“大模型长文处理中，只能使用分段处理的思想，这是大模型应用的原则。”
最近在研究大模型报告生成和长文本处理的功能，然后发现之前在做大模型应用时很少出现上下文超长的情况，最多也就是多轮对话中出现，而多轮对话主要是由于历史记录导致上下文超长，所以只需要做好历史记录管理即可。
但在生成报告和长文本处理过程中，其情况和长对话又有一定的区别；因为报告生成和长文本处理一般不涉及历史记录的问题，但需要对文本内容进行分块处理，否则很容易导致上下文超长的问题，而这一点是大模型本身的特性，无法避免。
也就是说，在大模型应用中长文本只能分段处理，而无法一次性处理，这是大模型应用的原则。
给大家一个具体的场景，以四大名著为例，怎么让模型从一个什么都不知道的小白，变成一个对四大名著知之甚深的助手？
大模型应用长文本处理
事实上严格来说报告生成也属于长文本处理的范畴，因为从实际应用角度来看，一万字左右是大模型性能的一个分界点，虽然现在很多模型提供的上下文窗口越来越大，但当文字超过一个临界值时，模型的效果就会直线下降。
所以，基于这个基本原则，我们来梳理一下报告生成或者说长文本处理的流程会面临哪些问题。
在之前用人工进行报告撰写时，前期可能要查阅大量的资料和数据，然后需要从这些资料和数据中梳理出我们需要的东西，并用规范化的格式描述出来。
而对大模型来说也是如此，我们首先要给大模型足够的参考资料，大模型才能完成我们所需要的任务。
而这就是导致模型上下文超长的罪魁祸首，因为写一篇报告可能要参考多份其它报告，并且还需要大量的数据。
由于模型上下文限制的问题，因此我们只能通过分块处理，分而治之的思想，对参考内容进行逻辑上的分块，不要把所有内容全部一次性的给到模型；而是先梳理出报告的结构，针对不同的内容，使用合适的数据生成报告内容；然后再通过拼接的方式，把报告不同的部分组装成一个完整的报告内容。
而长文处理也是使用同样的思想，比如说长文总结；举个简单的例子，我们把四大名著的内容给到模型，让模型去了解四大名著的主要剧情，以及各讲了什么故事，做个简单的总结。
所以，这时我们首先要对四大名著做个大概的介绍，让模型了解基本情况；之后，再分段把四大名著的内容丢给模型，让模型分别进行学习和总结；这样才能实现最终的效果。
但这里其实还是有很多问题，如虽然对整个四大名著进行了整体概括，大模型也大概知道了四大名著是个什么东西，大概讲了什么故事；但故事的具体细节，它可能就记不清了。
因为你不管总结提炼的再好，当内容太多时总会丢失部分细节；所以这时知识库的作用就体现出来了，先了解四大名著的简单概要，当需要具体细节时再通过知识库检索的方式，获取具体内容。
长文处理在模型应用中是一个技术难点，不论你怎么做都很难达到完美的效果，只能根据具体的情况和需求，在效果和技术之间找到一个平衡点。
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。
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。
