企业官网建设流程全解析

本文主体是郑立老师在datawhale的宣讲，精练易懂。

辅以一些本人的看法，希望各位大佬一起交流指正。

什么是工作流

环节出错需要有 fallback 的逻辑

通过可视化和预处理把数据向量化处理到最佳的状态，方便RAG的相关性搜索

然后介绍了 Dify 的插件能通过赋能提高生产力

可控、标准化

背景：为了提高生产效率和产量

原理（~工业化）：将复杂的生产过程分解为多个标准化、重复性的简单步骤，并由不同的工人在流水线上轮流执行，从而加速产品的生产过程

目前有哪些框架

• 低代码：n8n, coze
• 高代码：crew, camel

可视化效果不同

DSL（Domain-Specific Language，领域专用语言）

是一种为某一特定领域量身定做的语言，只关注这个领域里最重要的概念和规则，用来更简单、直观、高效地表达问题和解决方案。

核心思想就是通过抽象让复杂简单化

“挠自己的痒处”

当你开发你自己使用的产品时，你就是自己产品的测试者，那么就能感受到产品的痛点（这个我在开发抢课脚本时深有体会 https://github.com/ceilf6/Auto_courseGrabber ）

如何选择合适的模型

对比是为了回答问题

答案则是问题本身

优劣势？如何选型？怎么投产？

代码生成领域中：代码生成（如codex等等）+ bug修复模型，那就可能用到 reansoning 推理型模型

金融、银行这类需要私有化部署：离线部署 - Ollama本地部署，确保数据在防火墙之内

常见的RAG架构

• Naive RAG
• Advanced RAG
• Agentic RAG
• Knowledge Pipeline

RAG is Dead,Context Engineering is King

但其实他们本质都是为了将正确的内容放在大模型上下文中

主要关注两个方面

1. 索引策略
   例如代码需要创建副本快速索引，还有例如正则搜索
2. 记忆

1. Naive RAG

将相关内容查询到后，和用户的问题进行结合后作为 prompt 给LLM

最早用于解决幻觉的一个方式

2. Advanced RAG

在1基础上加入了 ReRank 过程，会由模型评估相关性然后按其进行排序在上下文中的顺序

3. Agentic RAG

引入了自主的 RAG代理agent

就会主动推理、调用工具等，进行制定策略、补充等，一直到终止边界条件

4. Knowledge Pipeline

进行工具替换、迭代（我的理解是像组件化）

行业案例 - 故障树分析FTA

FTA: 将数据转换为清晰的因果关系，主要在于结构，如逻辑门

在半导体工厂中，步骤很多，提取故障点难度高

（老师没怎么讲细节）

QA

1. Q: Dify教程

   A: 老师的小红书、dify101

2. Q: 长上下文情况下大语言模型置信度降低

   A: 重排序、置信空间，合理的切分、拆分

3. Q: embedding model

   A: Qwen