为啥大模型还没完全取代你？

1 大语言模型发展

LLM，Large Language Model，大语言模型。为什么叫2.0## 1 不具备记忆能力的

它是零状态的，我们平常在使用一些大模型产品，尤其在使用他们的API的时候，我们会发现那你和它对话，尤其是多轮对话的时候，经过一些轮次后，这些记忆就消失了，因为它也记不住那么多。

2 上下文窗口的限制

大模型对其input和output，也就是它的输入输出有数量限制。为了保护它的，这计算能力或保护相当于一个带宽概念，如说openAI之前只有32k。最新上下文窗口扩张到128k，大概相当于一本《Clean Code》，这个角度来说，这个问题其实已被解决。

但其他很多模型上下文窗口还是比较小，就有很多限制。如不可发一长段prompt或提示词，也不可不停在那对话，你就需要注意计算你整个窗口token消耗，避免被截断，可能就没有办法去输入和输出。

3 实时信息更新慢，新旧知识难区分

基于预训练的模型，拿大量数据来在神经网络的训练，然后形成模型，它的知识库就依赖于拿去训练的这些材料。

底模数据较小时，就会出现幻觉，胡乱回答。

4 无法灵活的操控外部系统

很多大模型只可对话，但无法作为一个外脑去操作外部的一些系统。虽然chatgpt出现插件机制和插件开发工具。但实际使用后，它还是相当于提供一个非常标准的东西，定制开发或更深度融合较难。

比如想用大模型作为一个外脑操控智能家居系统、操控汽车，都需要有一些连接器和框架帮助。

5 无法为领域问题提供专业靠谱的答案

你问他一些泛泛而谈的东西，他都能回答很好，但是你一旦问他一个非常专业问题，他就回答不上来，因为这块儿的专业问题，他可能不涉及。虽然他回答的答案是看起来是像一个人在回答，但一眼就能看出来那个答案不对。

针对这些问题，业界基本提出两种解决方案，但也都不能完全解决。

6 解决方案

6.1 微调（Fine-tunning）

主要解决的就是专业问题，专业知识库问题，包括知识更新问题。

就是把这些数据喂给我们的大模型啊，再做一次训练。基本上一次训练也无法解决这个知识感知信息问题，它只能更新它的数据库。成本较高。因为相当于把你的数据问喂给OpenAI，然后全量训练一次，成本相当高。

适用场景

做一些自有的大量数据的行业模型。所谓行业模型，如某专业领域的公司，积累的大量数据，如制药公司在制药过程积累大量制药数据，你希望这个数据以AI智能方式指导你的工作，就可用这种方式。把你的这个数据去喂给喂给大模型，对它再做一次调教。

这涉及一个概念

MaaS

module as a service，模型即服务。通过这个微调在大模型基础上灌入行业数据，实现这种行业模型，就适合手里拥有大量行业数据的。

这也只能解决领域数据专业性和知识库更新问题，无法解决操作外部系统、记忆能力、窗口扩张。

6.2 提示词工程（prompt engineering）

通过上下文提示词设计引导。在LLM基础上把这种专业数据通过：

• Embedding嵌入
• prompt提示词

这两个工具实现精准的专业回答，同时可实现：

• 实时系统的感知
• 操作外部系统
• 记忆增强
• 窗口控制扩张

好处明显，无需训练，不用去在LLM上面做训练。

适用场景

适合数据样本比较少的这种场景。如你有一本书，你希望说从这本书上去得到一些信息，但是你又不想去读它，你希望有个机器人，你问他问题，他直接从书里面找到答案。这种就可以把书的数据作为专业数据，然后嵌入到我们的这个LLM，然后再通过prompt方式去引导，得到一个精确的答案。

这过程中间甚至还可把这些答案，和我的打印机系统连接，可直接打印。

两种方式都可解决大模型问题，但适用场景不同，各自擅长点也不一样，很多时候，两者结合用效果较好。

微调，现在已经把门槛降到很低了，可直接把。把你想要微调的数据直接upload上去就可，但闭源大模型的数据安全的问题，数据所有性问题和成本问题。

提示词工程适合开源大模型，如chatglm，在本地部署大模型，再做这种词嵌入和提示词引导，就可本地实现专业行业模型。但底层LLM可能没用强大的，可能只是一个6b13b，它可能在语言组织或说一些智能度上稍低。代表就是 langchain。

7 总结

大模型的这几个问题都有，有两套这样的解决方案：

• Model as aSerivce 模型即服务通过“微调”技术，在LLM基础上灌入行业数据，实现行业模型
• promptengineering提示词工程，通过上下文提示词设计31号LM输出精确答案

都有自己的优劣点，然后都有自己适用的场景。所以用什么方案呢？其实是看我们这个这个整个的这个项目的情况，专栏偏向第二种提示词工程， 即langchain框架的方式。