初学者如何学习AI问答应用开发范式
本文是根据本人2年大模型应用开发+5年小模型开发经验，对AI问答应用的开发过程进行总结。
技术范式
现在超过80%的AI问答是 提示词+ 大模型， 然后就是RAG 方案，这两种无疑是主流方案。
1、提示词+大模型
适合于本身业务不超过大模型的知识范围， 也就是说， 不存在太多的私有知识或sop
2、RAG
适合有私有知识 ，或者私有知识特别多 且对 答案的准确率有很高要求的场景
除了这两种呢？
第三种是工作流（function call），这种方案可以定制任意的流程，设计独一无二的业务处理方案，因此，再任何情况下，工作流都是一个必须的方案。
第四种是 Agent：平心而论，现在各种agent框架都不是特别完美，只能在一定程度上作为工作流的一种灵活实现。
最后一种是大模型微调， 具体的说， 大模型微调和另外4种方案都不冲突。大模型微调适用于有一定业务场景数据（几千数据以上）， 希望通过场景数据对 大模型回答文本进行优化的情况， 适用于风格写作， 专业问题分析（如金融，医疗，法律案例分析），当提示词无法满足业务需求，才应当开始考虑微调。
搭建框架推荐：maxkb，Fastgpt，dify，扣子
问答处理范式分析
在大模型出现之前， 我们也能做对话助手，当时主流方案是任务型对话系统， 基于Pipeline的实现。任务型对话系统把对话分成 语义理解NLU和 对话管理DM 两部分，其中NLU包括 意图理解和槽位填充， 槽位就是 要处理的各种属性值， 可以理解成一种表单， 表单会被存到数据库中。 意图理解就是对应当前的某个场景分类， 每一种分类在不同的槽位状态下会触发某种策略， 不同策略对应不同的回复。
NLU: 在比亚迪车里面说帮我播放周杰伦的稻香 ， 那么就可以提取出 场景=播放歌曲， 歌曲名=稻香。触发对应的 播放动作 ，这个触发策略就在DM中配置。
DM中的通用方案是FSM ，FSM是自动状态机，他是一个 状态 跳转图， 像一个网一样， 每个节点代表一个 状态 （当前动作或者策略） ， 从一个节点跳到另一个节点代表场景切换， 因此FSM很好的实现了ai对话的流程设计。
在大模型之后，这种流程就变成了工作流，然而， 工作流和FSM对话流依然不一样， 工作流实际上是设计一次交互的 策略 ，而FSM上可以直观的看到所有策略。因此， 工作流中会有各种 状态切换分支，不同分支切换不同的策略场景。
工作流标准组件：
- RAG 组件
- 分类模块（对应场景分类）
- 信息抽取（对应槽位）
- 判断器（对应 编程的 if）
- http模块 （对应编程的get post请求）
- 变量（可选，对应编程中的变量）
- 代码块（用于后处理 ，有时候需要）
笔者最近用了chatwiki发现并不适合。原因就是缺少组件 。后换成Fastgpt，这些功能都有。
拟人化：
拟人化是一个重要方向，实际上，大模型的本质就是拟人。现在的大模型已经拥有大量人类常识，大量专业知识，深度也非常深入。
但是为什么依然有人认为大模型和人差的比较远？
这是因为大模型没有办法判断自己是否真正理解一件事物，而人可以。大模型有编造答案的机制，对于大模型来说，没有判断是否存在某个知识的机制，只能根据“你知道xxx吗”来回答问题，并且并不能保证大模型的回答就代表大模型真正的状态。大模型并不能真正了解自己。
另外，大模型的主动性比较弱，当前对话模式主要是一问一答， 并没有出现大模型主导话题和持续输出的情况。实际上，人跟人的对话中， 有表达方和倾听方，其中表达方是可以持续不断地去输出， 甚至不需要倾听方提问。 在人机对话中却不能直接做到这一点。
大模型的目标性也不强，这点可以通过提示词来优化。在给大模型一个简单的目标之后，大模型的对话就会具有一定的引导性，类似于人类之间的沟通。
项目流程：
要开发一个基于LLM的AI对话应用，需要以下几个要点：
1、确认业务行业， 确认知识范围，尽量跟业务方多沟通（需要产品经理）
2、补充相关知识， 整理成标准文件，如markdown，xlsx（知识库，SOP搭建）
3、确定业务类型和场景， 缩小服务范围
4、确认词槽（信息属性）
5、确定主要模块或流程
6、确认验收测试标准，评估方案
7、确认开发技术选型，这一步不要在早期做，因为业务和工作流流程和知识都会影响到技术选型
8、开发迭代+测试
9、确定运营标准，设计数据飞轮（这一步不要让研发独自设计）
开发任务流程：
确定基本流程，搭建工作流或agent
调整提示词，直到适配业务。
丰富相关知识（FAQ或知识库），修改相关提示词，让回复更加自然
根据AI设计样例问题， 通过样例问题进行测试
和业务人员以及其他研发人员一起测试调优全流程
相关文章：
初学者如何学习AI问答应用开发范式
本文是根据本人2年大模型应用开发5年小模型开发经验，对AI问答应用的开发过程进行总结。 技术范式 现在超过80%的AI问答是 提示词 大模型， 然后就是RAG 方案，这两种无疑是主流方案。 1、提示词大模型 适合于本身业务不超过大模型的知识范围…...
