打开Space and Time 官网如下：

https://app.spaceandtime.ai/

点击登录，我们可以选择钱包直接进行登录

点击注册试用

输入用户名，点击确认，钱包签名完成就可以注册成功了

2.查询使用

点击查询-查询新的内容-输入需要查询的内容-自然语言查询必须打开ai功能

查询内容例如：zkSync近一个月新增智能合约数量及分布

查询出结果，选择合适的可视化进行保存，创建仪表板需要用到

设置名称，然后保存

3.仪表板的创建

点击仪表板-创建新的仪表板

设置我们需要设置的仪表板背景图

导入之后我们可以设置，标题的文字-颜色，展示栏的颜色

点击可视化-我们可以把创建的可视化数据放到展示栏

点击仪表板信息，可以填写更详细的内容和仪表板的结束，包括发布仪表板的隐私权限，根据自己的需要设置。

设置完成点击发布，仪表板就创建好了

完成创建！

博客文章内容翻译如下：

向量搜索的成功

探索RAG在开发复杂LLM中的作用。

在2022年之前，如果你想快速回忆起你最喜欢的书中的某个特定段落，或者刚看过的电影中的一句台词，而手头又没有相应的作品，你可能会求助于搜索引擎。你会输入一个精心设计的搜索词，浏览返回的结果，点击SparkNotes或IMDB的链接，找到你需要的文本，这个过程可能需要几分钟。现在，你只需打开ChatGPT，输入“终结者中最著名的台词是什么？”或者“写出《双城记》的开头段落”，几秒钟内你就能得到精确的答案。

大型语言模型（LLM）最简单的一个用途就是作为知识数据库。LLM经过大量丰富信息的数据集训练，像ChatGPT这样的接口让信息检索变得轻而易举。例如，当你请求ChatGPT返回电影或书中的内容时，你实际上是在利用模型从其训练中接触到的信息中回忆这些内容。但是，如果它没有接受过《终结者》剧本的训练，或者其权重未能重视狄更斯的作品呢？为了提供最准确和相关的结果，即使是最简单的信息检索，LLM也需要复杂的索引和检索机制，才能以精确的方式访问广泛的信息。

理解LLM内容生成和训练 LLM内容是通过一种称为“下一个标记预测”的过程生成的，这确保了响应在语境上适当、多样化，并在某种程度上反映了类似人类的理解。以下是下一个标记预测的工作原理：

1. 输入处理：当你输入一个提示或问题时，该输入会被转换成标记：单词或单词的片段。

2. 语境理解：模型查看你提供的标记，并根据其训练，尝试理解语境，包括话题和语气。

3. 下一个标记预测：利用理解的语境，模型预测最可能的下一个标记。这不仅仅是基于前一个词的猜测；它考虑了对话至此的整个语境。

4. 标记选择：一旦预测出一系列可能的下一个标记，模型会选择一个。这个选择是基于概率的——基于模型训练数据最可能出现的标记。值得注意的是，这里也有一些随机性，这有助于生成更多样化和自然的响应。

5. 输出生成：选择的标记会被转换回人类可读的文本。如果响应未完成（通常只预测一个标记后还不完整），这个过程会重复。新的标记被添加到序列中，模型基于这个更新的语境预测下一个标记。

6. 迭代优化：这种预测下一个标记并将其添加到序列中的过程会重复，直到模型到达停止点。这个停止点可能是响应达到一定长度，模型预测到句子或段落的结束标记，或者满足了提示中的指示。

LLM训练中的压缩限制 当LLM预测一个标记时，它实际上是在检索和利用其权重中嵌入的压缩知识，以生成在语境上合适的输出。LLM训练在这方面类似于数据库压缩。就像数据库被优化以快速回忆经常访问的数据一样，LLM被设计为从其权重中检索信息——特定的插值记忆。因此，它能够对熟悉的训练材料中的查询做出精确的响应，就像查询一个已良好索引的信息数据库一样。然而，当模型遇到不太熟悉或不常见的内容时，可能会出现限制。例如，当你要求LLM引用《圣经》的特定段落时，它会逐字引用，但它无法逐字引用它在训练期间未多次“目睹”的概念，因为与该概念相关的权重太不重要了。在这方面，LLM类似于数据库。正如数据库可能只返回显式存储在其中的数据，LLM在生成其未广泛见过的主题内容时也可能会挣扎。

