大模型与非遗文化：AI技术助力传统技艺传承

1. 项目概述：当大模型遇见非遗文化传承

去年参与某地非遗保护项目时，我亲眼目睹了老艺人面临的手艺失传困境。当时就萌生了一个想法：能否用AI技术为传统文化注入新活力？这个毕业设计项目正是这个构想的实践产物——通过大模型构建非遗故事的智能生成与互动平台。

系统核心包含三大模块：基于LLM（大语言模型）的非遗知识库构建、多模态故事生成引擎、以及融合用户反馈的交互学习机制。选择开源Llama3-8B作为基础模型，配合LoRA微调技术，在消费级RTX 4090显卡上即可完成部署。项目已实现用自然语言描述生成完整的非遗故事脉络，并支持用户通过对话形式参与故事演进。

关键突破点：首次将提示词工程与非遗领域知识图谱结合，解决了传统大模型在专业领域"一本正经胡说八道"的问题。测试显示，生成文本的领域准确率从基线模型的43%提升至89%。

2. 核心技术架构解析

2.1 大模型选型与微调方案

对比了当前主流的7款开源模型后，最终选择Llama3-8B作为基座模型。这个决策基于三点考量：

1. 参数量适中（80亿），在24G显存的消费级显卡上可进行全参数微调
2. 中文处理能力经过社区优化后达到商用水平
3. Apache 2.0协议允许商业用途

微调过程采用QLoRA技术节省显存：

python复制# 量化配置示例
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)

训练数据来自两方面：

• 结构化数据：中国非遗网公布的1527项国家级非遗项目档案
• 非结构化数据：爬取的民间故事文本（经过去重清洗后约3.2GB）

2.2 知识增强的提示工程设计

为避免模型生成内容出现事实性错误，开发了动态提示模板：

code复制[系统指令] 你是一名非遗文化专家，正在向年轻人讲述{非遗类别}的故事。需遵守：
1. 严格依据提供的知识库内容
2. 语言生动有趣，适当使用方言词汇
3. 穿插技艺操作细节

[知识片段] {从知识图谱检索的相关内容}

[对话历史]