GESP2024年6月认证C++八级( 第二部分判断题（1-5））
判断题2： #include <iostream> #include <iomanip> using namespace std;int main() {double a 1e308;double b 1e-10;double orig_a a, orig_b b;a a b;b a - b;a a - b;cout << fixed << setprecision(20);cout << "…...
npm命令介绍（Node Package Manager）（Node包管理器）
文章目录 npm命令全解析简介基础命令安装npm（npm -v检插版本）初始化项目（npm init）安装依赖包（npm install xxx、npm i xxx）卸载依赖包（npm uninstall xxx 或 npm uni xxx、npm remove xxx&…...
小刚说C语言刷题—1602总分和平均分
1.题目描述 期末考试成绩出来了，小明同学语文、数学、英语分别考了 x、y、z 分，请编程帮助小明计算一下，他的总分和平均分分别考了多少分？ 输入 三个整数 x、y、z 分别代表小明三科考试的成绩。 输出 第 11行有一个整数&…...
python类私有变量
在Python中，要将一个属性定义为类的内部属性（也就是私有属性），通常会在属性名称前加一个下划线（_）或两个下划线（__）。这两种方式有不同的效果： 单下划线（_&a…...
前端如何转后端
前端转后端是完全可行的，特别是你已经掌握了 JavaScript / TypeScript，有一定工程化经验，这对你学习如 Node.js / NestJS 等后端技术非常有利。下面是一条 系统化、实践导向 的路线，帮助你高效完成从前端到后端的转型。 ✅ 一、评…...
数字智慧方案5976丨智慧农业顶层设计建设与运营方案（59页PPT）（文末有下载方式）
详细资料请看本解读文章的最后内容。 资料解读：智慧农业顶层设计建设与运营方案 在现代农业发展进程中，智慧农业成为推动农业转型升级、提升竞争力的关键力量。这份《智慧农业顶层设计建设与运营方案》全面且深入地探讨了智慧农业的建设现状、需求分析、…...
软件工程国考
软件工程-同等学力计算机综合真题及答案 （2004-2014、2017-2024） 2004 年软工 第三部分 软件工程 （共 30 分） 一、单项选择题（每小题 1 分，共 5 分） 软件可用性是指（ ）…...
linux python3安装
1 安装依赖环境 yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel 2 mkdir -p /usr/python3 3 cd usr/python3; tar -zxvf Python-3.8.3.tgz;cd Python-3.8.3 4 ./confi…...
软件测评中心如何保障软件质量与性能？评测范围和标准有哪些？
软件测评中心对保障软件质量与性能有关键作用，它像软件世界里的质量卫士，会评测各类软件，能为用户选出真正优质好用的软件，我将从多个方面向大家介绍软件测评中心。 评测范围 软件测评中心的评测范围很广，它涵盖了常…...
从MCP基础到FastMCP实战应用
MCP(https://github.com/modelcontextprotocol) MCP（模型上下文协议） 是一种专为 基于LLM的工具调用外部工具而设计的协议 ， 本质上是 LLM ↔ 工具之间的RPC（远程过程调用） 的一种安全且一致的处理方式， 是…...
【云备份】服务端工具类实现
1.文件实用工具类设计 不管是客户端还是服务端，文件的传输备份都涉及到文件的读写，包括数据管理信息的持久化也是如此，因此首先设 计封装文件操作类，这个类封装完毕之后，则在任意模块中对文件进行操作时都将变的简单化…...
如何在Cursor中使用MCP服务
前言 随着AI编程助手的普及，越来越多开发者选择在Cursor等智能IDE中进行高效开发。Cursor不仅支持代码补全、智能搜索，还能通过MCP（Multi-Cloud Platform）服务，轻松调用如高德地图API、数据库等多种外部服务ÿ…...
