RAG是什么？大模型知识库基础入门实战

前言

大模型的训练需要准备大量数据集，这些数据虽广泛涉猎，但缺少细节，缺乏垂直领域和行业信息。

训练和微调，可以解决这一问题，但需要消耗算力和时间，不适合需要频繁更新内容的场景。

简单来说，如果用于训练的数据集中没有我们想要的内容，大模型就无法回答相应的问题。那么有没有办法解决呢？

文本嵌入，可以让大模型拥有暂时的“记忆”。联网搜索就是典型案例，通过将搜索结果嵌入提示词，实现内容的灌注，让大模型能够结合搜索结果进行回答。

虽然联网搜索能解决大模型知识有限的情况，但通过搜索获得数据质量取决于互联网上的内容，有时甚至因为大模型的幻觉问题，导致张冠李戴、东拼西凑的问题。

为了解决这些问题，将联网搜索换成本地知识库的搜索，再加上一点点“处理”，就得到了RAG（Retrieval-Augmented Generation，检索信息增强）。

RAG的原理

为了得到高质量的知识库，大多数RAG的流程分为以下几步：

（1）文件处理（内容清洗）

（2）上传文件

（3）分段

（4）向量化（嵌入模型，Embedding）

（5）保存向量数据

在使用知识库问答时，通过以下几步进行结果输出：

（1）知识库向量检索

（2）检索结果重排序（重排序模型，Rerank）

（3）数据筛选

（4）筛选数据嵌入提示词

（5）大模型生成答案（大语言模型，LLM）看起来RAG的过程似乎有点复杂，不过不用担心，有很多开源工具已经帮我们实现了这些功能，比如Cherry Studio、Dify。现在只需要专注文件处理和工具的选择。

实战环节

以Cherry Studio为例，添加一个知识库，使用本地部署的嵌入模型bge-m3和重排序模型bge-reranker-v2-m3。

上传一个测试文件，并等待向量化完成。

进入聊天界面，选择刚才添加的知识库。

使用问题“聚葡萄糖食品标准是什么时候发布和实施的？”进行测试，结果显示正确，并给出引用的内容。

原理补充

看到这里，相信你已经对RAG有了一定的了解，但距离应用还很远。Cherry Studio提供的知识库功能非常有限，经过前面的使用仅仅是跑通了流程。随着知识库中内容的增加，可能会出现知识混淆、回答不准确的问题。

Dify，提供了更强大的知识库，RAG的流程更全面，细节更完整。Cherry Studio中没有的文件处理、分段、数据筛选、筛选数据嵌入提示词等工作，在Dify中也得到了体现。

首先是文件处理和分段，它提供了丰富的分段设置和处理选项。

其次，在通过向量检索和重排序后，还增加了进一步的数据筛选。

最后通过工作流的方式，自行编排知识库处理流程和文本嵌入。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

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
  • L2.3 流水线工程
  • 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
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • 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

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​