大模型开发栈已成！ _大模型

作者 | Richard macManus
策划 | 言征
Web3未能颠覆掉Web2，但新兴的大模型开发栈正在让开发者从“云原生”时代迈向新的AI技术栈。
提示工程师或许不能触动开发者奔赴大模型的神经，但产品经理或者领导的一句：能不能开发一个“agent”，能不能实现一条“chain”，“使用哪款向量数据库”，却成为了目前各大主流大模型应用公司中驱动技术同学攻克生成AI开发的难点所在。
那么，新兴的技术栈究竟分哪几层？哪里最为棘手？本文带大家一探究竟。
1、技术栈需要更新了开发者迎来AI工程师时代在过去一年，LangChain和LlamaIndex等工具的出现，使得AI应用程序的开发者生态系统开始成熟。甚至，现在还有一个术语来形容专注于人工智能的开发人员：“AI工程师”，根据其倡导者Shawn@swyx Wang的说法，这是“提示工程师”的下一步。他还创建了一张坐标图，形象展示了AI工程师在更广泛的人工智能生态系统中的位置：

文章插图
图源：swyx
大型语言模型（LLM）是AI工程师的核心技术。LangChain和LlamaIndex都是扩展和补充LLM的工具，这绝非巧合。但是，对于这类新的开发人员来说，还有什么其他工具可用呢？
到目前为止，我看到的LLM堆栈的最佳图表来自风险投资公司Andreessen Horowitz（a16z）。以下是它对“LLM App stack”的看法：

文章插图
图源：a16z
2、没错，最顶层的还是数据很明显，LLM技术栈中最重要的是数据。在a16z的图中，这是最顶层。“嵌入模型”是LLM的用武之地——你可以从OpenAI、Cohere、Hugging Face或其他几十种LLM选项中进行选择，包括越来越流行的开源LLM 。
但即使在使用LLM之前，还需要建立一个“数据管道”——它将Databricks和Airflow列为两个示例，或者可以对数据进行“非结构化”处理。这也适合数据周期，可以帮助企业在将数据输入自定义LLM之前“清理”或简单地整理数据。像Alation这样的“数据智能”公司，就提供这种类型的服务——听起来，有点像IT技术栈中更为人知的“商业智能”等工具。
数据层的最后一部分则是近期名声大噪的向量数据库，来存储和处理LLM数据。根据微软的定义，这是“一种将数据存储为高维向量的数据库，高维向量是特征或属性的数学表示。”数据通过一种名为“embedding”的技术存储为向量。
领先的向量数据库供应商Pinecone在一次媒体交谈时指出，Pinecone的工具经常与数据管道工具（如Databricks）一起使用。在这种情况下，数据通常位于其他地方（例如，数据湖），然后通过机器学习模型将其转换为嵌入。在对数据进行处理和分块后，生成的向量被发送到Pinecone 。
3、提示和查询接下来的两层可以概括为提示和查询——这是人工智能应用程序与LLM和（可选）其他数据工具接口的地方。A16z将LangChain和LlamaIndex定位为“编排框架”，这意味着开发人员一旦知道自己使用的是哪种LLM，就可以使用这些工具。
根据a16z的说法，像LangChain和LlamaIndex这样的编排框架“抽象掉了提示链接的许多细节”，这意味着在应用程序和LLM之间查询和管理数据。这个编排过程包括与外部API接口，从矢量数据库检索上下文数据，以及在多个LLM调用中维护内存。a16z图表中最有趣的方框是“游乐场”，其中包括OpenAI、nat.dev和Humanloop 。
A16z在博客文章中没有确切定义，但我们可以推断，“游乐场”工具可以帮助开发人员施展A16z所说的“提示柔术” 。在这些地方，开发人员可以尝试各种提示技术。
Humanloop是一家英国公司，其平台的一个功能是“协作提示工作区” 。它进一步将自己描述为“用于生产LLM功能的完整开发工具包” 。因此，基本上，它允许您尝试LLM的东西，然后将其部署到应用程序中（如果它有效的话）。
4、流水线作业：LLMOps大模型生产的流水线目前正在逐渐清晰。编排框的右侧是许多操作框，包括LLM缓存和验证。还有一系列与LLM相关的云和API服务，包括Hugging Face等开放的API存储库，以及OpenAI等专有的API提供商。
这可能是我们在“云原生”时代习惯的开发人员技术栈中最相似的地方，许多DevOps公司将人工智能添加到了他们的产品列表中，这绝非巧合。5月，我与Harness首席执行官Jyoti Bansal进行了交谈。Harness运行一个“软件交付平台”，专注于CI/CD流程的“CD”部分。