关于物流在人工智能配送方面的知识

以下是为您整理的相关内容： 《促进创新的人工智能监管方法》：包含了关于通用人工智能价值链、相关案例研究以及对人工智能监管框架的探讨等内容。 陶力文律师关于律师写好提示词用好 AI 的方法：包括初始化的欢迎语、遵循的规则、获取案例洞察报告和目标群体、输出纲要和写作方案、根据用户反馈调整等流程。 开幕式主持稿：涉及基地代表发言的时间、主题、物料配合和人员配合等信息。 但这些素材似乎与为中国移动准备市委书记致辞稿所需的素材关联不大。一般来说，为撰写市委书记在中国移动人工智能生态大会上的致辞稿，中国移动可能需要准备以下素材： 1. 本次大会的详细介绍，包括主题、目标、议程安排等。 2. 中国移动在人工智能领域的发展成果、战略规划和未来愿景。 3. 中国移动人工智能生态的构建情况，如合作伙伴、合作项目等。 4. 本次大会在第八届数字峰会中的地位和作用。 5. 相关行业的人工智能发展现状和趋势。 6. 福州市在人工智能领域的发展情况和与中国移动合作的展望。

以下是一些常见的人工智能软件： 1. 在自然语言处理和神经科学应用方面，大型语言模型取得了进展，拥有更先进的工具用于解码大脑状态和分析复杂脑部活动。 2. 在艺术创作领域，有涉及知识产权保护的相关软件，如软件工程师在设计时应确保生成内容合法合规、注重用户知识产权保护等。创作者使用此类软件时，应了解自身权利并做好保护。 3. 在线 TTS 工具方面，如 Eleven Labs（https://elevenlabs.io/）、Speechify（https://speechify.com/）、Azure AI Speech Studio（https://speech.microsoft.com/portal）、Voicemaker（https://voicemaker.in/）等。这些工具可将文本转换为语音，具有不同的特点和适用场景。但请注意，相关内容由 AI 大模型生成，请仔细甄别。

通用人工智能（AGI）是指具有人类水平的智能和理解能力的 AI 系统。它有能力完成任何人类可以完成的智力任务，适用于不同的领域，同时拥有某种形式的意识或自我意识。 目前 AGI 还只是一个理论概念，没有任何 AI 系统能达到这种通用智能水平。 OpenAI 在其内部会议上分享了 AGI 的五个发展等级： 1. 聊天机器人（Chatbots）：具备基本对话能力的 AI，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 推理者（Reasoners）：具备人类推理水平的 AI，能够解决复杂问题，如 ChatGPT，能够根据上下文和文件提供详细分析和意见。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务的 AI。目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 4. 创新者（Innovators）：能够协助人类完成新发明的 AI，如谷歌 DeepMind 的 AlphaFold 模型，可以预测蛋白质结构，加速科学研究和新药发现。 5. 组织（Organizations）：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。 常见名词解释： AGI：通用人工智能（Artificial General Intelligence）能够像人类一样思考、学习和执行多种任务的人工智能系统。 NLP：自然语言处理（Natural Language Processing），就是说人话。 LLM：大型语言模型（Large Language Model），数据规模很大，没钱搞不出来，大烧钱模型。

2025 年人工智能大模型的技术提升可能体现在以下几个方面： 1. 视频生成能力：如 2024 年推出的多个先进的 AI 模型能够从文本输入生成高质量视频，相比 2023 年有显著进步。 2. 模型规模与性能：更小的模型能驱动更强的性能，如 2022 年最小能在 MMLU 上得分高于 60%的模型是具有 5400 亿参数的 PaLM，到 2024 年，参数仅 38 亿的微软 Phi3mini 也能达到相同阈值。 3. 推理能力：尽管加入了如思维链推理等机制显著提升了大语言模型的性能，但在一些需要逻辑推理的问题上，如算术和规划，尤其在超出训练范围的实例上，这些系统仍存在问题。 4. AI 代理：在短时间预算设置下，顶级 AI 系统得分高于人类专家，但随着时间预算增加，人类表现会超过 AI。 5. 算法变革：如 DeepSeek 的出现标志着算力效率拐点显现，其通过优化算法架构显著提升了算力利用效率，同时 2025 年发布的大模型呈现低参数量特征，为本地化部署到 AI 终端运行提供了可能，其训练过程聚焦于强化学习，提升了模型的推理能力。

