1. 第一个经常碰到的典型问题是，大模型在脑补它自己的内容。

   ：这个解决方案就是修改prompt模板。调试中发现，需要约束模型在加工匹配后的结果时不要添加不存在的内容。还有就是匹配不到尝试自己回答问题时，应给出提示。测试效果不错

PROMPT_TEMPLATE = """已知信息：{context} 
根据已知信息，找到与问题匹配的答案，只需要简洁的来回答我的问题，不要举例，更不要添加已知信息里不存在的内容。如果在已知信息里匹配不到答案，则通过模型回答问题，并在答案前加上“知识库中找不到答案，我来尝试回答您的问题：”  我的问题是：{question}"""

temperature: float = 0.01
top_p = 0.9

2.除了大模型的问题，更关键的是导入的数据质量及切割

    ：导入的数据如果是FAQ的问答是最理想的，这样还可以约束切割符。

 chunk_size=1000,chunk_overlap=200,separator="\n\n"

还有一个chunk_size是约束匹配后的文本块长度的，这个在GLM2扩展后，可以适度设置大些，目前设置500。

这里有个小坑，导入的docx用office的报错，用wps的就可以。所以搞个批量转换函数。

3.搜索匹配

    ：涉及向量化。开源的这些对比OpenAI的向量服务，效果会差点。如果不涉及敏感信息，建议用OpenAI的。如果用开源的，相关度参数可以先设置0，后面根据效果再逐步从500往下调。