大家好，我是LV。
「AI赋能前端研发」是一系列的篇章，总结了我从 0 ～ 1 用AI赋能前端研发的探索经验。
全都是原创文章，目前已经连载了多篇，往期文章见「专栏」：https://juejin.cn/column/7221418382108590138
上篇聊到了如何「打造一个生成业务组件的AI助手」，详见：【AI赋能前端研发】做一个生成业务组件的AI助手
在文末提出了一个问题：如何基于「公司私有的组件库」来生成代码呢？
本篇来揭晓。
AI赋能前端研发系列持续更新中，关注，不迷路～
问题本质
「“AI怎么基于公司私有组件库生成代码”」
回到上面的问题，我们分析一下怎么实现。
因为「公司私有组件库」是内部数据，并不在LLM已有的语料库中，所以LLM并不知道如何根据私有的数据生成我们想要的内容。
所以这个问题的本质是：“如何让通用LLM生成垂直专业领域的内容”。
以下场景，也归属这个本质的问题：
“AI怎么联网回答问题？”
“怎么搭建AI智能客服？”
如何解决这个问题呢？
现在主流有3种解决方案。
3种方案
在这里引用一下笔者参加微软 Azure OpenAI Day 看到的「生成式人工智能白皮书」资料。
「方案一」：RAG技术
RAG技术原理简单来说：从大模型外的知识库（如私有的向量数据库、联网的实时数据等）中检索与查询相关的信息，然后结合这些信息以及原始查询，一起给到大语言模型，从而生成包含专业领域（大模型外的知识）的内容。
从上图标注的重点可以知道，大部分的这种问题可以通过RAG技术解决。
「方案二」：Fine-tuning微调
简单说：微调就是拿别人训练好的模型（如gpt3.5）来调整一下，让它的表现更适合自己的特定领域的任务。
但是，微调所需要的精力比RAG大很多，而且你的场景或许不适合用微调，如下图：
官方也推荐能用RAG那就别用Fine-tuning微调来浪费精力。
参考详见：https://learn.microsoft.com/zh-cn/azure/ai-services/openai/concepts/fine-tuning-considerations
「方案三」：训练自有模型
这种方案，适合对数据安全性和隐私性很强的场景，可以简单理解为在方案二的基础上增加了「私有化」的属性。
ps：上述资料可以在同名公众号下，回复：「ai资料」，领取。
选择
如何选择适合自己的方案呢？
一条合理的尝试路径：RAG技术 -> Fine-tuning微调 -> 训练自有模型。
在LV0中，我们选择了「RAG技术」（在具体的技术实现细节上有所区别，但整体思想还是一致的）。
如何做的呢？
其实在早期的探索中，我就用到了RAG的思想，只是那会没有还没有给这个技术定一个专业化的词。详见：【在公司前端项目中落地 ChatGPT】初探成果
在第2步中，我们「将公司的组件库注入到ChatGPT中」，这个其实就是用的RAG思想。
经过实践，我们发现通过「RAG」技术就能够满足我们的需求，那如何将这个技术结合到LV0中的呢？
除了RAG之外，Fine-tuning和训练自有模型，效果怎么样呢？
本篇，大家只要熟悉市面上「让LLM处理垂直专业领域问题」的成熟的技术方案即可。
后续篇章，我们继续探索～
最后，如果你也想探索AI + 前端的更多可能性，扫描下方二维码加我的微信，拉你进「最懂AI的前端伙伴们」群，一起探讨AI赋能前端研发，一起提出问题，解决问题，一起「成为」最懂AI的前端伙伴们～
