引言
今天我們來探討一下作為JAVA程序員，如何迅速融入人工智能的領域。，當前有一些流行的LLMs選擇，例如ChatGPT、科大訊飛的星火、通義千問和文心一言等。如果你還沒有嘗試過這些工具，那么現在也不失為一個很好的機會，趕快體驗一下吧。這些工具不僅能夠為你的Java編程工作提供更多的可能性，還能夠為你帶來全新的AI應用體驗。無論是開發聊天機器人、語音識別系統還是智能問答平臺，這些工具都能夠為你提供強大的支持和便利。所以，不妨抓住這個機會，加入AI的行列，拓寬你的技術領域吧！
當然，我們作為程序員肯定不僅僅是簡單地使用大型語言模型（LLMs），今天，我們就來看看如何才能讓這些工具為我們服務，成為我們的初代“賈維斯”。讓我們一起探索人工智能的無限可能！
AI初體驗
話歸正題，當人工智能技術越來越火的時候，我們第一反應都是會迫不及待地想要嘗試并體驗它的魅力，各種奇葩的魔法問答也就應運而生了。這些LLMs系統通過與人自然交互，能夠回答用戶的各種問題，有時候甚至會給出一些有趣的回答。如下圖：
圖片
image
不過，我們也要明白，這些LLMs系統實際上也是基于大數據和機器學習算法構建的，它們并不具備真正的智能和理解能力。因此，在使用這些系統時，我們需要保持理性和客觀，不要過于依賴它們，而是要明確它們的局限性，并結合自己的判斷力進行思考和決策。
問答進化
雖然LLMs在回答問題時表現出了驚人的能力，但有時候它們也會出現錯誤的情況。有時候，它們可能會給出與我們問的問題不相符的答案，這可能是由于模型的訓練數據不完善或者存在一些偏見和誤導性的信息。于是乎，這時候網上又掀起來了一陣各個角色扮演的狂風，通過套殼AI應用來調侃和娛樂，一些個人和小公司也會利用這一現象來盈利，推出各種有趣的問答形式。這種問答形式的變化不僅給我們帶來了樂趣，也展示了人工智能技術的靈活性和創造力，然后我們的問答模式先進了一下，變成了以下的問答形式：
圖片
image
這個時候就取決于誰的提示寫得更好，寫得好的人能夠吸引更多的用戶，而流量可以轉化為收益。在這個階段，博主也加入了進來，嘗試使用套殼應用。因為Github上有大量的開源代碼可供使用，只需要將其部署到本地就可以完成。這個過程非常簡單。
問答插件開發
接下來，開發者們開始瘋狂輸出，例如開始開發GPT插件，國內也有很多語言模型開始使用插件。其中，聯網功能插件最典型，因為大型模型無法保持最新的新聞和知識庫，所以這個插件的出現非常熱門。雖然熱度很高。不過基本上的邏輯也很簡單，如下圖所示：
圖片
這個時候，開發者們通過插件的形式為LLMs增加了更多的功能和靈活性。這些插件可以使LLMs能夠聯網獲取實時的新聞和知識，從而提供更準確和全面的答案。這些插件的開發為LLMs的應用場景提供了更多的可能性，也為開發者們創造了更多的機會。
知識庫建立
剩下的形態開始變得豐富多樣。如果你發現在詢問LLMs之前可以提前收集很多有用的信息，那么你可以建立自己獨立的“賈維斯”個人助理，只需要提前將信息存儲起來，就像建立了自己的知識庫一樣。接下來的任務就是如何通過檢索相似信息并提供給LLMs，讓它根據我們提供的有效信息來回答問題。畢竟，訓練一個LLMs是非常耗費時間和精力的，你覺得你有足夠的時間和精力在業余時間來完成嗎？還是利用已經訓練好的LLMs好好使用吧，只要你提供足夠詳細的知識，LLMs的回答就會越好。LLMs的選擇越好，你得到的結果也會越好。剩下的工作就類似于這樣一種架構圖：
圖片
image
當你看到這個架構圖時，你會發現，現在重要的是誰能夠更好地拓展思維。你得到的架構圖越復雜，結果就越詳細。讓我來解釋一下。首先，我們需要了解如何建立自己的知識庫。在解釋知識庫之前，我們需要了解一下"embedding"這個概念。"embedding"是將語言、圖片或其他任何東西轉換為數字編碼類型的向量的過程。如果你開發過推薦功能，你對此應該不陌生。
如果我們將你的喜好和瀏覽記錄轉化為可計算的數字向量，接下來我們需要一個向量數據庫來存儲這些計算好的向量。我們可以舉一個向量數據庫（比如Milvus）作為例子，當然你也可以選擇其他向量數據庫。向量數據庫是專門用于存儲向量數據的，同樣具備增刪改查四種基本操作。
通過將用戶的喜好和瀏覽記錄轉化為可計算的向量，并利用向量數據庫進行查詢和推薦，你可以打造一個個性化的推薦系統。這個系統能夠根據用戶的興趣和行為模式，找到與其相似的其他用戶，并向他們推薦已購買的產品或感興趣的知識數據片段。而我們的存儲系統則應該專注于收集和儲存與我們所處的行業或領域相關的獨特信息，作為我們的知識數據庫。
類似于我們查詢最相似的記錄，我們可以將向量數據庫視為自己的瀏覽器搜索引擎，查詢到的記錄必定是我們想要的知識片段。我們將這個片段發送給LLMs，并附上我們的問題或想法。LLMs會根據你發送的知識片段進行回答，這樣一個自己的“賈維斯”助理就誕生了。
總結
實際上，每個分支節點都可以繼續進行細分，直到創建出一個完美的個人助理?，F在，LLMs（Language Models）非常流行且數量眾多。然而，對于一個上班的開發者而言，自行訓練一個個性化的模型可能既費時又麻煩，并且并不一定能夠得到理想的結果。事實上，很可能在未來的某個時間點，其他公司已經開發出了針對您所在領域的完美LLMs模型。根據我之前提到的模型架構，您只需要簡單地替換一下LLMs的選擇，就能夠靈活地適應自己的需求，并且不受限制。
