大模型中的Transformer与混合专家（MoE）
原图
我用中文生成了差异点，做不到原图的效果，将就着看一下区别：
左侧 - Transformer架构：
输入经过位置编码(Positional embedding) 通过多个解码器块(Decoder block)处理 每个解码器块包含：层归一化(Layer norm)、掩码自注意力(Masked self-attention)、前馈网络(Feed forward network) 所有参数在处理每个token时都被激活使用
右侧 - Mixture of Experts架构：
同样的输入和位置编码 解码器块结构类似，但前馈网络被替换为专家混合系统 包含路由器(Router)来选择激活哪些专家 只有部分专家(selected experts)被激活处理特定输入 这样可以扩大模型容量而不成比例增加计算成本 这种架构设计让MoE模型能够在保持相对较低计算成本的同时，拥有更大的参数规模和更强的表达能力。
5种大模型微调技术
原图
翻译后的图
? 把大模型想象成一辆豪华汽车：
LoRA - 像给车加装小配件（导航、音响）
原装引擎不动，只加小部件，成本低，效果好
LoRA-FA - 像只换轮胎不换轮毂
比LoRA更省钱，只调一半部件，效果稍微差一点但够用
VeRA - 像只调音响的音量旋钮
共用的喇叭设备，只调几个按钮，最省钱的方法
Delta-LoRA - 分步骤渐进式改装
今天换个零件，明天再换个零件，循序渐进，更稳定
LoRA+ - 智能调速改装
不同零件用不同的安装速度，训练更快，效果更好
传统RAG和智能体RAG
原图
翻译后的图
简单来说，传统RAG和智能体RAG的区别就像：
? 传统RAG（像图书管理员）：
你问问题 → AI去数据库找相关信息 → 基于找到的内容回答 流程固定，一次性完成 有时可能找不到最佳答案
? 智能体RAG（像私人智能助理）：
你问问题 → AI先思考需要什么信息 → 智能选择使用哪些工具 → 根据结果判断是否需要更多信息 → 不断优化直到给出满意答案 流程灵活，可以多轮迭代 能够主动判断和决策，回答更准确全面
核心优势： 智能体RAG就像给AI装上了"大脑"，不仅会搜索，还会思考、判断、规划，能够根据具体情况灵活调整策略，提供更智能、更准确的回答。 这就是为什么智能体RAG被认为是下一代AI问答系统的发展方向！
5种AI智能体设计模式
原图
翻译后的图
5种AI智能体设计模式解释
反思模式 (Reflection Pattern)
像是"自我检查"的AI AI生成答案后，会反思自己的回答是否正确 如果发现问题，就重新生成更好的答案 就像学生做完题后检查一遍，发现错误就重做
工具使用模式 (Tool Use Pattern)
AI像个多才多艺的助手 遇到问题时，知道调用合适的工具来解决 比如需要计算时调用计算器，需要搜索时调用搜索引擎 就像工人根据不同任务选择不同工具
反应模式 (ReAct Pattern)
结合了"思考-行动-观察"的循环 AI会推理问题，采取行动，观察结果，然后继续 是一个持续的思考和行动过程 像侦探破案：分析线索→采取行动→观察结果→继续推理
规划模式 (Planning Pattern)
AI像个项目经理 先制定计划，把大任务分解成小步骤 然后逐步执行每个步骤 就像做饭前先列清单，按步骤来
多智能体模式 (Multi-Agent Pattern)
多个AI专家协作工作 每个AI有自己的专长领域 它们互相配合完成复杂任务 像一个团队，每人负责自己擅长的部分
5大文本分块策略
原图
翻译后的图
? 原图解释（用生活例子说明） 想象你要整理一本厚厚的百科全书，让别人更容易查找信息：
固定大小分块 = 用尺子量着切
每10页切一刀，不管内容是什么 优点：简单快速 缺点：可能把一个故事切断
语义分块 = 按话题分类
把讲同一个话题的内容放在一起 优点：内容更有逻辑 缺点：需要理解每页在讲什么
递归分块 = 先粗分再细分
先按章节分，太厚再按小节分，还是太厚再按段落分 优点：灵活适应 缺点：步骤有点复杂
结构分块 = 按目录分章节
直接按照书的目录来分：第一章、第二章... 优点：最符合阅读习惯 缺点：需要书有清晰的目录结构
LLM智能分块 = 请专家帮忙整理
让AI读完整本书，然后智能地帮你分类 优点：分得最好最智能 缺点：请专家很贵，而且慢
智能体系统的5个等级
原图
翻译后的图
基础响应器 最简单的形式，用户提问后直接由大语言模型回答，就像普通的ChatGPT对话。 路由模式 添加了一个"路由器"来判断问题类型，根据不同问题分配给不同的专门模型处理，比如技术问题给技术模型，创意问题给创意模型。 工具调用 AI可以主动调用外部工具，比如搜索引擎、计算器、API接口等，获取实时信息后再回答用户。 多智能体模式 由一个管理员智能体协调多个专业智能体合作完成任务，每个智能体负责不同领域，类似团队协作。 自主模式 最高级形式，有生成器智能体负责创造内容，验证器智能体负责检查质量，形成自我完善的闭环系统。
