Javaboy如何蹭到大模型热度
早在20年我毕业的时候，江湖上就一直流传着互联网三大风口，ABC，AI人工智能，BigDAta大数据应用，CouldCompute云计算，经过这几年的发展，云计算已经发展到瓶颈，大数据也略显颓势，唯有AI乘着chatGPT的风一路高歌猛进百花齐放，甚至在我们的年度中央经济会议里从发展芯片变成了发展AI技术应用。
作为一个JavaBoy，一定要去蹭一蹭热度，不管是在面试官面前要表现出你是一个热衷技术，不惧挑战的好苗子，还是为以后跳槽做储备，都要做一个简单的入门。市面上大部分关于大模型应用落地的方向都是python代码去构建，比如nlp(text2sql自然语言处理)，对Javaboy极不友好。要选一个即简单又合理的应用方向落地，且还可以用Java去构建的最好答案就是RAG检索增强生成（Retrieval-Augmented Generation）。
可能有人会疑惑，我直接调文心一言、chatGPT、通义千问现成的接口不完了吗，还搁这重头搞岂不是脱裤子放屁？非也。一个大模型参数再多也只能学习训练出互联网上的公共数据，比如你问文心一言Java之父是谁，它肯定知道是詹姆斯·高斯林而不是余胜军，但是你问我最喜欢吃什么水果，你不告诉它，它肯定是不知道的。
有人说那我继续训练这个模型不断喂数据给它，每时每刻让它学，当然是可以的，不过这个动作的成本就高很多了，反而使用RAG的好处就是，帮助大模型临时性地获得他所不具备的外部知识，允许它在回答问题之前先找答案。
也就是说你提前告诉模型我最喜欢吃什么，模型自然就知道了。这是当下最火的一个应用场景，感兴趣可以自行去了解实现。另外一个技术落地就是智能化数据采集。
比如说，现在有这么场景，爬虫组的同事需要每天采集新闻数据，业务侧希望把数据翻译成18种语言，正常做法，爬下来写到库里，再有个小脚本从库里读出来，翻译，再写回去。如果我们有一个数据同步系统适配了大模型的能力，只需要在系统中配置好同步任务。比如说爬虫同事实时的将数据写入kafka，我们在数据同步系统中创建kafka -> llm -> mysql的任务，在llm中基于不同的语言告诉模型不同的propmt，即可完美实现这个需求。
这两个场景只是帮助大家去扩展思路和眼界，搞Java也并不都是增删改查，也可以狠狠的蹭到大模型的热度。为什么只说这两个场景，一是简单，二是鄙人开源的异构数据源流转系统DatalinkX中已经适配了这两种应用场景落地，燕国地图有点长，但确实有用，希望大家多多支持~
