 -self_llm.py 自定义 LLM 基类 -wenxin_llm.py 自定义百度文心 LLM -spark_llm.py 自定义讯飞星火 LLM -zhipuai_llm.py 自定义智谱AI LLM -call_llm.py 将各个 LLM 的原生接口封装在一起 -test.ipynb 使用示例 -embedding embedding调用封装 -zhipuai_embedding.py 自定义智谱AI embedding -call_embedding.py 调用 embedding 模型 -data 源数据路径 -database 数据库层封装 -create_db.py 处理源数据及初始化数据库封装 -qa_chain 应用层封装 -qa_chain.py 封装检索问答链返回一个检索问答链对象 -chat_qa_chian.py封装对话检索链返回一个带有历史记录的对话检索链对象 -get_vectordb.py 返回向量数据库对象 -model_to_llm.py 调用模型 -test.ipynb 使用示例 -serve 服务层封装 -run_gradio.py 启动 Gradio 界面 -api.py 封装 FastAPI -run_api.sh 启动 API -test.ipynb 使用示例3.3、项目逻辑1、用户可以通过 run_gradio 或者 run_api 启动整个服务2、服务层调用 qa_chain.py 或 chat_qa_chain 实例化对话检索链对象实现全部核心功能3、服务层和应用层都可以调用、切换 prompt_template.py 中的 prompt 模板来实现 prompt 的迭代4、也可以直接调用 call_llm 中的 get_completion 函数来实现不使用数据库的 LLM5、应用层调用已存在的数据库和 llm 中的自定义 LLM 来构建检索链6、如果数据库不存在应用层调用 create_db.py 创建数据库该脚本可以使用 openai embedding 也可以使用 embedding.py 中的自定义 embedding假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】