4月3号做的一个判断，这才一个多月，恍如隔世；

很多产品都号称能完成各种模型的fintune，deploy等全流程（如图二），然后很多甲方就觉得，你看这些产品都能做，why you?

但实际上大部分都是赶工出来的，wrap了各个项目，然后在诸如k8s 上 用python web.py/python train.py 跑起来的，没啥价值，仅限demo。

要接入业务系统的复杂度是很高的，你需要衔接上下游，比如把大模型接入大数据系统，ETL，流计算，如果要对一线提供APi要支持高并发，要有GPU管理和调度，这些随便一个工作就够团队吃一壶。

所以你仅仅要的是能跑起来一个模型？ No，你要的是我不懂 Python 你让我随便一个小朋友就能让大模型直接应用于业务，快速验证可行性，如果没问题，快速部署上线面向客户 — 这才是 Byzer-LLM 的能力。

我们已经有客户在产品还没正式Byzer- LLM对外发布的时候就跑起来了对大模型对自己场景快速做验证了。

基于 Byzer 能在
1. 两周多的时间内做出一套图1的大模型Fintune和应用平台 Byzer-LLM ，
2. 能在三天时间内完成虚拟外教 Demo案例，
3. 能在一天时间内提供通用基于大模型的知识库解决方案

作为 data+ ai 的基础设施，这个能力应该是非常惊人的。而且我们也有商业化案例，我们在方方面面都有极大的创新，很多点上应该是世界范围内都属于创新。

现在很多用户对技术的理解就是市面上的产品技术都差不多，但我想说，Byzer 不一样[二哈]

四步从0到一构建基于向量数据库和大模型的问答知识库。

第一步，加载业务数据
第二步， 注册一个大模型和embedding 函数
第三步，构建向量数据库，并且将向量数据数据存储在数据湖
第四步， 构建qa 函数

第五张图验证效果，可以看到大模型已经知道 Byzer-lang是什么了；

第六张图用没有使用向量检索的，对自己不知道的一本正经胡说八道[嘻嘻]