PB的框架advgui反编译后控件无法绘制的处理（即导入pbx的操作步骤）
advguiobjects.pbl反编译后，涉及到里面一个用pbni开发的一个绘制对象需要重新导入才可以。否则是黑色的无法绘制控件： 对象的位置在： 操作： 导入pbx文件中的对象。 恢复正常： 文章来源：PB的框架advgui反编译…...
第 11 届蓝桥杯 C++ 青少组中 / 高级组省赛 2020 年真题，选择题详细解释
一、选择题 第 2 题 在二维数组按行优先存储的情况下，元素 a[i][j] 前的元素个数计算如下： 1. **前面的完整行**：共有 i 行，每行 n 个元素，总计 i * n 个元素。 2. **当前行的前面元素**：在行内&#x…...
Python 装饰器基础知识科普
装饰器定义与基本原理 装饰器本质上是一个可调用的对象，它接收另一个函数（即被装饰的函数）作为参数。装饰器可以对被装饰的函数进行处理，之后返回该函数，也可以将其替换为另一个函数或可调用对象。 代码示例理解 有…...
数字基带信号和频带信号的区别解析
数字基带信号和数字频带信号是通信系统中两种不同的信号形式，它们的核心区别在于是否经过调制以及适用的传输场景。以下是两者的主要区别和分析： 1. 定义与核心区别 数字基带信号（Digital Baseband Signal） 未经调制的原始数字信号…...
Nginx Proxy Manager 中文版安装部署
目录 Nginx Proxy Manager 中文版安装部署教程一、项目简介1.1 主要功能特点1.2 项目地址1.3 系统架构与工作原理1.4 适用场景 二、系统要求2.1 硬件要求2.2 软件要求 三、Docker环境部署3.1 CentOS系统安装Docker3.2 Ubuntu系统安装Docker3.3 安装Docker Compose 四、安装Ngin…...
下)
类和对象(拷贝构造和运算符重载)下
类和对象(拷贝构造和运算符重载)下 这一集的主要目标先是接着上一集讲完日期类。然后再讲一些别的运算符的重载，和一些语法点。 这里我把这一集要用的代码先放出来:(大家拷一份代码放在编译器上先) Date.h #include <iostream> #include <cassert> …...
 C)
Codeforces Round 1008 (Div. 2) C
C 构造 题意：a的数据范围大，b的数据范围小，要求所有的a不同，考虑让丢失的那个a最大即可。问题变成：构造一个最大的a[i] 思路：令a2是最大的,将a1,a3,a5....a2*n1，置为最大的b，将a4,a…...
操作系统（1）多线程
在当今计算机科学领域，多线程技术已成为提高程序性能和响应能力的关键手段。无论是高性能计算、Web服务器还是图形用户界面应用程序，多线程都发挥着不可替代的作用。本文将全面介绍操作系统多线程的概念、实现原理、同步机制以及实际应用场景，…...
系统架构设计师：设计模式——创建型设计模式
一、创建型设计模式 创建型模式抽象了实例化过程，它们帮助一个系统独立于如何创建、组合和表示它的那些对象。一个类创建型模式使用继承改变被实例化的类，而一个对象创建型模式将实例化委托给另一个对象。 随着系统演化得越来越依赖于对象复合而不是类…...
使用Set和Map解题思路
前言 Set和Map这两种数据结构,在解决一些题上，效率很高。跟大家简单分享一些题以及如何使用Set和Map去解决这些题目。 题目链接 136. 只出现一次的数字 - 力扣（LeetCode） 138. 随机链表的复制 - 力扣（LeetCode） 旧…...
Java 算法入门：从基础概念到实战示例
在计算机科学领域，算法如同魔法咒语，能够将无序的数据转化为有价值的信息。对于 Java 开发者而言，掌握算法不仅是提升编程能力的关键，更是解决复杂问题的核心武器。本文将带领你走进 Java 算法的世界，从基础概念入手&a…...
【大模型】图像生成：ESRGAN：增强型超分辨率生成对抗网络的革命性突破
深度解析ESRGAN：增强型超分辨率生成对抗网络的革命性突破 技术演进与架构创新核心改进亮点 环境配置与快速入门硬件要求安装步骤 实战全流程解析1. 单图像超分辨率重建2. 自定义数据集训练3. 视频超分处理 核心技术深度解析1. 残差密集块（RRDB࿰…...
