基于大规模预训练语言模型聊天机器人-qwen3

工业软件使用手册较为复杂，上手门槛较高，结合大语言模型通过问答形式，帮助用户快速入门，查取功能的操作方式
建立企业知识库并基于此实现检索增强生成（RAG）系统，以实时与用户交互完成问答，可以分为以下几个步骤：

1. 建立企业知识库
文档收集与解析

收集企业内部的各类文档，包括但不限于产品手册、技术文档、FAQ、政策文件等。
使用合适的工具解析这些文档，确保它们能够被系统理解。例如，使用mineru进行版面分析，或者利用多模态大模型如qwen-vlm来处理复杂文档。
文档切分

将文档按照语义段落切分成适当大小的块（chunks），保证每个chunk都能包含完整的语义信息，同时适合后续处理。
向量化

对每个chunk应用嵌入模型（如jina-embeddings-v2或BAAI提供的模型）将其转换为向量表示，以便于后续的相似度计算和检索。
2. RAG检索与问答
问题重写与查询优化

针对用户的提问，可能需要对其进行重写或分解，以更好地匹配知识库中的内容。这可以通过多种策略实现，比如多重查询、RAG融合、查询分解等。
向量检索与BM25结合

在Elasticsearch或其他搜索引擎中，结合向量检索（基于嵌入的相似度搜索）和BM25检索（基于词频-逆文档频率的文本相似度评分算法），提供更加精确的结果。
召回与重排

根据检索结果，将最相关的文档chunks召回，并通过重排模型（如big-reranker-base/big-reranker-large）进一步优化排序，提高回答的相关性和准确性。
实时交互

使用Qwen基座模型作为后端的大语言模型，根据召回的文档chunks生成最终的回答。这个过程需要高效的处理机制来实现实时响应。

项目持续三个月，我在其中负责的任务分为：
（1）基于PYQT5搭建完整的插件界面
（2）完成模型选型，以及核心流程
（3）对模型进行下游数据微调
（4）对pdf等文档进行切块等文字提取