在科技飞速发展的今天，人工智能（AI）早已不再是遥不可及的科幻概念，而是融入了我们生活的方方面面。其中，大模型作为AI领域的重要分支，以其卓越的表现力和广泛的应用前景，吸引了无数人的目光。但你是否也曾经好奇，这些看似无所不能的大模型，究竟是如何工作的呢？
今天，我们就来用一张图，带你轻松读懂大模型应用的工作原理。不需要复杂的代码和艰深的理论，只需要一张图，就能让你对大模型有一个全新的认识。
我先把图放到最上面 让大家有个直观的感受，然后会分为几个步骤去解释图中提到的一些概念，最后总结大模型的工作流程以及两个重要概念的原理。
01. 什么是大模型
我们看看大模型自己是怎么回答的
02. 大模型应用架构相关概念
同学们可以把上面的图截下来，对照着看便于更好的理解
应用程序：
这个不多说，就是我们自己的业务程序，我们自己写的代码
基础大模型：
比如 GPT、ERNIE（百度开发的一个基于知识增强的语义表示模型）等等
Prompt：
提示词，prompt 的概念是指您向模型提供的输入文本或指令，以引导模型生成特定类型的响应。这个prompt可以是一个问题、一段描述、一个任务说明，甚至是一部分对话历史记录等。通过设计和优化prompt，您可以引导模型生成符合预期的回复或完成特定的任务。
APIs：
三方或者是我们自己提供的api接口
RAG：
RAG（ Retrieval-Augmented Generation ）即检索增强生成。RAG模型结合了检索和生成两种技术，以提高文本生成任务的效果。这部分也可以理解为检索知识库。
- 知识：由我们来提供的知识文档 可以是pdf、word等
- 向量数据库：向量数据库是一种专门用于存储和管理向量数据的数据库系统，这些向量数据通常是由机器学习模型生成的，用于表示特定对象或概念的特征。
- Embeddings：它通常指的是将数据（如文字、图片、音频等）映射到一个低维度的向量空间的过程。具体来说，Embeddings可以看作是一种特征表示学习技术，它能够将原始数据（如文本中的单词、句子或图像中的像素等）转换为低维、连续的向量表示，这些向量能够捕捉到原始数据的语义或结构信息。
Fine-tuning：
微调的意思，把知识库知识通过微调进行机器训练和大模型进行融合，这种方式就是提前学习，后面就不用通过prompt的方式把向量数据库的内容给到大模型了，比向量数据库更深刻，但是这种方式比较烧钱，而且没有向量数据库的方式实时
Function Calling：
大模型通过 Function Calling 的方式向应用程序提要求。比如，应用程序向大模型提出一个prompt：帮我把空调温度提高2度， 首先大模型不能直接调用三方api，因为大模型会产生幻觉（产生破坏效应），所以大模型拿到问题后需要靠应用程序去中转，怎么中转呢，就是靠Function Calling去反向告诉应用程序你应该去调用什么函数，然后我们调用函数拿到结果之后，把结果再通过prompt的方式给到大模型，然后大模型会为结果产生后续语言的返回等。
03. 大模型应用工作流程
还是把这张图放着比较合适~
下面通过3个简单的例子来说明上图是怎么运转的
例子1（简单问答）：
小明：请一句话来形容项羽
大模型： 项羽，一代豪杰，勇猛无双，却终因刚愎自用，悲壮落幕，成为历史长河中璀璨的流星。
例子1的工作流程：首先小明通过应用程序输入一个问题，然后通过prompt也就是提示词的方式传递给基础大模型，然后大模型通过分析等直接将答案response响应给应用程序。
例子2（知识库）：
小明：公司的报销制度
大模型： 吧啦吧啦一堆。。。
例子2的工作流程：首先要明确的是你们公司的报销制度是不公开到互联网的，所以大模型并不知道你们公司的报销制度，那就需要通过知识库的方式来解决，其中有两种方案：
- 提前准备好企业知识库，然后把知识文档通过Embeddings的方式存到向量数据库，然后应用程序先去向量数据库检索，拿到内容之后再将内容通过prompt的方式传给大模型，大模型分析之后将响应结果给到应用程序。（后面的章节会讲解这部分具体怎么操作的）
- 将企业知识库通过Fine-tuning 微调的方式提前训练到大模型中，这种方式上面也提到了，比向量数据库更深刻，但是这种方式比较烧钱，而且没有向量数据库的方式实时，更新就需要重新训练而且还存在一定风险。提前将知识训练到大模型之后，应用程序提出企业问题后大模型就能直接给出答案了。
例子3（调用api）：
小明：请帮我预约一场今天2点的会议
大模型： 好的，请问您都需要邀请谁来参会呢？
小明：小虎
大模型：已为您预约了今天的会议，请您准时参加哦~
例子3的工作流程：先说明下这个场景可能会用到两个基础模型（一个用来做意图识别，一个用来做执行）当然都需要通过提示词的方式来调优，这里先不展开讲了。小明通过应用程序预约了一场会议，然后应用程序通过prompt将问题给到了大模型1，大模型1分析发现用户要预约会议，但是又没有说明参会人，那他就会告诉应用程序这个用户想要预约会议但是没有参会人（这一部是通过prompt调出来的），然后应用程序就会告诉用户你要告诉我都有谁来参会，然后小明输入参会人之后，大模型1判断小明要预约会议并且参数完整，然后告诉应用程序，应用程序就将小明的输入携带Function Calling需要的参数通过prompt的方式传递给大模型2，大模型2分析后将输出通过Function Calling的方式（也就是告诉应用程序你要掉什么函数等等）给到应用程序，应用程序发起会议预约调用接口，完成会议预约。
04. Function Calling原理
使用Function Call功能时，你需要定义（并不是真的写程序去定义一个函数，而仅仅是用文字来描述一个函数）一些function（需要指定函数名，函数用途的描述，参数名，参数描述），传给LLM，当用户输入一个问题时，LLM通过文本分析是否需要调用某一个function，如果需要调用，那么LLM返回一个json，json包括需要调用的function名，需要输入到function的参数名，以及参数值。总而言之，function call帮我们做了两件事情：1.判断是否要调用某个预定义的函数。2.如果要调用，从用户输入的文本里提取出函数所需要的函数值。
一个简单例子:
将以下内容作为prompt的参数传递给大模型（不同的模型接收function call的参数是不一样的）
{
"name": "get_current_weather",
"description": "获取今天的天气",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "获取天气情况的城市或者国家，比如北京、东京、新加坡"
},
"time": {
"type": "string",
"description": "时间信息"
},
},
"required": ["location", "time"]
}
}
本篇文章到这里就结束了，最后送大家一句话 白驹过隙，沧海桑田
