以下是关于 AI 相关的知识：
所以在深入讨论Brain模块的其他功能之前，我们首先需要了解大模型中所蕴含的知识类型。训练大模型其本质上就是将知识进行压缩，没有这些知识，模型是无法进行进一步推理、规划、反思的。[heading3]4.1内置知识[content]知识在大模型中通常被分为两大类。第一类是内置知识，这类知识在模型训练阶段就已经被整合进模型中。我们可以将内置知识进一步细分为三个主要类别：1.常识知识：常识知识包括了日常生活中广泛认可的事实和逻辑规则。这些信息帮助智能体具备了强大的泛化能力，使其在不进行特殊指导下也能进行基本的推理和判断。例如，它包括季节变化、物体的基本物理属性、社会行为准则等。这类知识对于构建智能体的世界观极为重要，使其能够在多种常见场景下作出符合逻辑的反应。1.专业知识：与常识知识不同，专业知识涉及深入特定领域的详细信息。这包括但不限于医学、法律、科技、艺术等领域的专有概念和操作方法。例如，在医学领域中，智能体需要了解疾病症状、治疗方法和药物作用机制；在法律领域，则需掌握法律条文、案例判例及其应用方式。这些专业知识使智能体在特定咨询或操作时更加精准有效。1.语言知识：语言是人类沟通的基础，对智能体同样重要。语言知识不仅仅是单纯的单词意义理解，更包括语法规则、句型结构、语境含义以及文化背景等。智能体通过这些复杂的语言系统来解析和生成自然语言，从而与人类进行有效交流。此外，语言知识还涉及到非文字部分如语调、停顿和强调等，这些都是理解和生成自然对话不可或缺的部分。
RAG对大语言模型（Large Language Model，LLM）的作用，就像开卷考试对学生一样。在开卷考试中，学生可以带着参考资料进场，比如教科书或笔记，用来查找解答问题所需的相关信息。开卷考试的核心在于考察学生的推理能力，而非对具体信息的记忆能力。同样地，在RAG中，事实性知识与LLM的推理能力相分离，被存储在容易访问和及时更新的外部知识源中，具体分为两种：参数化知识（Parametric knowledge）：模型在训练过程中学习得到的，隐式地储存在神经网络的权重中。非参数化知识（Non-parametric knowledge）：存储在外部知识源，例如向量数据库中。
由于库和框架的支持不断增加，机器学习开始变得越来越流行。我们现在很容易在所有领域找到人工智能和机器学习的应用。然而，通过库和框架使用人工智能，并不足以让我们成为机器学习领域的所谓”专业人士“。有编码框架的支持直接套用固然很方便，但要实现落地AI行业；我们必须了解这些代码背后的逻辑。一旦我们取消了现有框架的支持，了解这些框架背后的数学细节，编写这些算法中包含的复杂模式就会显得非常重要。可以参照上面的图例，我们至少需要了解概率、统计、线性代数、微积分和图论方面的知识。[heading1]如何利用数学成为机器学习领域的专家[content]有了具体的数学知识，我们就可以充分利用机器学习的潜力，在我们感兴趣的所有领域内构建各种各样有趣的应用程序。比如：凭借算法背后的内联数学知识，为数据集选择最佳算法。利用正则化器背后的数学知识帮助解决模型过拟合或高方差问题。利用图论的知识来分析数据特征之间更复杂的关系。利用优化器背后的数学知识来设计适当的成本函数。[heading1]机器学习需要什么水平的数学知识？[content]这个问题的答案相对比较主观，取决于每个人的具体需求。比如我们正在进行机器学习的底层研究，可能需要具有深厚的数学知识，因为研究要求彻底深入。但对单纯的应用者来说，我们可能不需要任何高等数学的相关知识，掌握prompt的基础框架就可以很好的应用。