记录搭建自己的应用中心-需求看板搭建
记录搭建自己的应用中心-需求看板搭建 人员管理新增用户组织用户登录和操作看板状态看板任务通知任务详情 人员管理 由于不是所有人都有应用管理权限，所以额外做了一套应用登录权限，做了一个新的组织人员表，一个登录账户下的所有应用人员共享…...
探秘数据结构：构建高效算法的灵魂密码
摘要 数据结构作为计算机科学的基石，其设计与优化直接影响算法效率、资源利用和系统可靠性。本文系统阐述数据结构的基础理论、分类及其核心操作，涵盖数组、链表、栈、队列、树、图、哈希表与堆等经典类型。深入探讨各结构的应用场景与性能对比…...
多节点监测任务分配方法比较与分析
多监测节点任务分配方法是分布式系统、物联网（IoT）、工业监测等领域的核心技术，其核心目标是在资源受限条件下高效分配任务，以优化系统性能。以下从方法分类、对比分析、应用场景选择及挑战等方面进行系统阐述： 图1 多…...
spring-boot-maven-plugin 将spring打包成单个jar的工作原理
spring-boot-maven-plugin 是 Spring Boot 的 Maven 插件，它的核心功能是将 Spring Boot 项目打包成一个独立的、可执行的 Fat JAR（包含所有依赖的 JAR 包）。以下是它的工作原理详解： 1. 默认 Maven 打包 vs Spring Boot 插件打包…...
盐化行业数字化转型规划详细方案（124页PPT）（文末有下载方式）
资料解读：《盐化行业数字化转型规划详细解决方案》 详细资料请看本解读文章的最后内容。 该文档聚焦盐化行业数字化转型，全面阐述了盐化企业信息化建设的规划方案，涵盖战略、架构、实施计划、风险及效益等多个方面，旨在通过数字化…...
开源革命：从技术共享到产业变革——卓伊凡的开源实践与思考-优雅草卓伊凡
开源革命：从技术共享到产业变革——卓伊凡的开源实践与思考-优雅草卓伊凡 一、开源的本质与行业意义 1.1 开源软件的定义与内涵 当卓伊凡被问及”软件开源是什么”时，他给出了一个生动的比喻：”开源就像将食谱公之于众的面包师，…...
解锁 C++26 的未来：从语言标准演进到实战突破
一、C26 的战略定位与开发进展 C26 的开发已进入功能冻结阶段，预计 2026 年正式发布。作为 C 标准委员会三年一迭代的重要版本，其核心改进聚焦于并发与并行性的深度优化，同时在内存管理、元编程等领域实现重大突破。根据 ISO C 委员会主席 H…...
terraform实现本地加密与解密
在 Terraform 中实现本地加密与解密（不依赖云服务），可以通过 OpenSSL 或 GPG 等本地加密工具配合 External Provider 实现。以下是完整的安全实现方案： 一、基础架构设计 # 文件结构 . ├── secrets │ ├── encrypt.sh …...
黄雀在后：外卖大战新变局，淘宝+饿了么开启电商大零售时代
当所有人以为美团和京东的“口水战”硝烟渐散，外卖大战告一段落时，“螳螂捕蝉，黄雀在后”，淘宝闪购联合饿了么“闪现”外卖战场，外卖烽火再度燃起。 4 月30日，淘宝天猫旗下即时零售业务“小时达”正式升级…...
基本功能学习
一.enum枚举使用 E_SENSOR_REQ_NONE 的定义及用途 在传感器驱动开发或者电源管理模块中，E_SENSOR_REQ_NONE通常被用来表示一种特殊的状态或请求模式。这种状态可能用于指示当前没有活动的传感器请求，或者是默认初始化状态下的一种占位符。 可能的定义…...
59常用控件_QComboBox的使用
目录 代码示例:使用下拉框模拟麦当劳点餐 代码示例：从文件中加载下拉框的选项 QComboBox表示下拉框 核心属性 属性说明currentText当前选中的文本currentIndex当前选中的条目下标。 从 0 开始计算。如果当前没有条目被选中，值为 -1editable是否允许修改…...
卡洛诗西餐的文化破圈之路
在餐饮市场的版图上，西餐曾长期被贴上“高端”“舶来品”“纪念日专属”的标签，直到卡洛诗以高性价比西餐的定位破局，将意大利风情与家庭餐桌无缝衔接。这场从异国符号到家常选择的转型，不仅是商业模式的创新，更是一部…...
