AI大模型應(yīng)用的6種架構(gòu)設(shè)計模式，你知道幾種？

黃爸爸好 2024-06-07 發(fā)布于上海

展開全文

▼最近直播超級多，預(yù)約保你有收獲

架構(gòu)設(shè)計模式已成為程序員的重要技能。然而，當(dāng)我們轉(zhuǎn)向大模型應(yīng)用領(lǐng)域，情況可能會有所不同。面對新興技術(shù)，比如：生成式 AI，我們尚缺乏成熟的設(shè)計模式來支撐這些解決方案。

根據(jù)多年的架構(gòu)設(shè)計經(jīng)驗，我在這里整理總結(jié)了一些針對大模型應(yīng)用的設(shè)計方法和架構(gòu)模式，試圖應(yīng)對和解決大模型應(yīng)用實現(xiàn)中的一些挑戰(zhàn)，比如：成本問題、延遲問題以及生成的幻覺等問題。

—1—

路由分發(fā)架構(gòu)模式

當(dāng)用戶輸入一個 Prompt 查詢時，該查詢會被發(fā)送到路由轉(zhuǎn)發(fā)模塊，而路由轉(zhuǎn)發(fā)模塊則扮演著對輸入 Prompt 進(jìn)行分類的角色。

如果 Prompt 查詢是可以識別的，那么它會被路由到小模型進(jìn)行處理，這通常是一個更準(zhǔn)確、響應(yīng)更快且成本更低的操作。然而，如果 Prompt 查詢無法被識別，那么它將由大模型來處理。盡管大模型的運(yùn)行成本較高，但它能夠成功返回更多種類型查詢的答案。通過這種方式，大模型應(yīng)用產(chǎn)品可以在成本、性能和用戶體驗之間實現(xiàn)平衡。

—2—

大模型代理架構(gòu)模式

在任何一個生態(tài)系統(tǒng)中，都會有多個針對特定任務(wù)領(lǐng)域的專家，并行工作以處理特定類型的查詢，然后將這些響應(yīng)整合在一起，形成一個全面的答案。

這樣的架構(gòu)模式非常適合復(fù)雜的問題解決場景，在這種場景中，問題的不同方面需要不同的專業(yè)知識，就像一個由專家組成的小組，每個專家負(fù)責(zé)處理更大問題的一個方面。

更大的模型（比如：GPT-4）負(fù)責(zé)理解上下文，并將其分解為特定的任務(wù)或信息請求，這些任務(wù)或信息請求被傳遞給更小的代理模型。這些代理模型可能是較小模型，它們已經(jīng)接受過特定任務(wù)的訓(xùn)練，或者是具有特定功能的通用模型，比如：BERT、Llama-2、上下文提示和函數(shù)調(diào)用。

—3—

基于緩存的微調(diào)架構(gòu)模式

我們將緩存和微調(diào)引入到大模型應(yīng)用架構(gòu)中，可以解決成本高、推理速度慢以及幻覺等組合問題。

通過緩存初始結(jié)果，能夠在后續(xù)查詢中迅速提供答案，從而顯著提高了效率。

當(dāng)我們累積了足夠的數(shù)據(jù)后，微調(diào)層將啟動，利用早期交互的反饋，進(jìn)一步完善一個更為專業(yè)化的私有大模型。

專有私有大模型不僅簡化了操作流程，也使專業(yè)知識更好地適應(yīng)特定任務(wù)，使其在需要高度精確性和適應(yīng)性的環(huán)境中，比如：客戶服務(wù)或個性化內(nèi)容創(chuàng)建，表現(xiàn)得更為高效。

對于剛?cè)腴T的用戶，可以選擇使用預(yù)先構(gòu)建的服務(wù)，比如：GPTCache，或者使用常見的緩存數(shù)據(jù)庫：Redis、Cassandra、Memcached 來運(yùn)行自己的服務(wù)。

—4—

面向目標(biāo)的 Agent 架構(gòu)模式

對于用戶的 Prompt 提示詞，Agent 會基于大模型先做規(guī)劃（Planning），拆解成若干子任務(wù)，然后對每個子任務(wù)分別執(zhí)行（Action），同時對每一步的執(zhí)行結(jié)果進(jìn)行觀測（Observation），如果觀測結(jié)果合格，就直接返回給用戶最終答案，如果觀測結(jié)果不合格或者執(zhí)行出錯，會重新進(jìn)行規(guī)劃（Replanning）。

這種面向目標(biāo)的 Agent 架構(gòu)模式非常常見，也是 AGI 大模型時代，每一個程序員同學(xué)都需要掌握的架構(gòu)設(shè)計模式。

—5—

Agent 智能體組合架構(gòu)模式

該架構(gòu)設(shè)計模式強(qiáng)調(diào)了靈活性，通過模塊化 AI 系統(tǒng)，能自我重新配置以優(yōu)化任務(wù)性能。這就像一個多功能工具，可以根據(jù)需求選擇和激活不同的功能模塊，對于需要為各種客戶需求或產(chǎn)品需求定制解決方案的企業(yè)來說，這是非常有效的。

我們可以通過使用各種自主代理框架和體系結(jié)構(gòu)來開發(fā)每個 Agent 智能體，比如：CrewAI、Langchain、LLamaIndex、Microsoft Autogen 和 superAGI等。

通過組合不同的模塊，一個 Agent 可以專注于預(yù)測，一個處理預(yù)約查詢，一個專注于生成消息，一個 Agent 來更新數(shù)據(jù)庫。將來，隨著專業(yè) AI 公司提供的特定服務(wù)的增多，我們可以將一個模塊替換為外部或第三方服務(wù)，以處理特定的任務(wù)或領(lǐng)域的問題。

—6—

雙重安全架構(gòu)設(shè)計模式

圍繞大模型的核心安全性至少包含兩個關(guān)鍵組件：一是用戶組件，我們將其稱為用戶 Proxy 代理；二是防火墻，它為大模型提供了保護(hù)層。

用戶 Proxy 代理在查詢發(fā)出和返回的過程中對用戶的 Prompt 查詢進(jìn)行攔截。該代理負(fù)責(zé)清除個人身份信息和知識產(chǎn)權(quán)信息，記錄查詢的內(nèi)容，并優(yōu)化成本。