问题分析与解决方案
基于公司私有组件生成代码，这个问题的本质是：由于大模型的训练数据集不包含你公司的私有组件数据，因此不能够生成符合公司私有组件库的代码。
因此，解决问题的核心就是：让大模型知道你公司的私有组件库是什么样的。
基于这个核心，有三种解决方案：
方案一：RAG：Retrieval（检索）- Augmented（增强）- Generation（生成）
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。
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）来微调一下，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。👇
微软官方也推荐能用 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：预训练自有模型
这种方案，适合对数据安全性和隐私性很强的场景，而且对于算力的要求也高，目前阶段暂不推荐。
综上，我们选择 RAG，那如何来使用 RAG 呢？
1、基于开源知识库平台快速使用RAG
比如使用 FastGPT 的知识库能力来构建私有化组件库。
2、基于LLM应用框架来上手RAG
比如基于 LlamaIndex 来构建 RAG 应用。
下面，我们来详细认识一下 RAG 技术，并基于上面的两种 RAG 使用方式，来实现私有组件库的代码生成。