⬆️ UPDATE typo fix for ai

24.09/零基础了解AI应用.md

@@ -29,7 +29,7 @@ tags:
 </Slider>
 
 
-`chat`作为最基础、最重要的能力，一般也会堆外直接提供API来进行调用，而这些提供API的服务，又被叫做`LLM供应商`(之前的文章中盘点过市面上一部分常见的供应商)。`chat`接口的形式大部分供应商都是兼容或者类似`openai`(gpt的公司)提出的接口规范，是个http接口。`URL`一般是`${baseURL}/chat/completions`，而具体的参数形式可以查看[openAI文档](https://platform.openai.com/docs/api-reference/chat/create)
+`chat`作为最基础、最重要的能力，一般也会对外直接提供API来进行调用，而这些提供API的服务，又被叫做`LLM供应商`(之前的文章中盘点过市面上一部分常见的供应商)。`chat`接口的形式大部分供应商都是兼容或者类似`openai`(gpt的公司)提出的接口规范，是个http接口。`URL`一般是`${baseURL}/chat/completions`，而具体的参数形式可以查看[openAI文档](https://platform.openai.com/docs/api-reference/chat/create)
 
 ![request](https://i.imgur.com/7uPqW6f.png)
 
@@ -196,7 +196,7 @@ tags:
 # 6 RAG与相关工具
 `RAG` (Retrieval-augmented Generation)也是常听到的一种技术手段，通俗讲就是：因为模型的上下文长度是有限的，如果业务数据总量超过了上下文，例如`gpt-4o`上下文是128k，就需要压缩上下文的长度。此外很多上下文的内容也不是必须传给`LLM`的。
 
-例如有一本人物传记，我们想要LLM根据书中内容，回答这个人18岁高考考了多少分，去了哪个大学，那么正本书的内容都作为`prompt`显然不必要的，`RAG`的作用就是把高考、大学等相关的信息提炼出来，到这本书中去检索，找到相关性比较高的章节，把这部分章节作为`prompt`，这样就大大减少了`prompt`的长度。那么`RAG`是如何检索出相关性高的部分章节的呢？
+例如有一本人物传记，我们想要LLM根据书中内容，回答这个人18岁高考考了多少分，去了哪个大学，那么整本书的内容都作为`prompt`显然不必要的，`RAG`的作用就是把高考、大学等相关的信息提炼出来，到这本书中去检索，找到相关性比较高的章节，把这部分章节作为`prompt`，这样就大大减少了`prompt`的长度。那么`RAG`是如何检索出相关性高的部分章节的呢？
 
 其实是通过向量化或者叫嵌入或者叫`embedding`，我们把`embedding`理解成一个黑盒的函数，他的入参是字符串，出参是一个向量或者叫`double数组`，数组长度就是嵌入算法的维度，任意的字符串甚至是其他数据形式，都可以通过`embedding`函数得到一个向量。那么我们可以把我们的知识库，上面例子中就是正本人物传记，先进行拆分，比如每个章节拆分、或者每个段落、或者固定的每1k个字进行拆分，拆分成多个分片`chunk`，每个`chunk`运行`embedding`函数得到向量，再把`chunk`和向量存起来，可以存到普通的数据库，也可以是向量数据库(Vector Database)，后者对向量存储、查找、计算都有专门优化。