随着 ChatGPT 的呈现，「AI 幻觉」一词被频繁提及。那么，什么是 AI 幻觉？简略来说，就是大模型在不苟言笑地胡言乱语。
不止 ChatGPT，其余大语言模型也常常如此，究其基本是大语言模型在训练的过程中存在数据偏差。为此，当问题不在射程范畴内，它们或开始含糊答案，或假造一些看似正确的谬误答案。在此状况下，如何阻止「AI 幻觉」成为开发者亟待解决的事件。
本文将从应答思路讲起，由原理、工具、操作实例开展，手把手教你如何阻止「AI 幻觉」！
阻止大模型“胡言乱语”的三种思路
总体而言有三种思路：微调大语言模型、调整 prompt、用知识库进行限度。
提起阻止「AI 幻觉」，大家首先会想到用本人的数据对大语言模型进行微调。不过，这种思路是不切实际的，因为微调这件事件自身就与大语言模型的特点——零样本迁徙。再者，微调须要筹备大量的数据用于训练，这就对数据提出了更高的要求，例如数据必须有用，要进行数据荡涤、数据要与训练适配等。此外，训练大模型对于资源的耗费堪称微小，个别开发者很难接受背地的昂扬费用。不止如此，通过微调的模型也不足以通用，甚至失去了大语言模型零样本迁徙的劣势，其老本和收益基本不成比例。
第二种思路是调整 prompt，即批改提醒，例如，能够跟 ChatGPT 说 ” 当你不晓得答案的时候，不要假造答案，间接答复不晓得。” 然而，如果大家尝试过就会发现，ChatGPT 并不能很好地遵循此类指令，仍旧会呈现假造答案的状况。另外，prompt 的长度是有限度的，家喻户晓 OpenAI 的调用依照长度单位 token 免费。超长且不甚有用的 prompt 只会弊大于利，只调整 prompt 的形式都谈不上是最优解。
第三种思路是通过建设知识库（Knowledge Base）的形式限度「AI 幻觉」的“自由发挥”。知识库，顾名思义是给 ChatGPT 灌输一些额定的常识，为它提供更多的参考。后面提到了 token 的限度，因而如果把常识一股脑地“喂”给 ChatGPT 相对属于得失相当，且知识库中的常识未必都对问题有帮忙。在此状况下，须要对这些常识进行语义搜寻或者说是初步筛选，以找出真正有用的常识。不过，传统的常识检索的形式与之并不适配。如果只进行关键词搜寻，答案很可能对答复问题毫无帮忙或者脱漏重要的音讯，CVP Stack 可能无效地解决这一问题。
什么是 CVP Stack？C 是以 ChatGPT 为代表的大模型，它在 AI 程序中充当中央处理器的角色；V 代表 Vector Database，即以 Zilliz Cloud 和 Milvus 为代表的向量数据库，为大模型提供常识存储；P 代表 Prompt Engineering，各环节通过 prompt 的形式进行交互。CVP 是咱们的工程师在做问答机器人 OSSChat 时提出来的一种技术栈，对该我的项目感兴趣的同学能够点击详情理解（https://osschat.io/chat）。
CVP Stack 实操：用 Zilliz Cloud 和 LangChain 进行常识加强
如何借助 CVP Stack 模式对大模型进行常识加强？接下来的这个实例或者能够帮忙大家理解一二。
不过，在正式进入实操环节前，须要先筹备好 Zilliz Cloud。Zilliz Cloud 是用于全托管 Milvus 的云服务，有了 Zilliz Cloud 后，用户无需本地部署或保护向量数据库 Milvus，能够更加简略、疾速地上手操作。目前，Zilliz Cloud 曾经反对 AWS、GCP 的服务，往年 6 月底行将登陆阿里云，其余几朵云的服务也已提上日程。
回到 Zilliz Cloud 的筹备环节：
- 用户首先能够在 Zilliz 官网注册账号及登陆（https://cloud.zilliz.com/signup），当初注册即可获赠价值 $100 的 credit，享受 30 天收费试用的福利，绑定领取形式可获赠价值总计 $400 的 credits；
- 登陆后能够创立 Database，在此环节能够抉择对应的云服务及所属我的项目；
- 抉择过后，页面左边会给出计费形式；
- 随后便可在底部应用你所创立的 database；
- 实现该步骤后，在 database details 中找到连贯数据库的地址。有了连贯地址后，用户就能够依据本人的计算机语言偏好抉择用何种 SDK 进行操作。
筹备实现后便可进入实操环节，用 Python 代码基于 Langchain 搭建一个带有常识加强的智能聊天机器人。其中 Vectorstore，也就是向量存储局部，会用到 Zilliz Cloud。该零碎的架构次要分为问答和常识录入两条链路：
- 常识录入：把文档转成向量，将其存储在 Zilliz Cloud 之中。由 Zilliz Cloud 提供向量存储和语义搜寻的能力，在发问环节为 ChatGPT 提供额定的常识以加强其问答能力。
- 问答：向大模型发问并失去最初的答案。不过如果在这个过程中应用常识加强，首先会将问题转换成向量，随后在知识库也就是向量数据库中进行语义搜寻，并筛选出其中有用的信息，最终连同问题一起交给 ChatGPT。此时，ChatGPT 会综合问题及接管到的有用信息给出一个更靠谱的答复。
具体操作如下：
首先导入须要的 Langchain 模块（依据环境装置相干 python 依赖，比方 LangChain、pymilvus）。
其中文档的加载和解决局部会用到 LangChain 提供的网页加载、文本拆分工具，具体代码如下：
此处有一个在线的 demo[](https://huggingface.co/spaces/SimFG/LangChain-Zilliz-Cloud) 供大家参考，目前已公开在 Hugging Face 中，链接为 https://huggingface.co/spaces/SimFG/LangChain-Zilliz-Cloud
|demo 图片
|关上 demo 后会看到该页面
- 输出 URL 地址，该网页的内容将会被拆分并转成向量，存入数据库；
- 从 OpenAI 获取 key，用于连贯 OpenAI 服务；
- 填写 Zilliz Cloud 数据库的连贯信息，包含前文中提到的连贯地址、用户名和明码；
- 点击 Load Data 创立常识底库，创立工夫取决于文档长度；
- 加载结束便可进行发问。
以上便是借助 Zilliz Cloud 和 LangChain 实现问答机器人（大模型）常识加强的全过程，具体解说视频和 PPT 可点击获取。
（本文作者顾梦佳系 Zilliz 算法工程师）
- 如果在应用 Milvus 或 Zilliz 产品有任何问题，可增加小助手微信“zilliz-tech”退出交换群。
- 欢送关注微信公众号“Zilliz”，理解最新资讯。
本文由 mdnice 多平台公布