当然，LLM超出了这个类比的范围，因为它们在内部有一个世界模型，可以“理解”超出简单查找的东西。然而，这种简化有助于我们理解LLM在生成内容时的一些关键限制。

LLM训练的进一步限制 此外，下一个标记预测系统在生成文本时还有其他固有的限制，这些限制源于其基本的生成方法：

1. 上下文窗口大小：主要限制之一是模型的上下文窗口大小，即模型在做出预测时可以考虑的文本（标记）的最大数量。对于许多模型，包括早期版本的GPT，这个窗口不足以在长对话或文档中保持上下文，可能导致在需要超过紧邻前述标记的复杂讨论中失去连贯性。

2. 泛化与特异性：虽然这些模型在庞大的数据集上训练，但它们从训练中泛化的能力有时会导致它们生成通用或模糊相关的内容。它们可能在生成需要详细理解或最新知识的高度特定或细微的响应时出错。

3. 缺乏外部知识访问：下一个标记预测模型受限于其训练数据集内包含的信息。它们无法访问或结合训练后新的信息，这意味着它们可能很快变得过时，或缺乏最新的上下文，如最近的事件、发现或热门话题。

4. 重复性和可预测性：下一个标记预测的算法性质有时会导致生成重复或可预测的文本。由于模型通常倾向于选择在给定语境下统计上更可能出现的标记，它可能会陷入循环或偏好常见短语，减少输出的多样性。

检索增强生成（RAG）解释 如前所述，LLM基于其训练期间分配给数据各个方面的权重生成响应。这些权重反映了模型对输入数据不同元素的重要性或显著性的感知。如果用户的提示包含在训练数据中没有显著代表的元素，模型可能无法生成准确或相关的响应。

当对话超出LLM的上下文窗口，或者提示超出LLM自身训练数据集中的显著权重限制（意味着它无法准确回忆用户正在寻找的答案）时，模型通常依赖于一个外部向量搜索数据库，这使它可以搜索相关上下文或最新数据，并将其添加到用户的提示中。这一过程被称为检索增强生成（RAG）。

“向量搜索成功” RAG过程通过向量搜索数据库实现：一种先进类型的数据库，它以向量的形式存储和管理数据。这些向量代表数据在高维空间中的数据，其中每个维度捕捉数据含义的某些方面，允许表示复杂的关系和属性。在文本和语言的背景下，向量搜索数据库使用嵌入技术将文本转换为数值向量。这种转换使系统能够通过计算相应向量之间的距离来测量不同文本片段之间的语义相似性。

在RAG过程中，查询（即用户对LLM的输入）和存储的数据（如文章、文档或句子）都使用文本嵌入转换为向量。这些嵌入将文本数据转换为数值向量，相似含义的文本映射到向量空间中的近点。数据库然后计算查询向量和存储数据向量之间的距离，以确定文本含义的相似程度。数据库检索出与查询向量最接近的数据点（文本内容），即语境和意义上最相似的那些。

这些最相似的邻居提供了基本LLM可能无法在其训练数据中访问的上下文相关的附加信息，从而显著提高LLM输出的准确性、相关性、丰富性和多样性。包括Sam Altman在内的一些人提倡依靠RAG而不是仅靠模型微调来开发代理的“向量搜索成功”方法。

RAG作为微调的替代方案 微调LLM涉及基于特定数据集的额外训练调整模型的权重，以增强特定任务的性能或提高在某些领域的理解。这一过程不仅比创新的步伐慢，意味着微调模型几乎在更新后就变得过时，而且也没有解决新数据的问题。

相比之下，RAG使模型能够实时访问外部数据库，检索与当前查询相关的最新信息。即使基础模型最近没有更新或微调，它仍然可以生成包含最新数据的响应。模型保持相关性更长时间，因为它们可以通过检索外部信息来源来适应新数据和不断变化的上下文。

RAG有效地弥合了深度学习和传统信息检索技术之间的鸿沟。通过这样做，它结合了深度学习的强大语境理解和信息检索的精确性。这种混合方法使LLM能够生成更准确、详细和语境丰富的响应。

解决LLM的进一步限制 除了微调之外，RAG还解决了标准LLM所面临的挑战。