大模型-大模型应用向开发路径及一点个人思考_function calling agent 区别

大模型相关目录

大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容
从0起步，扬帆起航。

1. 大模型应用向开发路径及一点个人思考

一、大模型应用向开发路径及一点个人思考

大模型三种技术路线（转载） Agent + Function Calling、RAG（Retrieval-Augmented
Generation）和fine-tuning是三种不同的技术路线，用于增强和定制语言模型的能力。下面是它们各自的简要介绍和区别：
Agent + Function Calling:这种方法涉及到将语言模型（Agent）与外部功能（Function Calling）结合起来。语言模型可以理解用户的请求，并确定需要调用哪种外部功能来满足这些请求。外部功能可能包括数据库查询、API调用、或者执行某种计算任务等。这种方法允许模型在回答问题或执行任务时，可以访问到更新或更广泛的信息，而不仅仅是依赖于模型在训练数据上学到的知识。
RAG (Retrieval-Augmented Generation):RAG是一种将信息检索（Retrieval）和语言生成（Generation）结合的方法。在这种设置中，模型首先对一个大型的文档数据库执行搜索，以找到与输入查询相关的文档或信息片段。然后，这些检索到的文档被用作生成模型的上下文，帮助模型生成更准确、信息丰富的回答。RAG模型通常在需要结合大量外部信息来回答问题的场景中很有用。
Fine-tuning:Fine-tuning是对预训练语言模型进行进一步训练的过程，通常是为了适应特定任务或领域。在fine-tuning阶段，模型在一个特定的数据集上进行额外训练，这个数据集包含了目标任务或领域的样本。通过这种方式，模型可以更好地理解和生成与特定任务相关的语言，从而提高其在该任务上的表现。Fine-tuning是迁移学习的一种形式，它可以提高模型在特定任务上的精确度和效率。
总的来说，Agent + Function
Calling注重于模型与外部系统的交互；RAG注重于结合检索到的信息来增强回答的质量；而fine-tuning则是专注于通过额外训练来适应特定任务或领域。这三种方法可以根据应用场景的需求来选择使用，也可以结合起来使用，以发挥各自的优势。

上述内容提到了大模型，包括部署微调prompt/Agent应用开发、知识库增强的相关内容，但实际上通过半年的大模型应用侧开发研究，我与同事实际上思考出大模型在数据库增强、知识图谱增强、自然语言处理、多模态等方面仍有十分不错的前景与可落地性。

后续本专栏将持续分析该方向的相关内容。

总结

完结，撒花！