一种基于大语言模型的领域智能助手方法和装置

技术领域

本发明涉及人工智能技术领域，具体为一种基于大语言模型的领域智能助手方法和装置。

背景技术

随着人机交互技术的不断发展，智能助手已经成为人们生活中不可或缺的一部分。然而，传统的智能助手仍然存在一些问题，例如无法理解用户的意图，操作简单单单，无法提供个性化的服务等。因此，开发基于大语言模型的智能助手，能够有效地解决这些问题。

现有技术中，随着大语言模型技术的不断增强，面对浩如烟海的知识无从下手的背景下，智能助手的研究越来越有其必要性。传统智能助手受限于模型的理解能力，对于复杂问题往往表现不佳，同时由于本身技术的限制，对于实时性的知识或需求往往不能很好的解决，人机交互方式上也比较生硬、缺乏灵活性和体验感。因此，基于大语言模型的领域智能助手，借助其强大的理解能力和推理能力，以及可定制的工具应用能力，能够更好的覆盖用户的诉求。也成了一个逐渐热门的研究方向。

虽然，已有有一些探究工作探索了基于大语言模型的智能助手。其中，比较常见的思路是通过将外部的知识通过外挂知识库的方式，解决助手知识的实时性问题。这种方法一定程度上能够缓解知识更新的问题，但受限于实现框架，不能够灵活应对用户的不同诉求，例如知识查询、知识结构化等，也就是对用户诉求的灵活解决能力上有待提升。

发明内容

本发明的目的在于提供一种基于大语言模型的领域智能助手方法和装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于大语言模型的领域智能助手方法，所述方法包括如下步骤：

收集可用数据，针对不同的数据，对收集的数据进行处理；

处理逻辑和处理后数据构成了DataCollections模块；

借助DataCollections模块和领域的诉求，构建相应的工具；

基于领域数据，实现AutoTools和UnderstandLLMs模型的训练，训练完毕的模型构成了PlanAndExcute模块；

用户通过与PlanAndExcute模块交互，得到想要的答案。

优选的，收集的可用数据包括历史案例和法律条文，对收集的数据进行处理时，历史案例非结构化数据进行向量化，实现知识的向量化存储，对条文法规通过知识抽取能力，实现知识的结构化存储。

优选的，构建的工具基于抽象化的工具类实现，保证不同模块之间的数据流转和工具调用，工具的构建和管理构成了ModelTools模块。

优选的，PlanAndExcute模块，主要实现和用户的交互和不同能力的切换。

一种基于大语言模型的领域智能助手装置，所述装置包括PlanAndExcute模块、UnderstandLLMs模型、AutoTools模型、ModelTools模块以及DataCollections模块；

PlanAndExcute模块，整个系统的入口，直接和用户进行交互；

UnderstandLLMs模型，实现用户诉求的理解、求解方案的制定、结果标准化功能，通过在领域数据上训练；

AutoTools模型，根据UnderstandLLMs模型制定的计划，灵活智能的实现不同工具的管理，保证计划的有效执行；

ModelTools模块：系统的能力池，实现不同的能力进行工具化、插件化；

DataCollections模块，实现对领域数据的管理。

优选的，ModelTools模块用于任务求解能力的高度抽象化实现，不同的诉求可以依赖不同的工具实现；工具之间相互调用，保证对复杂任务的求解。

优选的，DataCollections模块将标准化的数据在不同工具之间传递，保证结果的连贯性。

优选的，PlanAndExcute模块指代计划执行模块，UnderstandLLMs模型指代系统的核心模型，AutoTools模型指代系统的工具管理模型，ModelTools模块指代模型工具模块，DataCollections模块指代数据管理模块。

与现有技术相比，本发明的有益效果是：

本发明提出的基于大语言模型的领域智能助手方法和装置，功能包括智能交互、案例结构化、相似案例检索、法律知识问答、违法行为判断等。通过底层数据模块、模型工具模块和计划执行模块的协同工作，该系统能够高效地满足用户的需求，并为用户提供精确的解答和解决方案；应对不同的问题，能够灵活的切换不同的能力，通过不同的工具，求解用户的诉求，保证对用户诉求的覆盖求解。相较于传统方法，该方法在用户需求的理解、求解问题的能力上都有了极大的覆盖。

附图说明

图1为本发明方法流程图。

具体实施方式

为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参阅图1，本发明提供一种技术方案：一种基于大语言模型的领域智能助手方法，所述方法包括如下步骤：

1)通过收集该领域的可用数据，例如历史案例、法律条文等；

2)针对不同的数据，对收集的数据进行处理，例如历史案例等非结构化数据进行向量化，实现知识的向量化存储，对条文法规等通过知识抽取能力，实现知识的结构化存储；

3)处理逻辑和处理后数据构成了DataCollections模块

4)借助DataCollections模块和领域的诉求，例如案例查询、知识查询等，构建相应的工具，例如向量化检索、知识问答等工具

5)上述构建的工具是基于抽象化的工具类实现的，保证不同模块之间的数据流转和工具调用，工具的构建和管理构成了ModelTools模块

6)基于领域数据，实现AutoTools和UnderstandLLMs模型的训练，训练完毕的上述两个模型构成了PlanAndExcute模块，主要实现和用户的交互和不同能力的切换。

7)用户通过与PlanAndExcute模块交互，得到想要的答案，从而完整整个流程。

实施例二

在实施例一的基础上，提出了一种基于大语言模型的领域智能助手装置，所述装置包括PlanAndExcute模块、UnderstandLLMs模型、AutoTools模型、ModelTools模块以及DataCollections模块；

PlanAndExcute模块：整个系统的入口，直接和用户进行交互

UnderstandLLMs模型：系统的核心模型，实现用户诉求的理解、求解方案的制定、结果标准化功能，需要通过在领域数据上训练。

AutoTools模型：系统的工具管理模型，根据UnderstandLLMs模型制定的计划，灵活智能的实现不同工具的管理，保证计划的有效执行。

ModelTools模块：系统的能力池，实现不同的能力进行工具化、插件化任务求解能力的高度抽象化实现，不同的诉求可以依赖不同的工具实现

工具之间可以相互调用，保证对复杂任务的求解；

DataCollections模块：数据管理模块；

一方面实现对领域数据的管理

一方面将标准化的数据在不同工具之间传递，保证结果的连贯性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。