过去的几十年，这条定律一直被誉为芯片行业的圣经。不过这两年，随着芯片越做越小，现在芯片已经都几纳米了，大家也开始怀疑这条定律是否还能一直持续下去，毕竟芯片再变小的空间不大了。

不过大模型的爆火，让大家重新看到了希望，似乎摩尔定律还能持续下去。因为大模型开始把算力、算法、数据进行深度结合。这也预示着在未来，数据将成为企业最宝贵的资产。

过去几年，各大企业都建设了大数据、数据湖。但仅仅是把这些数据存储起来，不但无法高效使用，还浪费了大量的存储空间。如何有效利用这些数据，一直是众多企业面临的挑战。现在，通过大模型，这一现状即将面临改变。

大模型？不是需要联网吗？大多数企业的生产环境都与互联网隔离，大模型又能做什么？

不用担心，通过RAG（检索增强生成）搭载离线大模型，现在可以把所有的运维文档、设计文档结合大模型技术，快速构建为本地知识库。让实习生也可以秒变老司机。

就比如一直以来的运维问题，当发生生产事件，大多数人都经历过问题定位事件长，或者一线人员不熟悉系统，无法及时处理事件等诸多问题。

RAG需要经历两个流程，首先是准备动作，将文档通过加载，切分，嵌入等动作，最终存储在向量数据库中。

也就是把文本、图像、音频等半结构化、非结构化数据，通过向量模型，转化成一个个类似坐标似的向量值。

通过LangChain框架可以快速实现以上逻辑，先是加载文档：

from langchain_community.document_loaders import WebBaseLoaderloader = WebBaseLoader("https://docs.smith.langchain.com/user_guide")
docs = loader.load()

再按照每1000字符的粒度，将文档切分。

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)splits = text_splitter.split_documents(docs)

然后通过嵌入模型（这里用到的是OpenAI提供的嵌入模型），把文档存入Chroma向量数据库中。至此，文档的相关信息就已经存储到了向量数据库中。

from langchain_openai import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()

vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())

向量是一种类似坐标的数据格式，就好像我们在中学地理课上学的经纬度，比如 [ 东经72° ，北纬37° ] ，就代表了地图上的一个具体的位置。

通过嵌入模型，就会把文档变成类似于坐标的形式存储，就能得到向量A。

当需要查询的时候，这时候就需要触发查询的逻辑：首先会将用户提出的问题，以同样进行嵌入模型进行向量化，得到用户问题的坐标B。

再将用户问题的坐标B，与向量数据库里面的向量A做比对，找到最近的坐标。再4将找到的内容和问题统一丢给大模型，通过提示词组装成最终的答案。

LangChain里检索的流程主要代码实现如下，

# Retrieve and generate using the relevant snippets of the blog.retriever = vectorstore.as_retriever()prompt = hub.pull("rlm/rag-prompt")

def format_docs(docs):   return "\n\n".join(doc.page_content for doc in docs)
rag_chain = (   {"context": retriever | format_docs, "question": RunnablePassthrough()}   | prompt   | llm   | StrOutputParser())

为什么要把问题和文档通过转换成向量这么麻烦的方式进行检索？

主要是在人类语言中，不同的语言可能表达相似的含义，比如 “今天有点冷” 和 “今天冻死了” 的含义相近，但是基本没有相同的文字出现。

但是如果转换成坐标，这两句话的坐标就会很接近。

通过大模型结合RAG，已经可以快速形成知识库，提取既往经验，优化企业运维流程，快速分析处理问题。

而在其他领域，详细大模型结合RAG不仅能够提升企业运维效率，降低成本，还能够增强企业的市场竞争力，成为企业数字化转型的重要一环。

在当今数据的海洋中，大模型将是企业的航标，引领着企业智能化的航向，驶向效率与安全的彼岸。

你准备好迎接大模型带来的运维革命了吗？