流畅的多轮对话、丰富的通用知识问答，对于通用大语言模型在理解和响应人类指令方面表现突出，由于通用大模型的知识来源于公共知识，缺少对垂直领域的训练，因此使用LLM在垂直领域的知识问答表现并不理想。
基于向量数据库 大模型的智能知识问题可以打破传统搜索困境，实时、快速、准确提供知识答疑，信息获取更加轻松高效。向量数据库 LLM（大语言模型），打造更懂你的企业专属Chatbot？
01
—
为什么需要构建智能知识问答？
企业知识管理存在的哪些问题？
- 企业一线员工流动率高，知识更新频繁，知识碎片化分散，管理难；
- 知识管理“只进不出”，使用难，缺乏智能问答对日常工作进行提效；
智能知识问答带来的价值：
- 效率全面提升，通过LUI对话式快速获取知识；
- 用户体验提升，AI可理解和生成自然语言，用户与平台更低门槛、更自然地交流。
基于企业知识库进行智能问答的应用场景：
构建 IT/HR 系统智能问答系统：使用企业内部 IT/HR 使用手册构建企业知识库，企业内部员工可通过该知识库快速解决在 IT/HR 上遇到的问题。
构建智能客户聊天机器人系统：通过与聊天机器人服务结合，可自动基于企业知识库就客户提出的问题进行聊天回复。
构建业务知识库和问答系统：使用历史业务文档和手册构建企业知识库，员工可依靠该知识库，快速地进行问题查询了解业务。
构建社区自动问答系统：使用社区的信息构建社区知识库，可根据该知识库自动回复社区成员提供的问题。
LLM对话式搜索其他应用场景：
电商场景：用户选品、直播答疑、商品售前咨询、售后服务。可以提升购物互动体验、销量转化。
内容场景：IT、文娱等个性化信息检索。提升检索效率、用户粘性、活跃度、业务转化。
教育搜索答案：搜题生成答案，知识总结。可以提升学习效率、活跃度、用户粘性、业务转化。
02
—
如何构建LLM智能知识问答？
将企业知识库文档和实时信息通过向量特征提取然后存储到向量数据库，结合LLM大语言模型可以让Chatbot（聊天机器人）的回答更具专业性和时效性，构建企业专属Chatbot。
向量数据库 大模型知识问答方案整体分为两个部分：
- 首先是将业务数据进行向量化预处理进行知识库的构架与更新；
- 其次是在线搜索服务进行检索及内容生成；
业务数据预处理
首先需要对业务数据进行向量化处理，然后构建向量索引。
步骤1：将文本形式的业务数据分割成内容大小适当的片段；
步骤2：将内容判断导入文本向量化模型中，得到向量形式的业务数据；
步骤3：将向量形式的业务数据导入到向量数据库中，构建向量索引；
检索问答服务
实现检索功能后，结合Top N检索结果，基于LLM问答模型返回检索推理问答结果。
步骤1：将用户输入的问题query作为独立问题输入到文本向量化模型，得到向量形式的用户query；
- 结合聊天历史和新问题的query，通过企业专属大模型生成独立问题；
- LLM（企业专属大模型）为可选，有些问题存在上下文依赖，如果问题本身就是独立的，则不需要这个部分；
步骤2：将向量形式的用户query输入向量数据库进行检索；
步骤3：使用向量检索引擎得到业务数据中的Top N搜索结果；
步骤4：LLM基于最相关的知识（Top N检索结果）和独立问题输入LLM问答模型进行求解推理，得到最终的答案；
步骤5：将问答模型生成的问答结果和向量检索得到的搜索结果返回给终端用户；
