同樣地，這種方式可以應(yīng)用于處理文檔，PDF，郵件，網(wǎng)絡(luò)資訊等等尚未被LLM訓(xùn)練數(shù)據(jù)集覆蓋到的內(nèi)容。比如：

1. 結(jié)合最新的航班信息和最新的網(wǎng)紅打卡地點等旅游攻略資源，打造旅游助手。比如回答下周最適合去哪里旅游，如何最經(jīng)濟(jì)實惠的問題。
2. 體育賽事點評，時事熱點新聞點評，總結(jié)。今天誰是NBA比賽的MVP。
3. 教育行業(yè)，最新的教育熱點解讀，比如，告訴我什么是AIGC，什么是Stable Diffusion以及如何使用等等。
4. 金融領(lǐng)域，快速分析各行業(yè)領(lǐng)域金融財報，打造金融咨詢助手。
5. 專業(yè)領(lǐng)域的客服機(jī)器人…

實現(xiàn)原理

本地知識問答系統(tǒng)(Local QA System)主要是通過結(jié)合了大語言模型的推理能力和向量數(shù)據(jù)庫的存儲和檢索能力。來實現(xiàn)通過向量檢索到最相關(guān)的語義片段，然后讓大語言模型結(jié)合相關(guān)片段上下文來進(jìn)行正確的推理得到結(jié)論。在這個過程中主要有兩個流程：

a. 后端數(shù)據(jù)處理和存儲流程

b. 前端問答流程

同時其底層主要依賴兩個模塊：

1. 基于大語言模型的推理模塊

2. 基于向量數(shù)據(jù)庫的向量數(shù)據(jù)管理模塊

后端數(shù)據(jù)處理和存儲流程

上圖黑色的部分為后端的數(shù)據(jù)處理流程，主要是將我們的原始數(shù)據(jù)求解embedding，并和原始數(shù)據(jù)一起存入到向量數(shù)據(jù)庫ADB-PG中。這里你只需要關(guān)注上圖的藍(lán)色虛線框部分。黑色的處理模塊和ADB-PG向量數(shù)據(jù)庫。

• Step1：先將原始文檔中的文本內(nèi)容全部提取出來。然后根據(jù)語義切塊，切成多個chunk，可以理解為可以完整表達(dá)一段意思的文本段落。在這個過程中還可以額外做一些元數(shù)據(jù)抽取，敏感信息檢測等行為。
• Step2：將這些Chunk都丟給embedding模型，來求取這些chunk的embedding。
• Step3：將embedding和原始chunk一起存入到向量數(shù)據(jù)庫中。

前端問答流程

在這個過程中主要分為三個部分：1.問題提煉部分；2.向量檢索提取最相關(guān)知識；3.推理求解部分。在這里我們需要關(guān)注橙色部分。單單說原理可能比較晦澀，我們還是用上面的例子來說明。

Part1 問題提煉

這個部分是可選的，之所以存在是因為有些問題是需要依賴于上下文的。因為用戶問的新問題可能沒辦法讓LLM理解這個用戶的意圖。

比如用戶的新問題是“它能做什么”。LLM并不知道它指的是誰，需要結(jié)合之前的聊天歷史，比如“通義千問是什么”來推理出用戶需要求解答案的獨立問題“通義千問能做什么”。LLM沒法正確回答“它有什么用”這樣的模糊問題，但是能正確回答“通義千問有什么用”這樣的獨立問題。如果你的問題本身就是獨立的，則不需要這個部分。

得到獨立問題后，我們可以基于這個獨立問題，來求取這個獨立問題的embedding。然后去向量數(shù)據(jù)庫中搜索最相似的向量，找到最相關(guān)的內(nèi)容。這個行為在Part2 Retrieval Plugin的功能中。

Part2 向量檢索

獨立問題求取embedding這個功能會在text2vec模型中進(jìn)行。在獲得embedding之后就可以通過這個embedding來搜索已經(jīng)事先存儲在向量數(shù)據(jù)庫中的數(shù)據(jù)了。比如我們已經(jīng)在ADB-PG中存儲了下面內(nèi)容。我們就可以通過求取的向量來獲得最相近的內(nèi)容或者知識，比如第一條和第三條。通義千問是…，通義千問可以幫助我們xxx。

Part3 推理求解

在獲得最相關(guān)的知識之后，我們就可以就可以讓LLM基于最相關(guān)的知識和獨立問題來進(jìn)行求解推理，得到最終的答案了。這里就是結(jié)合“通義千問是…”，“通義千問可以幫助我們xxx”等等最有效的信息來回答“通義千問有什么用”這個問題了。最終讓GPT的推理求解大致是這樣：

4、ADB-PG：內(nèi)置向量檢索+全文檢索的一站式企業(yè)知識數(shù)據(jù)庫

為什么ADB-PG適合作為Chatbot的知識數(shù)據(jù)庫？ADB-PG是一款具備大規(guī)模并行處理能力的云原生數(shù)據(jù)倉庫。它支持行存儲和列存儲模式，既可以提供高性能的離線數(shù)據(jù)處理，也可以支持高并發(fā)的海量數(shù)據(jù)在線分析查詢。因此我們可以說ADB-PG是一個支持分布式事務(wù)、混合負(fù)載的數(shù)據(jù)倉庫平臺，同時也支持處理多種非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)源。如通過向量檢索插件實現(xiàn)了對圖片、語言、視頻、文本等非結(jié)構(gòu)化數(shù)據(jù)的高性能向量檢索分析，對JSON等半結(jié)構(gòu)化數(shù)據(jù)的全文檢索分析。