Python-57：Base32编码和解码问题
问题描述 你需要实现一个 Base32 的编码和解码函数。 相比于 Base32，你可能更熟悉 Base64，Base64 是非常常见的用字符串形式表示二进制数据的方式，在邮件附件、Web 中的图片中都有广泛的应用。 Base32 是 Base64 的变种，与 Bas…...
【排序算法】八大经典排序算法详解
一、直接选择排序（Selection Sort）算法思想算法步骤特性分析 二、堆排序（Heap Sort）算法思想关键步骤特性分析 三、直接插入排序（Insertion Sort）算法思想算法步骤特性分析 四、希尔排序（Shell …...
近端策略优化PPO详解：python从零实现
🧠 向所有学习者致敬！ “学习不是装满一桶水，而是点燃一把火。” —— 叶芝 我的博客主页： https://lizheng.blog.csdn.net 🌐 欢迎点击加入AI人工智能社区！ 🚀 让我们一起努力，共创…...
C# System.Text.Json终极指南（十）：从基础到高性能序列化实战
一、JSON序列化革命：System.Text.Json的架构优势 1.1 核心组件解析 1.2 性能基准测试（.NET 8） 操作Newtonsoft.JsonSystem.Text.Json性能提升简单对象序列化1,200 ns450 ns2.7x大型对象反序列化15 ms5.2 ms2.9x内存分配（1k次操作）45 MB12 MB3.75x二、基础序列化操作精解 …...
Centos7.9 安装mysql5.7
1.配置镜像（7.9的镜像过期了） 2.备份原有的 CentOS 基础源配置文件 sudo cp /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.bak 3.更换为国内镜像源 sudo vi /etc/yum.repos.d/CentOS-Base.repo 将文件内容替换为以下内容&am…...
Qt指南针
Qt写的指南针demo. 运行结果 滑动调整指针角度 实现代码 h文件 #ifndef COMPASS_H #define COMPASS_H#include <QWidget> #include <QColor>class Compass : public QWidget {Q_OBJECT// 可自定义属性Q_PROPERTY(QColor backgroundColor READ backgroundColor WRI…...
杜邦分析法
杜邦分析法（DuPont Analysis）是一种用于分析企业财务状况和经营绩效的综合分析方法，由美国杜邦公司在20世纪20年代率先采用，故得名。以下是其相关内容介绍： 核心指标与分解 净资产收益率（ROE）：杜邦分析法的核心指标，反映股东权益的收益水平，用以衡量公司运用自有资本…...
给U盘加上图标
电脑插入U盘后，U盘的那个标志没有特色，我们可以换成有意义的照片作为U盘图标，插上U盘就能看到，多么地浪漫。那该如何设置呢？一起来看看吧 选择一张ICO格式的图片到U盘里 PNG转ICO - 在线转换图标文件PNG转ICO - 免费…...
人工智能对未来工作的影响
人工智能对未来工作的影响是多方面的，既包括对就业结构的改变，也涉及工作方式、职业技能需求以及社会政策的调整。以下是对人工智能对未来工作影响的详细分析： 一、就业结构的变革 岗位替代与消失 人工智能技术在许多领域展现出强大的自动化…...
RocketMQ常见面试题一
1. RocketMQ 是什么？它的核心组件有哪些？ 答：RocketMQ 是阿里巴巴开源的一款分布式消息中间件，支持高吞吐、低延迟、高可用的消息发布与订阅。 核心组件： NameServer：轻量级注册中心，管理 Broker 的元数据（路由信息），无状态。 Broker：消息存储和转发节点，分为 Mas…...
C++调试（壹）：初步认识WinDbg和dump文件
目录 1.前言 2.WinDbg是什么？ 3.WinDbg安装 4.Dump文件是什么？ 5.生成Dump文件的场景 前言 这是一个关于C调试的博客，该系列博客主要是讲解如何使用WinDbg工具结合dump文件调试程序。在日常开发过程中，我们往往无法完…...
centos7 离线安装python3 保留python2
一、事前准备： （1）查看centos具体版本 cat /etc/redhat-releaseCentOS Linux release 7.4.1708 (Core) （2）查看linux中当前python版本 centos7 默认安装python2.7.5 （3）查看python3的依赖&#…...
【dify—9】Chatflow实战——博客文章生成器
目录 一、创建Chatflow 二、创建变量 三、添加时间工具 四、编写提示词 五、回复输出 六、运行 第一部分 安装difydocker教程：【difydocker安装教程】-CSDN博客 第二部分 dock重装教程：【dify—2】docker重装-CSDN博客 第三部分 dify拉取镜像&…...