人工智能的工作原理可以通过以下动画来描述： 在一个动画场景中，首先有一个传统工作流的部分，就像精心搭建的积木城堡，每一块积木的位置和形状都被精确设计和控制，这代表着传统工作流的可控性和高成本、慢速度。 然后是 AI 工作流的部分。想象一下，有一团混乱的色彩在飞舞，这团色彩代表着随机和不可控。但在这混乱中，有一种力量在尝试引导和塑造，就像在狂风中努力抓住风筝线一样，这就是在随机性中寻找可控性。 比如在一个生成音频与视频同步的例子中，动画展示了一个系统。首先，系统将视频输入编码成压缩的表示形式，就像把一大包东西压缩成一个小包裹。然后，扩散模型从随机噪声中不断改进音频，就像在混沌中逐渐塑造出清晰的声音。这个过程受到视觉输入和自然语言提示的引导，最终生成与提示紧密配合的同步逼真音频。最后，音频输出被解码，变成音频波形，并与视频数据完美结合。 总的来说，传统工作流在可控中寻找创新的随机，而 AI 工作流更多是在随机中寻找可控，两者各有优劣，结合起来能创造出更出色的成果。

人工智能作为一个领域始于二十世纪中叶。最初，符号推理流行，带来了如专家系统等重要进展，但因方法无法大规模拓展应用场景，且从专家提取知识并以计算机可读形式表现及保持知识库准确的任务复杂、成本高，导致 20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源变便宜，数据增多，神经网络方法在计算机视觉、语音理解等领域展现出卓越性能。过去十年中，“人工智能”常被视为“神经网络”的同义词，因多数成功案例基于神经网络方法。 以下是人工智能发展历程中的一些重要节点： 1969 年：经历低潮。Marvin Minsky 和 Seymour Papert 阐述因硬件限制，几层的神经网络仅能执行基本计算，AI 领域迎来第一次泡沫破灭。 1960 1970 年代：早期专家系统。此时期 AI 研究集中在符号主义，以逻辑推理为中心，主要是基于规则的系统，如早期专家系统。 1980 年代：神经网络。基于规则的系统弊端显现，人工智能研究关注机器学习，神经网络根据人脑结构和操作创建和建模。 1997 年：深蓝赢得国际象棋比赛。IBM 深蓝战胜国际象棋冠军卡斯帕罗夫，新的基于概率推论思路广泛应用于 AI 领域。 1990 2000 年代：机器学习。AI 研究在机器人技术、计算机视觉和自然语言处理等领域取得显著进展，21 世纪初深度学习出现使语音识别、图像识别和自然语言处理进步成为可能。 2012 年：深度学习兴起。Geoffrey Hinton 开创相关领域，发表开创性论文引入反向传播概念，突破感知器局限。 2012 年：AlexNet 赢得 ImageNet 挑战赛。引发深度学习热潮。 2016 年：AlphaGo 战胜围棋世界冠军。DeepMind 的 AlphaGo 战胜李世石，标志着人工智能在围棋领域超越人类，对人类理解产生深远影响。

以下是为物流公司信息系统管理员推荐的大模型入门经验： 一、什么是大模型 通俗来讲，大模型是通过输入大量语料，让计算机获得类似人类的“思考”能力，能够理解自然语言，并进行文本生成、推理问答、对话、文档摘要等工作。 可以用“上学参加工作”这件事来类比大模型的训练和使用过程： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型能够更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在大模型中，Token 被视为模型处理和生成的文本单位，可以代表单个字符、单词、子单词，甚至更大的语言单位，具体取决于所使用的分词方法（Tokenization）。Token 是原始文本数据与大模型可以使用的数字表示之间的桥梁。在将输入进行分词时，会对其进行数字化，形成一个词汇表。 二、数字化与 Embedding 数字化便于计算机处理，但为了让计算机理解 Token 之间的联系，还需要把 Token 表示成稠密矩阵向量，这个过程称之为 embedding。常见的算法有： 1. 基于统计： Word2Vec，通过上下文统计信息学习词向量。 GloVe，基于词共现统计信息学习词向量。 2. 基于深度网络： CNN，使用卷积网络获得图像或文本向量。 RNN/LSTM，利用序列模型获得文本向量。 3. 基于神经网络： BERT，基于 Transformer 和掩码语言建模（Masked LM）进行词向量预训练。 Doc2Vec，使用神经网络获得文本序列的向量。 以 Transform 为代表的大模型采用自注意力（Selfattention）机制来学习不同 token 之间的依赖关系，生成高质量 embedding。 大模型的“大”，指的是用于表达 token 之间关系的参数多，主要是指模型中的权重（weight）与偏置（bias），例如 GPT3 拥有 1750 亿参数，其中权重数量达到了这一量级，而词汇表 token 数只有 5 万左右。 参考：

