预训练的大模型虽然强大，但不是万能的

设想一下，你现在可以使用Kimi、智谱清言、Stable Diffusion、ChatGPT等大模型或者AI工具，甚至将大模型的API嵌入到你的项目中。

然而，预训练的大模型虽然强大，但不是万能的。

比如你问大模型你写的文章信息，因没有文章语料，它就无法回答。你想让大模型回答医学问题，它可能泛泛而谈。

大模型依赖于大量互联网数据进行训练，虽然覆盖面广，但在特定情境下往往无法提供精准的答案。

为此，你需要对大模型进行改造，让它更好地满足你的需求。

用于优化和增强大模型能力的方法有：提示工程、RAG、微调、更换大模型、使用多模态大模型。

简单来说，一种方法是不改变模型本身，那就优化提示词，使用外部知识库（技术是：RAG）。一种方法是改变大模型参数（技术是：微调）。

另一种方法是，换一个大模型，或者使用多模态大模型。

下面我们一一讲解。如果你想学习如何用搭建个人知识库，微调大模型，自动化工作流程等技能，可以关注我们的AI线下工作坊

1. 优化提示词

当大模型的输出内容不满足你的期望时，你可以选择优化提示词，直到优化到不能优化。

使用提示词生成答案（图来源：myscale）

依据大模型的能力、特点和局限，选择合适的提示词，能够让大模型生成更符合你特定要求的输出。

例如，你想用AI批量生成小红书文案，你可以在提示词中，详细说明目标受众、语气、文章结构，引导大模型生成小红书风格的文案。

你可以设计一系列提示词模版，这样每次都可以调用。

2. 使用外部知识库

通过检索增强生成（RAG），大模型会首先从外部知识库(比如你写的文章）中查找并收集相关信息，然后使用检索到的信息和预先存在的知识，更准确的回答问题。

RAG工作流程（图来源：Monigatti）

RAG让模型具备特定领域的知识，从而表现得更好。

外部知识库可以是公司产品说明、教程或用户指南；客服回答的问题、聊天记录；公司政策文件、标准操作程序；你写过的文章等等。

使用何种外部知识库，取决于你的目标。

使用外部知识库，最直接的方式是在AI机器人聊天页面上传文档，开启对话。比如下图是我使用kimi解读一篇论文。（官网：kimi.moonshot.cn）。你也可以尝试扣子（官网：coze.cn）

但是这种做法也有局限。如果你不想文档泄漏，或者公司里面有成千上万个文档，你就需要借助新的工具或者运用，甚至开发专用的运用。

下图是一些常用的RAG工具，这些工具在Github上Star较多。

案例：某科技公司将RAG应用于其客户支持系统，大模型通过检索公司内部的技术文档和历史支持记录，能够在几秒钟内为客户提供精准的解决方案，大大提高了客户满意度和支持效率。

3. 微调大模型

微调是指在预训练大模型的基础上，进一步在较小的、特定领域的数据集上进行训练。

微调有助于让大模型更满足特定需求。

例如，你想让大模型翻译地方方言更准确，那可以使用地方方言数据集微调大模型。

与RAG不同，RAG是使用外部信息增强模型的知识，而微调则是更新模型的参数，使其更好地适应你的领域或任务。

当你拥有某个领域特定的数据时，微调特别有用。

案例：如果你想构建一个法律大模型，可以用法律文件、法律案例和合同等数据微调模型。使其在法律文件分析和合同审查中表现出色，能够快速识别潜在风险和异常条款，帮助律师更高效地完成工作。

4. 换一个大模型

除了上面的方法外，你还可以换一个模型，并非一定要拘泥于使用一个模型。

模型和模型之间能力有所差别。有些模型更擅长写出流畅的中文，有的则更擅长数据分析或者长文本处理、写代码。

成本也有所差别。当然还有其他差别。

你可以尝试不同模型，综合效果和成本等，找到最适合的模型。

选择模型时，需要想清楚希望AI执行哪些任务？需要达到怎样的准确性、响应速度或者成本？

一旦你有了候选模型，就可以开始测试它们。

输入样本数据，评估输出结果，并将其与预设的指标进行比较。尽量尝试不同的设置、参数或微调技术，看看每个模型的反应。

例如，一家电商公司在构建推荐系统时，通过测试不同的大模型，最终选择了一个既能提供高精准推荐，又能实时响应的模型，极大地提升了用户购物体验和销售转化率。

5. 使用多模态大模型

模型不仅仅只能处理文本，还可以处理图像、音频、视频等。多模态大模型可以同时处理文本、图像等。

很多应用场景需要多模态技术支持才能实现。比如，借助多模态技术，让视力受损的人能轻松浏览网络，甚至在真实世界中充当导航。

假设你在开发一个内容创作平台，帮助博主和营销人员制作引人入胜的文章。有了多模态大模型，用户输入提示词，AI会生成一篇精美、用吸引力的文章，还会附带相关的图片。

目前多模态大模型正在快速发展中。