因此在AIGC場景下，ADB-PG既可以作為一款向量數(shù)據(jù)庫滿足其對向量存儲和檢索的需求，也可以滿足其他結(jié)構(gòu)化數(shù)據(jù)的存儲和查詢，同時也可以提供全文檢索的能力，為AIGC場景下的業(yè)務(wù)應(yīng)用提供一站式的解決方案。下面我們將對ADB-PG的向量檢索、融合檢索和全文檢索這三方面的能力進(jìn)行詳細(xì)介紹。

ADB-PG向量檢索和融合檢索功能于2020年首次在公有云上線，目前已經(jīng)在人臉識別領(lǐng)域得到了非常廣泛的應(yīng)用。ADB-PG的向量數(shù)據(jù)庫繼承自數(shù)據(jù)倉庫平臺，因此它幾乎擁有DBMS的所有好處，如ANSISQL、ACID事務(wù)、高可用性、故障恢復(fù)、時間點恢復(fù)、可編程性、可擴(kuò)展性等。同時它支持了點積距離、漢明距離和歐氏距離的向量和向量的相似度搜索。這些功能目前在人臉識別、商品識別和基于文本的語義搜索中得到了廣泛應(yīng)用。隨著AIGC的爆炸式增長，這些功能為基于文本的Chatbot奠定了堅實的基礎(chǔ)。另外，ADB-PG向量檢索引擎也使用Intel SIMD指令極其有效地實現(xiàn)了向量相似性匹配。

下面我們用一個具體的例子來說明ADB-PG的向量檢索和融合檢索如何使用。假設(shè)有一個文本知識庫，它是將一批文章分割成chunk再轉(zhuǎn)換為embedding向量后入庫的，其中chunks表包含以下字段：

那么對應(yīng)的建表DDL如下：

為了對向量檢索進(jìn)行加速，我們還需要建立一個向量索引：

同時為了對向量結(jié)構(gòu)化融合查詢提供加速，我們還需要為常用的結(jié)構(gòu)化列建立索引：

在進(jìn)行數(shù)據(jù)插入的時候，我們可以直接使用SQL中的insert語法：

在這個例子中，如果我們要通過文本搜索它的來源文章，那么我們就可以直接通過向量檢索進(jìn)行查找，具體SQL如下：

同樣，如果我們的需求是查找最近一個月以內(nèi)的某個文本的來源文章。那么我們就可以直接通過融合檢索進(jìn)行查找，具體SQL如下：

在看完上面的例子之后，我們可以很清楚地發(fā)現(xiàn)，在ADB-PG中使用向量檢索和融合檢索就跟使用傳統(tǒng)數(shù)據(jù)庫一樣方便，沒有任何的學(xué)習(xí)門檻。同時，我們對向量檢索也有針對性地做了很多優(yōu)化，如向量數(shù)據(jù)壓縮、向量索引并行構(gòu)建、向量多分區(qū)并行檢索等等，這里不再詳述。

ADB-PG同時也具有豐富的全文檢索功能，支持復(fù)雜組合條件、結(jié)果排名等檢索能力；另外對于中文數(shù)據(jù)集，ADB-PG也支持中文分詞功能，能夠高效、自定義地對中文文本加工分詞；同時ADB-PG也支持使用索引加速全文檢索分析性能。這些能力同樣也可以在AIGC業(yè)務(wù)場景下得到充分的使用，如業(yè)務(wù)可以對知識庫文檔結(jié)合上述向量檢索和全文檢索能力進(jìn)行雙路召回。

知識數(shù)據(jù)庫搜索部分包括傳統(tǒng)的關(guān)鍵詞全文檢索和向量特征檢索，關(guān)鍵詞全文檢索保證查詢的精準(zhǔn)性，向量特征檢索提供泛化性和語義匹配，除字面匹配之外召回和語義匹配的知識，降低無結(jié)果率，為大模型提供更加豐富的上下文，有利于大語言模型進(jìn)行總結(jié)歸納。

5、總結(jié)

結(jié)合本文前面所提到的內(nèi)容，如果把滿腹經(jīng)綸的Chatbot比喻為人類，那么大語言模型可以看成是Chatbot在大學(xué)畢業(yè)前從所有書本和各領(lǐng)域公開資料所獲得的知識和學(xué)習(xí)推理能力。所以基于大語言模型，Chatbot能夠回答截止到其畢業(yè)前相關(guān)的問題，但如果問題涉及到特定專業(yè)領(lǐng)域（相關(guān)資料為企業(yè)組織專有，非公開）或者是新出現(xiàn)的物種概念（大學(xué)畢業(yè)時尚未誕生），僅靠在學(xué)校的知識所得（對應(yīng)預(yù)訓(xùn)練的大語言模型）則無法從容應(yīng)對，需要具備畢業(yè)后持續(xù)獲得新知識的渠道（如工作相關(guān)專業(yè)學(xué)習(xí)資料庫），結(jié)合本身的學(xué)習(xí)推理能力，來做出專業(yè)應(yīng)對。

同樣的Chatbot需要結(jié)合大語言模型的學(xué)習(xí)推理能力，和像ADB-PG這樣包含向量檢索和全文檢索能力的一站式數(shù)據(jù)庫（存儲了企業(yè)組織專有的以及最新的知識文檔和向量特征），在應(yīng)對問題時具備基于該數(shù)據(jù)庫中的知識內(nèi)容來提供更專業(yè)更具時效性的回答。

zhupb