@Ai_Vaidehi: 使用LLM构建AI系统的步骤。下面我给出了一个简单详细的解释。步骤1 – 大语言模型（LLMs） (𝗟𝗮𝗿�…

使用LLM构建AI系统的步骤。 下面我给出了一个简单详细的解释。 **步骤1 – 大语言模型（LLMs）** • 这些是系统的**大脑**。 • 示例：GPT (OpenAI)、Gemini、Claude 等。 • 它们生成答案、理解查询并进行推理。 **步骤2 – 框架** • 框架帮助你将**LLM与数据、工具和应用程序连接起来**。 • 示例：LangChain、Llama Index、Haystack、Txtai。 • 它们像**工具包**一样，让你不必从头开始构建所有内容。 **步骤3 – 向量数据库** • LLM无法记住所有内容。它们需要一个**记忆系统**。 • 向量数据库存储“嵌入”（文本的数值表示）。 • 示例：Pinecone、Weaviate、Chroma、Milvus、Qdrant。 • 它们使搜索快速且相关（类似于谷歌搜索，但针对你的私有数据）。 **步骤4 – 数据提取** • 你的AI需要真实世界的**数据输入**。 • 诸如 Crawl4AI、FireCrawl、ScrapeGraphAI、Docling、LlamaParse 等工具有助于： - 爬取网站 - 提取PDF、文档或表格 - 清理和结构化杂乱数据 **步骤5 – 开放LLM访问** • 你可以**在本地运行LLM**或通过开源提供商运行，而不是调用专有API。 • 示例：Hugging Face、Ollama 等。 **步骤6 – 文本嵌入** • 要将文本存储在数据库中，你必须先**将其转换为数字（向量）**。 • 像 OpenAI Embeddings、SBERT、Voyage AI 等工具处理这一过程。 • 嵌入允许语义搜索（查找含义，而不仅仅是关键词）。 **步骤7 – 评估** • 构建完成后，你必须**测试并改进**你的系统。 • 工具：Giskard、Ragas、Trulens。 • 它们衡量： - 准确性 - 幻觉（错误答案） - 结果的相关性 **用简单的话总结最终流程：** 1. 选择一个模型（LLM）。 2. 将其与框架连接。 3. 收集数据并正确提取。 4. 将数据转换为嵌入并存储在向量数据库中。 5. 让LLM能够搜索该数据库。 6. 如果想要本地/便宜的模型，使用开放访问工具。 7. 持续评估并优化。 你可以在公司应用这一框架，设计和部署强大的AI解决方案。 保存以备后用。 转发以帮助其他工程师学习和成长。