Please enable JavaScript.

Coggle requires JavaScript to display documents.

aiot-cvforce-data(猜测) - Coggle Diagram

- - - - 概述
        
        删除某个会话的记录和用户IDE的绑定？
      - 疑问
        
        相关问题提示会不会从别人的历史会话中得到，如果是，可能只是删除会话绑定并没有删除实际会话相关记录？
  - - - 基于会话ID的查找
        
        根据会话ID查找对话历史
      - 基于问题相关性查找(疑问)？
        
        针对用户提出的问题查找(相似性查找、关联性查找)所有对话历史返回相关历史？
        
        大模型经过处理自动生成的相关性问题？
        
        针对高评分回答提示问题的正确提问？(是否会有私密性风险？)
    - - 概述
        
        随着会话历史被删除
      - 疑问
        
        物理删除，是否会留作调优用的资料
  - - - 查找
        
        疑问
        
        根据提问查找知识库，是否允许查找公共知识库？
        
        支持库是否只限于上传的文件，还是会在网上查找，查找那些网站？
        
        概述
        
        查找自定义上传知识库
      - 新增
        
        上传文件，新增基于会话的知识库
      - 修改
        
        修改会话下的知识库
      - 删除
        
        是否会物理删除知识库
    - - 公有知识库
        
        公有的本地文件库
        
        网上知识库
      - 私有知识库
- - - - 新增
        
        入库步骤
        
        上传文件
        
        将不同类型文件转换为标准格式，如html、xml
        
        拆分2中输出，文字拆分成段落存放到mongodb，图片存放到oss
        
        3中文字拆分的段落再提取段落标题计算embedding存放到milvus(向量数据库)
        
        输入类型
        
        PDF、Word
        
        疑问
        
        图片会怎么使用，只是返回结果时附带？
        
        Embedding用的什么模型
        
        topN会是多少，相似判断的阈值是多少
      - 查找
        
        步骤
        
        将历史对话及当前问题提交给LLM总结成一个问题
        
        将总结的问题embedding
        
        用问题的embedding在milvus中搜索进行搜索得到的topN
        
        根据2中搜索到的结果获得mongodb中的相关文本
        
        把2中得到的文本传给LLM得到答案
        
        疑问
        
        milvus搜索用哪一种算法？
        
        搜索到的问题结合上下文在token有限的情况下传给LLM的策略是什么？
    - - LLM基础身份及功能的prompt
      - 疑问
        
        其他一些细节prompt是什么
    - - 概述
        
        根据身份判断客户提问是否合适
    - - 概述
        
        把过长的文本总结成较短的概述
      - 使用常见
        
        历史对话上下文和当前问题的组合
        
        对过长检索数据进行总结，方便LLM后续理解
        
        把过长的答案总结后返回
    - - 概述
        
        执行任务的步骤
      - 疑问
        
        上述知识库的步骤只从询问及推测得出，具体的步骤组成的链是什么只能拿到代码才知道
    - - 概述
        
        对比云端服务的测试集，比较私有化部署效果