作者 | Richard macManus
策劃 | 言征
Web3未能顛覆掉Web2，但新興的大模型開發棧正在讓開發者從“云原生”時代邁向新的AI技術棧。
提示工程師或許不能觸動開發者奔赴大模型的神經，但產品經理或者領導的一句：能不能開發一個“agent”，能不能實現一條“chain”，“使用哪款向量數據庫”，卻成為了目前各大主流大模型應用公司中驅動技術同學攻克生成AI開發的難點所在。
那么，新興的技術棧究竟分哪幾層？哪里最為棘手？本文帶大家一探究竟。
1、技術棧需要更新了開發者迎來AI工程師時代
在過去一年，LangChain和LlamaIndex等工具的出現，使得AI應用程序的開發者生態系統開始成熟。甚至，現在還有一個術語來形容專注于人工智能的開發人員：“AI工程師”，根據其倡導者Shawn@swyx Wang的說法，這是“提示工程師”的下一步。他還創建了一張坐標圖，形象展示了AI工程師在更廣泛的人工智能生態系統中的位置：
圖源：swyx
大型語言模型（LLM）是AI工程師的核心技術。LangChain和LlamaIndex都是擴展和補充LLM的工具，這絕非巧合。但是，對于這類新的開發人員來說，還有什么其他工具可用呢？
到目前為止，我看到的LLM堆棧的最佳圖表來自風險投資公司Andreessen Horowitz（a16z）。以下是它對“LLM App stack”的看法：
圖源：a16z
2、沒錯，最頂層的還是數據
很明顯，LLM技術棧中最重要的是數據。在a16z的圖中，這是最頂層。“嵌入模型”是LLM的用武之地——你可以從OpenAI、Cohere、Hugging Face或其他幾十種LLM選項中進行選擇，包括越來越流行的開源LLM。
但即使在使用LLM之前，還需要建立一個“數據管道”——它將Databricks和Airflow列為兩個示例，或者可以對數據進行“非結構化”處理。這也適合數據周期，可以幫助企業在將數據輸入自定義LLM之前“清理”或簡單地整理數據。像Alation這樣的“數據智能”公司，就提供這種類型的服務——聽起來，有點像IT技術棧中更為人知的“商業智能”等工具。
數據層的最后一部分則是近期名聲大噪的向量數據庫，來存儲和處理LLM數據。根據微軟的定義，這是“一種將數據存儲為高維向量的數據庫，高維向量是特征或屬性的數學表示。”數據通過一種名為“embedding”的技術存儲為向量。
領先的向量數據庫供應商Pinecone在一次媒體交談時指出，Pinecone的工具經常與數據管道工具（如Databricks）一起使用。在這種情況下，數據通常位于其他地方（例如，數據湖），然后通過機器學習模型將其轉換為嵌入。在對數據進行處理和分塊后，生成的向量被發送到Pinecone。
3、提示和查詢
接下來的兩層可以概括為提示和查詢——這是人工智能應用程序與LLM和（可選）其他數據工具接口的地方。A16z將LangChain和LlamaIndex定位為“編排框架”，這意味著開發人員一旦知道自己使用的是哪種LLM，就可以使用這些工具。
根據a16z的說法，像LangChain和LlamaIndex這樣的編排框架“抽象掉了提示鏈接的許多細節”，這意味著在應用程序和LLM之間查詢和管理數據。這個編排過程包括與外部API接口，從矢量數據庫檢索上下文數據，以及在多個LLM調用中維護內存。a16z圖表中最有趣的方框是“游樂場”，其中包括OpenAI、nat.dev和Humanloop。
A16z在博客文章中沒有確切定義，但我們可以推斷，“游樂場”工具可以幫助開發人員施展A16z所說的“提示柔術”。在這些地方，開發人員可以嘗試各種提示技術。
Humanloop是一家英國公司，其平臺的一個功能是“協作提示工作區”。它進一步將自己描述為“用于生產LLM功能的完整開發工具包”。因此，基本上，它允許您嘗試LLM的東西，然后將其部署到應用程序中（如果它有效的話）。
4、流水線作業：LLMOps
大模型生產的流水線目前正在逐漸清晰。編排框的右側是許多操作框，包括LLM緩存和驗證。還有一系列與LLM相關的云和API服務，包括Hugging Face等開放的API存儲庫，以及OpenAI等專有的API提供商。
這可能是我們在“云原生”時代習慣的開發人員技術棧中最相似的地方，許多DevOps公司將人工智能添加到了他們的產品列表中，這絕非巧合。5月，我與Harness首席執行官Jyoti Bansal進行了交談。Harness運行一個“軟件交付平臺”，專注于CI/CD流程的“CD”部分。
Bansai告訴我，人工智能可以減輕軟件交付生命周期中涉及的繁瑣和重復的任務，從基于現有功能生成規范到編寫代碼。此外，他還表示，人工智能可以自動化代碼審查、漏洞測試、錯誤修復，甚至為構建和部署創建CI/CD管道。根據我在五月份的另一次對話，人工智能也在改變開發人員的生產力。來自構建自動化工具Gradle的Trisha Gee告訴我，人工智能可以通過減少重復任務（如編寫樣板代碼）的時間來加速開發，并使開發人員能夠專注于大局，如確保代碼滿足業務需求。
5、Web3涼了，大模型開發棧來了
在新興的LLM開發技術棧中，我們看到了一系列新的產品類型，例如編排框架（LangChain和LlamaIndex）、向量數據庫和Humanloop等“游樂場”平臺。所有這些都擴展和/或補充了這個時代的底層核心技術：大型語言模型。
一如前幾年Spring Cloud、Kube.NETes等云原生時代工具的興起。只不過當下，幾乎所有云原生時代的大、小、頂流企業都在極力將其工具適應AI工程化，這就會對LLM技術棧的未來發展非常有利。
沒錯，這一次的大模型儼然“站在巨人的肩膀上”，計算機技術中最好的創新總是建立在以前的基礎上。也許這就是“Web3”革命失敗的原因——與其說它是建立在上一代的基礎上，不如說它試圖篡奪它。
很明顯，LLM技術棧似乎做到了，它是從云開發時代到更新的、基于AI的開發者生態系統的橋梁。
參考鏈接：https://thenewstack.io/llm-app-ecosystem-whats-new-and-how-cloud-native-is-adapting/
