AI 大模型相关概念及工具总结

(Updated: )
AI
, , ,

大模型相关概念讲解：模型、大模型、大语言模型、大模型分类、Token、向量数据库、RAG、Ollama、Dify

1. 模型

1.1. 模型的概念及说明

在人工智能中，模型可以理解为一个“函数”或“算法”。它接收输入（例如文本、图像），经过内部的计算后，输出结果（例如回答、描述）。

用一个简单的数学类比来看

  1. 模型类似于一个数学函数，例如 y = f(x) = ax+b，其中：

    • x 是输入。

    • y 是输出。

    • a 和 b 是这个函数中的“参数”，模型要通过训练找到这些参数。

1.2. 模型的训练

训练模型的过程就是通过大量的输入-输出对（x, y），让模型不断调整内部的参数，让实际输出尽量接近目标输出。

过程如下：

  • 机器学习通过一个优化算法：反复计算函数 f(x) 的结果（比较真实值和预测值之间的差异，称为“误差”）。
  • 调整参数（比如 a 和 b）直到误差最小。
  • 最终，这些经过优化的参数会被保存为一个“模型文件”（通常后缀如 .pt/.h5 等）。

示例：

  1. 如果给一个模型输入很多线性数据对（如：(x=1, y=3) (x=2, y=5) …），
  2. 它会调整参数 a=2,b=1，最终数学表达式 f(x)=2x+1 成为最佳拟合函数（或称为模型）。

1.3. 推理（Inference）

模型训练好后，被用来实际解决问题的阶段叫做推理。即：

  • 加载模型文件，把训练好的参数（如 a 和 b）加载进系统。
  • 用户输入（x），通过计算 f(x)=ax+b，得到结果（输出 y）。

2. 大模型

大模型（Large Model），直白来说，指的是参数规模非常大的模型。它拥有数亿甚至数千亿个参数（如 DeepSeek R1 满血 671B 参数，就是 6710 亿）。参数越多，模型的学习能力和表达能力就越强，能解决的任务也越复杂。

举例：

  • 小模型：像一台基础的计算器，可以完成简单的任务（如加减法）。
  • 大模型：像一台超级计算机或者百科全书，能够处理复杂的任务（如图像识别、自然语言理解和生成、多模态任务等）。

3. 大语言模型（LLM）

大语言模型（LLM，Large Language Model）是大模型的一个分支，专门用来处理文本相关任务，比如阅读、理解和生成文章。

核心能力：理解和生成自然语言。

简单来说：给它一段文字，它可以帮你续写文章、翻译语言、回答问题、生成代码、写诗等等

4. 大模型分类

4.1. 根据输入类型分类

  • 文本模型： 处理文本数据，如大语言模型（LLM）。
  • 图像模型： 处理图像数据，如图像识别、图像生成模型。
  • 语音模型： 处理语音数据，如语音识别、语音合成模型。
  • 多模态模型： 可以同时处理多种类型的数据，如文本、图像、语音等。

4.2. 根据应用领域分类

  • 通用模型： 适用于多种任务，如ChatGPT。
  • 行业模型： 针对特定行业进行优化，如金融、医疗等。

5. 大模型中的 Token

Token 是大模型处理文本的基本单位。

  • 可以理解为：将一段文本拆分成一个个的小片段，每一个小片段就是一个 Token，具体取决于模型的分词策略

  • 例如：

    • “Hello world” 可能被拆分成 “Hello” 和 “world” 两个 Token。
    • “你好世界” 可能被拆分成 “你好” 和 “世界” 两个 Token 。

  • Token 的重要性：

    • 模型的输入输出都是以 Token 为单位
    • 模型的处理能力（如一次能处理的最大文本长度）通常是以 Token 数量来衡量
    • Token 数量也会影响模型的推理成本（费用）

6. 向量数据库

6.1. 向量数据库概念

向量数据库（Vector Database） 是一种专门设计用于存储、管理和高效查询向量（高维数据表示）的数据库系统。

简单来说，这里的“向量”可以理解为把复杂的东西（比如一段文字、一张图片、一个音频文件）用数学的方法转化成一串数字（可能是几百甚至几千维的数组）。这些数字“向量”能够非常方便地用来比较相似性。

6.2. 向量数据库 vs 传统数据库

  • 传统数据库强调精确匹配（如查找主键、ID）。
  • 向量数据库则专注于相似匹配（比如找出和当前输入“意思最接近”的内容）。

6.3. 使用场景

  • 推荐系统： 根据用户行为推荐类似的物品。
  • 智能检索： 输入一段语句，找到语义相似的资料。
  • 配合 RAG： 提供海量外部知识。

7. RAG

RAG (Retrieval-Augmented Generation) 是一种增强大模型能力的策略。

  • 核心思想：在生成答案之前，先从外部知识库中检索相关信息，然后将这些信息作为 Prompt 的一部分，一起输入给大模型。
  • 简单理解：给大模型提供了一个“外脑”，让它在回答问题时，可以参考外部知识，从而生成更准确、更全面的答案。

典型 RAG 流程

  1. 文档分块编码文档的向量表示（embeddings）。
  2. 用户输入提示词之后，对提示词也进行转换向量表示。
  3. 拿转换为向量的提示词去向量数据库中做向量相似性检索，返回搜索出来的关联文档块。
  4. 拿关联文档块作为上下文，加上提示词一块输入给大模型。
  5. 大模型推理回复。

8. 目前用到的工具

8.1. Ollama

Ollama 是一个开源工具，它的核心作用是让你非常轻松地在本地电脑上运行大型语言模型 (LLM)。

它本身并不是一个大模型，而是一个平台或者工具，帮你管理、部署和运行那些大型模型，比如 Llama 2、Mistral 等等。

部署简单：可以把Ollama想象成LLM的Docker。

多平台支持： Ollama 支持 macOS、Linux 和 Windows。

8.2. Dify

Dify 是一个基于 LLM (Large Language Model) 的应用开发平台，旨在降低开发者构建 AI 原生应用的门槛。

Dify 提供了一套完整的工具链，包括可视化 Prompt 编排、上下文增强、知识库管理、Agent 调度和统一的 API 接口等功能，帮助开发者快速构建各种 AI 应用，如聊天机器人、知识问答系统、AI 工作流等。

Dify 支持多种 LLM 模型，包括 OpenAI、Anthropic、Google 等，并提供了灵活的部署方案，包括云端部署和本地部署，满足不同场景下的需求。

Dify 的核心价值在于简化 AI 应用的开发流程。