选择适合你的AI技术架构：自训练模型 vs Prompt工程 vs LangChain专业垂类知识库

一、自训练专业垂类模型

1. 获取标注数据：你需要收集大量的医学图像数据，并由专业的医学专家进行标注。这个过程通常需要1个月的时间。
2. 在数据上训练模型：使用标注的数据训练一个深度学习模型，这个过程需要2个月的时间。
3. 部署和调用模型：训练完成后，你需要将模型部署到实际环境中，并进行测试和优化，这个过程大约需要3个月的时间。

• 高精度：适用于需要高精度的专业应用，例如医学图像分析、金融风险评估等。

• 高成本：数据收集和标注成本高，训练周期长，对硬件要求高。

二、Prompt工程对知识精准度要求低

1. 指定提示词：例如，你可以输入“生成一篇关于夏季旅游的文章”。这个过程通常只需几分钟到几小时。
2. 调用模型：AI模型根据提示词生成内容，这个过程同样只需几分钟到几小时。

• 开发速度快：适用于需要快速迭代和灵活调整的应用。
• 成本低：不需要大量的数据收集和标注。

• 精度较低：不适用于需要高度专业化和精度要求高的应用。

三、Prompt工程LangChain专业垂类知识库

1. 本地文档加载器：加载公司的技术文档和FAQ资料，处理非结构化数据。
2. 文本分割：将技术文档分割成小段，便于处理。
3. 文本嵌入：将文本段转换成向量，以便进行向量匹配。
4. 向量存储：将向量存储起来，供后续查询使用。
5. 查询向量：用户提出技术问题，系统将问题转换成向量。
6. 向量相似度匹配：系统通过向量相似度匹配，找到最相关的技术文档段落。
7. 提示模板：生成提示，调用大语言模型（LLM）进行回答。

• 快速响应：结合Prompt工程的快速响应能力。
• 高准确度：利用专业知识库，提高回答的准确性和专业性。

• 需要一定的前期准备：需要加载和处理大量的本地文档。

四、结论

• 高度专业化和高精度需求：选择自训练专业垂类模型，例如医学诊断系统。
• 快速迭代和灵活调整需求：选择Prompt工程，例如自动文章生成、社交媒体内容创作。
• 快速响应和一定准确度需求：选择Prompt工程LangChain专业垂类知识库，例如智能客服、技术支持。