简介

语言模型越来越受欢迎，因为它们为用户的问题创造了令人印象深刻的连贯答案。 尤其是当用户通过聊天与语言模型交互时，它提供了一种直观的方法来获取他们需要的信息。

通过聊天实现语言模型时，一个普遍的挑战是所谓的根基性，即响应是否植根于、连接或锚定在现实或特定上下文中。 换句话说，根基性是指语言模型的响应是否基于事实信息。

没有根据的提示和响应

使用语言模型生成对提示的响应时，模型必须基于该答案的唯一信息来自训练它的数据，这通常只是来自 Internet 或其他源的大量未文本化文本。

结果很可能是对提示的语法一致且逻辑清晰的响应，但由于它不是基于相关的事实数据，因此缺乏上下文；而且实际上可能不准确，并可能包含虚构的信息。 例如，“我应该使用哪个产品进行 X？”这个问题可能包含虚构产品的详细信息。

有根据的提示和响应

与此相反，您可以使用数据源将提示与一些相关的事实性上下文结合起来。 然后，可以将提示连同基础数据提交到语言模型，以生成具有上下文关联的、相关且准确的响应。

数据源可以是相关数据的任何存储库。 例如，可以使用产品目录数据库中的数据作为“我应该使用哪个产品进行 X？”这个提示的根据，使响应包含目录中存在的产品的相关详细信息。

在本模块中，你将了解如何通过使用自己的数据生成代理，创建基于聊天且具有根据的自有语言模型应用程序。