【InternLM 实战营第二期】第三节 笔记

【InternLM 实战营第二期】第三节 笔记

第三节 茴香豆：搭建你的 RAG 智能助理

参考：

视频教学：https://www.bilibili.com/video/BV1QA4m1F7t4/
文档链接：https://github.com/InternLM/Tutorial/blob/camp2/huixiangdou/readme.md

一、RAG

1. RAG定义
   RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。
   

2. RAG工作原理
   

3. 向量数据库（Vector-DB)

   • 数据存储
   • 相似性检索
   • 向量表示的优化

   

4. RAG流程实例
   

5. RAG发展进程
   RAG的概念最早是由Meta(Facebook)的Lewis等人在2020《Retrieval-Augmented Generation foiKnowledge-Intensive NLp Tasks》中提出的。
   

6. RAG常见优化方法
   

7. RAG vs 微调
   

8. LLM模型优化方法比较
   
   

二、 茴香豆

茴香豆完整工作流：

多来源检索、混合大模型、多重评分拒答工作流、安全检查

https://github.com/InternLM/HuixiangDou/blob/main/README_zh.md