AI 在集装箱物流行业有以下应用方式： 1. 物流路线优化：利用 AI 分析各种数据，如货物数量、目的地、运输条件等，优化物流路线，降低运输成本。 2. 配送计划制定：通过 AI 制定更合理的配送计划，提高配送效率和准确性。 3. 集装箱管理：借助数据分析和机器学习技术，优化集装箱的分配和使用，提高利用率。 4. 预测需求：利用 AI 预测货物的需求，提前做好准备，减少库存和延误。 5. 风险评估：分析潜在的风险因素，如天气变化、交通拥堵等，提前制定应对策略。 例如，像丰巢快递柜管理系统利用 AI 和物联网技术管理柜子的使用情况，提高快递配送效率。未来，AI 在集装箱物流行业的应用还将不断拓展和深化。

在物流方面，以下几种 AI 应用较为有益： 1. 路线优化：AI 可用于优化物流路线，降低运输成本。 2. 配送计划优化：帮助制定更高效的配送计划。 3. 无人机送货：利用 AI 实现无人机送货，将货物快速送达偏远地区。 需要注意的是，以上内容由 AI 大模型生成，请仔细甄别。

目前在电商行业供应链物流领域，一些大模型的应用还处于不断发展和探索的阶段。 阿里巴巴：可能利用其强大的技术能力和数据优势，通过大模型优化物流路径规划、库存管理和订单预测等方面，提高物流效率和降低成本。 淘宝：或许借助大模型来分析消费者的购买行为和偏好，从而更精准地进行商品推荐，并优化物流配送的调度。 抖音：可能运用大模型对用户的兴趣和行为进行深度挖掘，以实现更高效的商品匹配和物流配送安排。 京东：有可能利用大模型改进仓储管理、物流配送的智能调度，以及预测商品的需求和销售趋势。 但需要注意的是，具体的应用情况和效果会受到多种因素的影响，包括数据质量、算法优化、业务场景的复杂性等。

AI技术在供应链管理中的应用可以大大提高采购计划、库存预测和物流优化的效率。以下是如何利用AI根据历史数据和市场变化自动生成这些内容的详细步骤： 1. 数据收集和预处理 首先，需要收集大量的历史数据和实时市场数据。这些数据可以来自企业内部系统（如ERP、WMS）和外部数据源（如市场情报、经济指标）。 数据类型： 历史销售数据：包括销售数量、时间、地点等。 库存数据：当前库存水平、历史库存变化、仓储信息。 采购数据：采购订单、供应商信息、采购周期等。 市场数据：市场需求预测、经济指标、季节性变化等。 数据预处理： 数据清洗：处理缺失值、异常值和重复数据。 数据整合：将来自不同来源的数据整合成统一格式。 特征工程：提取关键特征，如时间序列特征、季节性特征等。 2. 采购计划自动生成 利用AI模型分析历史采购和销售数据，结合市场变化，生成优化的采购计划。 方法： 时间序列分析：使用ARIMA、Prophet等模型预测未来的需求量。 机器学习算法：如随机森林、XGBoost，通过学习历史数据中的模式来预测需求。 深度学习：如LSTM、GRU，适合处理复杂的时间序列数据。 具体步骤： 1. 需求预测：预测未来一段时间内的产品需求量。 2. 供应商选择和评估：根据历史绩效和市场条件，选择最佳供应商。 3. 采购量确定：结合库存水平、需求预测和供应商能力，确定每个产品的采购量。 4. 优化采购时间：利用AI优化采购时间，以最低成本满足需求。 3. 库存预测 利用AI技术进行库存预测，确保在最低库存水平下满足需求，减少库存持有成本和缺货风险。 方法： 库存优化模型：如Economic Order Quantity 。 库存水平预测：基于历史数据和需求预测，计算安全库存和再订货点。 机器学习算法：如支持向量机（SVM）、KNN，通过学习历史库存变化和需求波动，预测未来库存需求。 具体步骤： 1. 需求预测：预测未来的产品需求。 2. 库存水平计算：根据需求预测、订单交付时间、当前库存水平，计算安全库存和再订货点。 3. 库存补货策略：制定补货策略，确定何时和多少补货。 4. 物流优化 AI技术可以优化物流路径、运输方式和仓储布局，降低物流成本，提高运输效率。 方法： 路线优化：利用优化算法（如遗传算法、蚁群算法）优化运输路线，减少运输成本和时间。 运输方式选择：根据货物类型、运输距离、成本等因素，选择最佳的运输方式（如海运、空运、陆运）。 仓储布局优化：利用AI优化仓库布局，提高仓储效率和利用率。 具体步骤： 1. 运输需求分析：分析需求预测和库存计划，确定运输需求。 2. 路线规划：利用优化算法规划最佳运输路线。 3. 运输方式选择：根据成本和时间要求，选择合适的运输方式。 4. 仓储优化：利用AI优化仓库布局和操作，提高仓储效率。 案例示例：使用AI进行供应链优化 以下是一个使用AI进行供应链优化的具体示例： 需求预测： 1. 收集过去两年的销售数据和市场数据。 2. 使用LSTM模型对未来6个月的需求进行预测。 3. 将预测结果与当前库存水平进行比较，确定需要补货的产品和数量。 采购计划： 1. 根据需求预测结果，使用EOQ模型计算每个产品的最优采购量。 2. 结合供应商历史绩效数据，选择最佳供应商并确定采购时间。 库存管理： 1. 使用支持向量机（SVM）模型预测未来的库存水平。 2. 根据预测结果调整安全库存和再订货点，制定补货计划。 物流优化： 1. 利用蚁群算法优化运输路线，降低运输成本。 2. 根据货物类型和运输距离选择最佳运输方式。 3. 利用AI优化仓库布局，提高货物存取效率。 总结 通过利用AI技术，企业可以实现自动化和智能化的采购计划、库存预测和物流优化。这不仅可以提高供应链管理的效率，还能降低成本，减少库存风险，提升客户满意度。为了实施这些AI技术，企业需要投入时间和资源进行数据收集、模型开发和系统集成，同时需要培养数据分析和AI技术的人才。

