聊聊最近“大火”的RAG

AI-智能

已于 2024-05-05 14:20:59 修改

阅读量463

点赞数 13

文章标签：人工智能语言模型 python stable diffusion 自然语言处理 RAG

于 2024-04-12 10:19:31 首次发布

本文链接：https://blog.csdn.net/2401_82469710/article/details/137671128

版权

背景

LLM支持的最强大的应用程序之一是复杂的问答（Q&A）聊天机器人。这些应用程序（聊天机器人）可以回答有关特定来源信息的问题。其中使用的技术就是一种称为检索增强生成（RAG）的技术。

本文不涉及代码输出，纯概念解释说明。文末会贴出另一篇文章的地址，里面有代码。

什么是RAG

RAG是一种利用检索技术来增强大语言模型（LLM）的技术。它通过从某些数据源检索信息，并将这些信息作为上下文提供给LLM，从而改进生成的答案。

RAG的基本流程包括：

分块与向量化：将文本数据分割成块，并使用transformer编码器模型将这些块编码为向量，以便于搜索。
搜索索引：为这些向量建立索引，以便于快速检索。
重排和过滤：对检索到的信息进行排序和过滤，以提供最相关的上下文给LLM。
查询转换：将用户查询转换为模型可以理解的格式。
聊天引擎：用于与用户进行交互，接收用户输入并返回回答。
查询路由：决定哪些查询应该被发送到LLM进行回答。
智能体：负责协调各个组件，确保系统的顺畅运行。
响应合成：将LLM的输出与检索到的上下文合并，生成最终的回答。

RAG的优点在于它能够结合检索技术的准确性和LLM的生成能力，提供更加准确和丰富的回答。然而，它也面临一些挑战，如知识的局限性和数据安全性问题。知识的局限性意味着模型的知识仅限于其训练数据，可能无法覆盖所有领域的知识。数据安全性问题则涉及到将私域数据上传到第三方平台的风险，这对于注重数据安全的企业来说是一个重要的考虑因素。

简单来说就是：大模型对于没有学习过的知识是回答不了的，或者说回答不准确，不相关，利用RAG技术就可以很好的解决这种问题。

RAG架构

典型的RAG应用程序有两个主要组件：

索引：从外部数据源引入数据并制作索引。通常我们会预先处理好数据。
检索和生成：它需要用户在运行时查询并从索引中检索相关数据，然后将其传递给模型。

从原始数据到答案最常见的完整序列如下所示：

索引（Indexing）

加载（Load） ：首先我们需要加载数据。这是使用DocumentLoaders完成的。
切片（Split） ：文本分离器将大块分成更小的块。这对于以下方面都很有用索引数据并将其传递到模型，因为大块更难搜索，并且不适合模型有限的上下文窗口。
存储（Store） ：我们需要某个地方来存储和索引我们的拆分，以便以后可以搜索它们。这通常是使用VectorStore（向量数据库）和Embeddings（词嵌入）模型完成的。

检索和生成（Retrieval and generation）

检索（Retrieve） ：给定用户输入，使用Retriever从存储中检索相关切片。
生成（Generate） ：ChatModel / LLM使用包含问题和检索数据的提示。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述