实操三步把知识库接到智能硬件上

前言

大模型作为一个语言模型，实际上没有真正的记忆功能。所谓的对话记忆只是开发者将对话历史向GPT发送消息时将最近的对话历史通过提示工程组发送给ChatGPT。换句话说，如果对话历史超过了大模型的最大上下文，GPT会忘记之前的部分，这是大语言模型共有的局限性。

另外对专业领域知识的训练缺乏也是非常明显的短板。尽管这些模型在理解和生成自然语言方面有极高的性能，但它们在处理专业领域的问答时，却往往不能给出明确或者准确的回答。在医学、法律、工程等领域，人工智能可能被要求要理解和运用相当复杂和专业化的知识，然而这在目前的模型中仍是一个巨大的挑战。

针对专有和专业知识在大模型的应用落地出现不少解决方案，而向量数据库就是其中之一。当我们很多文档（例如客服培训资料或者产品操作手册）需要大模型根据它们的内容进行回答时，我们可以先将这份文档的所有内容转化成向量（这个过程称之为 Vector Embedding），然后当用户提出相关问题时，我们将用户的搜索内容转换成向量，然后在数据库中搜索最相似的向量，匹配最相似的几个上下文，最后将上下文返回给大模型。这样不仅可以大大减少模型的计算量，从而提高响应速度，更重要的是降低成本，并巧妙的减少 tokens 限制所带来的问题。

针对这种需求，聆思CSK6大模型开发板也配套提供了一个知识库方案，参考下面文档三步就能在智能硬件上接入自建的知识库

创建知识库

新建知识库

在聆思大模型平台点击侧边栏的“知识库”模块，进入知识库页面，点击创建知识库即可进行知识创建流程；

在弹出的窗口输入知识库名称点击确定即可完成知识库创建。

上传文档

点击对应的知识库应用，点击右侧的“上传文件”按钮，即可进入文档上传流程；

文档支持txt、doc、pdf格式，请将要建立索引的文档转换至上述格式再进行上传。

设置分片策略

平台提供两种分片策略，首次可以先选择智能分片方式快速了解流程。

智能分片

系统自动拆分片段，无需关注数据库底层的分片细节，适合应用在一些篇幅较长并且没有固定格式的泛文本内容。同时为了提高检索效果和效率，每个片段会控制在250token以内。

自定义分片

支持自定义分片符号（同时支持正则表达式）对文档进行分片，你可以填写\n\n，代表将文档中两个连续换行符视为分割符号进行文档分割。例如下方纯文本内容则会把一个QA对视为一个片段进行分割。

修改大模型语音交互处理流程

创建应用

点击应用模板中心中大模型套件的添加应用按钮。

在弹出的对话框中给应用命名。

在线编排

打开刚创建应用，点击编排应用进入可视化应用编排界面。自定义编排可以通过官方文档（AiFlow编排技巧 | 聆思文档中心）了解，本篇实战暂不涉及。

在语音交互处理流程中引入知识库

聆思platform中【知识库问答】和【知识点检索】这两种模块都是用来在流程中引入自建知识库的，在我们创建的应用流程中使用的是【知识点检索】。

双击点开【知识点检索】，点击[知识库ID]，在下拉菜单显示的就是前面新建的知识库ID，直接选中替换掉模板的知识库ID，点击完成即可保存配置。

回到流程编排页面，点击右上角的【部署】后，流程配置生效。

开发板接入知识库流程

完成云端配置后，仅需将产品ID与密钥写入设备，才能让设备连接对应的产品并完成鉴权服务。

配置产品管理信息

1、打开产品管理，点击右上方的【创建产品】

在弹出的页面中点击【配置应用】，选择前面配置的【说明书】应用，然后保存。

开发板关联新流程

在开发板应用首页下滑调出菜单，以此点击设置图标 →应用，进入应用信息查看页：

点击右下角扫码接入按钮调出相机，将 LSPlatform 待接入的产品二维码置于屏幕绿色扫描框内，完成扫描后，请在应用配置信息处检查product_id和secret_id是否已更新：

至此完成知识库接入到硬件的操作流程，此时语音交互会先从知识库中取结果，知识库没有的话就会由大模型来处理回复。

本文使用的聆思CSK6大模型开发板开箱联网就可以使用大模型语音交互，按照以上步骤就可以接入自建知识库，详细功能参考：https://docs2.listenai.com/x/nTn9kMMCU

博客持续更新实操和示例讲解，欢迎关注，也可以在评论区提问交流。

有兴趣DIY并投稿的朋友可以私信联系，可以帮助评估可行性，还会有福利哟~