【RAG】六步学习检索增强（RAG）,打造你的私域助理

每个人似乎都在担心人工智能会如何夺走我们的工作。但令人惊讶的是，很少有人真正了解在实际环境中使用人工智能模型的基本方面。到目前为止，大多数技术人员都听说过 RAG - Retrieval Augmented Generation。简单来说，RAG 只是一种将文档或某些知识源链接到 AI 模型的方法。如果您正在考处理5 个文档，这听起来很容易。但是，如果让您考虑任何人或公司如何需要对数千、数万或数百万个文件执行此操作，则这是一个不同的问题。这是几乎所有公司都存在的问题。这就是为什么我大力倡导每个人至少对 RAG 是什么有基本的了解，因为它是使用 AI 模型所需的基本知识之一。

与生活中的任何事情一样，如果你认真对待它，这将是成为人工智能专家的起点。即使您对成为 AI 专家不感兴趣，了解 RAG 的所有部分的工作原理也肯定会为您提供良好的服务，因为许多公司将整合这些工作流程。

第一步：Parsing（解析）, Text Chunking（文本分块）, Indexing（索引）

这里，你需要了解什么怎么对文本进行分块，如何创建您的第一个库并开始执行基本步骤，库中的文档需要解析为统一的格式，并分成更小的文本（分块），然后使用所有元数据进行索引。

第二步：Build Embeddings（构建嵌入）

你需要了解什么是嵌入、嵌入模型、向量和向量数据库？学习嵌入、嵌入模型、向量和向量数据库背后的基本概念。

您需要使用 Hugging Face 中的模型构建您的第一个嵌入，以存储到数据库并使用这些嵌入来运行查询。

第三步：Prompt Models（提示词模型）

了解如何通过加载和提示来自 Hugging Face 和 OpenAI 的模型来提示模型。使用示例开始推理模型，并了解如何使用传递的上下文检查模型是否提供了正确的答案。了解如何捕获模型的使用情况数据，例如令牌使用、输出和总处理时间。

第四步：RAG with text query(通过检索增强查询文本)

我们需要在带有嵌入的库中获取某种形式的知识，并将这些碎片与模型组合在一起。了解如何将正确的 RAG 策略与深思熟虑的检索和查询策略结合使用正确的模型来完成工作。

第五步：RAG with Semantic Query（通过检索增强进行语义查询）

现在，您可以开始语义搜索了。也称为自然语言查询，这是我们获得嵌入和向量数据库的好处的地方。您将能够使用自然语言查询您的知识库，以提出问题，以便从最复杂的法律文件中获得答案。

第六步：RAG with Multi-Step, Hybrid Query（通过检索增强进行多步混合查询）

并学习如何在笔记本电脑上使用 Hugging Face 中的量化 DRAGON-YI-6b-GGUF 模型，执行多步骤混合查询以获得所需的响应。此外，了解如何执行证据验证（防止模型幻觉）以及如何将所有输出保存为 JSON 或 CSV 文件，以供将来的数据集或审核使用。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