1. 前言

在日常開發中，為了保證技術方案的質量，一般會在撰寫前進行調研。如果先前沒有相關領域的知識儲備，筆者的調研方式一般是先通過搜索引擎進行關鍵字查詢，然后再基于搜索的結果進行發散。這樣調研的結果受關鍵字抽象程度和搜索引擎排名影響較大，可能會存在偏差導致調研不充分。剛好大模型風靡有一段時間了，就想如果AI能自動檢索資料并進行內容總結，豈不美哉。避免重復造輪子，先在網上檢索了一下，發現剛好有一個工具“STORM”滿足訴求。

2. 什么是STORM?

?STORM是一個由斯坦福大學開發的基于大型語言模型（LLM）的知識管理系統，它能夠針對特定主題進行研究，并生成帶有引用的完整報告。系統分為預寫階段和寫作階段，通過互聯網研究收集參考資料并生成大綱，然后利用這些信息生成帶引用的全文。STORM通過視角引導提問和模擬對話來提高生成內容的質量，支持自定義檢索器和語言模型，以適應不同的使用場景。基本的執行流程如下圖：

??

3. 怎么使用STORM?

可以自己將倉庫Clone到本地編譯運行（需要設置openai_api_key）或者直接訪問STORM試用，下面使用直接訪問網頁的方式進行說明。

① 設置內容主題并描述撰寫的目的

主題設置為“代碼可視化”，并將撰寫目的設置為“介紹技術的核心概念和前沿應用”。

??

② 自動檢索互聯網相關資料

??

③ 使用LLM生成文章內容

??

④ 通過模擬對話優化生成內容

??

⑤ 展示生成內容

得到生成文章，可以下載為PDF格式。

??

4. 原理淺析

STORM通過兩個主要階段來生成帶有引用的長篇文章：

?預寫階段（Pre-writing stage）：這個階段系統基于互聯網收集參考資料，并生成一個文章大綱。這是文章寫作的準備階段，幫助確定文章的結構和將要包含的關鍵點；

?寫作階段（Writing stage）：有了大綱和參考資料，系統會利用這些資料生成完整的文章，并在文章中加入適當的引用。

??

STORM的優勢在于過程的自動化，特別是自動的提出好問題。但直接提示語言模型提出的問題效果并不理想，為了提高問題提問的深度和廣度，STORM采用了兩種策略：

?視角引導的問題提問（Perspective-Guided Question Asking）：通過調查類似主題相關文章來發現不同的視角，并利用這些視角來控制提問的過程；

?模擬對話（Simulated Conversation）：模擬了一個維基百科作者和一個互聯網主題專家之間的對話，使語言模型能夠更新對主題的理解并提出后續問題。

??

整個生成的執行流程如下，可以看到生成一篇文章會進行多趟的處理：

??

更多關于功能和原理的介紹可以閱讀論文：Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models。

5. 總結

使用STORM做技術調研相當的舒服，只需要拿到它生成的文章進行閱讀并對內容進行甄別（大模型存在幻覺問題），這極大的提升了工作效率。在大模型時代如果有人說他不知道怎么學習和查找資料，那么估計99.9999999...%的概率只是懶而已

審核編輯 黃宇