大模型的性能存在着“规模定律”（Scaling Law），随着训练数据量的增长，模型的性能也会提升。但我觉得现在对大模型来说，一味专注于提升参数量，扩大训练数据的规模并不是最有效的方法，有时候去寻找一个好的框架和思路是很重要的。就像人一样，每天不停地去摄取知识或是陷入所谓“题海战术”一定是会有提升的，还如何找到并形成自己独到的学习方法有时候是更重要的。教程中提到的ReAct 框架就是这样一个新的思路。ReAct框架模拟人类解决问题的过程，通过“思考-行动-观察”的循环，让模型在推理过程中主动调用外部工具（如搜索、计算等），获取实时信息，从而减少模型依赖训练数据产生的幻觉或错误。就像我们解题，往往也是一边做一遍检验，否则很可能洋洋洒洒写完所有解题步骤之后，却发现中间有错误，导致全部作废。 教程中的Text-to-Pandas方案还让我想到Text-to-SQL，其也被称为NL2SQL，是将自然语言查询转换为可在关系数据库上执行的SQL查询的技术，早在生成式人工智能LLM技术出现之前，已有很多专注于Text-to-SQL任务的机器学习项目。其实我们发现，这一切都是一个共同的功能导向，就是“翻译”。我们人类最熟悉的任务表达和实现方式永远是自然语言，而所有需要专业语言（这个语言是广义的语言，包括特定且格式化的操作步骤与流程）来操作的，无论是软件开发所需的编程语言，数据操作所需的SQL,甚至是传统作图软件所需的PS操作、复杂的调参等等，大模型正在成为一个“翻译”，一个桥梁，桥的两端是专业语言和自然语言，这些任务在上面畅通无阻。也就是所谓的减低门槛，众生平等。那未来，可能自然语言的表达能力就会成为决定你任务完成能力的因素，就像你软件开发的能力取决你编程的水平。教程中有这么一句话：“模型生成代码的质量，高度依赖于我们提供给它的“说明书”。”我深以为然，既然我们需要大模型充当这个翻译，那么怎么让这个翻译足够的强大，就是我们需要考虑的了。教程中也提到了两个方法，一个是把一些任务完成所需的背景知识转化为结构化的信息，让模型更容易理解，一个是给少量示例，就我的实践结果来看，第二种方法是更为有效的。模仿有时候是学习的一个“捷径”，不管对人还是大模型。教程中还在RAG 流程部分提到了优化文本切块策略。提出可以尝试不同的 chunk_size 和 chunk_overlap 组合，找到最适合这些法规文档的设置。对于格式工整、章节分明的法规文档，按章节或条款进行语义切块，可能比固定大小的切块效果更好。我觉得很有道理，对文本处理的时候，如何根据文本的格式、类型采取适合的处理方式，是一个容易忽视但很重要的问题，因为我正在做一个政策文本量化分析的项目，在其中体会到政策文本有其格式的特殊性，需要一些单独的方法来保证其语义的完整性和准确性。教程中提到的“引入知识图谱 GraphRAG”这一优化方法也很有意思，传统的向量搜索是碎片化的，独立的，依赖文本相似度匹配，很容易遗漏隐含关联。知识图谱就能确保信息的结构化存储，避免传统向量搜索中因文本片段孤立导致的矛盾或不完整。而且面对海量文档，GraphRAG通过图索引优先检索相关实体和关系，减少无关数据检索，降低计算成本。总之，这些新的思路和方法都值得我们认真思考和探索，这样大模型的能力和潜力才能更好被挖掘。