在构建和运行自己的检索增强生成（RAG）系统时可能遇到的挑战。主要问题包括：

• 幻觉问题：处理幻觉需要在RAG管道的每一步都采取反幻觉措施。这不是简单的“添加到提示中”的问题，而是需要在整个管道的每个设计决策中考虑“这如何影响幻觉？”。
• 数据摄入问题：数据摄入听起来简单，但在生产使用中导入成千上万的文档和网页时，会遇到各种问题，如摄入是否顺畅、每个文档是否有清晰的审计日志、管道是否能够抵御失败等。
• 引用/来源问题：Langchain可以快速原型和展示结果，但在向上级或CEO演示时，可能会被问到响应的来源或计算方式，Langchain不为你构建引用算法，你需要自己建立。
• 查询相关性问题：在现实生活中，用户可能不知道如何查询，除非你明确构建了理解查询意图的过程，否则普通用户会像在Livechat中与真人聊天一样与聊天机器人交流。
• 维护和MLOps问题：每当OpenAI发布新功能或新模型时，你的RAG管道如何受到影响？例如，某些客户的机器人开始用西班牙语回应正常的英语查询，这需要调查和修复。
• 经济规模问题：自己构建时，开发成本“除以1”。而当OpenAI修复其LLM中的问题时，所有人都会受益。
• 安全问题：虽然Langchain允许你控制文档的数据安全，但你需要考虑数据安全、聊天安全和聊天访问安全等所有方面。
• 审计和分析问题：部署计划是否包括完整的审计轨迹以查看AI的说法和访问的其他方面？是否计划实施仪表板和分析以从聊天日志中获取洞察？
• 持续开发问题：随着技术的发展，谁将负责持续的维护和开发？

虽然Langchain是一个很好的起点和教育工具，但它并不是为将真实用例带入生产而设计的。构建自己的RAG管道类似于自己组装服务器，虽然有趣，但在需要真正的生产使用时，运行自己的RAG系统会面临许多挑战。

人们常常会说自己缺乏自控力，无法坚持健康饮食、定期锻炼、储蓄和每天早晨阅读或写作。

研究显示，高自控力的人在学业、心理健康、人际关系和控制冲动行为方面表现更好，甚至更快乐。

然而，好消息是，高自控力并不意味着不断与诱惑作斗争，真正能带来积极生活结果的自控力比通常所说的“意志力”和“自律”更为不费力。

研究发现，高自控力的人在日常生活中遇到的诱惑更少，他们擅长避免而非抵抗诱惑，并且在建立和打破习惯方面表现出色。

这些发现表明，高自控力的人可能更擅长预测潜在的自控失败并采取措施预防，从而实现了所谓的“元自控力”。

元自控力是指高度自控力的人通过预防和避免诱惑来管理自己的自控资源。

与其在面临诱惑时努力抵制，他们更善于提前预测可能的自控失败，并采取措施来避免陷入诱惑的境地。

他们可能会选择避免诱惑的环境，建立健康的习惯和规律，以减少需要进行努力型自控的机会。

通过这种方式，他们能够更有效地管理自己的自控资源，避免过度消耗，从而更轻松地保持自控力。

元自控力的关键在于提前规划和预防，而不是仅仅依靠在面临诱惑时的抵制。