Semantic Kernel 入门系列：突破提示词的限制
💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
LLM AI在解读和总结知识内容方面具有强大能力，但在小众或私有领域应答受限。提供上下文信息是关键，可通过搜索相关内容信息再提供给LLM解决。Native Function和Embedding可匹配相关信息和计算相似性，突破关键词匹配的限制。了解LLM的脾性很重要，Semantic Kernel在这方面做了一些工作。
🎯
关键要点
- LLM在知识内容解读和总结方面具有强大能力，但在小众或私有领域应答受限。
- 提供足够的上下文信息是LLM AI应用发挥能力的关键。
- Max Tokens限制使得无法一次性提供所有相关信息，成本问题也需考虑。
- 回答问题时通常不需要使用所有信息，只需相关章节或段落即可。
- 搜索引擎通过找到最符合预期的相关结果来提供答案。
- Native Function可以通过关键词匹配相关信息，也可对接搜索引擎获取讯息。
- 传统搜索方法基于关键词，难以处理专用词汇和同义词。
- Embedding技术将文本转化为高维向量，基于语义判断相似性，突破字面匹配限制。
- 向量映射的准确性依赖于LLM，了解LLM的特性是使用的关键。
- Semantic Kernel在LLM应用中提供了相关的解决方案。
➡️
