网文校对系统 - 校对模块

主要观点总结

本文主要描述了与R1讨论后逐步清晰的校对模块方案，从基于规则的校对引擎到大模型自然语言理解和推理的应用。重点介绍了实体识别和关系数据提取的重要性，以及如何利用这些知识构建校对系统。文章还提到了AI在开发中的应用和潜力，强调了AI对人们学习和发展新技能的影响。

关键观点总结

关键观点1: 校对模块的方案讨论和完善过程

文章描述了与R1的讨论过程中，校对模块方案如何从初步的规则设定，逐步发展到大模型的应用，以及如何利用上下文信息提高校对效果。

关键观点2: 实体识别和关系数据提取的重要性

文章强调了在校对过程中，通过实体识别和关系数据提取获取上下文信息的必要性，这是构建有效校对系统的关键。

关键观点3: AI在开发中的应用和潜力

文章通过具体案例展示了AI在开发中的应用，如校对对新章节内容的一致性错误和创建问答系统等功能，突显了AI降低应用开发的门槛以及指导人的作用。

正文

请到「今天看啥」查看全文

看看R1的回复：

这个方案靠谱多了。利用大模型自然语言理解和推理能力，分析文本中的上下文关系，识别潜在的不一致。

要用大模型，除了要校对的新章节内容，还得给它上下文，即上图中R1提到的“知识快照”。虽然R1目前还没提及知识快照的实现细节，但不难判断，其内容应该是当前知识库中实体和关系的数据。

这里就有一个潜在问题了：对于上百万字的网络小说，这个知识快照的量得有多大？会不会超过大模型的上下文窗口？

对此，R1的改进方案如下：

这个改进方案就相当靠谱了。只需要从知识库中提取新章节涉及的实体和关系，按需加载就行了。由于新章节涉及的人物、物品、功法、事件有限，需提取的实体和关系只会占到整个知识库很小的一部分，而且数据量相对固定，不会随章节数的增加而膨胀。

请到「今天看啥」查看全文