本文主要是介绍【大模型实战】基于大模型的中国历史智能助手项目分享：史小白，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、简介
在当下的AI热潮中，我完成了一个基于大模型的项目——史小白 - 中国历史智能助手。
可用于帮助用户探索和学习中国历史。项目基于InternLM大模型技术，提供了多种功能，包括：
- 历史问答：用户可以提出中国历史相关的问题，史小白将提供详细且准确的回答。
- 文言文翻译：能够将古代文献翻译成现代汉语，方便用户理解文言文。
- 联网检索：对于最新的事情，史小白也可以通过搜索引擎得到答案。
- 中国古风图片生成：根据用户的需求生成具有中国古代风格的图片，增强历史学习的趣味性。
通过整合现代人工智能技术，史小白致力于为历史爱好者提供一个便捷的学习平台。
在我的B站视频【史小白 - 中国历史智能助手】中，我详细展示了项目架构、功能模块以及实际运行效果。希望通过这个视频，能够启发更多开发者利用AI技术做出有趣的项目。欢迎大家观看、一键三连~
【大模型项目】史小白——中国历史智能助手
二、效果展示
2.1 自我认知
2.2 文言文翻译
2.3 RAG检索效果
2.4 联网查询效果
2.5 画图Agent
三、相关技术
3.1 数据准备
在这个模块，系统支持多种数据格式，包括：
- Markdown、PDF、Word、音频、视频等多种媒体类型
- JSON、HTML等结构化数据
- 多语言的内容
这些多模态、多语言的数据会通过嵌入模型（Embedding Model）进行处理，生成对应的语义向量（Semantic Vector）。这个向量代表了数据的内容及其含义，便于后续的搜索和查询。
生成的语义向量被存储到向量数据库中，供之后的数据检索使用。数据库不仅支持存储，还可以进行高效的向量化数据检索。
3.2 数据检索
在这一部分，用户输入一个问题，例如“我想了解秦朝的政治制度？”。这个问题首先会被转化为一个查询向量。查询向量是通过嵌入模型处理问题文本生成的。
系统通过对比查询向量和数据库中的语义向量，找出与问题最相关的知识点。这个过程会返回一个相关性分数，用以确定哪个知识点最符合用户的查询。
根据相关性分数，系统会选择最合适的知识，并返回相关的答案，例如“秦朝的政治制度以中央集权为基础……”等。
3.3 大模型生成
大模型生成模块史小白（基于InternLM 2.5 7b），它在回答用户问题时使用了多个工具和方法：
- Agent工具（基于LAgent）：它可以帮助系统执行联网查询和古风图片生成等任务。用户的问题如果涉及到网络查询，系统可以调用联网工具进行实时信息检索；如果用户需要生成古风图片，系统可以调用图片生成工具。
- 数据微调（基于Xtuner）：大模型的输出经过数据微调，确保生成的内容更加符合特定任务的需求。
- 任务定制（Prompt）：通过定制化的任务提示词，进一步优化和指导模型的输出。
最后，史小白将结合所有查询结果、数据微调和定制化提示词，生成用户需要的答案。
四、致谢
感谢InternLM团队举办的书生大模型实战营（第三期闯关大挑战）！
GitHub地址：https://github.com/colorfulandcjy0806/shixiaobai
OpenXLab地址：OpenXLab浦源 - 模型中心
这篇关于【大模型实战】基于大模型的中国历史智能助手项目分享：史小白的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
