对刚入门大模型的程序员和小白来说，“LLM（大语言模型）”和“向量数据库”经常被绑定提及。不少人会困惑：明明模型训练完就有了生成文本的能力，向量数据库到底是来“打辅助”还是“挑大梁”的？今天咱们用最直白的方式拆解这个问题，搞懂向量数据库如何让LLM的回答更准、更新、更靠谱。
为什么 LLM 需要向量数据库？
一旦我们训练好了 LLM，它就会有一些用于文本生成的模型权重。向量数据库在这里扮演什么角色呢？让我解释一下矢量数据库如何帮助 LLM 生成更准确、更可靠的结果。首先，我们必须明白，LLM 是在从训练期间输入的语料库的静态版本学习后部署的。
例如，由于 LLM 是使用静态语料库训练的，也就是说，它训练完成并实现部署，它将不知道部署后的时间发生的事情。
每天用新数据反复训练一个新模型（或调整最新版本）既不切实际，又不划算。事实上， LLM的训练可能需要很多 GPU 训练数周甚至更长时间。此外，如果我们开源了 LLM，而其他人想在他们私人持有的数据集上使用它，那该怎么办？正如预期的那样，LLM对此一无所知。
但如果你仔细想想，我们的目标真的是让 LLM了解世界上的每一件事吗？这不是我们的目标。相反，它更多的是帮助 LLM 学习语言的整体结构，以及如何理解和生成它。
因此，一旦我们在足够大的训练语料库上训练了这个模型，就可以预期该模型将具有相当水平的语言理解和生成能力。因此，如果我们能够找到一种方法，让 LLM 查找未经训练的新信息并将其用于文本生成（无需再次训练模型），那就太好了！
一种方法是在提示本身中提供该信息。换句话说，如果不需要训练或微调模型，我们可以在给 LLM 的提示中提供所有必要的细节。
不幸的是，这只对少量信息有效。这是因为 LLM 是自回归模型。自回归模型是指那些一步一步生成输出的模型，其中每一步都依赖于前面的步骤。对于 LLM 来说，这意味着该模型基于已经生成的单词，一次生成一个单词的文本。因此，当 LLM 考虑前面的单词时，它们有一个上下文窗口限制，实际上它们在提示中不能超过这个限制。总的来说，这种在提示中提供所有内容的方法并不是那么有前景，因为它将实用性限制在几千个标记上，而在现实生活中，附加信息可能有数百万个标记。
这就是矢量数据库可以提供帮助的地方。我们可以利用矢量数据库动态更新模型对世界的理解，而不是每次出现新数据或发生变化时重新训练 LLM。
RAG：向量数据库在 LLM 中的应用
正如本文前面所讨论的，向量数据库帮助我们以向量的形式存储信息，其中每个向量捕获有关被编码文本的语义信息。因此，我们可以通过使用嵌入模型将可用信息编码为向量，从而将其维护在向量数据库中。
当 LLM 需要访问此信息时，它可以使用提示向量的相似性搜索来查询向量数据库。更具体地说，相似性搜索将尝试在向量数据库中找到与输入查询向量相似的内容。
这就是索引变得重要的原因，因为我们的矢量数据库可能有数百万个向量。理论上，我们可以将输入向量与向量数据库中的每个向量进行比较。但为了实际用途，我们必须尽快找到最近的邻居。这就是为什么快速准确的索引技术如此重要的原因。它们帮助我们几乎实时地找到近似最近邻。接下来，一旦检索到近似最近邻，我们就会收集生成这些特定向量的上下文。注意，向量数据库不仅可以存储向量，还可以存储生成这些向量的原始数据。
此搜索过程检索与查询向量相似的上下文，该查询向量代表 LLM 感兴趣的上下文或主题。我们可以将检索到的内容与用户提供的实际提示一起扩充，并将其作为 LLM 的输入。
因此，LLM 可以在生成文本时轻松地合并此信息，因为它现在在提示中提供了相关的详细信息。这就是检索增强生成（Retrieval-Augmented Generation, RAG）。事实上，RAG的名字就完全证明了我们用这种技术所做的事情：
- 检索(Retrieve)：从知识源（例如数据库或内存）访问和检索信息。
- 增强(Augment)：通过附加信息或上下文来增强或丰富某些内容，在本例中为文本生成过程。
- 生成(Generation)：创造或生产某种东西的过程，在这种情况下，是指生成文本或语言。
RAG 的另一个关键优势是它能显著帮助 LLM 减少反应中的幻觉。当语言模型生成不基于现实的信息或虚构事物时，就会出现幻觉。这可能导致模型生成不正确或误导性的信息，这在许多应用中都会出现问题。通过 RAG，语言模型可以使用从矢量数据库中检索到的信息（预计是可靠的）来确保其响应基于现实世界的知识和背景，从而降低出现幻觉的可能性。这使得模型的响应更加准确、可靠和与上下文相关，从而提高了其整体性能和实用性。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
