大模型发展如火如荼，我也一直在琢磨，这玩意除了日常知识问答和辅助写代码，还能对我的项目需求有啥助力。
最近，有一个做知识社区的 PM 找到我，说最近有人把一些项目文档、述职报告发在公开的社区里了，希望能有一些自动化发现和处理的方法。
这不就是瞌睡了就有枕头吗？用大模型做 这事儿再合适不过了。
我在自己的老 Mac 上装了 ollama，跑了 Deepseek r1 1.5b + nomic-embed-text，用 langchain 框架做实验。
踩坑点：每次执行新RAG任务却召回了老内容，怎么办？
第一次用来执行RAG 任务，发现当我在第一轮的 content 和 prompt 结束之后，再次提交新的 content 和 prompt，模型会召回上一次的content。问了claude 才知道，原来文件向量是持久化存在向量库里的，只要每次执行新任务时清理一遍，就不会发生召回前一次 content 的尴尬事了。
def store_in_chroma(doc_splits,clear_old=True):try:if clear_old and os.path.exists(DB_DIR):import shutilshutil.rmtree(DB_DIR)print("已清除旧的向量数据库")embedding_function = OllamaEmbeddings(model=EMBEDDING_MODEL,base_url="http://127.0.0.1:11434")vectorstore = Chroma.from_documents(doc_splits, embedding_function, persist_directory=DB_DIR)print("数据已成功存入 ChromaDB！")return vectorstoreexcept Exception as e:print(f"存入 ChromaDB 失败: {e}")return None
关键点：prompt 是关键，选对模型更是关键中的关键。
为了能让模型很好的理解我的意图，我努力地用结构化的语言描述自己的需求。
|
|
我用从公司内网扒拉下来的10 篇文章做测试，发现自己本机模型的正确率只有 60%。
后来，我直接怼到了公司自研的一个大参数模型接口，也不用 RAG 了，把内容和问题都作为prompt 提交给模型，正确率竟然达到了 90%。
看来，小参数模型就是瞎玩玩，正经的生产任务还得是满血版。
稍微修改了一下 prompt。
prompt = f"""你是一个信息安全专家，负责识别文档中的敏感信息。敏感内容识别规则：1.包含了产品设计、安全要求、产品策略、技术架构设计的内容，是敏感信息；2.包含了财务指标、产品定价的内容，是敏感信息；3.包含了员工述职报告、日报、周报、项目进展、项目总结、工作规划、部门规划、团队运营计划的内容，是敏感信息；4.品牌无关，只要包含了安全漏洞、安全事件、安全报告、安全规则、安全设计、安全策略的内容，都是敏感信息；5.不符合 1-4 规则的内容，则不是敏感信息。任务：1、根据上述“敏感内容识别规则”，识别当前文本是否为敏感信息。2、如果是敏感信息，最终结果直接用文本格式输出:"TRUE"即可。3、如果不是敏感信息，最终结果直接用文本格式输出:"FALSE"即可。文档内容：{content}注意：我导入的是一篇完整的文章，你看到的“一”、“二”、“三”等汉字数字代表的是文章正文的章节，仅此而已。"""
到了 90%我已经很满意了，再提高精度就是加大实验量，不断调整 prompt 的过程了。实验做到这个份上，已经可以作为一个正式的需求配合运营方案拿出来评审了。
又是进步的一天。
作者：阿飞 or 韭不黄，都是同一个人。十余年来一直混迹于信息安全行业，扛过设备，卖过服务，做过审计，查过黑客，反过欺诈，岁月神偷带走了我的苹果肌，留下了一肚子的瘫软，貌似我将要成为一个油腻的中年男人，不过依然对世界充满好奇，依然是一颗嫩绿的韭菜~
原文始发于微信公众号（思想花火）：学习笔记 | 用大模型来判断文档是否敏感
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论