概述

本文针对知识图谱的构建问题，提出了一种新的迭代零次LLM提示方法。以往的知识图谱构建方法存在一定的局限性，包括覆盖范围和可扩展性不足。所提出的方法通过利用迭代零次提示技术来解决这些问题，该技术允许模型不断改进其知识图表示。本文提出的研究方法是将语言模型预训练与提示相结合的迭代零射击LLM提示方法。迭代过程通过生成额外的训练数据和改进知识图表示来提高模型的性能。本文提出的方法在知识图谱构建任务中取得了较好的性能。与以前的方法相比，迭代的零射击LLM提示方法具有更高的覆盖率和可扩展性，支持知识图谱构建的目标。

一、重要问题探讨

1. 如何确保LLM的prompt能够有效地生成适合加入最终图中的候选三元组？ 在Candidate Triplet Extraction阶段，要生成合适的候选三元组，我们需要定义良好的prompt。具体而言，我们需要实现以下目标：

○ 适当的实体描述，不仅能够识别实体所在的文本，还能提供代表性实体标签、适当的实体描述以及超类或类型的列表，以更全面地表征实体。

○ 适当的三元组和谓词描述，能够表达两个实体之间的关系，具备合适的谓词标签以及关系的一般描述。

2. 在LLM prompting中，我们如何保证模型的行为是确定性的？ 为了确保模型对于相同输入prompt能够产生相同的响应，我们需要通过设置API的temperature参数为零来获得模型的确定性行为。这样一来，我们可以保证在相同的输入prompt下得到相同的响应。

3. LLM如何通过提示完成与用户的对话？ 在与模型的对话中，我们使用了不同的消息角色来起到不同的作用。其中，我们通过系统提示（system）向模型传递详细的任务指令，通过用户提示（user）将需要操作的数据格式化后传递给模型，而模型的响应则通过助手提示（assistant）进行展示。通过这种交互方式，LLM能够根据对话线索生成连贯的响应。

4. LLM如何实现任务特定的提示在知识图谱构建的每个步骤中？ 我们的创新方法主要关注于在知识图谱构建的每个步骤中集成任务特定的LLM提示。我们使用了GPT-3.5这个知名LLM模型，通过GPT-3.5的Chat Completion API来访问其能力。我们将具体的任务指令作为系统提示传递给模型，将需要操作的数据作为用户提示传递给模型，并通过助手提示获取任务结果。通过这种方式，LLM能够根据不同步骤的提示生成相应的响应，实现任务特定的提示。

5. 在候选三元组的抽取中，我们的LLM prompting方法如何处理大量信息？ LLM prompting方法能够充分利用模型处理大量信息的能力。在候选三元组的抽取模块中，我们面临的挑战是有效定义prompt，以便生成适合加入最终图中的候选三元组。为此，我们需要考虑以下方面：

○ 对实体的准确描述：不仅仅是简单地识别实体所在的文本，而是将实体标签、实体描述以及超类或类型等相关信息也纳入考虑，以更全面地表征实体。

○ 对三元组和谓词的适当描述：表示两个实体之间的关系时，需要给出合适的谓词标签和关系的一般描述，以准确反映关系的本质。通过合理的prompt设计，我们能够有效生成候选三元组。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】