以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。

以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。

知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎的能力，增强用户的搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 知识图谱的关键技术包括： 1. 知识抽取： 实体抽取：通过命名实体识别从数据源中自动识别命名实体。 关系抽取：从数据源中提取实体之间的关联关系，形成网状知识结构。 属性抽取：从数据源中采集特定实体的属性信息。 2. 知识表示：包括属性图和三元组。 3. 知识融合： 实体对齐：消除异构数据中的实体冲突、指向不明等不一致性问题。 知识加工：对知识统一管理，形成大规模的知识体系。 本体构建：以形式化方式明确定义概念之间的联系。 质量评估：计算知识的置信度，提高知识质量。 知识更新：不断迭代更新，扩展现有知识，增加新知识。 4. 知识推理：在已有的知识库基础上挖掘隐含的知识。 在国家人工智能产业综合标准化体系建设指南中，知识图谱标准规范了知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。

构建知识库的方法主要有以下几种： 1. 使用 Flowith 构建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，为其起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 等待 Flowith 对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 2. 使用 Dify 构建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：根据需求选择高质量模式、经济模式或 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 3. 本地部署大模型并搭建个人知识库（涉及 RAG 技术）： 了解 RAG 技术：大模型训练数据有截止日期，RAG 可通过检索外部数据并在生成步骤中传递给 LLM 来解决依赖新数据的问题。 RAG 应用的 5 个过程： 文档加载：从多种来源加载文档，如 PDF、SQL 等。 文本分割：把文档切分为指定大小的块。 存储：包括将文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：将问题和检索出的嵌入片提交给 LLM 生成答案。 文本加载器：将用户提供的文本加载到内存中以便后续处理。

搭建知识库的方法如下： 使用 flowith 搭建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，给知识库起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 Flowith 会对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 使用 Dify 搭建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：提供三种索引方式，根据需求选择，如高质量模式、经济模式和 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 使用 Coze 智能体搭建： 手动清洗数据： 在线知识库：点击创建知识库，创建 FAQ 知识库，选择飞书文档，输入区分问题和答案，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理，然后创建自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能搜到。

以下是搭建自己知识库的方法： 1. 选择“Manage Your Knowledge Base”，进入知识库管理页面。 2. 在页面左上角点击加号，添加新的知识库，并为其起一个易于分辨的名字。 3. 点击添加文件，建议使用 Markdown 格式的文件。 4. 等待 Flowith 对文件进行抽取等处理。 5. 处理完毕后，可在知识库管理页面测试检索，输入关键词过滤相关内容。 此外，搭建本地知识库还需了解 RAG 技术： 1. RAG 是一种当需要依靠不包含在大模型训练集中的数据时所采用的主要方法，即先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 2. 一个 RAG 的应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 对于基于 GPT API 搭建定制化知识库，涉及给 GPT 输入定制化的知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。Embeddings 是一个浮点数字的向量，两个向量之间的距离衡量它们的关联性，小距离表示高关联度。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。文档上有创建 embeddings 的示例。